机器视觉的进步改善了监控和公共安全

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。最近在人的检测、识别和跟踪方面取得了进展，但遮挡仍然是人的检测中的一个众所周知的问题。

遮挡发生在希望被看到的人或物体部分被中间的物体或物体覆盖时。在城市广场等拥挤的公共场所，遮挡往往是一个令人担忧的问题。顺便提一下，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地方。

当人类在人群中看到一个人，即使这个人被其他人部分阻挡，他们也可以识别，重新识别，并对这个人进行分类。即使一个人的很大一部分被遮挡，人类也能想象出他的完整外貌。

构建完整图像时的挑战

遮挡通常会影响任何机器视觉技术。当机器视觉出现遮挡时，物体的那一部分是未知的，对于大多数智能监控系统来说，如果它不能被观察到，它就不存在。用于构造完整映像的系统首先必须知道映像是不完整的。

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，以提供真实的遮挡和非遮挡图像对。简单地将随机对象和纹理添加到无遮挡的图像中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成为系统的负担。

机器视觉和人工智能克服了遮挡

研究人员正试图在机器视觉系统中加入人类“填补空白”的能力。通过使用深度学习架构以及有遮挡和没有遮挡的人的照片和视频，人工智能解决方案现在可以找出缺失的信息，并创建一个完整的人的图像。

神经网络架构提供了去除人的形状所需要的框架。使用最先进的u型网络，例如用于快速和精确分割生物医学图像的卷积神经网络(cnn)，用于无监督机器学习的生成对抗网络(GANs)，以及用于质量检查的判别属性分类网络，使得去闭塞成为可能。

然后，优化的损失函数使用上述网络技术中的数据来满足以下目标:

• 形成一个无遮挡的图像
• 具有与完全可见的“人的形状”相似的像素级别
• 保留与原作相似的视觉属性

机器视觉技术的进步为监控行业打开了许多大门，通过克服遮挡挑战来提高公共安全。

本文最初发表于视觉在线．AIA是先进自动化协会(A3)的一部分，是CFE媒体的内容合作伙伴。由CFE媒体制作编辑克里斯·瓦夫拉编辑，cvavra@cfemedia.com．

原始内容可以在www.visiononline.org．

您是否具有本内容中提到的主题的经验和专业知识?你应该考虑为我们的CFE媒体编辑团队做出贡献，并获得你和你的公司应得的认可。点击在这里开始这个过程。