如何使用ip camera集成面部和物体识别？

Question

设置一个舞台,在一个区中有200 +模拟摄像机到中央监控站,但这些摄像机没有识别面部或物体.是否可以对这些相机实施面部检测？这些相机必须具备哪些先决条件？如何加载这些相机发送和处理的图像？

Answer 1

由于您的问题并不解决特定的编码问题，而是侧重于如何解决模式识别任务的一般概念，因此我想向您提供一些必须考虑的步骤的概述。正如您已经注意到的，我写了一些关于模式识别（PR）的文章。嗯，这就是您想要做的，除了模式分析之外，这实际上是第 2 步。

\n\n

让我们从这样的 PR 管道开始：

\n\n

1. 信号采集

\n\n

要分析信号，首先必须有信号。收集这个信号是第一步，让我告诉你一件事：这里没什么可做的，但错误很多。对于您来说，当您想要从模拟摄像机获取视频信号时，首先要做的就是进行 A/D 转换，这样您就可以获得可以使用的数字信号。我对你们相机的视频质量没有任何印象，但请记住一件事：输入到特征提取 (FE) 工具中的信号几乎肯定是每个 FE 步骤的单帧。因此，请检查帧的质量，而不是整个视频的质量，这可能会给您留下错误的印象。除此之外，您无法真正影响信号采集。我没有写任何有关如何从摄像机访问模拟视频的内容，只是因为没有有关其环境的信息。

\n\n

2. 信号预处理

\n\n

现在，当您拥有一些数字信号时（当然您也可以使用模拟信号执行此操作，但为了简单起见，我将在这里仅介绍数字预处理），您希望充分利用它。这是什么意思？您收集（或观察）的每个信号X基本上都是真实（未损坏）信号S和某种噪声的混合物N：

\n\n

X = S + N

\n\n

你理想中想要拥有的是S。如果您设法降低噪声N，您就可以减少其对整体信号的贡献X。因此，在预处理过程中，您经常会进行某种过滤。例如，对于图像，您可以在单个帧上应用中值滤波器来处理Salt 和 Petter 噪声。但是信号处理可以有许多不同的方面，您必须针对您的特定任务阅读该主题。长话短说：您希望通过减少噪声、伪影等来提高信号质量......

\n\n

3.特征提取/分类

\n\n

现在您有了足够质量的信号（这是一个假设，我对您的特定设置一无所知）。您现在想要进行特征提取。这是什么？仅单个视频帧就包含大量信息。假设您的分辨率为 720\xc3\x97576 像素，那么您已经有超过 400.000 个值，这甚至不是一个好的图像质量。首先：并不是每个像素都对您想做的事情感兴趣。我现在只考虑人脸识别任务：您需要显示人脸的像素。所有其他像素对您来说都不那么有趣。您现在必须做两件事，首先检测人脸，然后进一步处理以检测人员。对于一般的人脸检测，有不同的方法，例如模式匹配、纹理匹配或卷积神经网络 (CNN)。成功检测到人脸后，您将如何处理该人脸？同样，您有不同的选择，例如特征脸、尺度不变特征变换 (SIFT) 或 CNN。

\n\n

此外，您的分类算法需要训练。训练算法意味着针对特定目标优化其参数。这里变得非常棘手：您不仅需要样本数据（您可以从相机收集这些数据），而且还需要标签。对于面部检测，您可以获得一些不错的预训练算法，这些算法也应该适用于您的数据。然而，对于面部识别，您需要来自您想要检测的每个人的样本。并且你必须对它们进行注释。您将需要大量的图像，最好用您用于识别的相机拍摄。同样，有预先训练的模型，但您仍然必须向这些预先训练的模型展示您想要识别的新面孔。

\n\n\n\n

整个管道假设您有足够的输入信号质量，但我不确定。如果是这样，它会为您提供有关完成任务所需步骤的快速指南。如果第一步成功了，那么第二步就不再是大事了。第 3 步将是最具挑战性的，因为您必须有一些训练数据。

\n\n

我没有写任何有关不同国家隐私法的内容。我只是希望您尊重您可能面临的任何限制！

\n