Русский
Русский
English
Статистика
Реклама

Computer Vision. Подсчет клиентопотока



Стояла задача проанализировать и подсчитать поток клиентов в офисе. Для похожих задач существует множество решений, как с использованием сверточных нейронных сетей (Convolution Neural Network, CNN), таких как YOLO (You Only Look Once), SSD (Single Shot Detection), R-CNN и т.д. Но так как входными данными были видео фрагменты различного разрешения и формата, в зависимости от модели регистраторов и выставленных настроек, было принято решение попробовать метод Background Subtraction. Так же хотелось попробовать данный алгоритм, потому что до этого не сталкивался с ним и было интересно на что он способен.



Данный метод основывается на фоне, как видно из названия. Основой является сравнение следующего кадра с предыдущими на наличие изменений. То есть если фон не менялся или не сильные изменения (колыхание листва, движение облаков и т.д.), то данный метод, не выделит данные области на кадре и видео. Так же существует огромное количество внутренних алгоритмов, на которые основывается Background subtraction, которые по-разному определяют изменения. Некоторые алгоритмы, очень чувствительные к изменениям, то есть небольшой дождь, не сильные изменения крон деревьев из-за ветра, все эти объекты будут заметны на маске алгоритма. Другие алгоритмы строят маски очень грубо, объединяя множество пикселей в одни объекты, то есть два рядом движущихся человека, будут определятся как один человек, поэтому важно подобрать нужный алгоритм для вашей задачи и попробовать различные настройки (количество кадров для сравнения, граница для отсекания областей и т.д.)





Так же существуют различные настройки внутри алгоритма, которые позволяют улучшить качество, и конечная маска выглядит намного лучше, для определения объектов.



После дополнительных настроек и написания дополнительного кода, для выделения изменяемых областей и дальнейшего подсчета клиентопотока, получилось добиться хорошего результата в плане подсчета количества людей, так же это был первый опыт работы с методами библиотеки CV2 python, без использования нейронных сетей.

К сожалению данный метод имеет свои недостатки, это выделение некоторых артефактов, плюс имеет ограниченный функционал и узкую сферу использования, но как опыт и знакомство с возможностями Computer Vision отличная возможность.

Предлагаю воспользоваться моим опытом по использованию открытых инструментов и сервисов, позволяющих решать задачи компьютерного зрения.
Источник: habr.com
К списку статей
Опубликовано: 17.07.2020 10:14:14
0

Сейчас читают

Комментариев (0)
Имя
Электронная почта

Машинное обучение

Обработка изображений

Computer vision

Категории

Последние комментарии

  • Имя: Макс
    24.08.2022 | 11:28
    Я разраб в IT компании, работаю на арбитражную команду. Мы работаем с приламы и сайтами, при работе замечаются постоянные баны и лаги. Пацаны посоветовали сервис по анализу исходного кода,https://app Подробнее..
  • Имя: 9055410337
    20.08.2022 | 17:41
    поможем пишите в телеграм Подробнее..
  • Имя: sabbat
    17.08.2022 | 20:42
    Охренеть.. это просто шикарная статья, феноменально круто. Большое спасибо за разбор! Надеюсь как-нибудь с тобой связаться для обсуждений чего-либо) Подробнее..
  • Имя: Мария
    09.08.2022 | 14:44
    Добрый день. Если обладаете такой информацией, то подскажите, пожалуйста, где можно найти много-много материала по Yggdrasil и его уязвимостях для написания диплома? Благодарю. Подробнее..
© 2006-2022, personeltest.ru