我司提供行移動端人檢測/人體檢測/人體抓拍海思解決方案，同時還有ARM行人檢測攝像機方案。
人體檢測自動識別攝像機基於視頻圖像智能分析技術原理研製，採用公司自主研發的人體輪廓識別技術，綜合識別人體頭部、肩部、軀幹等人體主要部位的輪廓信息，可區分人與物體，具有較高的識別精度。本技術綜合識別頭部、肩部、軀幹等人體主要部位的輪廓信息，而不僅僅採用頭部信息，識別精度更準確；不採用顏色信息或位移信息，可以準確識別黑白圖像，適應光線較暗的環境；不採用人體面積信息，有效解決高密度條件下的人員技術難題；不考慮視頻背景信息，可以適應現場的光線和環境變化；只需通過視頻識別移動人體的不同輪廓外形，無論場景是否變化，無論大人孩子，無論人體還是物體，均可準確識別人體並計數。
（1）背景建模目前主要存在的問題：
- 必須適應環境的變化（比如光照的變化造成圖像色度的變化）；
- 相機抖動引起畫面的抖動(比如手持相機拍照時候的移動)；
- 圖像中密集出現的物體（比如樹葉或樹幹等密集出現的物體，要正確的檢測出來）；
- 必須能夠正確的檢測出背景物體的改變（比如新停下的車必須及時的歸爲背景物體，而有靜止開始移動的物體也需要及時的檢測出來）。
- 物體檢測中往往會出現Ghost區域，Ghost區域也就是指當一個原本靜止的物體開始運動，背靜差檢測算法可能會將原來該物體所覆蓋的區域錯誤的檢測爲運動的，這塊區域就成爲Ghost，當然原來運動的物體變爲靜止的也會引入Ghost區域，Ghost區域在檢測中必須被儘快的消除。
（2）.基於統計學習的方法：這也是目前行人檢測最常用的方法，根據大量的樣本構建行人檢測分類器。提取的特徵主要有目標的灰度、邊緣、紋理、顏色、梯度直方圖等信息。分類器主要包括神經網絡、SVM、adaboost以及現在被計算機視覺視爲寵兒的深度學習。
統計學習目前存在的難點：
- 行人的姿態、服飾各不相同、複雜的背景、不同的行人尺度以及不同的關照環境。
- 提取的特徵在特徵空間中的分佈不夠緊湊；
- 分類器的性能受訓練樣本的影響較大；
- 離線訓練時的負樣本無法涵蓋所有真實應用場景的情況
