XiaoMi-AI文件搜索系统
World File Search System摄像机
CS 4495计算机视觉摄像机模型
heliograph-涂有犹太沥青（石油的沥青衍生物）的锡板；在至少一整天的八个小时暴露后，将盘子取下，并通过用薰衣草和白石油的油混合将窗户的视图从窗户上看见，从而溶解了没有被光硬化的沥青部分。- Harry Ransom Center UT Austin
使用自动摄像机预设召回（ACPR）
启用自动框架时，NC系列网络会议摄像机将调整框架区域的大小，以捕获摄像机视野中检测到的所有面孔。随着新人们进入视野，自动框架将调整大小，包括新人。自动框架还会调整当检测到的面部在“ deadband”区域外的视野内移动时。此外，可以与ACPR一起使用自动框架，以更好地专注于预设区域内的个体。
使用 Photron 高速摄像机的虚拟工程实验室...
Photron Photron 生产各种高速数字成像系统。Photron 高速摄像机被世界各地的研究客户广泛使用，在最具挑战性的成像应用中提供可靠性和高性能。他们的成像产品包括以高达 21,000 帧/秒 (fps) 的速度录制百万像素图像分辨率的摄像机、能够生成高清 1080 HD 分辨率视频的四百万像素 (2K x 2K) 摄像机以及带有微型摄像头的坚固系统，用于车载汽车安全测试和防御应用。除了提供创新的高速摄像机系统外，Photron 还致力于通过经验丰富且训练有素的技术人员为客户提供最高质量的支持。
技术规格2MP Vandal子弹分析摄像机EN
Performant 2MP，全高清/1080p分辨率摄像头具有基于DNN的集成视频分析功能，非常适合日常安全性和监视需求。摄像机可以快速可靠地进行自动焦点，并适应不同的室内和室外场景。Mobotix Everclear Everclear超养和自我清洁的纳米涂层，即使在雨中也可以确保最佳的图像质量，并降低清洁工作和操作成本。
使用立体摄像机和... 进行 3D 建筑重建
摘要：建筑物的三维地理参考数据对于地籍、城市和区域规划、环境问题、考古学、建筑、旅游和能源等许多应用都非常重要。现有数据库的获取和更新非常耗时，需要专门的设备和对原始数据的大量后期处理。在本研究中，我们提出了一种基于立体摄像机的城市区域数据系统，用于重建 3D 空间并随后与有限的大地测量进行匹配。所提出的立体系统以及用于两个摄像机中的边缘检测和特征点匹配的图像处理算法允许在摄像机坐标中重建 3D 场景。与可用的大地测量数据的匹配允许在世界坐标上映射整个场景并重建真实世界的距离和角度测量。
机器人技术的微扫描启发的活动摄像机
神经形态视觉传感器或事件摄像机使人们对极低的反应时间的视觉感知，为高动力机器人应用开辟了新的途径。这些事件摄像机的输出取决于运动和纹理。但是，事件摄像机无法捕获与相机运动平行的对象边缘。这是传感器固有的问题，因此具有挑战性地求解算法。人类的视力涉及使用小型眼动的主动机制，即最突出的动作，这是最突出的动作。通过在固定过程中不断地移动眼睛，微扫视可以基本上保持纹理稳定性和持久性。受微观启发的启发，我们设计了一个基于事件的感知系统，能够同时保持低反应时间和稳定的质感。在此示例中，将旋转的楔形棱镜安装在事件摄像头的光圈前，以重定向光线和触发事件。旋转楔形棱镜的几何光学器件允许对额外的旋转运动进行算法补偿，从而导致稳定的纹理外观和高信息输出，而与外部运动无关。硬件设备和软件解决方案都集成到系统中，我们称之为人工微扫视增强事件摄像头（AMI-EV）。基准比较验证了在标准摄像机和事件摄像机无法交付的情况下，AMI-EV记录的出色数据质量。各种现实世界的实验表明了系统的潜力，可以促进低级和高级视力任务的机器人感知。
速率：带有事件摄像机的实时异步跟踪
摘要 - 基于视觉的自定位是一种至关重要的技术，用于在GPS剥夺环境中实现自主机器人导航。但是，标准帧摄像机会受到运动模糊的影响，并且动态范围有限。这项研究着重于使用基于事件的摄像机进行自定义的有效特征跟踪。这样的摄像机不提供环境的常规快照，而是异步收集与每个像素中每个像素中一小部分照明的事件，从而解决了在快速运动和高动态范围内运动模糊问题的问题。特别是，我们提出了一个基于连续的实时异步性异步跟踪管道，名为速率。此管道集成了（i）使用活动事件表面的时间切片连续初始化跟踪器，以及（ii）带有建议的“跟踪管理器”的跟踪器节点，由基于网格的分销商组成，以减少冗余跟踪器并删除差质量差的质量。使用公共数据集进行评估表明，我们的方法保持了稳定的跟踪功能，并且与仅限的事件跟踪方法相比，在维护甚至改进跟踪准确性的同时，进行实时跟踪有效。我们的ROS实施以开放源为：https：//github.com/mikihiroikura/rate
带有事件摄像机的低延迟汽车视觉
高级驱动程序辅助系统中当前使用的计算机视觉算法依赖于基于图像的RGB摄像机，从而实现了至关重要的带宽 - latatency折衷，以提供安全的驾驶体验。为了解决这个问题，事件摄像机已成为替代视觉传感器。事件摄像机测量强度不同步的变化，提供了高的时间分辨率和稀疏性，显着降低了带宽和潜伏要求1。尽管有这些优势，但基于事件相机的算法在准确性方面还是高效，但要么落后于基于图像的算法，要么牺牲事件的稀疏性和效率以获得可比的结果。为了克服这一点，我们在这里提出了一个基于混合事件和框架的对象检测器，该对象检测器保留了每种方式的优势，因此并不遭受这种权衡。我们的方法利用了事件的高时间分辨率和稀疏性以及标准图像中富裕但低的时间分辨率信息，以生成有效的高速对象检测，从而减少感知和计算潜伏期。我们表明，使用20帧每秒（FPS）RGB摄像头和事件摄像机的使用可以达到与5,000-FPS摄像机相同的延迟，而具有45-FPS摄像机的带宽而不会损害精度。我们的方法通过发现事件摄像机2的潜力，为在边缘场景中有效和强大的感知铺平了道路。
AI防vandal-Prof-Prof-Provel Mini Dome网络摄像机
Protocol IPv4/IPv6, ARP, TCP, UDP, RTCP, RTP, RTSP, RTMP, HTTP, HTTPS, DNS, DDNS, DHCP, FTP, NTP, SMTP, SNMP, UPnP, Bonjour, SIP, PPPoE, VLAN, 802.1x, QoS, IGMP, ICMP, SSL，TLS 1.2