Skip to main content

BriefCam Brugervejledning

Globale filtre
Last Updated: 3 minute read
Version2025r1
SprogDansk

Et bredt udvalg af granulære filtre kan bruges til kun at inkludere og vise objekter med en række karakteristika på fanen VIEWER.

I den følgende tabel kan du se alle tilgængelige filtreringsmuligheder.

Filter anvendt

Inkluderede sagsobjekter

Kilde

Objekter, der stammer fra bestemte videosynopser (hvis der ikke er valgt kilder, vil objekter fra alle kilder blive vist).

Som standard er alle kilder valgt.

Filer, der er blevet uploadet, vil blive vist i en mappe med navnet FILER.

Tidsinterval

Objekter, der matcher bestemte tidsrum.

Bemærk

Kun de valgte kilder tages i betragtning for filteret Tidsinterval.

Klasse

Objekter, der matcher følgende klasser:

Mennesker: Mand, Kvinde, Barn

Tohjulede Køretøjer: Cykel, Motorcykel

Andre køretøjer:Bil,Pickup,varevogn,lastbil,bus,tog,flyvemaskine, Båd

Ændringer i belysning: Lys tændt, Lys slukket (se også Ændringer i belysning)

Dyr

Bemærk, at:

  • Hvis din organisation har oprettet sine egne brugerdefinerede klasser, vil du se dem i Klasse-filteret.

  • Bil-klassen omfatter minibusser, SUVer, varevogne, varevogne mv.

  • Køretøjer bliver ikke registreret på kameraer, der er indstillet til Ovenplaceret eller Tæller.

Personattributter

Objekter med følgende attributter:

Overtøj: Lange Ærmer, Korte Ærmer, Farver*

Nedre beklædning: Lang, Kort, Farver*

Hat: Ingen Hat, Hat – Hatte betragtes som hatte.

Ansigtsmaske: Ingen maske, Maske – Ansigtsmaske-detektoren fungerer kun på ansigter, der er 1-stjerne kvalitet eller derover (objekter, der vises, når du klikker på Vis ansigter i Ansigtsgenkendelse½filteret).

Taske: Ingen Taske, Rygsæk, Håndholdt – Håndholdt kan også bringe op ethvert element i en persons hånd, såsom bærbare computere og mobiltelefoner.

Du kan finindstille tolerancen for attributterne ved at bruge feltet Tolerance. Se også Justering af filtertolerance.

Du kan finjustere farverne på den nederste og øverste del af slitagen ved at bruge felterne Skygge og Dækning. Se også Farvetolerance i Farvetolerance.

*Bemærk:

  • Når du søger efter personer, der bruger farver for at få de bedst mulige resultater, anbefales det at bruge de øverste og nederste farver i personattributter i stedet for Farve-filteret, fordi personattributfarverne er optimeret til personer.

  • Filtrering efter farver for nedre og øvre beklædning virker kun for folk, der står og ikke arbejder på 360 kameraer.

Køretøjsmærke og -model

Køretøjer, der matcher et bestemt fabrikat og model. Se også Køretøjsmærke og modelgenkendelse.

Farve

Objekter, der matcher enhver kombination af brun, rød, orange, gul, grøn, lime, cyan, lilla, pink, hvid, grå og sort.

Når du søger efter personer, der bruger farver, for at få de bedst mulige resultater, anbefales det at bruge de øverste og nederste farver i personattributter i stedet for farvefilteret, fordi personattributfarverne er optimeret til personer.

Se også Farvetolerance i Farvetolerance.

Størrelse

Objekter baseret på deres faktiske (virkelige) størrelse.

Du kan vælge en størrelse mellem 0-65 fod (0-20 meter).

Hastighed

Objekter baseret på deres faktiske hastighed.

Du kan vælge en hastighed mellem 0-155 mi/t (0-250 km/t).

Dvæle

Objekter, der har boet i en brugerdefineret periode eller længere i en scene.

Retning

Objekter der har rejst i en angivet retning.

Nærhed

Objekter, der vises under eller over en angivet afstand. Se også Nærhed.

Lighed i udseende

Objekter med lignende egenskaber, enten mennesker (People Lighed) eller køretøjer (Vehicle Lighed). Se også Lighed i udseende.

Ansigtsgenkendelse

Objekter, der har et registreret ansigt. Se også Ansigtsgenkendelse.

Nummerpladegenkendelse

Objekter, der har et registreret nummerplade-nummer. Se også Nummerpladegenkendelse.

BriefCams klassifikationsmetode

BriefCamanvender en tostrenget klassifikationsmetode. Klassificerer først BriefCamklassekategorien (f.eks. køretøj). For dette øverste niveau BriefCamhar en 96% nøjagtighed eller derover. For underklasser er filtreringen mere detaljeret, og nøjagtigheden er muligvis ikke den samme som for klasser på øverste niveau (f.eks. specifik køretøjstype).

I nogle tilfælde forsøges det ikke at klassificere underklasserne som finkornede. Hvis du for eksempel har en genstand med en meget lav opløsning, så kan det være muligt at opdage, at det er et 2-hjulet køretøj, men opløsningen er ikke høj nok til at afgøre, om det er en cykel eller en motorcykel.