智能分析之深度学习深度学习对于智能分析来说就相当于人类的学习一样,人类不学习就是一张白纸，什么都不会,从我们的咿呀学说和学走路开始，到上学年龄的老师教学,再到进入社会的自我学习,无论何时何地,碰到新的事物就需要学习，智能分析既然是模拟人类，那深度学习就跟人类学习新事物一个原理,碰到一个新的事物，它无法辩认这是什么东西，最多只能推断它是否运动，运动速度是多少,是哪种颜色,是什么形状，但具体是什么物体它并不知道，那要辨认出具体物体，就需要做事前的深度学习深度学习是学习物体的多个特征,不同的物体记忆不同的特征,比如认识不同的人、做人脸识别、人脸与身份证的对比等,一般都是通过识别人的五官特征，两个眼角，鼻子与两个嘴角五个点位的位置、距离等信息，通常叫做人脸识别的五点识别，因为这些信息是不会随着年龄的增长而改变比例的，识别这些信息之后保存到数据库或文件中，一般是保存在 XML 文件中,当然有些情况还会记载物体的大小、颜色、形状等等多个参数,根据实际情况学习不同的特征值，这是学习的过程。学习完之后就可以进行分析对比了,首先是找出视频中出现变化的对象，这个变化的对象有些是通过移动的对象来推断，有些是通过对比两帧数据来对比，反正是找出变化的对象即可，对象找出来之后先做初步的推断是否是我们需要检测的对象，假如是的话再提取物体的特征值，来对比保存的物体的各个特征值，是否与保存的对象有相符的，再根据平台设置的相似度来确认是否是同一个人或对象。在实际使用的过程中，算法首先是要进行一轮预处理阶段，即处理掉一些干扰因素，包括去除光亮条件和噪声、阈值、模糊等;对象的特征是一组描述符,为了使用这些描述符来训练模型或预测其中的一个模型，需要通过成千上万次图像预处理、提取特征来建立一个关于特征的大数据集合,并且通过选取的训练模型来提取特征.这就是为什么深度学习算法速度慢，当建模越多和视频中出现的对象越多,处理速度就会越慢，假如需要进一步排除误判，还需要对输出数据进行后期处理，比如合并多个分类,比如推断人脸后再推断身高，体形等，要推断这些因素，又要结合安装的摄像机的高度、角度等因素来设置人在视频中实际占的像素，在不同位置占的像素等，越想得到精准的结果，要处理的数据量就越大，对环境的要求就会越高，当平台处理的条件越多时干扰的因素也就越多,处理不好反倒会出现更多的误判,所以要想得到高精度的分析结果，一般是要对现场的视频场景进行初...
