3D深度识别的感知计算时代,阅面科技让摄像头更懂人心

3D深度识别的感知计算时代,阅面科技让摄像头更懂人心

为期4天的展会,有超过4500家公司的近两万种科技产品参加展出,涉及5G与物联网、机器人与AI、数字娱乐、自动驾驶、区块链、增强现实、工业制造等主题。CES让全球科技公司汇聚于此并驱争先,令世界各国参观者在黑科技产品中一窥未来科技趋势。

在本次展会中,一台基于3D结构光技术的行为识别摄像机吸引了笔者目光:8米以外便可以识别人群特征,甚至可以根据人的行为进行预判。

行为识别摄像机

“这款行为识别摄像机的核心功能,是在远距离、大范围的真实环境中,对人体姿态等关键信息实现细颗粒度的识别。”阅面科技CEO丁小羽接受采访时介绍。

我们日常生活中接触的摄像头,多为2D成像摄像头。一般来说,2D成像是用平面传感器接收被拍摄物体反射或者发出的可见光,从而形成二维图像。一旦将三维真实世界转换为2D,会出现很多成像问题,譬如无法获取物体的深度信息,难以解决物体的遮挡问题等。

3D传感技术问世以来便备受追捧:由多个摄像头+深度传感器组成的3D传感系统,能够获取物体的深度信息,为后期图像分析提供了关健特征。“从2016年开始,3D传感技术便应用在人脸识别领域,但是更多地集中在智能手机端。当时,我们便坚信3D多模态识别技术能使视觉识别算法在真实场景达到商用标准。”阅面科技CEO丁小羽告诉亿欧科创。

3D传感技术,应用在2D不能实现的“痛点型应用场景”——如人机交互、3D人脸识别、三维建模、AR、智能安防和辅助驾驶等,被誉为“让人工智能真正做到‘睁眼看世界’的技术。”

因为视觉感知算法迟早将被3D传感技术深刻地改变,因此阅面科技自成立以来便与摄像头模组厂商建立了紧密合作关系。

与2D视觉成像不同,3D深度视觉识别的实现过程增加了“3D重建”这一环节,该环节是3D深度视觉识别实现的关键步骤,而且技术难度较高。

该步骤需要从硬件设备上获取深度信息、RGB信息,并重新建立3D模型。因此,传感硬件与算法深度融合将会大大提高算法精度、减少算法开发难度。在访谈中,丁小羽向亿欧科创解释道:“与3D传感设备提供商紧密合作,我们可以在芯片设计阶段便开始磨合,做到扬长避短,在真实场景人机交互中克服复杂干扰,识别关键信息。”

目前,3D视觉模组不仅应用于此次参展的行为识别摄像机中,还会应用在3D人脸门锁解决方案中。丁小羽向亿欧科创透露:“行为识别摄像机将会应用在教育信息化领域,今年阅面3D视觉模组将会与智能锁厂商开展广泛合作,为其提供软硬一体的高安全性无感人脸识别解决方案。”

人工智能迎来硬件革命,嵌入式AI突破算法瓶颈?

面对这样的声音,人工智能行业人士纷纷开始寻找原因。

为此,算法公司不得不开始寻找解决方案。

丁小羽清楚地知道:“创新型硬件与产业结合才能加快产业化落地速度,而且从硬件到系统的全链条研发能力对于企业来说很重要。”

由此可见,人工智能产业的硬件革命时代已经来临。对于企业来说,想让新产品快速被市场接受,不仅仅需要算法精度高,更需要软硬一体的优化能力。早在2017年,阅面科技自主研发了一套名为XNetLite的嵌入式硬件加速框架,基于框架推出了一款名为“繁星”的视觉模组,利用硬件资源点加速技术完成了万人资源库的识别工作。

技术实力强大,少不了研发人员的背后支撑,阅面科技集聚了行业内顶尖的AI视觉算法人才以及嵌入式硬件人才,其核心研发团队来自阿里、百度以及卡内基梅隆大学,全部为顶尖人工智能研发人员。人工智能逐步硬件化的同时,边缘计算也成为新潮流。一直主推端智能的阅面科技在解决方案中充分展现了边缘计算与软硬一体相结合的强大功效。

