移动端行人检测/行人识别整体解决方案

我司提供行移动端人检测/人体检测/人体抓拍海思解决方案，同时还有ARM行人检测摄像机方案。


人体检测自动识别摄像机基于视频图像智能分析技术原理研制，采用公司自主研发的人体轮廓识别技术，综合识别人体头部、肩部、躯干等人体主要部位的轮廓信息，可区分人与物体，具有较高的识别精度。本技术综合识别头部、肩部、躯干等人体主要部位的轮廓信息，而不仅仅采用头部信息，识别精度更准确；不采用颜色信息或位移信息，可以准确识别黑白图像，适应光线较暗的环境；不采用人体面积信息，有效解决高密度条件下的人员技术难题；不考虑视频背景信息，可以适应现场的光线和环境变化；只需通过视频识别移动人体的不同轮廓外形，无论场景是否变化，无论大人孩子，无论人体还是物体，均可准确识别人体并计数。

（1）背景建模目前主要存在的问题：

• 必须适应环境的变化（比如光照的变化造成图像色度的变化）；
  
• 相机抖动引起画面的抖动(比如手持相机拍照时候的移动)；
  
• 图像中密集出现的物体（比如树叶或树干等密集出现的物体，要正确的检测出来）；
  
• 必须能够正确的检测出背景物体的改变（比如新停下的车必须及时的归为背景物体，而有静止开始移动的物体也需要及时的检测出来）。
  
• 物体检测中往往会出现Ghost区域，Ghost区域也就是指当一个原本静止的物体开始运动，背静差检测算法可能会将原来该物体所覆盖的区域错误的检测为运动的，这块区域就成为Ghost，当然原来运动的物体变为静止的也会引入Ghost区域，Ghost区域在检测中必须被尽快的消除。
  

（2）.基于统计学习的方法：这也是目前行人检测最常用的方法，根据大量的样本构建行人检测分类器。提取的特征主要有目标的灰度、边缘、纹理、颜色、梯度直方图等信息。分类器主要包括神经网络、SVM、adaboost以及现在被计算机视觉视为宠儿的深度学习。

统计学习目前存在的难点：

• 行人的姿态、服饰各不相同、复杂的背景、不同的行人尺度以及不同的关照环境。
  
• 提取的特征在特征空间中的分布不够紧凑；
  
• 分类器的性能受训练样本的影响较大；
  
• 离线训练时的负样本无法涵盖所有真实应用场景的情况