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:
- 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
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
Полный текст
![Доступ закрыт](https://journals.eco-vector.com/lib/pkp/templates/images/icons/text_lock.png)
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-ПетербургСюэчэн Вэнь
Санкт-Петербургcкий национальный исследовательский университет информационных технологий, механики и оптики (Университет ИТМО)
Email: xuecheng_wen@zohomail.com
магистрант, 2 курс, факультет систем управления и робототехники Санкт-Петербургcкого национального исследовательского университета информационных технологий, механики и оптики (Университет ИТМО)
Россия, Санкт-ПетербургЦзячжэ Ли
Санкт-Петербургcкий национальный исследовательский университет информационных технологий, механики и оптики (Университет ИТМО)
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-ПетербургСписок 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.
Дополнительные файлы
![](/img/style/loading.gif)