Erkennen und Finden von Eindringversuchen eines Fremden
Inspiration
Die Bewegungsmeldung von normalen Sicherheitskameras wie Samsung ist unzureichend. Ich möchte keine Benachrichtigung, wenn mein Haustier oder meine Kinder im Haus herumlaufen. Ich möchte nur eine Alarmmeldung, wenn ein Fremder in mein Haus eindringt, und ich möchte das Gesicht des Fremden sofort sehen, ohne eine Wiedergabe der Videoaufnahme.
In einigen Szenarios ist die Benachrichtigung in Echtzeit beim Eindringen eines Fremden nicht gut genug. Zum Beispiel brauchen Sicherheitskräfte den genauen Standort des Fremden, um sofort Maßnahmen ergreifen zu können. Daher muss die Benachrichtigung die Standortinformationen von Fremden enthalten.
Funktionsweise
In diesem Projekt senden wir Echtzeit-SMS-/E-Mail-Benachrichtigungen über den Standort und das Foto eines Fremden mit DeepLens und dem Cisco CMX WiFi-Lokalisierungsservice.
Erstellt von: Gracia Wang und Lucy Huang
Vorgehensweise
Im Folgenden finden Sie den Ablauf, den wir zum Aufbau des Systems verwendet haben:
- Aufbau einer Lambda-Funktion zur Erkennung von Gesichtsobjekten, Senden von Gesichtsbildern und DeepLens-MAC-Adressen an S3
- Bereitstellen der oben aufgeführten Lambda-Funktion und des Gesichtserkennungsmodells für DeepLens
- Aufbauen einer Lambda-Funktion zum Aufrufen der Rekognition-API zum Vergleichen von erkannten Gesichtern mit Gesichtern in der Sammlung namens „Familie“, Überprüfung, ob es sich um ein bekanntes Gesicht in der Sammlung handelt oder nicht. Wenn ein unbekannter Fremder erkannt wird, Veröffentlichung einer Nachricht an das SNS-Thema, die eine E-Mail-Benachrichtigung auslöst. Einrichtung dieser Lambda-Funktionsauslösung durch ein neues Bilderupload-Ereignis von S3
- Einrichtung eines SNS-Themas für die E-Mail-Benachrichtigung
- Um Standortinformationen von Fremden zu erhalten, haben wir Testkarten und Standorthierarchien in das CMX-Konto importiert und APs in die Karte im CMX-Cloud-Service (https://location-test.cmxdemo.com/tm) platziert. In der Zwischenzeit erweitern wir die Lambda-Funktion in S3, um die MAC-Adresse aus der S3-Datei zu lesen, und rufen die CMX-Client-API mit der MAC-Adresse als Abfrageparameter auf, um die Position des DeepLens-Geräts zu ermitteln.
Herausforderungen
Das Betriebssystem des DeepLens-Geräts ist instabil. Die Software wurde automatisch aktualisiert, wodurch es zu Regression auf dem Gerät kam. Wir haben uns mit dem AWS DeepLens-Supportteam besprochen. Eddie und das Team halfen bei der Lösung des Problems mit Unterstützung über Nacht. Schlussendlich konnte ich das Projekt auf dem Gerät testen. Der professionelle Online-Support des AWS-Teams hat mir sehr geholfen.
Erfolge, die uns stolz machen
Es ist unglaublich, dass wir innerhalb weniger Wochen ein Deep Learning-Projekt durchführen konnten! Wir konnten unser begrenztes Wissen zu Deep Learning nutzen, um ein reales Problem in so kurzer Zeit zu lösen. Darüber hinaus haben wir uns von DeepLens inspirieren lassen und beim Brainstorming am Anfang des Projekts viele interessante Ideen entwickelt.
Sogar meine 11 Jahre alte Tochter zeigte Interesse an DeepLens. Sie kam auf die Idee, dass man DeepLens auch dafür verwenden kann, zu erkennen, wenn eine ältere Person aus dem Bett oder eine Person im Koma auf den Boden gefallen ist (wir planen, diese Idee im Rahmen des nächsten Kreationsprojekts zu verwirklichen). Ich bin sehr stolz darauf, dass sie DeepLens und ihre Idee in der Wissenschaftsklasse in ihrer Schule vorgestellt hat. Ihre Mitschüler waren sehr interessiert und stellten viele Fragen.
Was wir gelernt haben
DeepLens und das AWS-KI-Ökosystem sind sehr leistungsfähig, um Lösungen zu entwickeln, die das Leben der Menschen verbessern. Amazon ist auf dem richtigen Weg, Branchenführer zu werden und die KI weiterzuentwickeln. Wir sind inspiriert und stolz, die Möglichkeit zu haben, ein so tolles Produkt zu erleben.
Die Zukunft
Tatsächlich kann der Anwendungsfall, den wir in diesem Projekt gelöst haben, wie folgt verallgemeinert werden: ein intelligentes System zur Erkennung des Ereignisses, zur Erfassung des Bildes des Ereignisses, zum Senden von Echtzeit-Benachrichtigungen mit genauer Position für eine sofortige Reaktion.
Als nächstes wollen wir ein System aufbauen, das älteren Menschen hilft, allein zu leben. Wir möchten Sagemaker verwenden, um ein Deep Learning-Modell zu trainieren, um Personen, die auf den Boden fallen, zu erkennen und dieses Modell in DeepLens einzusetzen – um ältere Personen, die auf den Boden fallen oder im Koma-Zustand sind, automatisch zu erkennen und Echtzeit-Benachrichtigungen mit dem genauen Ort des Fallereignisses an das Notfallteam oder Verwandte für eine schnelle Reaktion zu senden.
Entwickelt mit
Rekognition
Lambda
Cisco
cisco-cmx-wifi-location
SNS
S3