# 视觉理解

## 概述

从摄像头视频流到 AI 语义理解的技术链路：**帧采样** → **图像编码** → **多模态 LLM** → **语义结果**。

摄像头每秒 30 帧，全部送入 LLM 不现实也不经济，帧采样是第一个需要解决的问题。

## 帧采样策略

| 策略 | 原理 | 适用场景 |
|------|------|---------|
| 固定间隔采样 | 每 N 秒取一帧 | 画面变化缓慢 |
| 关键帧检测 | 对比相邻帧差异，变化超阈值时触发 | 画面动态变化较多 |
| 事件驱动采样 | 用户主动触发（如拍照按钮） | 精确提问场景 |
| **混合策略** | 低频定时 + 高频事件触发 | **通用推荐方案** |

关键帧检测核心逻辑：

```python
import numpy as np

def is_keyframe(prev_frame, curr_frame, threshold=30):
    """通过帧间像素差异判断是否为关键帧"""
    diff = np.mean(np.abs(prev_frame.astype(int) - curr_frame.astype(int)))
    return diff > threshold
```

> 实际开发中，先降低分辨率（如 320x240）做关键帧检测，再对命中帧保留原始分辨率送入 LLM，兼顾速度与精度。

## 图像编码与多模态输入

主流多模态 LLM（GPT-4o、Claude）接受图片的两种方式：

| 方式 | 适用场景 |
|------|---------|
| Base64 内联 | 本地/实时场景 |
| URL 引用 | 已有图床的场景 |

OpenAI 兼容接口调用示例：

```typescript
const response = await openai.chat.completions.create({
  model: "gpt-4o",
  messages: [
    {
      role: "user",
      content: [
        { type: "text", text: "请描述画面中的内容" },
        {
          type: "image_url",
          image_url: {
            url: `data:image/jpeg;base64,${base64Image}`,
            detail: "low" // "low" | "high" | "auto"
          }
        }
      ]
    }
  ]
});
```

**detail 参数影响**：
- `low`：65x65 缩略图，约 85 tokens，适合快速识别
- `high`：按 512px 方块切分，细节丰富但 token 数激增
- 实时对话场景建议默认 `low`，仅在用户追问细节时切换 `high`

## 视觉理解的局限性

- **运动模糊**：快速移动物体在低帧率下容易模糊
- **光线变化**：逆光、暗光环境下识别率显著下降
- **细小文字**：低分辨率下 OCR 能力受限
- **空间推理**：精确的距离、尺寸判断仍是短板