Detección de peatones: Por favor, sugiera un subtítulo para un libro con el título 'Detección de peatones' dentro del ámbito de 'Visión por computadora'. El subtítulo sugerido no debe tener ':'.

Por Fouad Sabry

Qué es la detección de peatones

En cualquier sistema de videovigilancia inteligente, la identificación de peatones es una tarea crucial y significativa. Esto se debe a que proporciona la información fundamental necesaria para la comprensión semántica de los datos de vídeo disponibles. Teniendo en cuenta que tiene la capacidad de mejorar los sistemas de seguridad, es evidente que tiene aplicaciones en la industria automotriz. En 2017, varios fabricantes de automóviles ofrecen esto como una alternativa a ADAS.

Cómo se beneficiará

(I) Información y validaciones sobre el siguientes temas:

Capítulo 1: Detección de peatones

Capítulo 2: Impulsación (aprendizaje automático)

Capítulo 3: Detector de bordes Canny

Capítulo 4: Segmentación de imágenes

Capítulo 5: Transformación de características invariantes de escala

Capítulo 6: Característica (visión por computadora)

Capítulo 7: Contador de personas

Capítulo 8: Estructura a partir del movimiento

Capítulo 9: Takeo Kanade

Capítulo 10: Estimación de la postura del cuerpo articulado

(II) Respondiendo al público top preguntas sobre la detección de peatones.

(III) Ejemplos del mundo real sobre el uso de la detección de peatones en muchos campos.

Para quién es este libro

Profesionales, estudiantes de pregrado y posgrado, entusiastas, aficionados y aquellos que quieran ir más allá del conocimiento o información básica para cualquier tipo de Detección de Peatones.

 

 

• Idioma: Español
• Editorial: Mil Millones De Conocimientos [Spanish]
• Fecha de lanzamiento: 4 may 2024

Vista previa del libro

Capítulo 1: Detección de peatones

La detección de peatones es una tarea vital y crítica para cualquier sistema de videovigilancia inteligente, ya que proporciona los datos esenciales para la interpretación semántica de las imágenes de vídeo. Debido al potencial para mejorar los sistemas de seguridad, tiene un uso aparente en el sector de la automoción. En 2017, muchos fabricantes de automóviles (incluidos Volvo, Ford, GM y Nissan) ofrecen esta opción ADAS.

Diversos estilos de ropa en apariencia

Diferentes articulaciones posibles

La existencia de accesorios obstructivos.

Colisiones frecuentes entre peatones

A pesar de las dificultades, la detección de peatones ha seguido siendo un campo destacado de la investigación de la visión por ordenador en los últimos años. Se han ofrecido múltiples estrategias.

Los detectores están programados para escanear todo el fotograma de vídeo en busca de peatones.

El detector se activaría si las características de la imagen dentro de la ventana de búsqueda local cumplen con ciertos criterios.

Algunas soluciones utilizan características globales como la plantilla de borde y los descriptores.

La desventaja de esta estrategia es que el desorden de fondo y las oclusiones pueden dificultar fácilmente el rendimiento.

Los peatones se modelan como ensamblajes de componentes. Las hipótesis iniciales de la parte se crean mediante el aprendizaje de características locales, como los bordes.

En 2005, Leibe et al. presentaron el Modelo de Forma Implícita, un método que combina detección y segmentación (ISM). Durante el procedimiento de entrenamiento, se aprende un libro de códigos de apariencia regional. En el proceso de detección, las entidades locales extraídas se comparan con las entradas del libro de códigos, y cada coincidencia cuenta como un voto para las hipótesis peatonales. Al refinar aún más estas ideas, se pueden obtener resultados de detección concluyentes. Este método tiene la ventaja de requerir un número limitado de fotos de entrenamiento.

Cuando las condiciones lo permiten (cámara fija, iluminación constante, etc.), la eliminación del fondo puede ayudar en la detección de peatones. La sustracción de fondo clasifica los píxeles de las secuencias de vídeo como de fondo o de primer plano, en función de si se reconoce el movimiento. Esta técnica enfatiza las siluetas (los elementos conectados en primer plano) de todos los elementos en movimiento de la imagen, incluidas las personas. Se ha creado un protocolo, Fleuret et al. propusieron una técnica para integrar numerosas cámaras calibradas para la detección de múltiples peatones. En este método, el plano de tierra se divide en celdas de cuadrícula uniformes y no superpuestas que suelen tener un tamaño de 25 por 25 píxeles (cm). El detector genera un mapa de probabilidad de ocupación (POM), que estima la probabilidad de que cada celda de la cuadrícula esté ocupada por un ser humano. Con dos a cuatro secuencias de vídeo sincronizadas capturadas a la altura de los ojos y desde varios ángulos, este método puede combinar eficazmente un modelo generativo con una programación dinámica para realizar un seguimiento adecuado de hasta seis individuos a lo largo de miles de fotogramas a pesar de las considerables oclusiones y variaciones de iluminación. Además, puede generar trayectorias métricamente precisas para cada uno de ellos.

