zhuangxy'blog

随着视频内容越来越多，通过深度模型理解视频，提取视频内容特征，建立视频搜索引擎，已经成为主流。视频内容相似度检索以及视频内容理解能力越发重要。再业务推进过程以及技术积累过程中，对调研尝试过的数据和方法，做简要的整理和剖析。北大满哥视频侵权，说明平台在视频内容审核这一块，严格意义上讲，就平台再视频版权这一块，或多或少的都需要人工运维去做支撑（依据没有运用OCR以及语义等初级的文案审核能力对头部流量视频做内容风控）。显然目前互联网企业的初衷，还在我们的"菜篮子"里，未将精力投入的科技的星辰大海，个人观点。

单点分布：

\[ f(X = x)=\begin{cases}1, & x = c\\0, & x \neq c\end{cases} \]

c, 为常数， 数学期望C，方差

两点分布：

\[ f(X = k)=\begin{cases}p, & \text{k=0}\\q, & \text{k=1}\end{cases} \]

计算机视觉研究中，利用行人重识别技术可以判断同一个人是否在另一个地方被另一个传感器捕捉到。计算机视觉领域的学者们形象地将针对特定行人的监控视频检索问题称为行人重识别。随着公共安全的要求和摄像头等传感器设备被大规模被应用到主题公园，学校，街道，超市等场景中，传统的依靠人工的方式进行行人识别跟踪，需要大量的人力资本投入。同时，考虑到门店的建设成本，针对门店场景的行人重识别方法应考虑到算法的实施成本，这些都对行人的识别与跟踪，特别是在行人信息的高效检索等领域提出了新的挑战。

从技术上讲，实际视频监控系统的行人重识别系统可分为三个模块：行人检测，行人跟踪和行人信息检索。前两个任务是独立的计算机视觉任务，所以大家主要的工作还是最后一个模块。在行人重识别的研究中前期主要是围绕特定应用，进行特征提取，然后针对小规模数据集展开应用研究。近年来，随着数据量的增长以及深度学习研究的进一步推进，深度学习在行人识别检索的应用中取得了一定的成果。在门店场景顾客检索去重的研究中，对行人重识别提出了更高的要求。本文主要对从方法上对行人重识别做出一个大致的整理。

为了方便测试我们搭建的界面和构建一下小应用，该应用获取服务器字符串，端口号，文件名（路径），并将它保存在get_filepath_from_server.py,由于本应用仅供测试使用，其代码简单如下所示：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

helptxt = """
get_filepath_from_server.py -file fffffff [-port number] [-server server|localhost]
"""
defaultServer = 'localhost'
defaultPort = '80'
def parse_command_line():
    dict = {}                          #put in dict for easy finding
    args = sys.argv[1:]                #skip program name at front of the args
    while len(args) >= 2:
        dict[args[0]] = args[1]         #examle dict['-server']='localhost'
        args = args[2:]
    return dict
  
def get_filepath_from_server(server, port, file):
   return server + ":" + port + ":" + file
     
def main(args):
      
    server = args.get('-server', defaultServer)
    port = args.get('-port', defaultPort)
    filepath = args.get('-file', None)
    if filepath == None:
        print(helptext)
      
if __name__ == '__main__':
    args = parse_command_line()
    main(args)