Метод распознавания образов с помощью нейросети. Нейронная сеть для распознавания изображений – это, пожалуй, наиболее популярный способ применения НС. При этом вне зависимости от особенностей решаемых задач, она работает по этапам, наиболее важные среди которых рассмотрим ниже.

В качестве распознаваемых образов могут выступать самые разные объекты, включая изображения, рукописный или печатный текст, звуки и многое другое. При обучении сети ей предлагаются различные образцы с меткой того, к какому именно типу их можно отнести. В качестве образца применяется вектор значений признаков, а совокупность признаков в этих условиях должна позволить однозначно определить, с каким классом образов имеет дело НС.

Важно при обучении научить сеть определять не только достаточное количество и значения признаков, чтобы выдавать хорошую точность на новых изображениях, но и не переобучиться, то есть, излишне не «подстроиться» под обучающую выборку из изображений. После завершения правильного обучения НС должна уметь определять образы (тех же классов), с которыми она не имела дела в процессе обучения.

Важно учитывать, что исходные данные для нейросети должны быть однозначны и непротиворечивы, чтобы не возникали ситуации, когда НС будет выдавать высокие вероятности принадлежности одного объекта к нескольким классам.

ВЫСОКОКАЧЕСТВЕННАЯ ВИДЕОАНАЛИТИКА
ДЛЯ ВСЕХ
Это одно и тоже видео- но первое прогнали через нейросети, и оно не показывает "тревожную ситуацию" (так работают многие компании), а второе - прогнали через "векторное поле" - и получили срабатывание по ограблению

Разработка Acticon Analytics
детектора ограбления посредством "векторного поля"

Во многих сценах видео в которых активность людей и объектов на сцене наблюдения необходимо классифицировать с точки зрения распознавания действий или сценариев происходящего, большое количество информации находится в том как именно объекты двигаются, характер движений их относительная разница и интенсивность - все это содержит существенную информационную часть иногда вполне достаточную для принятия решения по некоторым сценариям.
В видео подобная информаци содержится в оптическом потоке, который может быть как вычислен, так и в определенных форматах сжатия уже присутствует в качестве вспомогательной информации, относящейся в самому формату (h.264, h.265). На видеофрагменте информация взята из векторов кодирования видео и векторное поле визуализировано оранжевыми векторами. Оно достаточно хаотично, поэтому для его использования
необходимо немного статистического усреднения по времени с использованием скользящего экспоненциального среднего с небольшим временным окном. Оно визуализировано с помощью желтых векторов на видеофрагменте.
С этой информацией можно принимать решение о хараектерных паттернах движения в кадре, к которым относится векторный рисунок, его интенсивность и длительность в простейшем случае. Построение классификатора решения которого основаны на паттернах векторного поля оптического потока представляет собой перспективное направление в распознавании действий и сценариев в видеопотоке. Плюсами являются низкая ресурсоемкость при использовании встроенного в формат оптического потока, и возможность использовать достаточно легкие классификаторы, но очень эффективные. Подход может быть дополнен анализом с учетом типа объектов, что дает перспективы для анализа крайне сложных сценариев.

Наши контакты
Напишите нам:
Нажимая кнопку “Отправить”, Вы даете согласие на обработку персональных данных и соглашаетесь с политикой конфиденциальности.
123098, г. Москва, ул. Живописная, д. 36, оф. 2
Юридический адрес:
info@acticon.ru
+7 495 109 91 00
Связаться с нами:
ИНФОРМАЦИЯ
Политика обработки персональных данных
Копирование материалов сайта запрещено
Made on
Tilda