我想要一些建议来验证我构建计算机视觉系统的方法。

设计简介：

使用零售店中现有的闭路电视摄像机，检测店内的客流量（统计个别访客）并确定他们的年龄和性别。

• 系统将在具有 32GB RAM 的 Nvidia Jetson Xavier AGX 的计算机上运行。

• 实时收集数据。

• 理想情况下，该系统应该适用于具有不同相机等的其他商店 - 它不是一次性的解决方案。

• 准确性只需要足以在数天/数周内进行聚合分析。

约束：

• 我还无权访问商店的测试镜头 - 必须在没有此信息的情况下进行第一次尝试。

• 店里的闭路电视摄像头分辨率不算太高，高角度地放在天花板上。任何检测到的人脸都会很小，分辨率很低，而且是侧视图。

• 该系统应该能够处理戴口罩的人。

• 商店将有展示架等，所以人们可能会被部分遮挡，系统应该处理这个问题。

• 需要考虑数据隐私问题。

第一次尝试

我已经建立了第一次尝试逐帧处理素材。它使用一个人检测器和一个人脸检测器来获取边界框。它使用质心跟踪器使用人员边界框为每个人分配 ID。它将人脸检测发送到在IMDB 人脸上训练的年龄和性别 caffe 模型。性别和年龄检测根本不准确。可能是因为示例视频中的人脸很小——比如 50x50 像素。性别检测高度偏向男性分类。

新尝试

• 我认为对于此应用程序，使用全身人物属性检测比仅面部年龄/性别检测更合适？我应该放弃基于面部的方法吗？

• 像 DeepSORT 这样的方法而不是质心跟踪可能会更好。

• 使用 YOLOv4 进行人员检测。

• 我需要包括一些人的重新识别，因为我需要确定在商店中花费的总时间。你会如何处理这个问题？

我正在尝试使用这个库KaiyangZhou / deep-person- reid进行人员属性检测（使用 PA-100K 训练）和人员 re-id（使用 Market-1501 训练）。

您将如何构建这个项目？

这是我的第一个计算机视觉项目，对看似显而易见的建议如此开放。