Obrazowe monitorowanie zachowania dystansu społecznego z wykorzystaniem algorytmów sztucznej inteligencji

• Autorzy: Zanozin Viktor , Zankiewicz Andrzej

Identyfikatory

DOI

10.15199/48.2023.02.11

Warianty tytułu

EN

Visual monitoring of social distancing behavior using artificial intelligence algorithms

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiony został system obrazowej analizy zachowania dystansu społecznego za pomocą współczesnych algorytmów detekcyjnych opartych na konwolucyjnych sieciach neuronowych. Algorytm wykonywany jest na procesorze graficznym (GPU), dzięki czemu wykonany system może zostać zaimplementowany na komputerze PC średniej klasy. Wynik detekcji obrazowany jest graficznie poprzez objęcie wykrytych w analizowanej scenie osób ramkami w kolorze zależnym od wyznaczonego dystansu.

EN

The article presents a system of visual analysis of social distancing behavior using modern detection algorithms based on convolutional neural networks. The algorithm is executed on a graphics processor (GPU), so that the system made can be implemented on a mid-range PC. The detection result is graphically illustrated by covering the people detected in the analyzed scene with frames in a color depending on the determined distance.

Słowa kluczowe

PL

analiza obrazu; widzenie komputerowe; sztuczna inteligencja; dystans społeczny

EN

image analysis; computer vision; artificial intelligence; social distance

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2023
• Tom: R. 99, nr 2
• Strony: 73--77
• Opis fizyczny: Bibliogr. 13 poz., rys., wykr.

Twórcy

autor

Zanozin Viktor

autor

Zankiewicz Andrzej

• Politechnika Białostocka, Wydział Elektryczny, ul. Wiejska 45D, 15-351 Białystok

• https://orcid.org/0000-0003-3840-5356

Bibliografia

• [1] World Health Organization, Considerations for implementing and adjusting public health and social measures in the context of COVID-19, Interim guidance, WHO 2021, WHO reference number: WHO/2019-nCoV/Adjusting_PH_measures/2021.1
• [2] Gonzalez R.C., Woods R.E., Digital Image Processing, Fourth Edition, Pearson Education Limited, 2018
• [3] https://opencv.org/, dostęp 23.06.2022
• [4] Villan A.F., Mastering OpenCV 4 with Python, Packt Publishing, Birmingham, 2019
• [5] http://www.eletel.p.lodz.pl/pstrumil/po/rozpoznawanie.pdf, dostęp 23.06.2022
• [6] https://cocodataset.org/, dostęp 23.06.2022
• [7] https://github.com/ultralytics/yolov5, dostęp 23.06.2022
• [8] Rosebrock A., 4 Point OpenCV getPerspective Transform Example, https://www.pyimagesearch.com/2014/08/25/4-pointopencv-getperspective-transform-example/, dostęp 23.06.2022
• [9] Ferryman J., Ellis A., PETS2010: Dataset and Challenge, 7th IEEE International Conference on Advanced Video and Signal Based Surveillance, 2010, 143-150
• [10] Anwar A., Using Python to Monitor Social Distancing in a Public Area, https://towardsdatascience.com/monitoring-socialdistancing-using-ai-c5b81da44c9f, dostęp 23.06.2022
• [11] https://www.nvidia.com/en-us/autonomous-machines/jetsonstore/, dostęp 23.06.2022
• [12] Suder J., Możliwości przetwarzania sekwencji wizyjnych w systemach wbudowanych, Przegląd Elektrotechniczny, 98 (2022), nr 1, 188-191
• [13] Sakr, F.; Bellotti, F.; Berta, R.; De Gloria, A. Machine Learning on Mainstream Microcontrollers. Sensors 2020, 20, 2638

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).