Все кейсы
Машинное зрениеМедиа1 января 2024 г.

Демонстрационный пример блокировки целевого объекта на видеопотоке

Демонстрация компьютерного зрения для скрытия объекта в видеопотоке: обнаружение, выделение границ и сопровождение движения позволяют применять маску к выбранному объекту.

Демонстрационный пример блокировки целевого объекта на видеопотоке

Задача

При скрытии объекта в видео нужно сначала обнаружить его, затем выделить границы и учитывать движение. Маска, привязанная только к одной области кадра, не решает задачу для перемещающегося предмета. Демонстрационный пример посвящён связке этих этапов и стилизации объекта в реальном времени.

Решение

Алгоритмы обнаружения и классификации находят целевой объект. Семантическая сегментация выделяет его область по границам. Сопровождение движения связывает объект с последующими кадрами, чтобы обработка относилась к нему на протяжении видеоряда.

В подходе предусмотрено переносное обучение для разных типов объектов. Дополнительный сценарий связан с распознаванием и блокировкой нежелательного содержания во время онлайн-трансляции. Ключевой результат обработки состоит в обозначении области, к которой применяется скрытие или изменение внешнего вида.

В технологическом контуре использовались TensorFlow, OpenCV, Python и CUDA. Мобильные и веб-технологии рассматривались как способы использования такого алгоритма.

Демонстрационный результат

Для демонстрационного примера указаны среднее качество отслеживания траектории 97% и распознавания объекта в видеопотоке 89%. Эти показатели относятся к демонстрации. Для применения на другом видеопотоке отдельно проверяют тип объекта, условия съёмки и непрерывность скрытия во всех кадрах, где он присутствует.

Демонстрация показывает принцип автоматического скрытия. Для сценария, где нельзя пропустить ни одного появления объекта, качество полного видеоряда нужно проверять отдельно.

Такой контур можно адаптировать для обработки трансляций и записей в рамках разработки компьютерного зрения.

Похожие кейсы

Машинное зрение

Разбор технических чертежей: 3,2 секунды на чертёж и точность 97%

Система извлекает параметры из PDF-чертежа, подсвечивает найденные значения и отдаёт их в CSV. В опубликованном примере: 3,2 секунды на чертёж и 97% точности извлечения.

Машинное зрение

Машинное зрение + LLM на промышленном объекте: выявлены хищения в пилоте

Пилот цифрового аудита на энергетическом объекте связывает камеры с проверкой транспорта, грузов и строительных работ. Выявлены четыре несанкционированных вывоза; материалы используются для отчёта службы безопасности.

Машинное зрение

Разработка модели по распознаванию и выделению контентной части документа

Система размечает однотипные документы, распознаёт их тип и заполняет электронную форму. В результатах разработки отдельно оценены поиск текста, OCR, классификация и распознавание содержимого.