“继续继续，别停下来。”小安显得尤为感兴趣。
“我们做的不是静态分析，而是一种动态的行为分析。”
李毅索性站到白板边，写下：行为分析，从校外进入往另一边的围墙走。
“假定一段录像从头开始播，先要对比到进入画面的某个人背包戴帽的特征，这一帧图像的数据算是符合，确定一个原型，这个原型不是底图库的原型，动态的用完就删除。然后要分析是男还是女，一个人的正脸照，在计算机算法里可以识别性别，但侧脸就不清楚，估计不行，但女性需要过滤掉，然后一直到这个原型消失，这算一次行为。”
“懂了，出现和消失，这算一次行为。”秦刚道。
“别打岔。”小安拍拍秦刚。
“对的，出现和消失。那什么叫做消失，我们肉眼看是这个人走进了摄像头的死角或者是走出了拍摄范围，不再出现就算消失。但对计算机数据来讲就有点模糊，电脑只认0和1，看得见存在看不见消失，按这个逻辑就会产生很多误判。”
“为什么了。”小安比较急切。
“如果一个人蹲下来绑鞋带，刚好被植物挡住，算不算消失了？按照0和1的逻辑，肯定算消失，但肯定不对。人可以通过快进往前继续看一段，计算机不能这么做，必须一帧一帧的对比，否则就没有意义对吧。”
周围的同事都点头同意。
“可这个人只是蹲下绑鞋带，实际上没有消失，这与我们设定的行为分析不一致。我们选定的摄像头是在路线上有连续性的，往一个方向过去，A处消失理论上应该在B处出现，如果他没出现，肯定是往其他方向走了。其他方向也一样，只要是向校区后面围墙走，都有连续摄像头，还是应该在我们设定的行为范围内。不过作为一个急于去现场作案的人来讲，不会这样遛弯，他选择这种方式去案发现场，就是为了避开人，尽量少见到人。”
“那应该怎么处理了。”小安道。
“可以做一个意外消失的阈值作为补缺，这个阈值是一个时间，可以延时5秒、10秒、20秒，时长可以自己定。也就是在一个人消失后，计算机自动往后读取阈值范围内的图像帧，如果阈值范围内人还没有出现才算消失。”
“那这样其实可以解决这个问题。”秦刚道。
“看似可以，其实还是存在问题。每个人的行为不一样，就像我说的刚才绑鞋带，这没有一个ISO标准，有人快5秒绑好，有人慢20秒才绑好。再或者，这个人他不是绑鞋带，他刚好有个电话进来，他就蹲在路上听电话，这个场景我们前晚从校园出来时见过。”
李毅看看秦刚，秦刚点点头。
“怎么还有这种嗜好，蹲着舒服吗？”小安又插了一句。
“个人习惯吧，但这里产生的问题是：这个阈值应该设多大才合适。设小了，可能会漏掉了捕捉疑犯的机会，设大了，那非常浪费计算机的计算资源和时间。”
秦刚举起手表示要发言，“如果这个人接电话的时候，不是蹲着，就站着不动，但是打电话时的姿态跟他背包行走的姿态完全不一样了，还能判定是同一个人吗？”
“这一点倒没任何问题，之前讲过，从头部到腰部这个范围，不包括双手，他就是拿着大刀也不影响计算机的逻辑分析。”
“电脑就是个死物，浪费就浪费呗，只要保证结果正确率就行。”小安道。
“系统设计可不是这么考虑的，尤其商业应用系统，时间和计算资源都是成本。即使加大阈值，确定了这个人行为，那他一定是我们要找的人吗？可不一定，这只是一个摄像头的资料，我们的行为设定是要走到墙边，他可以在中途走进教学楼，也可以走进图书馆，还可以走进教工宿舍区等等，所以必须一直比对到最后一个摄像头。”
李毅喝口水继续，“首先，这个数据量和计算量相较普通的人脸识别不可同日而语，一个天量一个地量。其次，原则上来讲，我们从行为确定了一个人，虽然只是背影，但我们想不想看到他的正脸了，一定想。怎么看到，不是用我们的眼睛，是计算机自动为我们找出来，通过背包形状，帽子的形状，人的侧脸，背影，这又是一个模糊算法。而且光从第一份录像数据中人的背影，是很难分析他从哪个方向进入，如果只是华山一条路那当然好办，但真实场景是不可能的，因为他很可能不是走大门进入，而是翻墙。所以必需把每个方向都考虑到，数据量和计算量立即成几何级数的增加。再次，一个晚上怕不会只有一个人背包走过，所以N乘以N真的是海量计算。当然，我不是算法工程师，专业的工程师可能会有更优的思路和算法逻辑，但数据量是摆在这儿的，因为我们是根据模糊的条件去确定一个模糊的人。不过如果真有这样技术对我们帮助一定很大，电脑又不知道累也不会饥饿，撑死宕机，人可是会挂掉的。”
李毅的话音刚落，全办公室的人热烈地鼓起掌来。<div id="center_tip"><b>最新网址：</b>