
Тип работы:	Предмет:	Язык работы:

Детектирование людей на изображениях с помощью метода Виолы-Джонса

Работа №	112900
Тип работы	Бакалаврская работа
Предмет	математика и информатика
Объем работы	46
Год сдачи	2017
Стоимость	4700 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено	106

Не подходит работа?

Узнай цену на написание

Содержание

ВВЕДЕНИЕ.. 3
1 АНАЛИЗ СОСТОЯНИЯ ВОПРОСА О ПРОБЛЕМЕ ЛОКАЛИЗАЦИИ ЧЕЛОВЕКА В КАДРЕ.. 4
1.1 Постановка задачи локализации человека в кадре видеопотока.. 4
1.2 Локализация человека как задача бинарной классификации.. 7
1.3 Комбинирование технологий в задачах локализации человека... 10
1.4 Сравнение результатов работы методов HOG SVM, Viola-Jones и GNG FIS .. 22
2 РАЗРАБОТКА АЛГОРИТМА ПОИСКА ЛЮДЕЙ НА ИЗОБРАЖЕНИИ.. 25
2.1 Метод Viola-Jones.. 25
2.2 Модификация алгоритма.. 33
3 ПРОГРАММНАЯ РЕАЛИЗАЦИЯ АЛГОРИТМА. 34
3.1 Разработка программной части.. 34
3.2 Тестирование алгоритма и обсуждение результатов ... 36
ЗАКЛЮЧЕНИЕ.. 41
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ Ошибка! Закладка не определена.

Введение

Аннотация. Введение.
От интеллектуальных систем в большинстве случаев требуется выработка управляющих сигналов в зависимости от окружающей ситуации. Информация об окружающей ситуации может представлять собой потоковое видео, в том случае если она считывается с помощью цифровой камеры. При этом разработчикам интеллектуальных систем требуется обеспечить решение задачи распознавания образов в зависимости от требуемого функционала системы.
Очень часто разработчикам таких систем приходится сталкиваться с решением подзадачи локализации людей в кадре видеоряда.
Для ее решения используются такие методы локализации объектов на изображении как HOG SVM, Viola-Jones, GNG-FIS.
Известно, что метод Viola-Jones отлично справляется с локализацией на изображении статических объектов. Человек к таким объектам не относится, так как в процессе движения он может вращать головой, двигать руками, ногами и т.д.
По этой причине, при использовании метода Viola-Jones в классическом виде для локализации человека дает слабые результаты из низкой точности, вызванной большим (по сравнению с HOG SVM и GNG- FIS) количеством ошибок первого рода.
Исследования в данной ВКР направлены на поиск путей по уменьшению ошибок первого рода при использовании метода Viola-Jones в задачах локализации людей на изображениях.

Возникли сложности?

Нужна помощь преподавателя?

Помощь студентам в написании работ!

ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ

Курсовые Статьи Диплом Рязань

Заключение

Основные выводы по проведенным в ВКР исследованиям:
1. На основе изучения литературных источников по теме исследования установлено, что совершенствование методов направленных на решение задач локализации людей на изображениях достигается как путем совершенствования алгоритмов компьютерного зрения, так путем их комбинирования.
2. Наиболее часто используемыми методами для решения задач локализации людей являются: HOG SVM, GNG-FIS, Viola-Jones. Произведено сравнения точности работы медов при решении задачи локализации человека. При этом метод Viola-Jones имеет самую низкую точность работы (общая ошибка 40%) с применением одного каскада классификаторов.
3. Показано, что задачу локализации человека на изображении можно свести к задачи бинарной классификации, если разбивать анализируемое изображение на прямоугольные области с помощью метода сканирующего окна.
4. Разработан подход одновременного использования нескольких каскадов классификаторов в методе Viola-Jones, что позволило снизить количество ошибок первого рода в задаче локализации людей с 40,29% до 10,05%.
5. Установлено, что добавления дополнительного каскада замедляет работу метода Viola-Jones по локализации людей приблизительно в 2 раза. Однако конечное быстродействие предложенного подхода всё равно выше, чем у методов HOG SVM и GNG-FIS (детальное сравнение методов приведено в таблице в третьей главе).
6. На языке C++ (в середе Visual Studio Community) с использованием свободной библиотеки OpenCV разработана и протестирована программная реализация предложенного подхода. На практике доказана состоятельность предложенного подхода.

Литература

1. Амосов, О.С. Алгоритм локализации номерных знаков транспортных средств / О.С. Амосов // Информатика и системы управления. – 2014. – Т. 39,№ 1. – С. 127-140.
2. Мельников, И.И. Детектор движения на основе импульсных нейронных сетей / И.И. Мельников, К.А. Демиденков, И.А. Емельянов, И.А. Евсеенко // Информационные технологии. – 2013. – № 7. – С. 57-60.
3. Viola, P. Robust real-time face detection / P. Viola, M.J. Jones // International Journal of Computer Vision . – 2004. – Vol. 57(2). – P. 137-154.
4. Михаева, Е.И. Детектирование с использованием фрактального анализа в системах дорожной безопасности / Е.И. Михаева, А.В. Никанов // Компьютерная оптика. – 2012. – Т. 36, № 1. – С. 124-130.
5. Viola, P. Detecting Pedestrians Using Patterns of Motion and Appearance / P. Viola, J. Jones // International Journal of Computer Vision. – 2005. – Vol. 63(2). – P. 153-161.
6. Enzweiler, M. Monocular Pedestrian Detection: Survey and Experiments / M. Enzweiler, G.M. Dariu // IEE Transactions on Machine Intelligence. – 2010. – №12. – P. 2178-2196.
7. Dalal, N. Histograms of oriented gradients for human detection / N. Dalal, B. Triggs // IEE Conference on Computer Vision. – 2005. – P. 886-893.
8. Cristianini, N. An introduction to support Vector Machines / N. Cristianini, J. Shawe-Taylor. – Cambridge: Cambridge University Press, 2000. – P. 204.
9. Лекции по методу опорных векторов [Электронный ресурс] / К.В. Воронцов. – URL: http://www.ccas.ru/voron/download/SVM.pdf (дата обращения 11.05.2017).
10. Казаков, А. Быстрый алгоритм обнаружения пешеходов по видеоданным / А. Казаков, А. Бовырин // 22-nd International Conference on Computer Vision. – 2012. – С. 144-148.
11. Cho, H. Real-time pedestrian detection with deformable part models / H. Cho, P.E. Rybski, A. Bar-Hillel, W. Zhang // Intelligent Vehicles Symposium (IV), 2012 IEEE, Alcala de Henares. – 2012. – P. 1035-1042. – DOI: 10.1109/IVS.2012.6232264.
12. Hua, Ch. Pedestrian detection by using spatio temporal histogram of oriented gradients / Ch. Hua, Y. Makihara, Y. Yagi // IEICE Transactions on Information and Systems. – 2013. – Vol. E96-D(6). – P. 1376-1386.
13. Vapnik, V.N. An overview of statistical learning theory / V.N. Vapnik // IEE Transaction on NeuralNetworks. – 1999. – Vol. 10(5). – P. 988-999.
14. Воронцов, К.В. Математические методы машинного обучения [Электронный ресурс] / К.В. Воронцов. – 2011. – URL: http://www.machinelearning.ru/wiki/images/6/6d/Voron-ML-1.pdf (дата обращения 21.10.16).
15. Cireşan, D. Multi-column deep neural networks for image classification / D. Cireşan, U. Meier, J. Schmidhuber // IEE Conference on Computer Vision. – 2012. – P. 3642-3649. – DOI: 10.1109/CVPR.2012.6248110.
...