Введение 3
Постановка цели и задачи 5
Обзор литературы 6
Глава 1. Данные и использованные инструменты 12
Глава 1.1 OpenPose 15
Глава 1.2. Преобразование координат 17
Глава 1.3. Линейная регрессия 21
Глава 1.4. Многослойный персептрон 23
Глава 2. Распознавание поз 25
Глава 3. Определение роста пешеходов в условиях потери данных 30
Глава 4. Перспективное преобразование координат 35
Заключение 43
Список литературы 44
Приложение
Сегодня технологии искусственного интеллекта используются во многих областях: от фильтрации содержимого в социальных сетях до биржевых роботов. Они все чаще присутствуют в потребительских продуктах, таких как камеры смартфонов или камеры видеонаблюдения, где основной задачей компьютеров является идентификация объектов на изображениях. В решении таких задач все чаще приоритет отдается методам глубокого обучения. Глубокие нейронные сети привели к прорывам в распознавании образов на изображениях и видеозаписях. В течение многих лет, они доказали свою эффективность по сравнению с другими методами распознавания. Разработкой нейронных сетей занимались такие технологические гиганты, как Google (сеть-игрок в игру го AlphaGo), Microsoft (ряд сервисов для идентификации изображений), стартапы MSQRD, Prisma и другие.
С развитием методов определения положения предметов на изображениях и видеозаписях, появилась необходимость отслеживания положения и перемещения людей, с целью дальнейшего использования этой информации в обеспечении безопасности и в маркетинге. Умея распознавать позы и части тела людей, можно предсказывать девиантное поведение отдельно взятых личностей в толпе, анализировать поведение покупателей, отслеживать их перемещение в помещениях с целью дальнейшего логического размещения товаров на полках или рекламных проспектов. Более того, данные, полученные c помощью нейронный сетей можно отображать в виртуальном трехмерном пространстве. Такое решение может быть востребовано в среде разработки видеоигр, в частности, в симуляциях боев и предсказаниях поведения пользователей-игроков. Методы глубокого обучения предоставляют большие возможности для решения такого рода задач.
В данной работе предлагалось, используя методы глубокого обучения научиться распознавать части тела пешеходов на кадрах видео, взятых с камер наблюдения и научиться получать траектории перемещения пешеходов.
Постановка цели и задачи
Целью данной работы является разработка системы анализа траекторий движения пешеходов методами искусственного интеллекта по данным камер видеонаблюдения, способной работать в режиме реального времени.
Задачи:
1. Накопление тестовых данных: видео, записанное статичной камерой видеонаблюдения в торговом центре;
2. Создание системы, способной распознавать пешеходов на видео в режиме реального времени;
3. Определение координат ног (x; y) в двумерном пространстве;
4. Выполнение проективного преобразование координат для отслеживания трекинга пешеходов и перенесения данных из двумерного в трехмерное пространство;
5. Создание универсального клиент-серверного приложения,
возвращающего изображение трекинга и координаты пешеходов для отображения этих данных в трехмерном пространстве.
Актуальность данной работы обусловлена заинтересованностью служб безопасности, маркетологов, работодателей в создании системы, способной отслеживать траекторию перемещения людей в различных пространствах: на улице, в магазинах и торговых центрах, а также в школах и университетах.
В данной работе мы ставили цель разработать систему анализа траекторий движения пешеходов методами искусственного интеллекта по данным камер видео наблюдения, способной работать в режиме реального времени. Для достижения этой цели было поставлено несколько задач, которые были успешно выполнены:
1. Были накоплены тестовых данных: видео, записанное статичной камерой видео наблюдения в разных погодных условиях, на улицах, в торговых центрах и в разное время суток;
2. Применена система, способной распознавать пешеходов на видео в режиме реального времени;
3. Определены координаты ног (x; y) в двумерном пространстве;
4. Выполнено предсказание роста пешеходов в условиях потери данных;
4. Выполнено проективного преобразование координат для отслеживания трекинга пешеходов и перенесения данных из двумерного в трехмерное пространство;
5. Создано универсальное клиент-серверное приложение, возвращающего координаты пешеходов для отображения этих данных в трехмерном пространстве и изображение трекинга.
В результате, мы получили готовое клиент-серверное приложение, способное обрабатывать запрос пользователя (путь к видео и координаты исследуемой области) и возвращать полную информацию о трекинге пешеходов с кадров видео в границах запрашиваемой области и координаты для возможности восстановления трехмерной модели.
