hhs
10f676f3b4
- 移除 Obsidian 特有语法（callout、wikilinks、YAML frontmatter） - 目录结构从 3 层嵌套扁平化为编号文件（01~09） - 新增 docs/README.md 文档索引与推荐阅读顺序 - 精简冗余解释，保留所有代码块和实现参考 - CLAUDE.md 全面中文化
74 lines
2.3 KiB
Markdown
74 lines
2.3 KiB
Markdown
# 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
|