SentiSight SDK

ESPECIFICAÇÕES TÉCNICAS
Todas as especificações são fornecidas para um processador Intel Core i7-2600 com 3,4 GHz.

Essas especificações são para algoritmos SentiSight 3.4 reconhecimento em blob e reconhecimento de forma. Esses algoritmos podem ser usados em conjunto ou separadamente, dependendo do tipo de objeto.

As especificações são fornecidas para imagens de 320 x 240 pixels. Essas dependências de desempenho da área de imagem são válidas para as mesmas imagens com diferentes resoluções:

1. O algoritmo baseado em blob tem dependência linear para o aprendizado de objetos e dependência linearitmática (n log n) para o reconhecimento de objetos.
2. O algoritmo baseado em forma tem dependência linearitmática (n log n) para aprendizagem de objetos e dependência quadrática para o reconhecimento de objetos.
3. O modo de uso de cor tem dependência linear para aprendizagem e reconhecimento de objetos.

O tamanho do modelo do objeto depende de como um objeto rico em recursos é, variando para cada objeto.

Essas condições podem alterar o desempenho dos algoritmos:

1. Rotação e tradução. O algoritmo geralmente é rotativo e invariante de tradução em um plano perpendicular à câmera. O algoritmo também é invariante para rotações de até 10 a 15 graus além de um plano perpendicular à câmera. Diferentes visualizações de um objeto podem ser adicionadas a um modelo para lidar com rotações maiores.
2. Mudanças de resolução e escala. Escala (tamanho do objeto dentro da imagem) diferença entre o modelo de um objeto e o objeto em si pode ser até 2-3 vezes. Os objetos devem conter detalhes suficientes e ser suficientemente grandes para serem reconhecidos.
3. Obstrução. O algoritmo é robusto para obstruções de até 50% do objeto se bastantes bordas únicas permanecem visíveis.
4. Condições de iluminação (iluminação, sombras e reflectância).
   1. Objetos planos terão problemas com reflectância.
   2. Os objetos 3D terão problemas com condições de iluminação variáveis – iluminação consistente reduz consideravelmente os problemas potenciais.
5. Transparência. Em geral, objetos transparentes podem ser difíceis de reconhecer.
6. Rigidez. O algoritmo reconhece apenas objetos rígidos / estáveis. No mínimo, uma peça significativa do objeto deve ser imutável.

Os algoritmos de reconhecimento de objetos podem ser configurados para serem executados em mais de um segmento de processadores multi-core, permitindo um aumento na velocidade de verificação do modelo de objeto. A tabela abaixo fornece velocidades de reconhecimento de objetos como um intervalo; o número menor representa a velocidade de reconhecimento usando 1 thread, enquanto o número maior representa a velocidade de reconhecimento usando 8 threads. Observe que o modelo de processador especificado possui 4 núcleos e executa 2 threads por núcleo do processador em paralelo.

