Filtros globales
Se puede utilizar una amplia selección de filtros granulares para incluir y mostrar solo objetos que coincidan con un rango de características en la pestaña VISOR.
Consulte la tabla siguiente para ver todas las opciones de filtrado disponibles.
Filtro aplicado | Objetos de caso incluidos |
Fuente | Objetos procedentes de sinopsis de vídeo específicas (si no se selecciona ninguna fuente, se mostrarán los objetos de todas las fuentes). De forma predeterminada, todas las fuentes están seleccionadas. Los archivos que se cargaron aparecerán en un directorio llamado ARCHIVOS. |
Rango de tiempo | Objetos que coinciden con rangos de tiempo específicos. NotaSolo las fuentes seleccionadas se tienen en cuenta para el filtro Rango de tiempo. |
Clase | Objetos que coinciden con las siguientes clases: Gente: Hombre, Mujer, Niño Vehículos de Dos Ruedas: Bicicleta, Motocicleta Otros Vehículos:Coche,Camioneta,Furgoneta,Camión,Autobús,Tren,Avión, Bote Cambios de iluminación: luces encendidas, luces apagadas (consulte también Cambios de iluminación) Animales Tenga en cuenta que:
|
Atributos de persona | Objetos con los siguientes atributos: Desgaste Superior: Mangas Largas, Mangas Cortas, Colores* Desgaste inferior: Largo, Corto, Colores* Gorro: Sin gorro, gorro – Las capuchas se consideran gorros. Mascarilla: Sin mascarilla, mascarilla: el detector de mascarillas funciona solo en caras con calidad de 1 estrella o superior (objetos que aparecen al hacer clic en la opción Mostrar caras en el filtro Reconocimiento facial). Bolso: Sin bolso, mochila, de mano, los artículos de mano también pueden traer cualquier artículo que se tenga en la mano, como ordenadores portátiles y teléfonos móviles. Puede ajustar la tolerancia de los atributos utilizando el campo Tolerancia. Consulte también Ajuste de tolerancia de filtro. Puede afinar los colores del desgaste inferior y superior utilizando los campos Sombra y Cobertura. Consulte también Tolerancia de color en Tolerancia de color. * Tenga en cuenta que:
|
Marca y modelo del vehículo | Vehículos que coincidan con una marca y un modelo específicos. Consulte también Reconocimiento de la marca y el modelo del vehículo. |
Color | Objetos que combinen cualquier combinación de marrón, rojo, naranja, amarillo, verde, lima, cian, púrpura, rosa, blanco, gris y negro. Al buscar personas usando colores para obtener los mejores resultados posibles, se recomienda utilizar los colores superiores e inferiores en los atributos de persona en lugar del filtro Color porque los colores de los atributos de persona están optimizados para las personas. Consulte también Tolerancia de color en Tolerancia de color. |
Tamaño | Objetos basados en su tamaño real (real). Puede seleccionar un tamaño entre 0-65 pies (0-20 metros). |
Velocidad | Objetos basados en su velocidad real. Puede seleccionar una velocidad entre 0-155 mi/h (0-250 km/h). |
Permanencia | Objetos que han permanecido durante un periodo especificado por el usuario o más tiempo en una escena. |
Dirección | Objetos que se han desplazado en una dirección especificada. |
Proximidad | Objetos que aparecen por debajo o por encima de una distancia especificada. Consulte también Proximidad. |
Similitud física | Objetos con atributos similares, ya sea personas (Similitud de personas) o vehículos (Similitud de vehículos). Consulte también Similitud física. |
Reconocimiento facial | Objetos que tienen una cara detectada. Consulte también Reconocimiento facial. |
Reconocimiento de matrículas (LPR) | Objetos que tienen un número de matrícula detectado. Consulte también Reconocimiento de matrículas (LPR). |
Método de clasificación de BriefCam
BriefCamutiliza un enfoque de clasificación de dos niveles. En primer lugar, BriefCamclasifica la categoría de clase (por ejemplo, vehículo). Para este nivel superior, BriefCamtiene un 96% de precisión o más. En el caso de las subclases, el filtrado es más detallado, y la precisión puede no ser la misma que la de las clases de nivel superior (por ejemplo, un tipo específico de vehículo).
En algunos casos, no se intenta la clasificación de grano fino de las subclases. Por ejemplo, si tiene un objeto con una resolución muy baja , entonces podría ser posible detectar que es un vehículo de 2 ruedas, pero la resolución no es lo suficientemente alta como para determinar si es una bicicleta o una motocicleta.