關(guān)于視頻分析或者圖像處理過程如下：
1.首先要提取視頻中的運動物體，常用算法有：幀差法，GMM，vibe等；
2.提取前景（運動物體）后對其進(jìn)行跟蹤，主要算法有：camshift，粒子濾波，TLD，壓縮感知等；
3.對監(jiān)控視頻的去模糊，去霧，夜視增強(qiáng)等，可基于opencv來實現(xiàn)。
4.最后通過機(jī)器學(xué)習(xí)對視頻進(jìn)行分析。
下面著重介紹機(jī)器學(xué)習(xí)的分支：深度學(xué)習(xí)，也就是深度神經(jīng)網(wǎng)絡(luò)，是近來比較火熱的領(lǐng)域。很多機(jī)器學(xué)習(xí)實現(xiàn)的功能很難用到商用中，比如人臉識別，傳統(tǒng)的機(jī)器學(xué)習(xí)方法受光照，角度干擾太大，很難達(dá)到較好的識別率，深度學(xué)習(xí)在圖像中的應(yīng)用已經(jīng)有很多了。這里介紹幾個開源框架：
其他資料：
1.caffe：
c++，伯克利大學(xué)開發(fā)，支持公司facebook。
caffe開發(fā)過程中使用了哪些工具
Caffe是非常高效的針對畫面的深層學(xué)習(xí)框架。Caffe2是我們的第一個產(chǎn)業(yè)級深度學(xué)習(xí)平臺，它可以在服務(wù)器CPU、GPU、iOS和安卓四種平臺上運行，使用同一種代碼。
2.TensorFlow：
支持公司：google。
基于圖計算的框架，有一個限制，就是需要用戶把所有的計算全部都表示成一張圖來高效運行。
基于圖計算的框架也提供了比如自動多卡并行調(diào)度，內(nèi)存優(yōu)化等便利條件。
Theano的一個優(yōu)勢在于代碼是在計算時生成并編譯的，所以理論上可以達(dá)到更高的速度（不需要運行時的polymorphism，而且如果寫得好的話可以fuse kernel），但是因為是學(xué)術(shù)實現(xiàn)，沒有花大精力在優(yōu)化上面，所以實際速度并不占優(yōu)勢。另外現(xiàn)在大家都高度依賴于第三方庫比如說cudnn，所以比較速度已經(jīng)是上個時代的事情了，不必太在意。
另外吐槽一下，TensorFlow的分布式計算不是最快的，單機(jī)使用CPU作reduction，多機(jī)用基于socket的RPC而不是更快的RDMA，主要的原因是TF現(xiàn)有框架的抽象對于跨設(shè)備的通訊不是很友好（最近開始有一些重新設(shè)計的傾向，待考）。
在分布式上百度美研的解決方案要好得多，沒有開源。
3.mxnet：
開源框架。
支持公司：華為、阿里部分團(tuán)隊。
DL框架的未來發(fā)展TensorFlow/MXNet/Torch, 選哪個
允許用戶自由把圖計算和過程計算混合起來, 并且可以對多步執(zhí)行進(jìn)行自動多卡調(diào)度, 使得程序在需要優(yōu)化的部分可以非常優(yōu)化,而必要的時候可以通過過程計算來實現(xiàn)一些更加靈活的操作, 并且所有的操作都可以自動并行（TF只能并行一個圖的執(zhí)行，但是不能并行像torch這樣的多步執(zhí)行的操作）。
MXNet的operator不僅僅局限于MShadow。MShadow只是提供了一個方便的模板，完全可以使用C, C++, CUDA等去實現(xiàn)。同時支持直接采用numpy來寫各種operator。另外，目前的mxnet已經(jīng)做到完全和Torch兼容，以調(diào)用所有Torch的Module和Operator （ mxnet/example/torch at master · dmlc/mxnet · GitHub ），所以Torch能做的MXNet就可以做。
4.Torch：
torch采取了支持用戶把計算拆分成多步來做，用戶可以直接利用lua來選擇下一步執(zhí)行什么。用戶可以比較簡單地對計算進(jìn)行模塊分割，并且根據(jù)比如輸入長度的不同來直接動態(tài)改變需要運行哪一個步驟。
Torch為代表的過程式計算更加靈活。
TF由G的優(yōu)秀工程師設(shè)計，更加注重性能和優(yōu)化。Torch本身是researcher設(shè)計的，更加注重靈活性。
5.Theano：
TensorFlow和Theano，都是基于Python的符號運算庫，TensorFlow顯然支持更好，Google也比高校有更多的人力投入。Theano的主要開發(fā)者現(xiàn)在都在Google，可以想見將來的工程資源上也會更偏向于TF一些。
