甚麼是AI人車過濾誤報技術？

由畫面變化到目標分類

誤報問題的根源在於判斷依據。像素變化是一個過於寬鬆的條件：任何影響畫面的因素都會令它成立。改用目標分類後，系統需要判斷的是「這是甚麼」而非「有沒有變化」，判斷依據由亮度差異轉為形狀與特徵，因此能把大量環境因素排除在事件之外。

影響準確度的現場因素

調校時應以實測為依據：安排人員在偵測範圍內以不同路線與速度走過，記錄觸發情況；再觀察一段時間統計實際誤報成因。單憑靈敏度數值調整而不做實測，往往只是把誤報換成漏報。

香港場地的應用注意

香港的安裝環境對這類功能既有幫助亦有挑戰。有利之處是多數位置有一定環境照明，夜間並非完全黑暗，分類條件比全黑環境好。不利之處是空間狹窄：後巷、天井與樓梯的可用安裝位置有限，往往被迫裝在較高位置或以較大俯角覆蓋，這正是分類準確度下降的主要原因。若空間允許，把鏡頭沿通道方向安裝並降低高度，效果通常比加大視角更好。

氣候方面，夏季暴雨與颱風會帶來大量雨水與擺動的植物，這些正是人車過濾最能發揮作用的場景，因此在露天位置啟用該功能的價值明顯。但潮濕亦令鏡罩容易凝結水氣，此時影像模糊會同時造成漏報與誤報，需要納入保養安排。另需注意事件截圖與錄影若涉及可識別的個人，其保存期限、查閱人員與用途應有明確安排，並限制通知推送的接收範圍，避免畫面被轉發至無關人士。

設定與驗證步驟

1. 檢視安裝條件——確認安裝高度、俯角、距離與照明是否足以令目標在畫面中清晰可辨。
2. 確認運算來源——查清分析由攝影機本機或主機提供，並核對可同時分析的路數。
3. 劃定偵測範圍與規則——只在需要的區域設定，並按位置選擇偵測人、車輛或兩者。
4. 實測觸發與漏報——安排人員以不同路線與速度測試，記錄觸發與未觸發的情況。
5. 統計並調整——運作一段時間後統計誤報成因，優先處理安裝與清潔問題再微調靈敏度。

常見問題

權威參考來源

• Wikipedia：Video content analysis（影像內容分析）
• Wikipedia：Convolutional neural network（卷積神經網絡）
• Wikipedia：False positives and false negatives（誤報與漏報）
• Wikipedia：Edge computing（邊緣運算）

相關知識文章