ПОБУДОВА СИСТЕМИ ІДЕНТИФІКАЦІЇ РУХОМИХ ОБ’ЄКТІВ НА ОСНОВІ ТЕХНОЛОГІЙ МАШИННОГО НАВЧАННЯ

Назар Огонюк; Марія Назаркевич; Юрій Мішковський; Назар Наконечний; Роман Романчук

doi:10.28925/2663-4023.2024.25.410433

Автор(и)

Назар Огонюк Національний Університет «Львівська Політехніка» https://orcid.org/0009-0001-1934-7632
Марія Назаркевич Національний Університет «Львівська Політехніка» https://orcid.org/0000-0002-6528-9867
Юрій Мішковський Національний Університет «Львівська Політехніка» https://orcid.org/0009-0004-0051-026X
Назар Наконечний Національний Університет «Львівська Політехніка» https://orcid.org/0009-0000-2456-3498
Роман Романчук Національний Університет «Львівська Політехніка» https://orcid.org/0009-0004-4352-1073

DOI:

https://doi.org/10.28925/2663-4023.2024.25.410433

Ключові слова:

відеопотік; інформаційна система; розпізнавання; ідентифікація

Анотація

Дослідження присвячено побудові системи ідентифікації рухомих об’єктів при відеопотоці на основі технологій машинного навчання. Відслідковування та розпізнавання рухомих об’єктів є актуальною задачею сьогодення. Важливо є розпізнавання об’єктів в русі та провести їх ідентифікацію на основі штучного інтелекту. Система розділена на три основні модулі: розпізнавання облич, відстеження людей і збереження результатів розпізнавання. Описано використання сучасних технологій і алгоритми машинного навчання YOLOv7 для відстеження людей, та бібліотеку Face Recognition для розпізнавання обличч. Створено контекстну діаграму Data flow diagram, де показано послідовність кроків, необхідних для перетворення вхідного відеопотоку у нормалізовані зображення облич, які готові для подальшого розпізнавання. Побудовано ієрархіїю процесів системи ідентифікації рухомих об’єктів. Діаграма декомпозиції процесу обробки відео показує логічну послідовність етапів та потоків даних, необхідних для підготовки зображень облич. При класифікації поведінки пов'язуються виявлені патерни руху з конкретними типами поведінки. Система використовує ідентифікаційні дані осіб та інформацію про їх попередню поведінку для класифікації патернів руху. Декомпозиція процесів дозволила детально розглянути кожен з ключових аспектів системи та розкрити послідовність кроків та потоків даних, необхідних для їх реалізації. Побудова діаграми ієрархії процесів дала можливість якісно відобразити взаємозв'язки між усіма процесами та підпроцесами системи, демонструючи логічну послідовність їх виконання. ER-діаграма визначила структуру бази даних, що була використана для зберігання інформації про осіб. Системний аналіз заклав основу для подальшого проектування та розробки інформаційної системи відслідковування та розпізнавання людей. Він дозволив визначити основні функціональні вимоги, структуру системи та взаємозв'язки між її компонентами Особливо важливим є можливість застосування програмного забезпечення в цілях попередження загроз тероризму та диверсії. Завдяки подібним інформаційним системам стає можливим підвищення економічного становища як і окремих об’єктів, так і країни в цілому.

Завантаження

Дані завантаження ще не доступні.

Посилання

Zhu, H., Zheng, W., Zheng, Z., & Nevatia, R. (2024). Sharc: Shape and appearance recognition for person identification in-the-wild. In Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision, 6290–6300.

Zhu, H., Budhwant, P., Zheng, Z., & Nevatia, R. (2024). SEAS: ShapE-Aligned Supervision for Person Re-Identification. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 164–174.

Saad, R. S. M., Moussa, M. M., Abdel-Kader, N.S., et al. (2024). Deep video-based person re-identification (Deep Vid-ReID): comprehensive survey. EURASIP J. Adv. Signal Process., 2024(63). https://doi.org/10.1186/s13634-024-01139-x

Dong, N., Yan, S., Tang, H., Tang, J., & Zhang, L. (2024). Multi-view information integration and propagation for occluded person re-identification. Information Fusion, 104, 102201.

Nguyen, V. D., Mirza, S., Zakeri, A., Gupta, A., Khaldi, K., Aloui, R., & Merchant, F. (2024). Tackling Domain Shifts in Person Re-Identification: A Survey and Analysis. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 4149–4159.

Nazarkevych, M., Petrov, A., Onopriychuk, O., Oleksiv, N., & Kis, Y. (2022). Development of A Fingerprint Pattern Matching Method Using K-Means. Electronics and information technologies, 19, 58–65. http://dx.doi.org/10.30970/eli.19.5

Nazarkevych, M., Voznyi, Y., & Nazarkevych, H. (2021). Development of machine learning method with biometric protection with new filtration methods. Electronic Professional Scientific Journal «Cybersecurity: Education, Science, Technique», 3(11), 16–30. https://doi.org/10.28925/2663-4023.2021.11.1630

Hrytsyk, V., Nazarkevych, М., Dyshko, А. (2021). Comparative Analysisof Image Recognition Methods Obtained From Sensors Of The Visible Spectrum. Electronic Professional Scientific Journal «Cybersecurity: Education, Science, Technique», 4(8), 149–164. https://doi.org/10.28925/2663-4023.2020.8.149164

Python, W. (2021). Python. Python releases for windows, 24.

Diwan, T., Anirudh, G., & Tembhurne, J. V. (2023). Object detection using YOLO: Challenges, architectural successors, datasets and applications. Multimedia Tools and Applications, 82(6), 9243–9275.

Du, J. (2018). Understanding of object detection based on CNN family and YOLO. In Journal of Physics: Conference Series, 1004.

Shafiee, M. J., Chywl, B., Li, F., & Wong, A. (2017). Fast YOLO: A fast you only look once system for real-time embedded object detection in video. arXiv preprint arXiv:1709.05943.

Zhang, Z., Lu, X., Cao, G., Yang, Y., Jiao, L., & Liu, F. (2021). ViT-YOLO: Transformer-based YOLO for object detection. In Proceedings of the IEEE/CVF international conference on computer vision, 2799–2808.

Li, S., Li, Y., Li, Y., Li, M., & Xu, X. (2021). YOLO-FIRI: Improved YOLOv5 for Infrared Image Object Detection. In IEEE Access, 9, 141861–141875. https://doi.org/10.1109/ACCESS.2021.3120870