Filtres globaux
Une riche sélection de filtres granulaires peut être utilisée pour inclure et afficher uniquement les objets correspondant à une plage de caractéristiques dans l'onglet VISUALISEUR.
Reportez-vous au tableau suivant pour toutes les options de filtrage disponibles.
Filtre appliqué | Objets de cas inclus |
Source | Objets provenant de synopsis vidéo spécifiques (si aucune source n’est sélectionnée, les objets de toutes les sources seront affichés). Par défaut, toutes les sources sont sélectionnées. Les fichiers qui ont été téléchargés apparaîtront dans un répertoire nommé FILES. |
Plage de temps | Objets correspondant à des plages horaires spécifiques. NoteSeules les sources sélectionnées sont prises en compte pour le filtre Plage de temps. |
Classe | Objets correspondant aux classes suivantes : Personnes : Homme, Femme, Enfant Véhicules à deux roues : vélo, moto Autres véhicules :voiture,camionnette,fourgonnette,camion,bus,train,avion, bateau Changements d’éclairage : lumières allumées, lumières éteintes (voir aussi Changements d’éclairage) Animaux Notez que :
|
Attributs de personne | Objets présentant les attributs suivants : Vêtements supérieurs : manches longues, manches courtes, couleurs* Vêtements inférieurs : long, court, couleurs* Chapeau : Sans chapeau, Chapeau - Les capuches sont considérées comme des chapeaux. Masque facial : Sans masque, Masque - Le détecteur de masque facial ne fonctionne que sur les visages de qualité 1 étoile ou supérieure (objets qui apparaissent lorsque vous cliquez sur l'option Afficher les visages dans le filtre de reconnaissance des visages). Sac : Sans sac, Sac à dos, Tenu à la main – Tenu à la main peut également faire apparaître tout objet tenu dans la main d’une personne, comme les ordinateurs portables et les téléphones cellulaires. Vous pouvez affiner la tolérance des attributs en utilisant le champ Tolérance. Voir également Ajustement de la tolérance du filtre. Vous pouvez affiner les couleurs des vêtements inférieurs et supérieurs en utilisant les champs Nuance et Couverture. Voir aussi Tolérance de couleur dans Tolérance de couleur. *Notez que :
|
Marque et modèle du véhicule | Véhicules correspondant à une marque et un modèle spécifiques. Voir également Reconnaissance de la marque et du modèle du véhicule. |
Couleur | Objets correspondant à n’importe quelle combinaison de marron, rouge, orange, jaune, vert, citron vert, cyan, violet, rose, blanc, gris et noir. Lorsque vous recherchez des personnes à l’aide de couleurs afin d’obtenir les meilleurs résultats possibles, il est recommandé d’utiliser les couleurs supérieures et inférieures des attributs de personne au lieu du filtre Couleur, car les couleurs des attributs de personne sont optimisées pour les personnes. Voir aussi Tolérance de couleur dans les Tolérance de couleur. |
Taille | Objets basés sur leur taille réelle. Vous pouvez sélectionner une taille entre 0-65 pieds (0-20 mètres). |
Vitesse | Objets basés sur leur vitesse réelle. Vous pouvez sélectionner une vitesse comprise entre 0-155 mi / h (0-250 km / h). |
Immobilisation | Objets ayant maraudé pendant une période spécifiée par l’utilisateur ou plus longtemps dans une scène. |
Direction | Objets s’étant déplacés dans une direction spécifiée. |
Proximité | Objets apparaissant en dessous ou au-dessus d’une distance spécifiée. Voir également Proximité. |
Similarité d’apparence | Objets avec des attributs similaires, soit des personnes (similitude de personnes) ou des véhicules (similitude de véhicules). Voir également Similarité d’apparence. |
Reconnaissance faciale | Objets dont le visage a été détecté. Voir également Reconnaissance faciale. |
Reconnaissance de plaque | Objets dont le numéro de plaque d’immatriculation a été détecté. Voir également Reconnaissance de plaque. |
Méthode de classification BriefCam
BriefCamutilise une approche de classification à deux niveaux. Tout d’abord, BriefCamclasse la catégorie de classe (par exemple, véhicule). Pour ce niveau supérieur, BriefCama une précision de 96% ou plus. Pour les sous-classes, le filtrage est plus détaillé et la précision peut ne pas être identique à celle des classes de niveau supérieur (type de véhicule spécifique, par exemple).
Dans certains cas, la classification fine des sous-classes n’est pas tentée. Par exemple, si vous avez un objet avec une très faible résolution, il peut être possible de détecter qu’il s’agit d’un véhicule à deux roues, mais la résolution n’est pas assez élevée pour déterminer s’il s’agit d’un vélo ou d’une moto.