В техническом выражении, что вы описываете выше, часто называют обнаружение события. Я не знаю готового подхода к решению всего этого сразу, но с небольшим количеством программирования вы должны быть настроены, даже если вы не хотите кодировать какие-либо алгоритмы компьютерного зрения или некоторые из них.
Трубопровод высокого уровня будет:
Убедившись, что ваше видео достаточно высокого качества. Серые мышки звучат довольно жестко, плюс фотографии, вероятно, снимаются ночью - так что у вас должно быть достаточно инфракрасного освещения и т. Д. Но если человек может понять, является ли тревога ложной или истинной, вы должны быть в порядке.
Развертывание обнаружение движения и получение снимков во время движения. Похоже, что эта часть уже разработана, отлично! Детализация вашей настройки может принести пользу другим. Вам также может понадобиться обрезать только область, движущуюся от изображения, вы это делаете?
Строительство архив изображений, включая ваше решение, являются ли они ложные или истинный сигнал тревоги (этикетки в машинном обучении жаргоне). Попытайтесь собрать по крайней мере несколько десятков примеров изображений для обоих случаев и сделать их репрезентативными для реальных изменений (у вас есть проблема и в дневное время? Есть ли снегопад в вашем регионе?).
Классификация изображений взята из моментального снимка видеопотока, чтобы проверить, является ли это ложным сигналом тревоги или содержит плохие твари, питающиеся кабелями. Это звучит жестко, но глубокое обучение и машинное обучение быстро развиваются; Вы можете:
- развернуть свою собственную нейронную сеть, построенную в рамках как caffe или Tensorflow (но, вероятно, потребуется много примеров, по крайней мере, десятки тысяч, я бы сказал)
- использования API классификации изображений, который распознает общие объекты, такие как Clarifai или Imagga. Если вам повезет, то заметим, что снимки показывают мышь или белку (белки жуют кабели?), но вполне вероятно, что на специализированной задаче этот, эти двигатели будут очень запутаны!
- использование пользовательской классификация изображений службы API, который, как правило, еще более мощного чем качение собственной нейронной сети, поскольку она может использовать много трюков, чтобы разобраться в эти изображениях, даже если вы даете ему только небольшое количество примеров для каждой категории изображений (здесь есть ложный/истинный сигнал); vize.it - прекрасный пример того, что (любой может предоставить больше таких услуг?).
реального времени аспект немного открытым, так как нейронные сети потребуется некоторое время, чтобы обработать изображение - вы также должны включать в себя передачу данных и т.д. при использовании публичного API, но если вы развернете свои собственные, вам нужно будет потратить много усилий, чтобы получить низкую задержку, поскольку фреймворки по умолчанию оптимизированы для пропускной способности (batch). Как правило, если вы довольны латентностью ~ 1 с и имеете хорошую интернет-связь, вы должны быть в порядке с любым сервисом.
Отказ от ответственности: Я являюсь одним из соавторов проекта vize.it.