Rilevamento pedonale: Per favore, suggerisci un sottotitolo per un libro dal titolo "Rilevamento pedonale" nell'ambito della "Visione computerizzata". Il sottotitolo suggerito non deve contenere ":".

Di Fouad Sabry

Che cos'è il rilevamento dei pedoni

In qualsiasi sistema di videosorveglianza intelligente, l'identificazione dei pedoni è un compito cruciale e significativo. Questo perché fornisce le informazioni fondamentali necessarie per la comprensione semantica dei dati video disponibili. Considerando il fatto che ha la capacità di migliorare i sistemi di sicurezza, è evidente che trova applicazioni nell’industria automobilistica. Nel 2017, diversi produttori di automobili lo offrono come alternativa all'ADAS.

Come trarne vantaggio

(I) Approfondimenti e convalide sul seguenti argomenti:

Capitolo 1: Rilevamento pedoni

Capitolo 2: Potenziamento (apprendimento automatico)

Capitolo 3: Rilevatore di bordi Canny

Capitolo 4: Segmentazione delle immagini

Capitolo 5: Trasformazione di funzionalità invarianti di scala

Capitolo 6: Funzionalità (visione artificiale)

Capitolo 7: Contatore di persone

Capitolo 8: Struttura dal movimento

Capitolo 9: Takeo Kanade

Capitolo 10: Stima della posa del corpo articolato

(II) Rispondere al pubblico top domande sul rilevamento dei pedoni.

(III) Esempi reali dell'utilizzo del rilevamento dei pedoni in molti campi.

A chi è rivolto questo libro

Professionisti, studenti universitari e laureati, appassionati, hobbisti e coloro che desiderano andare oltre le conoscenze o le informazioni di base per qualsiasi tipo di rilevamento dei pedoni.

 

 

• Lingua: Italiano
• Editore: Un Miliardo Di Ben Informato [Italian]
• Data di uscita: 4 mag 2024

Anteprima del libro

Capitolo 1: Rilevamento pedoni

Il rilevamento dei pedoni è un compito vitale e critico per qualsiasi sistema di videosorveglianza intelligente, in quanto fornisce i dati essenziali per l'interpretazione semantica delle riprese video. A causa del potenziale per migliorare i sistemi di sicurezza, ha un uso apparente nel settore automobilistico. Nel 2017, molte case automobilistiche (tra cui Volvo, Ford, GM e Nissan) forniscono questa opzione ADAS.

Diversi stili di abbigliamento nell'aspetto

Diverse articolazioni possibili

L'esistenza di accessori ostruttivi.

Frequenti collisioni tra pedoni

Nonostante le difficoltà, il rilevamento dei pedoni è rimasto un campo importante della ricerca sulla visione artificiale negli ultimi anni. Sono state offerte diverse strategie.

I rilevatori sono programmati per scansionare l'intero fotogramma video alla ricerca di pedoni.

Il rilevatore si attiverà se le caratteristiche dell'immagine all'interno della finestra di ricerca locale soddisfano determinati criteri.

Alcune soluzioni utilizzano caratteristiche globali, ad esempio il modello di bordo, i descrittori.

Lo svantaggio di questa strategia è che il disordine e le occlusioni di sfondo possono facilmente ostacolare le prestazioni.

I pedoni sono modellati come assemblaggi di componenti. Le ipotesi di parte iniziale vengono create apprendendo le caratteristiche locali, ad esempio lo spigolo.

Nel 2005, Leibe et al. hanno presentato l'Implicit Shape Model, un metodo che combina il rilevamento e la segmentazione (ISM). Durante la procedura di addestramento, viene appreso un libro di codici di aspetto regionale. Nel processo di rilevamento, le feature locali estratte vengono confrontate con le voci del codebook e ogni corrispondenza conta come un voto per le ipotesi pedoni. Perfezionando ulteriormente queste idee, è possibile acquisire risultati di rilevamento conclusivi. Questo metodo ha il vantaggio di richiedere un numero limitato di foto di allenamento.

Quando le condizioni lo consentono (telecamera fissa, illuminazione costante, ecc.), la rimozione dello sfondo può aiutare nel rilevamento dei pedoni. La sottrazione dello sfondo classifica i pixel dei flussi video come sfondo o primo piano, a seconda che il movimento venga riconosciuto o meno. Questa tecnica enfatizza le sagome (gli elementi in primo piano collegati) di tutti gli elementi in movimento nell'immagine, comprese le persone. È stato creato un protocollo, Fleuret et al. hanno proposto una tecnica per l'integrazione di numerose telecamere calibrate per il rilevamento di più pedoni. In questo metodo, il piano di base è diviso in celle della griglia uniformi e non sovrapposte che hanno in genere una dimensione di 25 x 25 pixel (cm). Il rilevatore genera una mappa di occupazione probabilistica (POM), che stima la probabilità che ogni cella della griglia sia occupata da un essere umano. Dati da due a quattro flussi video sincronizzati catturati all'altezza degli occhi e da varie angolazioni, questo metodo può combinare in modo efficiente un modello generativo con la programmazione dinamica per tracciare correttamente fino a sei individui su migliaia di fotogrammi nonostante le notevoli occlusioni e variazioni di illuminazione. Inoltre, può generare traiettorie metricamente precise per ciascuno di essi.