近年来,阅面科技从自身技术优势出发,找到了最为契合的领域:智慧家居。

在智能锁这一细分行业,阅面科技投入了不少研发资源。智能锁领域普遍存在的需求是“低功耗、快速识别、安全性”等。端智能技术,能够做到本地识别,极大地提高了设备安全性,并且能够实现实时识别。与此同时,嵌入式算法的开发极大地降低了产品功耗,延长了智能锁使用寿命。

3D深度传感技术的应用,让算法识别精度更高,使得镜头在完成身份验证的同时,更能通过人的动作、状态等信息预测其下一步动作。在技术不断突破自身极限的同时,科技企业也在寻找产业落地的最佳途径,软硬一体的解决方案,拉近了AI与人们的距离。

在技术不断成熟的背景下,人脸识别技术在智能锁市场也将不断渗透。据中国电子技术标准化研究院公布的《生物特征识别白皮书》,指纹识别在生物识别技术中所占的份额最高,但整体呈下降趋势,由2007年的66.9%降至2018年的56.5%,预计到2023年将下降至50.8%左右;而人脸识别则增长迅速,2018年比重达16.8%。随着3D传感技术不断成熟,人脸识别的市场规模也将不断扩大。

作为人脸识别的主要落地场景,智能门锁市场在2017年掀起了资本热潮,除了传统门锁厂商,很多互联网公司、科技巨头都纷纷参与其中。经过2019年的洗牌,有实力的企业得以集中资源深入耕耘。

作为技术提供商,阅面科技此时选择入局智能锁领域正当其时。

一方面,从智能门锁刚刚经历了市场出清,产业基础较好;另一方面,3D多模态识别技术的发展以及软硬一体的解决方案,有助于快速进入市场。

《2019-2023年中国智能门锁行业深度调研及投资前景预测报告》数据显示,预计2019年中国智能门锁销量会超过2900万台,并预测在2020年整个智能门锁销量会超过4000万台。如果按照单价2000元计,智能门锁的市场份额有望达到800亿元的市场份额。

随着智能家居市场走向成熟,智能锁可以成为撬动家庭生活智能化的新支点。

2014年被誉为智能家居元年,2018年迎来大爆发,到了2019年热度消散。通过对智能家居行业发现,该行业之所以出现问题,其中一部分原因在于:入局者没能找到合适切入口。阿里巴巴、百度、小米、亚马逊等企业看好语音交互,纷纷推出智能音箱;另一部分企业认为,智慧屏将成为人机交互的新载体。丁小羽的想法是:“关于智能家居入口,自然的实现方式是无缝地在家居各个场景中围绕人展开,环境通过视觉识别用户的行为和状态,从而主动地为人们提供更为舒心的服务。譬如,当你手拎行李走到家门口时,门会自动打开,咖啡机根据喜好为你制作一杯咖啡,你带着一身疲惫躺在沙发上时,空调已经调节到了合适的温度。整个过程不需要向任何设备发号施令,智能融入家居环境。”

