О подходе к детектированию движения пешеходов методом гистограмм направленных градиентов
https://doi.org/10.26907/1562-5419-2024-27-4-429-447
Аннотация
Рассмотрен подход к автоматическому распознаванию движения людей на пешеходном переходе. Он включает две основные процедуры, для каждой из которых приведены команды программного кода на языке программирования C# с помощью библиотеки компьютерного зрения EMGU. На первой процедуре с помощью комбинации методов гистограмм направленных градиентов и опорных векторов осуществляется детектирование пешеходов. Вторая процедура позволяет считывать кадры из видеопоследовательности и обрабатывать их. Данный подход позволяет детектировать движения людей на пешеходном переходе без использования специализированных нейронных сетей. При этом метод, предложенный в статье, продемонстрировал достаточную надежность распознавания движения людей, что свидетельствует о его применимости в реальных условиях.
Об авторах
Максим Владимирович Бобырь
Юго-Западный государственный университет
Россия
Россия
Наталья Анатольевна Милостная
Юго-Западный государственный университет
Россия
Россия
Наталия Игоревна Храпова
Юго-Западный государственный университет
Россия
Россия
Список литературы
1. Фатихов Ч.И., Григорян К.А. Разработка системы сбора данных о перемещении людей внутри помещения // Электронные библиотеки. 2022. Т. 25, № 1. С. 87–102. https://doi.org/10.26907/1562-5419-2022-25-1-87-102
2. Ямиков Р.Р., Григорян К.А. Анализ и разработка конвейера MLOps для развертывания моделей машинного обучения // Электронные библиотеки. 2022. Т. 25, № 2. С. 177–196. https://doi.org/10.26907/1562-5419-2022-25-2-177-196
3. Байрамов А.И., Фасхутдинов Т.Р., Тимергалин Д.М. [и др.]. Оценка усталости человека методом анализа фотографий лица с помощью сверточных нейронных сетей // Электронные библиотеки. 2021. Т. 24, № 4. С. 582–603. https://doi.org/10.26907/1562-5419-2021-24-4-582-603.
4. Поташников А.М., Власюк И.В., Аугсткальн Я.А. Анализ методов детектирования движущихся объектов различного типа на видеоизображении // Фундаментальные проблемы радиоэлектронного приборостроения. 2017. Т. 17, № 4. С. 1201-1204.
5. Скользящая_средняя. Электронный ресурс. https://ru.wikipedia.org/wiki/Скользящая_средняя (доступ свободный: дата обращения 19.06.2024)
6. Canny J. A computational approach to edge detection // IEEE Trans Pattern Anal. Mach. Intell. 1986. Т8(6). Р. 679–698.
7. Бобырь М.В., Архипов А.Е., Горбачев С.В., Цао Ц., Бхаттачарья С. Нечетко-логические методы в задаче детектирования границ объектов // Информатика и автоматизация. 2022. Т. 21, №2. С. 376–404. https://doi.org/10.15622/ia.21.2.6
8. Raj R., Rajiv P., Kumar P., Khari M., Verdú E., Crespo R. G., Manogaran G. Feature based video stabilization based on boosted HAAR Cascade and representative point matching algorithm // Image and Vision Computing. 2020. Т101. https://doi.org/10.1016/j.imavis.2020.103957
9. Бурмистров А.В. Распознавание объектов на изображениях с использованием базовых средств языка Python и библиотеки OpenCV // Научное обозрение. Технические науки. 2021. № 5. С. 15–19.
10. Gou Y., Li Q., Yao R., Chen J., Zhao H., Zhang Z. Ice accretion existence and three-dimensional shape identification based on infrared thermography detection // Infrared Physics and Technology. 2023. Т135. https://doi.org/10.1016/j.infrared.2023.104972
11. Zhou Z., Yu X., Chen X. Object Detection in Drone Video with Temporal Attention Gated Recurrent Unit Based on Transformer // Drones. 2023. Vol. 7, No. 7. https://doi.org/10.3390/drones7070466
12. Буров С.А., Титов К.Б., Иванов А.Р. Программа прогнозирования координат движения целей на основе рекуррентной искусственной нейронной сети. Свидетельство о государственной регистрации программы для ЭВМ № 2021613317 РФ. 05.03.2021.
13. Ярошевич П.В., Богуш Р.П. Алгоритм классификации изображений парковочных мест автостоянки на основе гистограмм ориентированных градиентов и метода опорных векторов // Компьютерная оптика. 2017. Т. 41. № 1. С. 110–117. https://doi.org/10.18287/2412-6179-2017-41-1-110-117
14. Побережник В.И. Классификация BIM структур с помощью гистограммы направленных градиентов и метода опорных векторов // Приложение математики в экономических и технических исследованиях. 2020. Т. 10, № 1. С. 140–146.
15. Rahman M., Zhou Yu., Wang Sh., Rogers Ja. Wart Treatment Decision Support Using Support Vector Machine // International Journal of Intelligent Systems and Applications. 2020. Vol. 12, No. 1. P. 1–11. https://doi.org/10.5815/ijisa.2020.01.01
16. Присухина И.В., Борисенко Д.В. Машинная классификация режима работы электрической рельсовой цепи методом опорных векторов // Омский научный вестник. 2018. Т. 162, №6. С. 126–130. https://doi.org/10.25206/1813-8225-2018-162-126-130
17. Электронный ресурс. https://habr.com/ru/articles/792782/ (доступ свободный: дата обращения 19.06.2024).
18. Бобырь М.В., Храпова Н.И., Архипов А.Е., Милостная Н.А. Программа детектирования движения объектов на пешеходном переходе. Свидетельство о государственной регистрации программы для ЭВМ № 2024660940 РФ. опубл. 14.05.2024.
Рецензия
Для цитирования:
Бобырь М.В., Милостная Н.А., Храпова Н.И. О подходе к детектированию движения пешеходов методом гистограмм направленных градиентов. Электронные библиотеки. 2024;27(4):429-447. https://doi.org/10.26907/1562-5419-2024-27-4-429-447
For citation:
Bobyr M.V., Milostnaya N.A., Khrapova N.I. On the Approach to Detecting Pedestrian Movement using the Method of Histograms of Oriented Gradients. Russian Digital Libraries Journal. 2024;27(4):429-447. (In Russ.) https://doi.org/10.26907/1562-5419-2024-27-4-429-447
Просмотров:
2
Послать статью по эл. почте 