我在想，如果我们可以结合人工智能（用于图像识别的神经网络）、计算机硬件和安全摄像头来识别上午 12:00 至 8:00 闯入我们后院的任何人会怎样？当然，我目前的知识只会让我回答一个简单的问题。因此，为了有一个大致的想法：
如果这个问题可能很愚蠢，请将其标记为离题。我的这个想法是基于自动驾驶汽车，它们可以同时识别图像和驾驶。除非他们拥有一台超级计算机，否则我想也许之前的想法可以实现。
更新 1：我发现这个ConvNets 可以用于视频源的实时对象识别吗？但我想它可能已经过时了。现在我在“也许”（缺乏知识）的土地上。
以下是有关 NN 如何解决此特定问题的一些一般信息。希望它能提供一些见解：
要识别目标对象，您只需训练一个神经网络来执行图像分类。现在，您将遇到潜在的问题，即该图像可以位于来自相机的给定输入帧中的任何位置。
比方说；您训练了一个能够在 60px x 120px 上起作用的人类 NN（因此您的 NN 中将有 10800 个输入用于输入层）。在假设您可以训练 NN 以识别目标对象是否显示在所提供的图像中，您可以使用此训练的 NN 来定位输入帧上的对象。
假设来自相机的输入帧是 640px x 480px。您将遇到几个潜在的问题 1) 靠近相机的物体会更大，而远离相机的物体会更小 2) 物体可能位于画面中的任何位置。
为了克服你已经训练过的神经网络的这个问题，我会从一个不同的掩码开始，例如，第一个我可能会让我的第一个掩码卷积所有像素为 240px x 480px。第一步是将其缩放到 60px x 120px（您可以说它几乎是 4x）并从位于 (0,0) 和 (240, 480) 区域的像素中捕获像素子集并运行它NN，如果结果为真，那么我通常会在该区域周围画一个框以指示已找到目标对象。
接下来，您切换到 1-3 像素并重新运行它。例如，如果我们选择移动 3px，那么我们正在测试的区域将是 (3, 0) 和 (243, 480)。
一旦你完成了这个比例，你会想要选择一个较小的蒙版，也许像 200px x 400px 并做同样的事情。完成后，再缩小一点，直到您认为没有必要搜索更小的区域，因为它不足以满足 NN 的分辨率。
这只是我的想法；也许有一个更有效的算法。最终，我确信还有比我上面提到的更多的东西可以优化！