NVIDIA Deepstream 4.0笔记（二）：智能零售场景应用

本次笔记整理自NVIDIA 8月20日在线研讨会，原讲座标题：DEEPSTREAM SDK – ACCELERATING REAL-TIME AI BASED VIDEO AND IMAGE ANALYTICS

演讲人：

目录：

我们已经整理了第一点和第二点：

NVIDIA Deepstream 4.0笔记（一）：加速基于实时AI的视频和图像分析

接下来的几篇我们从几个实际的案例来讲解如何构建Deepstream

今天讲第三点中的Smart Retail

智能提取商业信息对于今天的零售业来说是至关重要的，它可以帮助零售商更好地管理库存，改善客户体验，减少损失。

摄像头提供了丰富的情报来源。其中一个零售用例就是跟踪。得到准确的内部客户,它需要准确地追踪人们在商店的更多信息。

Pipline中列出的插件都是在SDK中提供的。Deeptream可以帮助零售商使用深度学习和人工智能来理解视频中的内容。SDK中的一个插件叫Tracking插件。跟踪器为每个检测到的对象分配ID。此唯一ID将保存在相关人员身上，直到该人员离开视野。跟踪器可以准确的计算出在任何指定地点购物里面的人数，以及他们在每条过道上花了多长时间。Deepstream提供了多种跟踪器的参考设计，从高性能到高精度不等。

这是NVTRACKER插件的一个框架。插件的输入是视频缓冲区，加上一些关于对象的元数据。这将是检测到的对象的边界框位置。这个插件的结果是缓冲区加上对象ID修改后的元数据。跟踪器跟踪对象的方法是为每个对象分配唯一的对象ID。这将添加到元数据字段中，以区别于其他对象。可用的各种跟踪器有NvDCF、KLT和IOU。开发人员还可以选择在跟踪器插件中添加自定义跟踪器。开发人员可以配置各种参数,如跟踪器宽度和高度,追踪类型。和基于GPU的跟踪器的GPU ID。

现在让我们比较一下提供3种跟踪器。

IOU跟踪器非常轻便。基于CPU的跟踪器，提供最高的性能。缺点是它很容易频繁切换ID，不适合快速移动的场景。IOU跟踪器的用例是跟踪分布在不同大小范围内的对象。

接着是基于CPU的KLT跟踪器。这对于简单的场景非常有效，但是使用CPU的成本很高。由于噪音或阴影等干扰，它也非常容易受到视觉外观变化的影响。

第三个也是最后一个跟踪器是GPU基础NVDCF跟踪器。这是一个高度鲁棒的跟踪器，对部分闭塞的工作相当好。这样就不太容易发生ID切换。NVDCF跟踪器的缺点是它比KLT的IOU慢,y因为计算复杂度增加。由于它是一个基于GPU的跟踪器，它将减少处理的流的总数。

总的来说，有了三个跟踪器，开发人员可以在提供最高性能的跟踪器和提供高精度和鲁棒性性的跟踪器之间进行选择。

下一节将讲解智慧城市的场景，敬请大家关注