智能分析之深度学习和整体解决方案.docx

智能分析之深度学习 深度学习对于智能分析来说就相当于人类的学习一样，人类不学习就是一张白纸，什么都不会，从我们的咿呀学说和学走路开始，到上学年龄的老师教学，再到进入社会的自我学习，无论何时何地，碰到新的事物就需要学习，智能分析既然是模拟人类，那深度学习就跟人类学习新事物一个原理，碰到一个新的事物，它无法辩认这是什么东西，最多只能判断它是否运动，运动速度是多少，是哪种颜色，是什么形状，但具体是什么物体它并不知道，那要辨认出具体物体，就需要做事前的深度学习 深度学习是学习物体的多个特征，不同的物体记忆不同的特征，比如认识不同的人、做人脸识别、人脸与身份证的对比等，一般都是通过识别人的五官特征，两个眼角，鼻子与两个嘴角五个点位的位置、距离等信息，通常叫做人脸识别的五点识别，因为这些信息是不会随着年龄的增长而改变比例的，识别这些信息之后保存到数据库或文件中，一般是保存在XML文件中，当然有些情况还会记载物体的大小、颜色、形状等等多个参数，根据实际情况学习不同的特征值，这是学习的过程。 学习完之后就可以进行分析对比了，首先是找出视频中出现变化的对象，这个变化的对象有些是通过移动的对象来判断，有些是通过对比两帧数据来对比，反正是找出变化的对象即可，对象找出来之后先做初步的判断是否是我们需要检测的对象，如果是的话再提取物体的特征值，来对比保存的物体的各个特征值，是否与保存的对象有相符的，再根据平台设置的相似度来确认是否是同一个人或对象。 在实际使用的过程中，算法首先是要进行一轮预处理阶段，即处理掉一些干扰因素，包括去除光亮条件和噪声、阈值、模糊等；对象的特征是一组描述符，为了使用这些描述符来训练模型或预测其中的一个模型，需要通过成千上万次图像预处理、提取特征来建立一个关于特征的大数据集合，并且通过选取的训练模型来提取特征。这就是为什么深度学习算法速度慢，当建模越多和视频中出现的对象越多，处理速度就会越慢，如果需要进一步排除误判，还需要对输出数据进行后期处理，比如合并多个分类，比如判断人脸后再判断身高，体形等，要判断这些因素，又要结合安装的摄像机的高度、角度等因素来设置人在视频中实际占的像素，在不同位置占的像素等，越想得到精准的结果，要处理的数据量就越大，对环境的要求就会越高，当平台处理的条件越多时干扰的因素也就越多，处理不好反倒会出现更多的误判，所以要想得到高精度的分析结果，一般是要对现场的视频场景进行初期判断，即采集一些现场的视频录像，进行初步的调整之后，再到现场进行长时间的数据建模工作。 在实际应用中，单独的智能分析的作用不是特别大的，尤其不能很好的应用于实际项目中，那就需要一个很好的平台来做效果呈现，智能分析预警平台不但可以把智能分析的结果第一时间呈现给用户，而且能有很好的体验感，比如智能分析出异常后，只是告诉用户有异常了， 就是告诉用户有具体什么异常了，比如说起火了，那用户还是将信将疑，是真的起火了吗，还是误报哦，那就要做视频联动了。 现在大部分的智能分析厂家都是非安防行业的，算法很牛逼，但他没有完整的产品链，没有整套的解决方案，就只能在电脑小屏幕上显示一下分析结果，整个效果就显得非常小气，感觉只是一个演示系统，不像真正的智能分析平台，那安防行业的一般几十路、几百路的视频监控都装有大型电视墙，大的几十块拼接器，非常气派，但却用不上，因为智能分析的高大上与拼接屏的高大上缺少中间的数字矩阵平台，而安防行业有智能分析算法的厂家和具有结合智能分析算法的厂家却又不多，除了几个安防巨头有自己的算法和平台之后基本就没几家了，而这几个安防巨头都只能用自己的算法，这个智能分析的算法可不是他们的特长，弄个视频编解码没问题，弄智能分析算法可需要技术含量，而且真正弄算法的公司也只精于一种算法，不会搞包罗万象的，这就导致智能分析目前与安防市场的兼容性并不是太强，这就需要一个平台即能具有安防的常规功能，又有很强的兼容功能，而且公司层面要能海纳百川，能兼容专门从事智能分析算法厂家的SDK，而且自己公司有一部分简单的智能分析算法和在算法之前能对数据做一些过滤工作，对视频编解码有一定的基础，尤其是对性能方面要有独到的解决方案，因为智能分析算法对性能要求非常高，越复杂的算法性能要求越高，没有解决智能分析的性能问题，再精准的算法也无法应用于实际项目中，也不可能把智能分析民用化。 前面说到，智能分析结果在拼接大屏上显示分析结果和联动对应的视频图像，而且需要联动分析结果周边的多路图像，还要进行一系列的预案处理，包括拼接放大图像，球机转动到指定的预置位，联动门禁开门或关门，联动拉响警铃，联动打开喷头，联动灯光打开，联动抓图、报警录像，联动发短信和发现场图片给对应领导，联动3D电子地图或VR全景地图并定位到相应分析异常结果的实际位置等等一系列联动动作