博客

机器视觉监视的进步提高了公共安全

愿景网络营销团队| 2019年8月15日

微博:

机器视觉监视的进步提高了公共安全机器视觉技术现在广泛应用于监控，研究人员正在努力使其越来越智能。近年来，在人的检测、识别和跟踪方面取得了很大的进展，但遮挡仍然是人的检测中一个众所周知的问题。

遮挡发生在希望被看到的人或物体被中间的身体或物体部分覆盖时。在拥挤的公共场所，如城市广场，遮挡常常是一个问题。顺便说一下，这些区域通常是机器视觉在帮助保护公众方面非常有用的位置。

当人们在人群中看到一个人时，即使这个人部分被其他人挡住，他们也可以识别、重新识别并对这个人进行分类。一个人能够想象出一个人的完整外观，即使这个人的很大一部分被遮挡住了。

构建完整图像时的挑战

遮挡通常影响任何机器视觉技术。当机器视觉发生遮挡时，物体的那部分是未知的，对于大多数智能监控系统来说，如果无法观察到它，它就不存在。用于构造完整图像的系统首先必须知道图像是不完整的。

当涉及到遮挡时，发展的另一个主要挑战是缺乏大规模的数据集，提供真实遮挡和非遮挡的图像对。简单地添加随机对象和纹理到非遮挡图像无法生成真实的数据。用这样的数据训练神经网络实际上可能会对系统造成不利影响。

读

读

研究人员正试图将人类“填补空白”的能力添加到机器视觉系统中。通过使用深度学习体系结构以及有和没有闭塞的人的照片和视频，人工智能解决方案现在可以找出缺失的信息，并创建一个人的完整图像。

神经网络架构提供了去遮挡人的形状所需的框架。使用最先进的u -net(卷积神经网络，设计用于快速和精确分割生物医学图像)，GANs(生成对抗网络，用于无监督机器学习)和鉴别属性分类网络(用于质量检查)使去遮挡成为可能。

优化后的损失函数使用上述网络技术中的数据来满足以下目标:

机器视觉技术的进步为监视行业打开了许多大门，通过克服遮挡挑战来增加公共安全。