真正的智能时代势必以“人”为中心,让家庭智能硬件睁开一双“善解人意”的眼睛,读懂人的行为,走进人们的生活。真正让人工智能技术润物细无声地走入寻常大众的生活。

THE END
1.视觉识别算法介绍如何实现视觉识别视觉识别算法介绍 本文介绍了视觉识别算法在计算机视觉中的重要性,包括图像预处理、特征提取、匹配和识别等步骤,以及常见的边缘检测、目标检测和物体识别算法。此外,还探讨了这些技术在人脸识别、图像搜索、自动驾驶和医学影像识别等领域的应用。 摘要由CSDN通过智能技术生成https://blog.csdn.net/m0_72410588/article/details/131885622
2.封面人物沈春华:做简单高效的人工智能算法,让机器“看”得更清楚让视觉识别更加灵敏 给机器一张图片或者一段视频,如何把目标信息找出来?现在常用的是基于锚定框(anchorbox)的目标检测算法,预先设计好不同的模板,让算法在经过“训练”之后利用最匹配的模板检测并识别出目标。 “业界之前普遍认为,去掉锚定框会大大降低识别效果。缺点是算法设计比较复杂,锚定框数量非常多,比如小汽车https://www.zju.edu.cn/2022/0723/c41533a2605540/page.htm
3.虹软视觉开放平台—以免费人脸识别技术为核心的人脸识别算法开放虹软视觉开放平台基于专业的人脸识别算法,为用户免费提供人脸识别技术为支撑的人脸检测、人脸比对、人脸追踪、活体检测、人证比对等产品。提供人脸识别门禁、人脸识别考勤等产品解决方案,致力于为创业团队提供人脸识别技术赋能。https://www.arcsoft.com.cn/ai/sdk
4.视觉识别现代物体检测算法的基础是深度学习,常见的物体检测算法有RCNN、Fast RCNN、Faster RCNN、YOLO、SSD等。其中,YOLO和SSD是速度较快且适合实时场景的算法,而Faster RCNN则是当前目标检测效果最好的算法之一。 物体检测的应用场景非常广泛,如智能安防、自动驾驶、工业生产等。 场景分析 编辑本段 视觉识别是一种基于图https://vebaike.com/doc-view-942.html
5.从单幅图像到双目立体视觉的3D目标检测算法机器之心从单幅图像到双目立体视觉的3D目标检测算法 一.导言 经典的计算机视觉问题是通过数学模型或者统计学习识别图像中的物体、场景,继而实现视频时序序列上的运动识别、物体轨迹追踪、行为识别等等。然而,由于图像是三维空间在光学系统的投影,仅仅实现图像层次的识别是不够的,这在无人驾驶系统、3604f85d04>增强现实技术等领域https://www.jiqizhixin.com/articles/2019-08-01-13
6.改进YOLOv5s的交通标志识别算法改进YOLOv5s的交通标志识别算法 摘要:为了准确且实时地检测到交通标志指示牌, 减少交通事故的发生和推动智慧交通的发展, 针对现有的道路交通标志检测模型存在的精度不足、权重文件大、检测速度慢的问题, 设计了一种基于计算机视觉技术的改进YOLOv5s检测算法YOLOv5s-GC. 首先, 使用copy-paste进行数据增强后再送入网络https://c-s-a.org.cn/html/2022/12/8859.html
7.机器视觉方向最常用的21种算法机器视觉视觉检测设备机器视觉是一门前沿而又引人入胜的领域,它的应用涵盖了各个行业。在这个领域中,有许多算法被广泛应用,它们帮助我们实现了从图像识别到目标追踪的各种任务。本文将为大家介绍机器视觉方向最常用的21种算法,让我们一起来探索这个神奇的世界吧! 1、机器视觉方向最常用的21种算法 https://www.0755vc.com/15710.html
8.基于高斯混合基于高斯混合-隐马尔科夫融合算法识别奶牛步态时相[J]. 智慧农业(中英文), 2022, 4(2): 53-63. doi:10.12133/j.smartag.SA202204003 ZHANG Kai, HAN Shuqing, CHENG Guodong, WU Saisai, LIU Jifang. Gait Phase Recognition of Dairy Cows based on Gaussian Mixture Model and Hidden Markov Model[J]https://www.smartag.net.cn/article/2022/2096-8094/2096-8094-2022-4-2-53.shtml
9.自动驾驶之感知算法3.使用深度学习识别灯颜色的变化(分为检测和颜色分类两步) 一条道路上有很多红绿灯,检测算法会把所有的灯都检测出来,地图会告知需要看几个灯,但是并不知道看哪几个灯。因此需要把对应关系匹配起来,需要做3D到2D的投影,投影又受到标定、定位、同步、地图等因素的影响,需要综合考虑 https://www.jianshu.com/p/bd61b7400cda
10.AI综述专栏图像物体分类与检测算法综述腾讯云开发者社区实例层次: 针对单个物体实例而言,通常由于图像采集过程中光照条件、拍摄视角、距离的不同,物体自身的非刚体形变以及其他物体的部分遮挡使得物体实例的表观特征产生很大的变化,给视觉识别算法带来了极大的困难。 类别层次: 困难与挑战通常来自三个方面,首先是类内差大,也即属于同一类的物体表观特征差别比较大,其原因有https://www.cloud.tencent.com/developer/article/1628228