AI智慧影片監控中的行人檢測與跟蹤，為什麼這項技術很難做？

監控系統中的行人檢測監控包括異常事件檢測、人類步態、人群擁擠等評估、性別分類、老年人跌倒檢測等，這些檢測對於公共領域的安全至關重要。研究人員的主要重點是開發監控系統可以在動態環境中工作，但設計此類系統目前存在重大挑戰。

這些挑戰發生在行人檢測的三個不同級別，即：影片採集、人體檢測及其跟蹤。獲取影片的挑戰是：光照變化、突然運動、複雜背景、陰影、物體變形等。人體檢測和跟蹤的挑戰是不同的姿勢、遮擋、人群密度區域跟蹤等。這些因素的限制經常會導致識別率較低。

本文簡要介紹了監控系統以及影片監控中行人檢測和跟蹤技術的對比。

目標檢測：

目標檢測是一種與計算機視覺和影象處理相關的計算機技術，用於檢測數字影象和影片中某個類別（例如人類、建築物或汽車）的語義物件的例項，並在這些物件上自動建立邊界框。

什麼是基於深度學習的人流量統計？

計算機視覺人數統計使用深度學習演算法來檢測和跟蹤監控攝像頭實時影片中的個人。深度學習演算法則在室內和室外場景中都提供了高精度。

實時影片流中的自動人員檢測和統計在智慧影片監控中很重要，也是智慧城市的一個關鍵應用。例如，在商場中，它還可以用來幫助商場分析室內和室外場景中的訪客流量。

由於採取了 COVID-19 社交隔離措施來防止病毒的傳播，最近對商店中的人數進行統計變得越來越流行。另一個流行的用例是排隊人數的統計。

AI人流量統計的主要特點

使用監控攝像頭的計算機視覺是一種高度可擴充套件的方法，可以準確地統計多地點的人數。
使用深度學習模型進行人員檢測以檢測人員及其軌跡。
在攝像機影象內定義感興趣的區域以聚焦人員檢測器（出口、入口、排隊區域）。
具有深度神經網路的高效能，可在複雜、擁擠的空間中對人數進行計數。
邊緣計算機視覺允許透過本地影象處理進行裝置上機器學習以保護隱私。

基於AI視覺的人數統計的價值

基於深度學習的客流量計數系統以最少的硬體要求實現高精度。
無需物理跟蹤裝置、安裝和維護成本高昂的自動和非接觸式人數統計。
普通監控攝像頭可用於人數統計，即使在大規模用例中，該方法也相對容易實施。
透過確保遵守法規（例如與 COVID-19 措施相關的法規）來提高客戶和員工的安全。
實時評估零售店內人數、發現高峰時間等，並比較不同地點的關鍵指標來指導門店運營。
透過將資料傳送到第三方系統並在平臺中對其進行視覺化，以此來挖掘基於資料的運營洞察力。

這項技術目前面臨的難點

遮擋：在很多應用場景中，行人非常密集，存在嚴重的遮擋，我們只能看到人體的一部分，這對檢測演算法帶來了嚴重的挑戰。

外觀差異：包括視角，姿態，服飾和附著物，光照，成像距離等。從不同的角度看過去，行人的外觀是很不一樣的。處於不同姿態的行人，外觀差異也很大。由於人穿的衣服不同，以及打傘、戴帽子、戴圍巾、提行李等附著物的影響，外觀差異也非常大。光照的差異也導致了一些困難。遠距離的人體和近距離的人體，在外觀上差別也非常大。

形變：目標表觀的不斷變化，通常導致跟蹤發生漂移（Drift）。

背景雜斑：要跟蹤的目標周圍有非常相似的目標對跟蹤造成了干擾。無論是室內還是室外，行人檢測一般面臨的背景都非常複雜，有些物體的外觀和形狀、顏色、紋理很像人體，導致演算法無法準確的區分。

尺度變換：目標在運動過程中的由遠及近或由近及遠而產生的尺度大小變化的現象。

檢測速度：行人檢測一般採用了複雜的模型，運算量相當大，要達到實時非常困難，一般需要大量的最佳化。

除了上述幾個常見的挑戰外，還有一些其他的挑戰性因素：光照，低解析度，運動模糊，快速運動，超出視野，旋轉等等。