通过计算机视觉中的机器学习进行对象检测和分类，可以帮助照相机像人类一样“看到”，识别出各种物理形状，例如汽车，狗或人。
如何使用计算机视觉检测人
数据科学家以及从智慧城市到零售再到监视的广泛行业中，对人类进行实时检测已成为一种重要趋势。考虑似乎不再是科幻小说：
1、计数沿着小路或人行横道的行人。
2、分析购物者的行为或停留时间。
3、家用安全摄像机可检测访客或入侵者。
实际上，这可能比您想象的要容易。
成功检测图像或视频中的人物意味着您正在构建将物体检测和图像分类结合起来的应用程序。可让您检测图像数据中对象的技术与当前在许多行业中使用的流行视觉分类工具略有不同。
一方面，现在有了一个框架，可以以不同的准确度检测视频中的特定对象。将识别出的对象在图像中的位置与对对象类别的理解配对在一起，意味着您的应用程序可以区分图像一个区域中的人与可能被误认为人的对象（例如零售环境中的人体模型） 。
探索物体检测意味着理解：
1、通过检测图像和视频中的人物可以完成的工作
2、检测人与人脸识别等其他技术有何不同
3、车辆检测等一般物体检测与人物检测之间的关系
4、定义这些工具的概率问题
5、该技术的当前和未来的现实世界工业4.0应用
人体检测的方式和方式
将对象检测工具应用于图像和视频可以完成什么工作？计算机视觉人员检测可以完成三项不同的任务：
1、从背景图像中拾取对象
2、使用概率分数将对象提议属于某个类别（在这种情况下为人类）
3、使用xy起源以及身高和身长值定义拟议人员的边界
示例：通过安全摄像机进行物体检测和人体形状分类。
在较高的层次上，使用计算机视觉应用程序对图像进行人体检测时要考虑两个因素。首先，存在技术方面的问题-如何识别图像或视频中的人物。第二部分是您可以如何处理结果，并且与从应用程序中获得的回报质量有关。
对象检测的工作原理
一般而言，解决如何检测照片或视频数据中的对象的问题始于图像的系统划分。首先，该工具将算法应用于输入以识别感兴趣的区域。然后，机器将根据您的设置提出一系列对象建议。检测的后步骤是根据模型对对象进行分类，应用概率阈值并返回接受的建议框架中的类别和位置。
在这种情况下，您要寻找的班级是人类。应用程序通过使用深度学习人工智能系统对大量图像进行预训练的处理块，在视野中检测这些人为对象。这些处理模块被称为模型，可以对其进行训练以识别人类可以看到的几乎所有物体。
在计算机视觉应用程序中实现人工检测时，您可以使用预先训练的模型或自己提供模型。您给模型提供的数据越多，设备在识别所需对象以及学习如何为将来进行改进方面就会越好。
如何使用物体检测
获得输出后，将取决于您如何使用它。您的用例将确定各种细节，例如检测阈值。一种情况下较好的物体检测工具可能不适用于其他情况。
由于模型训练和多层深度处理的进步，机器在过去的几年中已经有效地执行了这些任务。例如，特征提取和比较技术的两个早期先锋Deepeep和DeepID已经变得如此高效，以至于现在存在许多面向消费者的示例：例如，人们现在使用该技术来解锁其平板电脑和手机。
云处理代表了CV的一项重要突破，将强大的资源交付给各地的开发人员。但是，新的CV平台可轻松访问开放的API平台，从而为开发人员提供了更大的灵活性。现在，可以在边缘的设备上构建深度学习应用程序。您无需成为计算机视觉专家，也无需依赖云连接来利用核心计算机视觉服务（例如对象检测）来处理和分析图像。现在，各种规模的企业都可以在资源受限的低功耗设备上构建和部署计算机视觉应用程序。
在比您想象的更少的时间内开始构建对象检测器。
人体检测与物体检测的应用
检测人和其他物体之间有区别。例如，制造中的对象检测与大多数情况下的人员检测有很大不同。
在工作场所，Rvsto Vision可以帮助工人安全或优化人机交互。