Istogramma dell'orientamento del gradiente

Funzione di canale integrale

{Fine Capitolo 1}

Capitolo 2: Boosting (apprendimento automatico)

Il boosting è un meta-algoritmo utilizzato negli insiemi di machine learning per ridurre distorsioni e variazioni. Chiedendo: Può un gruppo di studenti poveri produrne uno superbo? Uno studente debole è un classificatore con un basso grado di accordo con l'etichetta corretta (può etichettare gli esempi meglio di un'ipotesi casuale). Un forte discente, d'altra parte, è un classificatore che ha una correlazione con la verità che è arbitrariamente alta.

In una pubblicazione del 1990, Robert Schapire ha fornito una risposta affermativa.

Sebbene non esistano limitazioni algoritmiche per l'aumento di livello, la maggior parte delle tecniche di aumento di livello prevede il rafforzamento incrementale di un classificatore debole mediante l'apprendimento di classificatori più deboli per una determinata distribuzione. L'addizione viene effettuata utilizzando un peso che tiene conto delle prestazioni degli studenti con scarso rendimento. Il processo di riponderazione dei dati si verifica quando un nuovo studente debole viene aggiunto a un set di dati. Ai dati di input classificati in modo errato viene assegnato un peso maggiore, mentre alle istanze classificate correttamente viene assegnato un peso inferiore. Ciò significa che in futuro, gli studenti deboli presteranno maggiore attenzione ai campioni che i loro predecessori hanno etichettato in modo errato.

Esistono numerosi algoritmi per l'aumento.

Le prime versioni, suggerite da Robert Schapire (una formulazione ricorsiva della porta di maggioranza) non erano adattive e non sfruttavano al meglio il potenziale degli studenti deboli.

AdaBoost è stato creato da Schapire e Freund, un algoritmo di potenziamento adattivo che ha vinto il prestigioso Premio Gödel.

Il termine algoritmo di boosting dovrebbe essere usato solo per riferirsi a quegli algoritmi che possono essere dimostrati essere algoritmi di boosting nella formulazione di apprendimento probabilmente approssimativamente corretta. Il termine algoritmo di sfruttamento viene occasionalmente utilizzato per riferirsi ad algoritmi concettualmente simili agli algoritmi di boosting; Tuttavia, anche il termine algoritmo di potenziamento viene utilizzato in modo improprio. Ciò dimostra che l'aumento utilizza una funzione di costo convessa per condurre la discesa del gradiente in uno spazio di funzioni.

È possibile addestrare un classificatore utilizzando foto di oggetti del mondo reale per identificare ed etichettare automaticamente nuove fotografie. Le scarse prestazioni di categorizzazione si riscontrano in genere in classificatori semplici sviluppati da una funzionalità di immagine di un singolo oggetto. Al fine di migliorare la capacità complessiva di categorizzazione, è possibile utilizzare metodi di potenziamento per unire i classificatori deboli in un determinato modo.

La categorizzazione degli oggetti è un problema comune di visione artificiale che richiede il controllo per verificare se un'immagine contiene una determinata classe di oggetti. Il concetto è legato al riconoscimento di qualcosa o qualcuno, o all'individuazione di qualcosa. L'estrazione di funzionalità, l'apprendimento di un classificatore e l'applicazione del classificatore a nuove istanze sono passaggi comuni nella categorizzazione degli elementi basata sull'aspetto. L'analisi della forma, i modelli bag-of-words e i descrittori locali come SIFT sono solo alcuni esempi di come una classe di oggetti potrebbe essere rappresentata. I classificatori Naive Bayes, le macchine a vettori di supporto, i modelli di miscela gaussiana e le reti neurali sono tutti tipi di classificatori supervisionati. I metodi non supervisionati hanno anche dimostrato di essere efficaci nello scoprire le categorie di oggetti e le loro posizioni nelle foto.

Quando il numero di tipi di elementi da riconoscere è enorme, la categorizzazione delle immagini diventa una sfida difficile nella visione artificiale. Ciò è dovuto al fatto che vi è la necessità di generalizzare le variazioni degli elementi all'interno della stessa categoria e che la variabilità all'interno della classe è sostanziale. L'aspetto degli oggetti classificati insieme può variare notevolmente. La stessa cosa può apparire molto diversa a seconda della prospettiva, della scala e dell'illuminazione. I problemi di riconoscimento (che sono già aggravati da fattori come il disordine di fondo e l'occlusione parziale) sono stati risolti. La promozione e la condivisione delle funzionalità è un metodo.

Come applicazione di categorizzazione binaria, AdaBoost può essere utilizzato per il rilevamento dei volti. Ci sono due tipi distinti: quelli con il volto e quelli senza. La procedura generale è la seguente:

Crea una miriade di elementi semplici

Impostare i pesi dell'immagine dell'allenamento iniziale

Per tondi a T

Normalizzare i pesi

Eseguire il training di un classificatore con una singola funzionalità del set, quindi valutare l'errore di training.

Selezionare il classificatore