視頻監控智能演算法
視頻監控智能演算法的幾個關鍵問題
智能分析作為視頻監控下一個技術的競爭焦點,在安防監控業內已然成為炙手可熱的研究課題。現在不僅安防設備商/集成商對此功能蜂擁而至,很多IT領域的集成商由於演算法成本研發的成本不高,所以也開始從其他領域的智能識別涉足智能監控,或通過後端SDK提供服務,或與攝像機設備商合作,並且往往在產品形態上有異於當前主流的攝像機外形。
如此眾多繁雜的攝像機產品及智能演算法功能,不得不進行一些關鍵性技術的區分辨別。以深度學習的人臉檢測、人臉識別、人群分析、車牌識別、圖像識別等技術而言,普通的二維智能演算法多半通過後端大資料庫的比對實現查找匹配的功能,在簡單的應用場景下,準確率都能達到85%以上,但在複雜的應用場景,如擁擠的人群、遮擋物眾多、移動速度過快等狀況下,二維智能演算法的缺陷表露無遺。
普通攝像機智能分析的缺點及根源
在市面上,普通的智能攝像機存在三個缺點:一是不帶變焦的攝像機對遠距離的目標無法看清目標細節;二是帶變焦的鏡頭雖然通過人工操作,可以看清遠處目標,但不能跟蹤運動目標,同時因完全靠肉眼觀察,容易疲勞,也需要大量人力投入,成本高昂;三是部分智能攝像機能識別車牌及實現有限的報警功能,但對安裝角度、目標距離有很高要求,不適合大面積應用,並且在對多個運動目標實現自動鎖定、自動跟蹤、自動預警等方面的技術不夠成熟。
而對於造成攝像機智能分析功能存在這些缺點,業內專業人士認為,當前大多數做智能視頻分析的廠家都是在後台對前端攝像機採集的圖像進行分析處理,但因傳輸帶寬及存儲空間的瓶頸,前端傳回後台的圖像一般都經過壓縮處理,清晰度變差,這大大降低了視頻分析的識別率。目前,視頻分析的眾多產品都存在這樣那樣的問題,根源就在於視頻源的低質量。
智能分析演算法存在的困難
當前,智能分析演算法存在的最大困難,主要來自於兩方面:第一,是對處理器晶元的實時處理能力要求很高,受制於處理器的有限資源,攝像機前端在實時處理能力上較弱,這會大大限制產品功能的有效性;第二,是對前端設備的制約較多,如晶元的處理能力、晶元的散熱方案較難實現等。目前大多數商用的智能分析演算法還存在誤檢/漏檢率高,場景適應性差等問題,實際應用效果有限。而學術界高精度的演算法則存在硬體要求高,不適應於大面積商業化運用。
不同攝像機能否自動識別同一個人的方法
在視頻監控的智能分析功能中,對於同一個人進入不同攝像機之間能否被準確辨認出來,業界一直在研究,如果此功能能夠實現,對於公安破案將帶來極大的幫助。對此演算法,有業內人士認為,行人的跨攝像頭跟蹤,主要可以通過兩種演算法來實現,一是行人匹配演算法,也就是利用某個特定行人的紋理特徵和運動特徵;另一個是人臉識別演算法,也就是通過人臉檢測演算法和人臉匹配技術,來判斷是否有同一個人出現在不同的攝像機里。
縱觀整個安防市場,雖然視頻監控智能演算法現在還在起步階段,很多攝像機內的智能分析功能也只是作為高附加值在項目招投標中略有體現,但隨著演算法精度的多元化和精度的提升,以及晶元及後端設備成本的下降,可以預估對智能分析功能進行大規模的商業應用已經為期不遠。
推薦閱讀:
※分散式Snapshot和Flink Checkpointing簡介
※今日頭條演算法原理(全)
※單機事務不同隔離級別的並發問題整理
※演算法導論第二課——漸進分析
※打遊戲時領悟了「向死而生」,這個AI演算法真的不虛強化學習
TAG:演算法 |