REQUISITOS DE SISTEMA

• PC com processador x86 (32 bits) ou x86-64 (64 bits):
  • É necessário um suporte SSE2. Os processadores que não suportam SSE2 não podem executar o algoritmo SentiSight 3.4. Verifique se seu modelo de processador específico suporta o conjunto de instruções SSE2.
  • O suporte SSSE3 é recomendado, pois o algoritmo SentiSight 3.4 fornece maior desempenho usando este conjunto de instruções. Verifique se seu modelo de processador específico suporta SSSE3.
  • A arquitetura de 64 bits permite trabalhar com imagens maiores, bancos de dados de modelos maiores e também aumenta o desempenho geral do algoritmo SentiSight 3.4 devido ao uso de registros de CPU de 64 bits.
• Pelo menos 256 MB de RAM livre devem estar disponíveis para o aplicativo baseado em SentiSight. RAM adicional pode ser necessária para:
  • Aplicativos que precisam reconhecer objetos usando um banco de dados grande, já que o banco de dados inteiro deve ser carregado na RAM antes do reconhecimento. O tamanho do banco de dados depende da quantidade de objetos e do número de templates salvos em cada modelo de objeto. Cada modelo de objeto pode ser bastante grande devido ao uso de vídeos longos para aprendizagem (como o modelo aprendido de cada quadro é salvo separadamente) e / ou usando várias visualizações para cada objeto. Por exemplo, um banco de dados de 100 modelos de objetos com 36 templates por modelo exigirá cerca de 25 MB de RAM quando o algoritmo de reconhecimento de blob for usado, ou cerca de 50 MB quando o algoritmo de reconhecimento de forma for usado (para resolução de 320 x 240 pixels).
  • Aplicações que precisam trabalhar com vídeos de alta resolução. Uma resolução mais alta permite extrair mais recursos de objetos, assim o tamanho do modelo de objeto será maior. Em geral, o tamanho do modelo tem a ver com a dependência linear da imagem ou resolução de vídeo. Por exemplo: um quadro de uma câmera de 1 MegaPixel é cerca de 13 vezes maior que um quadro de uma câmera normal de 320 x 240 pixels (0,08 MegaPixel). Se um modelo de objeto aprendido a partir de uma seqüência de 320 x 240 quadros ocupa 250 KB de memória, um modelo aprendido a partir da mesma seqüência de quadros obtidos de uma câmera de 1 MegaPixel exigirá cerca de 3,4 MB de memória. Observe que cada quadro de vídeo é processado separadamente e o template de objeto obtido é salvo no modelo.
• Câmera ou webcam opcional. Essas câmeras são suportadas pelo SentiSight:
  • Qualquer webcam ou câmera acessível usando:
    • Interface do DirectShow para a plataforma Microsoft Windows.
    • Interface GStreamer para plataforma Linux.
  • Qualquer câmera IP, que suporte RTSP (Real Time Streaming Protocol):
    • Somente RTP sobre UDP é suportado.
    • H.264 / MPEG-4 AVC ou Motion JPEG devem ser usados para codificar a transmissão de vídeo.
• Estes modelos de câmeras fotográficas são suportados:
  • Câmeras fotográficas da família Canon EOS (somente Microsoft Windows)
  • Câmeras fotográficas Nikon DSLR (Somente no Microsoft Windows, um modelo de câmera específico deve suportar a captura de vídeo e deve estar listado aqui).
• Esses modelos específicos de câmeras IP de alta resolução são suportados:
  • Câmera Axis M1114 (Microsoft Windows e Linux)
  • Câmera IP Basler BIP2-1600-25c-DN (Microsoft Windows e Linux)
  • Câmera Cisco 4500 IP (apenas Microsoft Windows)
  • CMITech EMX-30 – câmera de face e íris (somente Microsoft Windows)
  • IrisGuard IG-AD100 – câmera de face e íris (somente Microsoft Windows)
  • Câmera PiXORD N606 (Microsoft Windows e Linux)
  • Câmera Prosilica GigE Vision (Microsoft Windows e Linux)
  • Sony SNC-CS50 (Microsoft Windows e Linux)
  • Câmeras de face e íris VistaFA2 / VistaFA2E / VistaEY2 (apenas Microsoft Windows)
• Requisitos específicos do Microsoft Windows:
  • Microsoft Windows XP / Vista / 7/8/10 / Server 2003 / Server 2008 / Server 2008 R2 / Server 2012, 32 bits ou 64 bits.
  • Microsoft .NET framework 3.5 ou posterior (para o uso de componentes .NET).
  • Microsoft DirectX 9.0 ou posterior (para uso da câmera / webcam).
  • Um dos seguintes ambientes de desenvolvimento para desenvolvimento de aplicativos:
    • Microsoft Visual Studio 2008 SP1 ou posterior (para desenvolvimento de aplicativos em C / C ++, C #, Visual Basic .Net)
    • Sun Java 1.6 SDK ou posterior
• Requisitos específicos do Linux:
  • O kernel Linux 2.6 ou posterior (32 bits ou 64 bits) é necessário. O kernel Linux 3.0 ou mais recente é recomendado.
  • glibc 2.11.3 ou mais recente
  • GStreamer 1.2.2 ou posterior com gst-plugin-base e gst-plugin-good (para captura de face usando câmera / webcam ou vídeo rtsp)
  • libgudev-1.0 164-3 ou mais recente (para uso da câmera)
  • GTK + 2.10.x ou mais recentes libs e pacotes de dev (para executar amostras de SDK e aplicativos com base neles)
  • GCC-4.0.x ou posterior (para desenvolvimento de aplicativos)
  • GNU Make 3.81 ou posterior (para desenvolvimento de aplicativos)
  • Sun Java 1.6 SDK ou posterior (para desenvolvimento de aplicativos com Java)