摄像机像素对智能视频分析效果的影响

在监控数字化进程中，捕捉和重现图像的基本单位是像素，可以用来定义各行各业中使用的图像的清晰度。如摄像机，电视，监控摄像机的清晰度，就都是用像素来衡量的。100万像素不仅仅代表了图像中的像素数目，而且也与数字摄像机中的图像传感器或者显示元件的数目相关。例如消费类的2048x1536像素的数码相机是3.1百万像素，每个像素点对于图形显示和印刷都基本上是一个测量单位。

智能摄像机可以用来获取图像和分析视频，拍摄对象就是为了进行视频取证。那么到底需要拍摄什么样的目标图像，图像精细到哪个程度更为合适呢?实际经验表明，更多的像素可以更好地定义拍摄目标，然而，超过必须的数目拍摄过高像素级别的图像非常浪费系统的带宽，存储设备和相关的基础设施费用。

最好的衡量标准是每英尺所需像素，计算图像传感器捕获到的图像的水平和垂直两个方向所包括的所有像素的数目。例如，当需要用摄像机拍摄10英尺宽的场景时，摄像机具有1000像素的水平分辨率，那么就可以拍摄到每英尺1000到10100像素数目的图像。如果事先已经非常详细地规定了需要进行拍摄的对象目标，如车牌，从理论研究和实践经验出发，需要大概每英尺40像素的标准才可以进行拍摄到足够清晰，细节完备的图像，以满足字符识别所需要的图像级别。而为了拍摄到面部特征的细节，(不是面部识别)，就必须达到每英尺50像素的级别才可以达到视频取证的目的。

对于视频分析级别的图像像素要求而言，每一个制造商的视频分析算法都需要一定数量的拍摄的对象的像素，以达到预期的视频分析效果。如果达不到预先制定的像素级别，相关的视频分析设备就无法表现出较好的分析效果。

MGEG4和H.264标准是两种不同的压缩标准，前者涉及到的是 I帧(完整帧)，后者是P帧(从先前的帧变化得来的帧)，同时还有帧间压缩，与压缩质量直接相关。因此，为了满足搜集到尽可能多的像素的需求，我们不一定非得为图像定义一个个相互独立的帧。

视频分析基于高级运动分析技术，我们仅仅需要对感兴趣的区域进行视频分析，因此，仅在发生运动的图像区域产生新的像素，就可以满足视频分析的需求。因此，针对每一个图像进行像素重建和解码并不都是必需实现的。不然，如果图像压缩质量过高将导致传输过程变得极为缓慢，使得实时视频分析变得极为困难。

考虑到视频流所占用的系统资源，IP摄像机或者编码器根本不需要非常高的分辨率。IP摄像机就是模拟摄像机加上了编码功能，数字信号从DSP中出来后，直接进入编码器进行编码，对于实现视频分析应用具有一定的优势，不过，还与涉及到的视频线数目有一定关系。

目前只有4种既成的视频监控标准可以参考，但是不管是模拟型，混合型还是数字型的系统，都需要同样的组件，采集设备(摄像头)，编码器(部署在摄像机中或者是独立的，或者在DVR中)，视频管理软件，和存储设备，视频分析设备需要能够处理MPEG4和H.264原始格式的所有图像，才可以称之为真正具有适用性的视频分析设备。

本文转自d1net（转载）

巧用千寻位置GNSS软件|点测量采集技巧 点测量是测量中重要的节点，在测量工作的信息处理分析中发挥着重要作用。本期将给各位带来使用千寻位置GNSS软件采集地形点、控制点、快速点、连续点、房角点和倾斜点的操作技巧。
一文尽览 | 全景/鱼眼相机低速自动驾驶的近距离感知（识别+重建+定位+工程化）（下） 本文的工作部分受到了Malik等人在[5]中的工作的启发。这项工作的作者提出，计算机视觉的核心问题是重建、识别和重组，他们称之为计算机视觉的3R。在此，论文建议将计算机视觉的3R扩展并专门化为自动驾驶计算机视觉的4R：重建、识别、重组和重新定位。
一文尽览 | 全景/鱼眼相机低速自动驾驶的近距离感知（识别+重建+定位+工程化）（上） 本文的工作部分受到了Malik等人在[5]中的工作的启发。这项工作的作者提出，计算机视觉的核心问题是重建、识别和重组，他们称之为计算机视觉的3R。在此，论文建议将计算机视觉的3R扩展并专门化为自动驾驶计算机视觉的4R：重建、识别、重组和重新定位。
自动驾驶感知多任务学习网络方法盘点！（检测/分割/车道线/关键点/深度估计） 多任务学习是自动驾驶领域非常重要的一个模块，旨在通过一个网络在较小计算量下实现多个任务，比如分割、检测、关键点、车道线等，除了具有节省计算量的优势外，多任务之间还具有一定的相互辅助作用，比如分割任务会帮助检测任务提升整体性能，下面梳理下自动驾驶领域常用到的一些多任务学习网络；
国防科技大学提出ROSEFusion，实现快速相机移动下的高精度在线RGB-D重建 近日，国防科技大学徐凯教授团队提出了基于随机优化求解快速移动下的在线 RGB-D 重建方法 ROSEFusion，在无额外硬件辅助的条件下，仅依靠深度信息，实现了最高 4 m/s 线速度、6 rad/s 角速度相机移动下的高精度在线三维重建。
表面瑕疵检测系统正在迅速取代人工视觉检测 **表面瑕疵检测系统正在迅速取代人工视觉检测** 据了解到，在当前大批量工业自动生产过程中，用人工检查产品质量效率过低且精度不高；和其他一些人工视觉检测难以满足要求的场合，表面瑕疵检测系统正在迅速取代人工视觉检测。