计算机视觉库/人脸识别

国际物流可视化平台提供实时跟进货物流转节点，超时预警，责任人追责，形成 ‌“追踪+数据+生态”‌ 的综合服务能力，多维度数据整合‌跨境搜‌，飞驼可视‌，箱讯ANYCASE‌7 ，整合海运/空运/快递数据，提供历史轨迹

面向电力系统工人安全问题，聚焦工业生产、建筑施工、矿山作业、电力运维等强安全管控场景，覆盖施工现场、厂区作业区、检修运维区域等，对人员密集、作业风险高的场所进行 7×24 小时智能监测。 算法选型与开发 基础模型：基于 PyTorch深度学习框架，选用目标检测模型YOLOv8 系列，针对安全帽识别场景二次训练优化。 数据处理： 采集多场景（不同光照、角度、人员着装）的安全帽图像 / 视频数据，构建包含 “正确佩戴”“未佩戴”“佩戴不规范”（如帽带未系、歪戴 ）的标注数据集； 通过数据增强扩充样本，提升模型泛化性。 功能实现： 检测人员头部区域，识别是否有符合标准的安全帽； 对安全帽佩戴细节（帽带、位置 ）做精细化判断，区分 “规范” 与 “不规范” 状态。

1.该软件分为： 1）登录界面：用户登录，验证登录信息， 2）主界面：摄像机通道展示，摄像机视频预览，识别结果， 3）比对记录：人脸比对出来的结果记录， 4）抓怕记录：输入照片进行比对，在数据库中找出比对结果， 5）模板管理：目标任务的信息存储和展示 2.任务：完成以上各个界面开发 技术栈：1）数据库使用thrift 2）多线程 3）界面相关技术 4）算法 3.难点在于人脸识别算法，算法工程师负责

一.AI配音 1.部署到本地配音模型 2.部署到本地的声音克隆 3.AI逆向翻译第三方生成的配音音频，用于匹配输入文本及后续处理 二.视频画面 1.AI生图: 利用大语言模型生成分镜描述，再使用文心，智谱等当前开放免费使用的生图API 2.视频随机混剪 3.简易高效的本地AI换脸视频生成

1、YOLOv5m+deepsort视觉跟踪算法。结合YOLOv5m的目标检测和deepsort的特征跟踪，该算法在复杂环境下确保了目标的准确与稳定跟踪。在计算机视觉中，这种跟踪技术在安全监控、无人驾驶等领域有着广泛应用。 2、调用实时摄像头拍摄数据，检测道路人员及车辆数量，判断道路拥堵情况。 3、在画面中自定义边界线，统计进出数量。

一、 随着安防视频监控技术的不断进步和广泛应用，各行各业对于视频监控系统的需求日益增加。然而，不同平台间缺乏统一的互通协议，使得视频资源的共享和管理变得复杂而困难。在这样的背景下，基于终端标准化、平台互联互通的需求，国标GB28181为视频监控系统的互联互通提供了重要的技术支持。 二、 1、采用的ACE的网络框架(提供丰富的网络编程接口) 2、支持进程守护、支持telnet 调试 3、支持北向和平台侧的HTTP协议交互 4、支持海康Ehome私有协议接入、支持GB28181 IPC设备接入 5、zookeeper分布式协调器，支持集群管理

360全景环视系统使用4个摄像头安装于车辆前后左右4个方向，实现车辆周围360度无死角的拼接，帮助驾驶员在倒车、转弯、窄路情况下安全行驶。 360全景环视系统使用4个摄像头安装于车辆前后左右4个方向，实现车辆周围360度无死角的拼接，帮助驾驶员在倒车、转弯、窄路情况下安全行驶。 360全景环视系统通过多摄像头协同、实时图像处理和智能算法，实现车辆周围环境的无盲区监控。 系统通常在车辆前部（保险杠/车标）、后部（尾门）、两侧（后视镜下方）各安装1个广角摄像头，形成4路主流方案；大型商用车或特种车辆可能扩展至6路（如增加车顶或吊具摄像头）。 广角镜头：视角需≥160°（部分达170°–180°），覆盖车身周边大范围区域。 高性能传感器：支持720P/1080P分辨率，具备星光级夜视、防水防震功能，确保低光照或恶劣环境下成像清晰。

已形成产品，可于英伟达与tpu部署。通过改进轻量化模型形成高精人体骨架识别与行为识别融合模型，对于施工人员的安全检测与低照度有限空间施工现场人员检测有显著作用。本算法已形成相关论文，且支持国产化部署与英伟达端部署。

