ИСПОЛЬЗОВАНИЕ АЛГОРИТМОВ КОМПЬЮТЕРНОГО ЗРЕНИЯ ДЛЯ ИДЕНТИФИКАЦИИ ПОДВИЖНЫХ ОБЪЕКТОВ

Для решения задач распознавания движущихся объектов системами видеонаблюдения не существуют универсальных алгоритмов. Однако, для разных систем и в случае разных ситуаций оптимальным является лишь некоторый конкретный алгоритм, позволяющий произвести распознавание объектов. В данной статье проведен анализ интеллектуальных алгоритмов и их устойчивости, влияющих на качество распознавания и рассмотрен комплексный подход, приводящий в единую структуру обнаружение объектов, классификацию людей и распознавание гендерных различий. Наработанный опыт в области распознавания образов позволил достичь высоких результатов в создании различных устройств и систем в медицине, в промышленном секторе, в системах обработки информации и видеонаблюдений. Однако технологии компьютерного зрения и оптического распознавания динамических объектов продолжают представлять собой чрезвычайно сложную часть научного исследования из-за разнообразия видеокамер и устройств. А также широкого спектра применения, в первую очередь, в целях безопасности в местах большого скопления людей, выявления беспорядка и т.д. В этом исследовании представлены основные задачи для разработки программной системы с использованием компьютерного зрения и алгоритмов глубокого обучения для идентификации и классификации людей в видеопотоках, определения их количества и определения их пола.

1. Интеллектуальные системы видеонаблюдения [Электронный ресурс] – Режим доступа: https://www.mascomvostok.ru/service/intellektualnye-sistemy-videonablyudeniya/ (Дата обращения: 08.02.2025).

2. Chen K. Gender Classification Based on Deep Learning in Computer Vision / K. Chen, Y. Li, J. Wu // IEEE Access. – 2019. – № 7. – Р. 117175-117184.

3. Karkkainen K. FairFace: Face Attribute Dataset for Balanced Race, Gender, and Age for Bias Measurement and Mitigation / K. Karkkainen, J. Joo // In Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision. – 2021 – Р. 1548-1558.

4. Колбасов С.Ю., Орлов Ю.К. Сравнение эффективности обнаружения объектов современных сверточных нейронных сетей. [Электронный ресурс] – Режим доступа: https://masters.donntu.ru/2020/fknt/kolbasov/library/article2.pdf (Дата обращения: 03.03.2025).

5. LightCSPNet: A Lightweight Network for Image Classification and Objection Detection / С. Wang et al // International Journal of Computational Intelligence Systems. – 2023. – № 16(1). – Р. 46. https://doi.org/10.1007/s44196-023-00226-5.

6. You Only Look Once: Unified Real-Time Object Detection / J. Redmon et al // In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – 2016. https://arxiv.org/abs/1506.02640.

7. Mahmood A. Human Detection Using CNN for Autonomous Systems / A. Mahmood, H. Liu, S. Wong // Journal of Robotics. – 2016.

8. Vasilescu M.A.O. Multilinear analysis of image ensembles: Tensor-Faces, in ECCV 2002 / M.A.O. Vasilescu, D. Terzopoulos // Proceedings of the 7th European Conference on Computer Vision. – 2002. – V. 2350 of Lecture Notes in Computer Science. – P. 447-460.

9. Набор данных СОСО. [Электронный ресурс] – Режим доступа: https://docs.ultralytics.com/ru/datasets/detect/coco/

10. PyTorch torchvision COCO Dataset. [Электронный ресурс] – Режим доступа: https://skine.ru/articles/338448/

11. COCO Dataset: All You Need to Know to Get Started. [Электронный ресурс] – Режим доступа: https://www.v7labs.com/blog/coco-dataset-guide