Histograma de orientación de gradiente

Función de canal integral

{Fin del capítulo 1}

Capítulo 2: Impulso (aprendizaje automático)

Boosting es un metaalgoritmo que se utiliza en los conjuntos de aprendizaje automático para reducir el sesgo y la variación. Preguntar: ¿Puede un grupo de estudiantes pobres producir uno excelente? Un aprendiz débil es un clasificador con un bajo grado de acuerdo con la etiqueta correcta (puede etiquetar ejemplos mejor que adivinar al azar). Un aprendiz fuerte, por otro lado, es un clasificador que tiene una correlación con la verdad que es arbitrariamente alta.

En una publicación de 1990, Robert Schapire dio una respuesta afirmativa.

Aunque no hay limitaciones algorítmicas en la potenciación, la mayoría de las técnicas de potenciación implican el fortalecimiento incremental de un clasificador débil mediante el aprendizaje de clasificadores más débiles para una distribución determinada. La suma se realiza utilizando un peso que tiene en cuenta el rendimiento de los estudiantes de bajo rendimiento. El proceso de reponderación de los datos se produce cuando se agrega un nuevo alumno débil a un conjunto de datos. A los datos de entrada que están mal clasificados se les da más peso, mientras que a las instancias clasificadas correctamente se les da menos. Esto significa que en el futuro, los estudiantes débiles prestarán más atención a las muestras que sus predecesores etiquetaron erróneamente.

Existen numerosos algoritmos para el aumento.

Las primeras versiones, sugeridas por Robert Schapire (una formulación recursiva de la puerta mayoritaria) no eran adaptativas y no aprovechaban al máximo el potencial de los estudiantes débiles.

AdaBoost fue creado por Schapire y Freund, un algoritmo de boosting adaptativo que ganó el prestigioso Premio Gödel.

El término algoritmo de impulso solo debe usarse para referirse a aquellos algoritmos que se puede demostrar que son algoritmos de impulso en la formulación de aprendizaje probablemente aproximadamente correcta. El término algoritmo de apalancamiento se utiliza ocasionalmente para referirse a algoritmos que son conceptualmente similares a los algoritmos de impulso; Sin embargo, el término algoritmo de impulso también se usa incorrectamente. Esto demuestra que la potenciación utiliza una función de coste convexa para realizar el descenso del gradiente en un espacio de funciones.

Un clasificador se puede entrenar utilizando fotos de objetos del mundo real para identificar y etiquetar automáticamente nuevas fotografías. Por lo general, el rendimiento deficiente de la categorización se observa en clasificadores simples desarrollados a partir de una característica de imagen de un solo objeto. Con el fin de mejorar la capacidad general de categorización, se pueden utilizar métodos de refuerzo para unir los clasificadores débiles de cierta manera.

La categorización de objetos es un problema común de visión artificial que requiere comprobar si una imagen contiene una clase determinada de objetos. El concepto está relacionado con reconocer algo o alguien, o detectar algo. La extracción de características, el aprendizaje de un clasificador y la aplicación del clasificador a instancias nuevas son pasos comunes en la categorización de elementos basada en la apariencia. El análisis de formas, los modelos de bolsa de palabras y los descriptores locales como SIFT son solo algunos ejemplos de cómo se puede representar una clase de objetos. Los clasificadores Bayes ingenuos, las máquinas de vectores de soporte, los modelos de mezcla gaussiana y las redes neuronales son todos tipos de clasificadores supervisados. También se ha demostrado que los métodos no supervisados son eficaces para descubrir categorías de objetos y sus posiciones en las fotos.

Cuando el número de tipos de elementos que se deben reconocer es enorme, la categorización de imágenes se convierte en un desafío difícil en la visión artificial. Esto se debe a que existe la necesidad de generalizar a través de las variaciones de los elementos dentro de la misma categoría, y que la variabilidad intraclase es sustancial. Los objetos clasificados juntos pueden variar mucho en apariencia. Lo mismo puede verse muy diferente dependiendo de su perspectiva, escala e iluminación. Se han resuelto los problemas de reconocimiento (que ya se ven agravados por factores como el desorden de fondo y la oclusión parcial). La promoción y el intercambio de funciones es un método.

Como aplicación de categorización binaria, AdaBoost se puede utilizar para la detección de rostros. Hay dos tipos distintos: los que tienen cara y los que no. El procedimiento general es el siguiente:

Crea una plétora de elementos simples

Establecer los pesos de las imágenes de entrenamiento inicial

Para rondas en T

Normalizar los pesos

Entrene un clasificador con una sola característica del conjunto y, a continuación, evalúe el error de entrenamiento.

Seleccione el clasificador con el menor margen de error.

Modifique los pesos de las imágenes utilizados para el entrenamiento: si este clasificador se equivocó,