Using facial recognition to identify strangers - BBC Trending
 |
來源： 興業證券研究報告
發展至今，大數據不再為網路企業獨有，而是逐漸成為覆蓋各行業、可以為具體業務服務的技術。
在對岸的中國，春節不僅演化成了一年一度的「人口遷徙」大節，還成了交通、保全等領域，接受技術檢驗的關鍵時刻，交通疏導，以及火車站、汽車站、機場等場所的安全防範工作，均是重中之重。人滿則為患，影像大數據分析技術，在其中承擔了巨大的作用。
在複雜環境下，對人、車、物的多重特徵資訊提取，和事件檢測，從而有效區分行人與干擾物體，這種精確的客流統計，離不開智慧攝影機監控。
據悉，元宵節當天，中國的南京夫子廟先後湧進近70萬觀燈市民，人流峰值曾達到了11．5萬人。（數據來源於海康威視）
觀燈會中使用的雙目客流攝影機，在雙鏡頭立體成像的基礎上，能夠對遊客的徘徊和身高進行過濾，並可以結合後端客流量統計分析系統，協助南京公安即時進行客流管控，一旦客流量統計分析系統，檢測出入口客流數據成長超出預期，指揮部馬上通知該出入口的民警，採取人員引導、限流和組織人牆措施，從而保證賞燈的有序性和安全性。
為什麼攝影機能夠自動過濾篩選資訊呢？
影像大數據分析需要經過三個層面的問題，一是目標檢測和跟蹤，二是目標辨識， 三是行為辨識。
設想一下， 在一幀影像內容裡，我們首先要把人，從周圍環境中分離出來（目標檢測），然後分析出這個人是誰（目標辨識），最後通過對其肢體動作分析，得到他在幹什麼（停留還是徘徊，或者其他行為）的結論，甚至推理出—— 他將要幹什麼（行為理解）。
目標檢測和跟蹤（你在哪兒）
可見，這三個層次是依次遞進的，目標檢測是目標辨識的基礎，而行為辨識是目標辨識的高級階段，這三個層次總體構成了攝影機智慧過濾的功能。
其中影像目標檢測和跟蹤，具有很強的實用價值，主要應用在影像監控、智慧交通、人機交互、機器人導航等領域。
以下是幾種常用的動態影像目標檢測方法：
背景減除：背景的建模是背景減除方法的技術關鍵，它一般能夠提供相對來說，比較全面的運動目標的特徵數據，但對於動態場景的變化，如光線照射情況，和外來無關事件的干擾等，也特別敏感。
時間差分：又稱相鄰幀差方法，利用相鄰幀圖像的相減，來提取出前景移動目標的資訊，對於動態環境具有較強的自適應性，但一般不能完全提取出，所有相關的特徵像素點，在運動實體內部容易產生空洞現象，只能夠檢測到目標的邊緣，當運動目標停止運動時，一般時間差分方法便失效。
光流：基於光流方法的運動檢測，採用了運動目標，隨時間變化的光流特性，該方法的優點是，在所攝場所運動存在的前提下，也能檢測出獨立的運動目標。大多數的光流計算方法相當複雜，且抗噪性能差，如果沒有特別的硬體裝置，則不能被應用於全幀影像串流的即時處理。
目標辨識（你是誰）
目標辨識主要是判斷影像的內容是什麼，如透過人臉辨識技術，達到判定目的。目標辨識的過程，是將待辨識的目標，與指定的目標庫中的特徵進行比較，以確定是否與該庫中的某一目標相匹配。其方法主要有：幾何特徵法、神經網路法、隱馬爾可夫模型法、利用人臉側面像的輪廓，進行辨識等。
目前，該技術的難度，在於光照條件的改變、 角度的不同、 遮擋，人臉辨識技術中，還包括人臉表情的變化、年齡增長等帶來的變化。
行為辨識（你在幹什麼）
行為辨識即是行為理解，它對數據分析結果的應用，極其重要。因為其回答了目標「將要幹什麼」的問題，可以基於理解的結果，進行預判。
例如，在各種光照變化、人群遮擋等複雜環境下，相關機構可以透過影像數據，分析估計人群數量和密度，同時檢測人群過密、異常聚集、滯留、逆行、混亂等多種異常現象，實現重大活動、重要區域的人流統計與控制，並提供即時警報功能。
深度學習（模仿人腦機制解釋數據）
在影像大數據分析的三個層次中，目前研究熱點，主要集中在目標辨識和行為理解兩大領域。學術界和產業界最終的目的，是讓電腦具備人類眼睛和大腦的功能，「看到」並「領會」到圖像和影像上的資訊。
在具體技術手段上，業內往往採用電腦視覺技術，特別是以深度學習為基礎的電腦視覺技術，近年來在影像分析中得到廣泛應用。
電腦視覺技術，指的是依靠算法，在沒有其他輔助資訊的前提下，僅根據圖片像素資訊，分析出圖像的語義，一般分為圖像獲取、預處理、特徵提取、檢測／分區和高級處理。
沒有留言:
張貼留言