ВВЕДЕНИЕ 12
1 Анализ предметной области 13
1.1 Постановка проблемы 13
1.1.1 О вреде курения табака 13
1.1.2 Задача распознавания курения 14
1.2 Методы распознавания курения 15
1.3 Машинное обучение 16
1.3.1 Обучение с учителем 19
1.3.2 Обучение без учителя 21
1.3.3 Обучение с подкреплением 22
1.4 Методы машинного обучения для распознавания курения 24
1.4.1 Традиционные методы машинного обучения 27
1.4.1.1 Метод опорных векторов 27
1.4.1.2 Деревья решений 28
1.4.1.3 Метод k-средних 28
1.4.2 Нейронные сети 29
1.4.3 Нейронные сети глубокого обучения 33
1.4.3.1 Сверточные нейронные сети 33
1.4.3.1.1 Слои сверточной нейронной сети 35
1.4.4 Традиционные методы машинного обучения и нейронные сети
глубокого обучения 37
1.5 Выявление признаков курения 38
1.6 Выводы по 1 главе 39
2 Разработка алгоритма распознавания курения по визуальным данным 41
2.1 Предобработка видеопоследовательности 41
2.2 Выбор архитектуры нейронной сети 44
2.2.1 AlexNet 44
2.2.2 VGGNet 45
2.2.3 ResNet 47
2.3 Трехмерные сверточные нейронные сети 51
2.4 Модифицированная архитектура нейронной сети 54
2.5 Обучение нейронной сети 56
2.6 Оптимизация 56
2.6.1 Стохастический градиентный спуск 56
2.6.2 Пакетная нормализация 60
2.7 Алгоритм распознавания курения 61
2.8 Описание процесса курения 61
2.9 Выводы по 2 главе 68
3 Экспериментальные исследования 69
3.1 Набор данных 69
3.2 Эксперимент 72
3.3 Выводы по 3 главе 80
ЗАКЛЮЧЕНИЕ 81
СПИСОК СОКРАЩЕНИЙ 82
СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ 83
СПИСОК ПУБЛИКАЦИЙ ПО ТЕМЕ ВЫПУСКНОЙ
КВАЛИФИКАЦИОННОЙ РАБОТЫ 88
Приложение
За последнее десятилетие распознавание человеческой деятельности прошло большой путь и сыграло важную роль в области вычислений. Эта растущая популярность может быть объяснена множеством реальных приложений, применяющих распознавание деятельности, в основном связанных с проблемами, ориентированными на человека, такими как, здравоохранение и соблюдение правопорядка.
Распознавание человеческих действий, а в особенности такого сложного действия, как курение, в реальной среде применяют приложения в самых различных областях, включая интеллектуальное видеонаблюдение, анализ поведения сотрудников и покупателей. Тем не менее, точное распознавание действий является очень сложной задачей из-за фонов, окклюзий и вариаций углов обзора. Специально для распознавания человеческих действий разные классы действий могут выглядеть совершенно по-разному с точки зрения их внешнего вида и моделей движения.
В настоящее время предпринимаются многочисленные попытки использования методов интеллектуального анализа данных и машинного обучения для точного выявления действий человека в системах интеллектуального видеонаблюдения.
Целью работы является распознавание курения по визуальным данным с применением нейронных сетей.
Поставлены следующие задачи:
1. Выделить особенности процесса курения на видеопоследовательностях;
2. Разработать алгоритм распознавания курения;
3. Реализовать разработанный алгоритм;
4. Провести экспериментальные исследования.
Таким образом, в работе выполнен анализ существующих методов обнаружения курения по визуальным данным.
Для распознавания курения по визуальным данным выбраны пространственно-временные признаки, позволяющие обнаруживать курение независимо от расстояния до курящего человека, его позы, пола, возраста, видимости сигареты в кадре, то есть даже при нерегулярной форме курения.
Модифицирована архитектура сверточной нейронной сети ResNet до трехмерной сверточной нейронной сети, обеспечивающей работу с видеопоследовательностями и учет пространственно-временных признаков курения.
Предложен алгоритм распознавания курения по визуальным данным.
Выполнена предобработка кадров, с помощью методов среднего вычитания и масштабирования для нормализации обрабатываемых видеоизображений, с целью повышения качества работы алгоритма распознавания курения.
Экспериментальные исследования, проведенные на 20
видеопоследовательностях, полученных в реальных условиях съемки, подтверждают эффективность предложенного способа распознавания курения. Распознавание курения выполняется в режиме реального времени. Среднее значение точности обнаружения составило 90%.
