Применение монолитного подхода для детектирования человека в задаче контроля социальной дистанции

1.

Применение монолитного
подхода для детектирования
человека в задаче контроля
социальной дистанции
Александров А.Е., студент группы 6407-010302D
научный руководитель Белов А.М., к.ф.-м.н.,
доцент кафедры геоинформатики и
информационной безопасности
Самара, 2022г

2.

ЦЕЛЬ И ЗАДАЧИ РАБОТЫ
Цель работы – разработка исследовательского программного обеспечения, позволяющего
фиксировать факт нарушения социальной дистанции на наблюдаемой сцене.
Промежуточные задачи:
1. Определение условий детектирования
2. Определение подхода детектирования исходя из структуры объекта
3. Анализ основных подходов в разработке детекторов
4. Выбор предобученной модели
5. Программная реализация технологии автоматического контроля соблюдения социальной дистанции
Применения монолитного подхода для детектирования человека в задаче контроля социальной дистанции. Александров А.Е.
2/12

3.

ОПРЕДЕЛЕНИЕ УСЛОВИЙ ДЕТЕКТИРОВАНИЯ
1. Детальное обнаружение.
2. Малодетальное обнаружение.
3. Обнаружение с помощью аэрофотосъемки.
В настоящей работе мною реализовано малодетальное обнаружение ввиду того, что далеко не все
видеокамеры, на детектирование по которым наша работа и нацелена, обладают достаточно хорошими
техническими характеристиками для успешной реализации детального обнаружения.
Применения монолитного подхода для детектирования человека в задаче контроля социальной дистанции. Александров А.Е.
3/12

4.

СТРУКТУРА ОБЪЕКТА
1. Монолитный подход
2. Составной подход
Рисунок 1 – Пример монолитного подхода
Рисунок 2 – Пример составного подхода
В настоящей работе взят за основу монолитный подход для детектирования людей, поскольку для
решения задачи контроля социальной дистанции подробное описание характерное для составного
подхода является избыточным.
Применения монолитного подхода для детектирования человека в задаче контроля социальной дистанции. Александров А.Е.
4/12

5.

АНАЛИЗ ПОДХОДОВ В РАЗРАБОТКЕ ДЕТЕКТОРОВ: ГИСТОГРАММА
НАПРАВЛЕННЫХ ГРАДИЕНТОВ
Гистограмма направленных градиентов (HOG) представляет из себя гистограмму распределения направленного
градиента интенсивности изображения на области. Алгоритм состоит из четырех основных этапов. На
последнем этапе используется метод опорных векторов (SVM).
Преимущества:
1. Метод наиболее быстр для нахождения решающих функций.
2. Метод находит разделяющую полосу максимально ширины, что позволяет производить более
качественную классификацию.
Недостатки:
1. Напрямую SVM применима только для бинарного случая (только для двух классов).
2. Метод чувствителен к шумам.
3. Не существует общего подхода к автоматическому выбору ядра и построению спрямляющего
подпространства в случае нелинейной разделимости классов.
Применения монолитного подхода для детектирования человека в задаче контроля социальной дистанции. Александров А.Е.
5/12

6.

АНАЛИЗ ПОДХОДОВ В РАЗРАБОТКЕ ДЕТЕКТОРОВ: СВЁРТОЧНЫЕ НЕЙРОННЫЕ СЕТИ
Свёрточная нейронная сеть – особая архитектура нейронных сетей, нацеленная на эффективное
распознавание образов, относится к технологиям глубокого обучения. Технология получила свое название
благодаря операции свертки, которая лежит в ее основе.
Преимущества:
1. Метод классификации с помощью сверочных нейросетей считается одним из лучших для
классификации изображений.
2. Немного настраиваемых весов, так как одно ядро весов используется целиком для всего изображения,
а не попиксельно.
3. Удобная реализация параллельных вычислений.
4. Устойчивость к повороту и сдвигу загружаемого изображения.
Недостаток:
1. Наличие слишком большого количества изменяющихся параметров сети.
Применения монолитного подхода для детектирования человека в задаче контроля социальной дистанции. Александров А.Е.
6/12

7.

ВЫБОР МОДЕЛИ
Название модели
Скорость (мс)
mAP
ssd_inception_v2_coco
42
24
faster_rcnn_inception_v2_coco
58
28
faster_rcnn_resnet50_coco
89
30
faster_rcnn_resnet50_lowproposals_coco
64
-
rfcn_resnet101_coco
92
30
faster_rcnn_resnet101_coco
106
32
Применения монолитного подхода для детектирования человека в задаче контроля социальной дистанции. Александров А.Е.
7/12

8.

ОБЗОР СРЕДСТВ ОУЧЕНИЯ ВЫБРАННОЙ МОДЕЛИ
Рисунок 5 – Архитектура Faster R-CNN
Рисунок 6 – Архитектура Inception v2
Применения монолитного подхода для детектирования человека в задаче контроля социальной дистанции. Александров А.Е.
8/12

9.

ПРОГРАММНАЯ РЕАЛИЗАЦИЯ
Для разработки программы использовался язык python и
инструменты предоставляемые tensorflow.
Решение задачи детектирования производится в несколько
этапов:
1. Загрузка модели в граф тензорного потока и
определение выходных данных.
2. Обработка каждого кадра с помощью модели.
3. Фильтрация слабых прогнозов и выделение людей.
Рисунок 7 – Демонстрация работы
разработанного исследовательского ПО
Применения монолитного подхода для детектирования человека в задаче контроля социальной дистанции. Александров А.Е.
9/12

10.

АЛГОРИТМ РАБОТЫ ИССЛЕДОВАТЕЛЬСКОГО ПО
Рисунок 7 – Структурная схема работы
исследовательского ПО
Применения монолитного подхода для детектирования человека в задаче контроля социальной дистанции. Александров А.Е.
10/12

11.

ДЕМОНСТРАЦИЯ РАБОТЫ ПРОГРАММНОЙ РЕАЛИЗАЦИИ
Применения монолитного подхода для детектирования человека в задаче контроля социальной дистанции. Александров А.Е.
11/12

12.

ЗАКЛЮЧЕНИЕ
• В результате совместной работы с напарником было разработано программное обеспечение,
позволяющее фиксировать нарушение социальной дистанции на видеопотоке.
• Для решения поставленной задачи был выбран монолитный подход, поскольку составной подход
избыточен.
• Производится малодетальное детектирование, поскольку большинство камер видеонаблюдения,
которые являются в данном случае источником данных не обладают должной детализацией.
• При разработке программы взята за основу модель faster_rcnn_inception_v2_coco, которая была
предобучена на наборе данных COCO с помощью сверточной нейронной сети Inception v2 и
архитектуры глубокого обучения Faster R-CNN.
Применения монолитного подхода для детектирования человека в задаче контроля социальной дистанции. Александров А.Е.
12/12

13.

БЛАГОДАРЮ
ЗА ВНИМАНИЕ