Pedestrian Detection and Tracking of Their Movement Trajectory Using the Background Segmentation Method Based on KNN

Jiacheng  Lou; Лоу  Цзячэн; Xuecheng Wen; Вэнь  Сюэчэн; Jiazhe Li; Ли Цзячжэ

doi:10.33693/2313-223X-2023-10-1-88-94

Обнаружение пешеходов и отслеживание их траектории движения с использованием метода фоновой сегментации на основе KNN

Авторы: Лоу Ц.¹, Вэнь С.¹, Ли Ц.¹
Учреждения:
1. Санкт-Петербургcкий национальный исследовательский университет информационных технологий, механики и оптики (Университет ИТМО)
Выпуск: Том 10, № 1 (2023)
Страницы: 88-94
Раздел: МАТЕМАТИЧЕСКОЕ И ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ВЫЧИСЛИТЕЛЬНЫХ СИСТЕМ, КОМПЛЕКСОВ И КОМПЬЮТЕРНЫХ СЕТЕЙ
URL: https://journals.eco-vector.com/2313-223X/article/view/545842
DOI: https://doi.org/10.33693/2313-223X-2023-10-1-88-94
ID: 545842

Цитировать

Полный текст

Открытый доступ
Доступ закрыт

Доступ предоставлен
Доступ закрыт

Только для подписчиков

Аннотация
Полный текст
Об авторах
Список литературы
Дополнительные файлы
Статистика

Аннотация

Постановка задачи. На сегодняшний день важнейшей задачей компьютерного зрения является точное обнаружение цели и отслеживание ее траектории на видеоизображении с дальнейшим применением полученных результатов в практических приложениях. Основной проблемой, затрудняющей определение положения цели, являются помехи, перекрытия и т.п. Для ее решения ученые предлагают большое количество алгоритмов отслеживания. Цель работы: при помощи системы видеомониторинга автоматически определить передний план объекта (пешехода) и отрисовать траекторию его движения. Используемые методы. Для обнаружения переднего плана и отслеживания его траектории движения используется алгоритм сегментации фона KNN в сочетании с библиотекой OpenCV. Новизна. Данный метод позволяет непрерывно на протяжении длительного времени определять передний план объекта на видео, а также гибок к обнаружению нового переднего плана (появлению нового объекта). Основные достоинства нововведения – простота использования, отсутствие необходимости в высокой производительности компьютера, возможность обнаружения и отслеживания в режиме реального масштаба времени. Результат. По результатам тестирования удалось достигнуть успешного определения движущихся пешеходов на видео, а также отрисовать их траекторию движения. Практическая значимость. Данный алгоритм может быть применен в сфере дорожного движения с целью определения траектории перемещения транспортных средств для их отслеживания, а также для обнаружения пешеходов и оптимизации маршрута с учетом поведения пешеходов.

Ключевые слова

компьютерное зрение, отслеживание целей, прогнозирование траектории, KNN

Полный текст

Об авторах

Цзячэн Лоу

Санкт-Петербургcкий национальный исследовательский университет информационных технологий, механики и оптики (Университет ИТМО)

Email: 623619178@qq.com

магистрант, 2 курс, факультет систем управления и робототехники Санкт-Петербургcкого национального исследовательского университета информационных технологий, механики и оптики (Университет ИТМО)

Россия, Санкт-Петербург

Сюэчэн Вэнь

Email: xuecheng_wen@zohomail.com

Россия, Санкт-Петербург

Цзячжэ Ли

Автор, ответственный за переписку.
Email: magiclij@outlook.com

магистрант, 2 курс, факультет программной инженерии и компьютерной техники Санкт-Петербургcкого национального исследовательского университета информационных технологий, механики и оптики (Университет ИТМО)

Россия, Санкт-Петербург

Список литературы

Bakshi R. Feature extraction and prediction for hand hygiene gestures with KNN algorithm. arXiv preprint arXiv: 2112.15085. 2021.
Guo G., Wang H., Bell D., et al. KNN model-based approach in classification. In: On the move to meaningful internet systems 2003: CoopIS, DOA, and ODBASE. OTM Confederated International Conferences, CoopIS, DOA, and ODBASE 2003. Catania, Sicily, Italy, November 3–7, 2003. Proceedings. Springer Berlin Heidelberg, 2003. Pp. 986–996.
Mohanty A., Bilgaiyan S. Drowsiness Detection System Using KNN and OpenCV. In: Machine learning and information processing. Proceedings of ICMLIP 2020. Springer Singapore, 2021. Pp. 383–390.
Beyeler M. Machine learning for OpenCV: Monograph. Packt Publishing Ltd, 2017.
Chen Q., Li D., Tang C.K. KNN matting. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2013. No. 35 (9). Pp. 2175–2188.
George T., Potty S.P., Jose S. Smile detection from still images using KNN algorithm. 2014 International Conference on Control, Instrumentation, Communication and Computational Technologies (ICCICCT). IEEE, 2014. Pp. 461–465.
Xu Lei, Pei Hailong. Research and realization on moving object detection and tracking methods of human. Modern Electronic Technology. 2010. No. 4. P. 4.
Chen Deqiang. The research of image classification based on improved KNN algorithm: Dis. Guizhou Minzu University, 2020. doi: 10.27807/d.cnki.cgzmz.2020.000095.
Ramlakhan K., Shang Y. A mobile automated skin lesion classification system. In: 2011 IEEE 23rd International Conference on Tools with Artificial Intelligence. IEEE, 2011. Рр. 138–141.
Jin Shu-Ya et al. Offshore ship recognition based on center frequency projection of improved EMD and KNN algorithm. Mechanical Systems and Signal Processing. 2023. P. 189.
Li Chen, Li Yan-ying, Chai Zheng, Zhang Bao-shuang. Weighted k-nearest neighbor algorithms based on mutual nearest neighbor. Journal of Baoji University of Arts and Sciences (Natural Science). 2022. No. 42 (02). Pp. 15–22. doi: 10.13467/j.cnki.jbuns.2022.02.003.
Zhang H., Berg A.C., Maire M. et al. SVM-KNN: Discriminative nearest neighbor classification for visual category recognition. In: 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’06). IEEE, 2006. Issue 2. Pp. 2126–2136.
Li Lei. Research on short-term traffic vehicle flow prediction method based on KNN-LSTM. 2022. No. 6 (10). Pp. 169–173. doi: 10.19850/j.cnki.2096–4706.2022.10.043.
Sarma M.S., Srinivas Y., Abhiram M. et al. Insider threat detection with face recognition and KNN user classification. In: 2017 IEEE International Conference on Cloud Computing In Emerging Markets (Ccem). IEEE, 2017. Pp. 39–44.
Sharma V., Jain M., Jain T. et al. License plate detection and recognition using openCV–python: Monograph. Recent innovations in computing: Proceedings of ICRIC 2021. Vol. 1. Singapore: Springer Singapore, 2022. Pp. 251–261.