使用閉路電視 (CCTV)，人類可以監控入侵區域，但通常在事后使用此數據來驗證事件或進行歷史分析。鑒于部署的攝像頭數量眾多，不可能每個攝像頭都安排一個人來監控該區域。通常，單個安全代理會實時監控大量攝像頭畫面。

深度學習可以解決這個問題，它不僅可以自動檢測人是否進入相機視野，還可以指示此人是否在該視野的特定區域內。如果有人違反限制區域，這允許通過實時通知監視多個限制區域。在這個英特爾? OpenVINO? 工具包示例中，我們將了解如何使用視頻圖像來識別人員是否進入了用戶指定的限制區域。

禁區監控數據管道

在之前的博客文章中，我們看到了使用攝像機捕獲的圖像進行人臉和車輛檢測的示例。在此應用程序中，我們將研究一種不同類型的檢測，使用深度學習來識別“人”以及他們是否在禁區內。

圖 1顯示了 Restricted Zone Monitor 深度學習應用程序的管道。讓我們探索這個管道和發生的活動。

圖1：限制區跟蹤管道圖說明了 OpenVINO ?工具包的此應用程序如何處理捕獲的圖像以識別是否有人進入某個區域并確定該區域是否在用戶定義的限制區內。（來源：作者）

此圖像處理應用程序使用安裝在包含禁區的區域上方的攝像機捕獲的圖像。卷積神經網絡 (CNN)——一種圖像處理深度神經網絡——處理捕獲的圖像以確定一個人是否違反了禁區。首先，CNN 識別一個人是否在捕獲幀中。如果檢測到有人，CNN 會檢查此人是否在禁區內。用戶可以使用捕獲的圖像和鼠標來定義限制區域，以在圖像中創建一個平面。定義后，如果檢測到人員進入限制區域，應用程序將生成通知。

圖 2顯示了這個深度神經網絡的完整過程的示例。請注意，在這個例子中，CNN 在不到半秒的時間內識別出了這個人，并且還確定檢測到的人不在禁區內。

圖 2：限制區監視器輸出屏幕顯示了 OpenVINO ?工具包的此應用程序的示例，用于識別人員并確定該人員不在限制區內。（來源：英特爾）

示例應用程序還說明了消息隊列遙測傳輸 (MQTT) 協議的使用，該協議將區域信息傳送到工業數據分析系統。

為什么這很酷

Restricted Zone Monitor 應用程序是使用 Intel ? OpenVINO? 發行版和約 450 行 Go（或 400 行 C++）開發的。傳統的視頻監控需要一個人觀看多個監視器，這既乏味又容易出錯。將人員從這種監控角色中移除可以降低犯錯的可能性，并有助于確保工作場所的合規性。考慮到這些錯誤可能會導致危及生命的傷害，這是一項很酷的技術。與功能強大的硬件配對時，例如基于第 6代英特爾?酷睿?處理器或英特爾神經計算棒 2 的硬件由 Intel Movidius? X VPU 提供支持，可以獲得令人印象深刻的推理速度，從而實現實時分析。

改編這個例子

邊界安全是這項技術的一個明顯用例。作為物理安全過程的一部分，檢測一個區域內或周圍的人是有用的，但該技術可以以其他方式應用。這個深度學習網絡經過預訓練可以檢測人，但也可以訓練它來檢測動物。例如，是否有一只熊或其他野生動物游蕩到郊區可能造成傷害？

檢測城市中的人也很有用——尤其是在行人和交通流量方面。人行橫道可以檢測到一個人何時等待過馬路，但在繁忙的道路上為一個人停下來可能不如為一大群人停下來有益。應用人員檢測來管理車輛和行人的流量可以確保最佳的人流。

在哪里了解更多

您可以在英特爾?物聯網開發套件GitHub 上了解有關此演示的更多信息。

膠水應用程序是用 C++ 和 Go 語言開發的。該發行版包括針對 OpenVINO ?的英特爾?優化車輛和行人檢測模型。您可以使用 Ubuntu 16.04 LTS Linux 操作系統、英特爾? OpenVINO ?工具包分發版和 OpenCL ?運行時包輕松試驗此應用程序。

您還可以使用 AIoT 開發套件快速啟動您的開發，其中包括 Ubuntu、OpenVINO ?、英特爾? Media SDK 和預裝英特爾?酷睿?處理器的英特爾? System Studio 2018。開發工具包包括幫助您快速入門和運行的教程。

您還可以使用基于 Intel ? Apollo Lake ?平臺的AAEON UP 板。

M. Tim Jones 是一位資深的嵌入式固件架構師，擁有超過 30 年的架構和開發經驗。Tim 是多本書籍和多篇文章的作者，涉及軟件和固件開發領域。他的工程背景從地球同步航天器的內核開發到嵌入式系統架構和協議開發。