制造对象检测应用程序可能涉及管道跟踪或机器人行为分析，或使用计算机视觉分析微观缺陷。同一行业中的人类检测目标可能更适合于操作的其他方面。例如，AI分析可能能够利用现有的安全摄像机馈送来提高工厂工人的安全性，补充现有的做法和保障措施。AI CV工具能够检测对象类型（而不仅仅是对象的存在或移动）的能力实现了这种多功能性。
如何设定成功的机率
分类是物体检测的核心概念之一。该模型接受图像输入，并根据其训练方式返回建议的对象类。例如，您可能构建一个简单的人体检测应用程序以浏览一系列图像并寻找人。它将图像与模型对人类是（不是）人类的理解进行比较，然后为您输入的每一个输入返回概率值。这通常是一个从零到一百的百分比值，表示该程序对照片中人类存在的信心。
几乎每个对象检测应用程序都非常关注被检测对象是提议类成员的可能性。通常，对象检测算法定义的每个区域都会分配一个概率分数。通过各种方法确保的这些分数的平均值将返回建议对象为人的总概率。这些数字可能会由于多种因素而有所不同：
1、模型中的数据量和训练水平
2、对图像执行的分析类型
3、数据输入的质量
4、物体相对于总图像的尺寸
例如，高精度，低速分析可能从大量的框开始，并应用对它们进行排序的规则，以寻找可能的结果。较低精度的快速分析可能会采用网格并分析模型中每个类的存在的每个部分。不管您打算采用哪种流程，您的应用程序目标都将决定您在输出时所需的概率。
较重要的是要了解嵌入式设备的硬件或类型，以及用例目标对于建立成功的开发周期很重要。了解您的选择是找到理想实现的第一步。
了解面部检测与面部识别
面部识别和面部检测有一些相似之处，特别是在技术方面，但是在实用性方面有所不同。在查看对象检测平台或模型时，请确保您知道其中的区别：
1、面部识别可以根据人的特征来识别他们，
2、面部检测可发现个人面孔，无需个人识别
面部识别通过将其面部特征与已知图像或一组图像（例如护照控制站或用于安全访问的身份检查点）相匹配来识别一个人。
面部检测用于对物理空间中的人进行计数，还可以用于区分空间的进入与退出，或看广告或物体所花费的时间/凝视时间。
面部识别和面部检测都使用对象检测框架来对视野中的对象进行分类和定位。人脸检测将获取某种类型的图像输入，检查对象的人物或面部类别并将其放置在框架中。此外，面部识别还将挑选出眼睛，嘴巴和其他各种特征，以与已知数据集进行比较。
该过程的通用技术方面或多或少在相似之处结束。目标通常大不相同。尽管人脸识别可以找到人脸并分析其特征，但是大多数人脸检测工具需要确认人的存在并确定其位置。
这给您选择。例如，在一家商店中，具有面部检测功能的解决方案可以计算出顾客的数量以及在商店各个部分所花费的时间，而面部识别可以用于识别顾客数据集并将其排除在顾客数据集中。
如何选择较佳的物体检测方法
与每项新兴技术一样，在计算机视觉方面，有很多技术术语可能会引起混淆或被视为同义词。有分类，检测，跟踪，计数等等。但是，较大的困惑点之一是物体检测和图像分类。在较基本的层次上，分类和检测之间的区别很简单：
1、分类基于对内容的分析将预测应用于图像。
2、检测可定位图像中的对象。
联系我们，并使用我们的平台轻松构建对象检测器应用并将其部署到您的电路板上。
当对象分类起作用时
分类是计算机视觉中的主要挑战，并且通常是对象检测的先决条件。在这里，通常会利用大数据-需要大量信息来训练能够识别各种对象的通用模型。定制模型通常还需要许多正面和负面的例子。还有其他因素也会起作用，例如图像中的对象大小，图片质量等。
当然，将对象放在特定类别中是检测的有用元素。实际上，一旦您超过了识别对象存在的门槛，对它们进行分类就成为许多应用程序中的下一个主要步骤。
该过程本身也很有用。例如，它可以帮助自动注释数据库项目。但是，由于严格分类只能提供描述存在一类物体的可能性的概率表或一组表，因此仅凭它就不能促进检测，跟踪，定位或其他类似任务。