为海南卫健委搭建平台，用 Apache Hudi 实现 CDC 数据捕获，日均处理 2000 万 + 诊疗数据，入库时效缩至 15 分钟；基于 Flink 构建特征计算引擎，模型训练效率提升 5 倍；Med-Transformer 模型实现 AUC 0.91 预测性能，区域管理覆盖率提升至 78%；基于言犀大模型打造智能问答系统，准确率 88.7%。 核心技术突破：验证千万级 QPS 架构，实现服务可用性 99.995%；完成 3 项医疗 AI 专利，实现 NLP 模型大规模商用；构建日均处理 20 亿 + 事件的数据管道，获评集团杰出项目。

本程序致力于提供一个强大且实用的人群计数工具，其核心目标在于精准地检测图像或视频流中出现的人体目标，并高效地统计其数量。为实现这一任务，程序采用了当前深度学习领域的主流框架——PyTorch，构建并部署了一个经过优化的YOLOv3 (You Only Look Once, version 3) 目标检测模型。 YOLOv3 被选为本程序的核心算法，主要得益于其卓越的性能平衡。作为一种单阶段（one-stage）检测器，YOLOv3 以其显著的速度优势闻名，能够在保持较高检测精度的同时，满足实时处理的需求。其核心原理是将目标检测视为一个回归问题，通过单次前向传播即可预测图像中所有目标的边界框位置及所属类别概率。本程序特别利用了 YOLOv3 的 Darknet-53 骨干网络提取深度特征，并结合其多尺度预测机制（在三个不同尺度的特征图上进行检测），使其能够有效应对人群计数中常见的尺度变化大（如近处个体大、远处个体小）和密集遮挡等挑战，精准捕捉不同大小的人体目标。

盲区监视系统BSD（Blind Spot Detection）实时监测驾驶员视野盲区，精准识别车辆前、后、左、右盲区范围内的行人及非机动车辆，在判断可能发生危险时系统及时告警，避免意外发生。 可结合距离等维度定义不同等级的盲区预警，实际使用过程中针对不同车型、不同环境灵活搭配不同方向的盲区检测算法。 通过摄像头捕捉盲区内画面，应用视觉测距计算出盲区的风险范围，并结合人体检测、物体识别等技术对获取图像进行处理分析，若在风险区域内检测到车辆、行人，则向驾驶员发起警报。

1. 产品面向科研院所，解决了自动处理遥感图像，自动识别机场和飞机的需求。 2. 相比市场常规方案，此方案具有速度快，识别准确的特点。 3. 方案用到了opencv的图像处理算法，包括图像增强，图像分割。用到了matlab实现的注意力算法，用到了tensorflow架构实现的图片分类和目标检测模型.方案的部署采用了docker技术.

所属公司： 广东亿讯科技有限公司 项目描述： 广东慧眼平台是广东亿讯科技有限公司旗下政法公安事业部的主要产品,目标客户是有视频监控,下载录像和摄像头告警需求的企业和机关单位,分为内网和外网通讯,界面由duilib编写,使用c++开发,由Advanced Installer工具进行打包,主要实现的功能有视频监控,录像回放,录像下载,视频上墙,添加水印,语音对讲,事件告警,事件回放,电子地图,扩展应用等功能 视频监控,录像回放通过rtmp取流,使用的库为librtmp,srs_librtmp,使用h.264,h265视频编码格式,视频通过DirectX渲染,视频上墙功能是由客户端进行视频窗口布局,布局完毕后发送给解码器进行投屏,事件告警主要是用于现场摄像头触发ai告警事件后,客户端查询后台获取告警信息并进行分页展示和提醒,添加水印功能通过ffempg命令实现,语音对讲功能用于现场摄像头和客户端远程通话或播报一键告警语音,同样通过rtmp传输,客户端采集的语音转成g711a或g711u格式发送给摄像头,摄像头传来的声音通过音频解码后用libzplay库播放 主要用到的库有:ffmpeg,li