较重要的是，对对象进行分类是检测图像和视频中人物的必要先决条件。毕竟，对于CV工具而言，人类是一类视觉对象。诸如YOLO之类的快速扫描工具可能是个例外，它们会针对对象的存在进行预测，而与对象的类无关。在这种类型的系统中的单类模型中，分类和检测实际上将同时发生。在任何情况下，即使检测对象的过程几乎总是依赖于分类，但并非所有分类任务都须是对象检测任务。
将检测扩展到对象跟踪
跟踪对象是对象检测的有用的应用程序。在检测到某个人之后，您可能希望通过零售设置中的购物管道来跟踪主题，或者例如跟踪并整理多个不同检测输入流上的行为。
零售热图通过使用计算机视觉对象检测和跟踪从安全摄像机收集的数据来确定客户的流量模式和在销售地点花费的时间。
假设您是一家零售商，并为特定产品设定了销售目标。您可以通过跟踪互动后的客户行为来分析员工传达促销信息的有效性。如果在到达客户时收到有关促销的消息，那么该客户会立即还是在以后的购物经历中购买商品？跨一系列商店摄像机的对象跟踪可以帮助您了解沟通策略的有效性。
将检测与对象计数一起使用
您可以优化应用程序以进一步处理检测到的对象的另一种方法是对它们进行计数。如果您具有某些类型的变量，这将成为一个复杂的问题。例如，在决定如何分配安全资源时，大批人群通过多个访问点进入和离开节日场地可能构成挑战。通过使用具有嵌入式计数功能的固定式CV摄像机或无人机，安全公司可以获得准确，更新的人口计数和密度数据，以告知人员决策。
对象计数通常要求您对对象进行分类。但是，除了交叉检查所有位置值都不相同之外，您不必返回其位置。因此，对象计数更多地是检测的子集。
构建一个应用来计数或跟踪对象？开始轻松地部署到嵌入式设备。
何时使用工具组合
当然，将人工智能和智能视觉带入嵌入式设备的实际用例不仅需要一种核心计算机视觉服务，还需要更多的服务。您可能希望以各种功能一起使用的方式使用它们，并使您的应用程序或设备更智能。但是，将各种计算机视觉功能组合到边缘设备上的应用程序时，需要考虑许多因素。
从理论上讲，这听起来不错，并且在实践中也可以起作用。这是一个使用所有这三种计算机视觉技术的假设示例。
问题：您要在有人进入商店时检测他们，并确定他们在特定地点移动时与特定灯具交互的可能性。
对象检测：您将编写并训练一个人机交互模型来检测您的设备和人，并使客户与同事区分开。
对象跟踪：您将实现跟踪功能，以在检测到商店中的客户后跟踪他们，并记录他们与显示器交互的详细信息。
对象计数：对象检测可对指定类别中的单个对象进行计数，例如对人员进行计数或对特定产品进行计数。
结合计算机视觉原语，零售商可以通过计算在显示器前停下的顾客数量，花费在看产品或通讯上的时间以及看该产品是否是放入购物车并购买。
如何在嵌入式设备上实现计算机视觉
从无人驾驶汽车，交通监控到智能城市和交通中心，物联网嵌入式设备已被用作主要或辅助工具。对象检测对于各个行业的应用程序很有用：
1、零售
2、安全
3、农业
4、卫生保健
5、制造业
现在，对象检测在准确性和速度方面正在赶上人类，现在是将深度学习计算机视觉AI交付日常开发人员的时候了。工具在那里，处理负担得起，其价值正等待添加到现有架构中。
现有的家庭安全摄像机或日常网络摄像机可以通过alwaysAI技术进行升级，以更准确地通知所有者摄像机检测到的运动源，从而消除了落叶引起的虚假信号，同时区分了动物和人。
您可能会对当前的某些相机和设备可以在何种程度上集成人工智能感到惊讶，即使它们处于资源受限，低功耗的环境中，也没有网络连接或无法访问云计算。
为您的企业部署计算机视觉应用程序
想象一下具有CV功能的边缘设备可以为您的企业做些什么。然后，获取实现它所需的反馈和基础。有了正确的开发环境和支持，您会发现这些应用程序很容易实现。