一、面向对象与核心价值 本方案主要服务于公安部门、交通管理部门及高速公路运营单位，旨在解决三大核心问题： 车辆精准识别与追踪：通过高清摄像头与智能算法，实现车辆号牌、车型、颜色等特征的快速识别，支持嫌疑车辆布控、违法车辆追踪等场景。 交通流量实时监控：全天候采集道路车流量数据，为交通疏导、信号灯优化提供决策依据，缓解城市拥堵问题。 高效数据管理与分析：解决传统方案中数据分散、检索效率低的问题，支持海量抓拍数据的结构化存储、多维度检索及可视化统计。 本系统通过高稳定性、低延迟的技术架构，弥补了市场常见方案在复杂环境下的识别率低、数据丢失率高及跨平台兼容性不足的缺陷，为智慧交通与公共安全提供可靠支撑。 二、产品组成与技术选型 1. 数据采集系统 技术实现：基于标准C++开发，采用多线程、异步I/O技术，支持高并发数据接收与处理。 功能定位：负责对接高清摄像头、雷达等硬件设备，实时抓拍车辆图像并提取结构化数据（如车牌号、时间戳、地理位置），确保原始数据高效传输至后端。 2. 卡口监控Web平台 前端架构：采用Vue3框架，结合TypeScript与Element Plus组件库，实现动态图

一款基于Three.JS开发的前端BIM模型查看器，能支持gltf, glb, obj, fbx, stl, ifc 等丰富的三维数据格式。 开发了丰富的功能 - 如距离测量、角度测量、面积测量，同时支持吸附功能。 - 面剖切、盒剖切、轴向等剖切 - 集成了框线图、云线图、箭头、椭圆等标注功能。 - 具有良好的加载性能和运行时性能。

识别数字 根据轨迹寻线送药 根据数字对应的房间 叫药瓶送至病房 激光循迹 另一个激光跟踪 双车巡线 后车跟随

NVIDIA Orin Nano 4GB 硬件平台实现高效的缺陷检测功能。通过一对一部署检测模型支持 Orin Nano 利用摄像头进行自主缺陷检测，适用于工业生产场景中的质量控制。 主要功能 1.Orin 连接与数据库设置支持配置 Orin Nano 的数据库连接，确保检测数据实时存储与管理。 2.摄像头与视频上传提供摄像头选择功能，支持上传测试视频以进行缺陷检测。 3.模型选择与管理允许用户选择预训练的缺陷检测模型，灵活适配不同检测需求。 4.实时画面监控实时显示 Orin Nano 摄像头捕获的检测画面，便于用户监控检测过程。 5.数据库内容查看提供直观的界面，方便用户查询和分析存储在数据库中的检测结果。 应用场景 •制造业：用于生产线上的零件、产品表面缺陷检测。 •自动化质检：结合 Orin Nano 的边缘计算能力，实现高效、低延迟的实时检测。 •工业物联网：通过数据库管理检测数据，支持后续分析与优化。 技术亮点 •高效部署：与 Orin Nano 4GB 硬件紧密集成，充分发挥其边缘计算能力。 •用户友好：PyQt5 打造的图形化界面，操作简单直观。 •灵活扩展：支持多

本方案采用4G Cat.1模块作为主控（如移远EC200N），集成ARM Cortex-M4内核，实现农业物联网的智能化控制。系统支持多路RS485传感器（土壤墒情、气象数据等）采集，通过Modbus RTU协议上传至云端。低功耗设计结合太阳能供电（MPPT充电+LiFePO4电池），待机电流

1.面向行业和所解决问题 行业：面向安防场景，移动端检测场景，自动驾驶场景，门禁轧机，工厂生成线等。 解决问题：目标物体检测和跟踪，目标物体识别，人脸识别，缺陷检测等 2.功能模块和作用 图像处理：图像去噪，去畸变，梯形矫正 检测，分割：使用yolov8模型进行目标物体的检测和分割 识别：使用深度学习模型提取特征并与预存库进行对比识别 3.所选技术和原因 数字图像处理技术：处理各类相机在各类场景下拍摄到的画面，消除由于畸变，噪声等造成的干扰 深度学习技术：使用深度学习模型对特定目标进行训练，保证在个各个复杂常见中能有稳定地检测到，分割出目标物 在移动终端部署：使用各类基于硬件边缘计算厂商的推理框架进行部署（nvidia的TernserRt，rockchip的rknn，海思的nnie等）

DMS​ 是一种基于摄像头、传感器和人工智能技术的车载系统，通过实时监测驾驶员的面部表情、眼部活动、头部姿态及行为状态，判断其是否处于疲劳、分心或危险驾驶状态，并在风险发生时发出预警或联动车辆控制，从而降低交通事故风险。据统计，37%的交通事故与驾驶员状态异常直接相关，而DMS可针对性解决疲劳驾驶、分心操作等核心隐患。