A short survey on fully-automated people movement and identity detection algorithms

• Autorzy: Szymkowski Maciej , Przybyszewski Karol

Identyfikatory

DOI

10.24427/acsr-2021-vol15-0002

Warianty tytułu

PL

Analiza algorytmów skorelowanych z detekcją ruchu osób i ich tożsamości

• Języki publikacji: EN

Abstrakty

EN

Nowadays, diversified companies use security systems based on cameras to increase safety of their enterprise. However, when the camera observes multiple people, it is hard for humans to directly observe each of them. In the literature, there are multiple computer vision-based approaches that automatically detect person identity and the way he is moving. Moreover, there are approaches that identify people across multiple cameras (reidentification). It is crucial, especially in the crowded places. By these algorithms we can detect people whose behavior is strange. Diversified approaches can be easily found in the literature and online-available repositories. The work, presented in this paper, can be divided into three main parts: literature review, selected algorithms implementation and results comparison. We have to claim that each solution was implemented in Python programming language with sufficient libraries. This technology was selected due to its efficiency and simplicity. Results of the conducted experiments have shown that it is clearly possible to detect people’s movement and observe their identities even in crowded places.

PL

Współcześnie w wielu miejscach publicznych oraz obszarach zajmowanych przez zróżnicowane firmy możemy zauważy systemy bezpieczeństwa bazujące na kamerach. Jednakże bardzo ciężko jest pojedynczemu operatorowi obserwować każdą osobę która pojawi się na obrazie. W tym celu powstały algorytmy bazujące na metodyce Computer Vision, które mają na celu wykrycie nie tylko trasy poruszania się każdej osoby ale również ocenę jej tożsamości. Co więcej tego typu rozwiązania mogą być bardzo przydatne w zatłoczonych miejscach, gdzie niezwykle ważne jest wykrycie niestandardowego zachowania poszczególnych osób. W literaturze oraz bazach dostępnych online możemy znaleźć zróżnicowane podejścia do rzeczonego problemu. W ramach naszej pracy porównujemy kilka z nich. Każde z wybranych rozwiązań zostało zaimplementowane przy użyciu języka Python i bibliotek dostępnych w ramach rzeczonego języka. To środowisko zostało wybrane ze względu na jego wydajność oraz prostotę pisania kodu. Wyniki, które uzyskaliśmy wskazują na to, że aktualnie istniejące solucje mogą być używane do obserwacji trasy poszczególnych osób nawet w zatłoczonych miejscach.

Słowa kluczowe

EN

computer Vision; image processing; artificial Intelligence; people movement; identity detection; person Re-Identification; Python programming language

PL

przetwarzanie obrazów; sztuczna inteligencja; detekcja ruchu; wykrywanie tożsamości; język programowania Python

• Wydawca: Oficyna Wydawnicza Politechniki Białostockiej
• Czasopismo: Advances in Computer Science Research
• Rocznik: 2021
• Tom: Nr 15
• Strony: 1--14
• Opis fizyczny: Bibliogr. 28 poz., tab., rys.

Twórcy

autor

Szymkowski Maciej

• Faculty of Computer Science, Bialystok University of Technology, Białystok, Poland

autor

Przybyszewski Karol

• Faculty of Computer Science, Bialystok University of Technology, Białystok, Poland

Bibliografia

• [1] http://www.cvc.uab.es/DGaitDB/Summary.html (Access 15.08.2019)
• [2] http://domedb.perception.cs.cmu.edu/index.html (Access 15.08.2019)
• [3] Hermans A., Beyer L., and Leibe B.: In defense of the triplet loss for person re-identification, arXiv preprint arXiv:1703.07737, 2017.
• [4] Li W., Zhu X., and Gong S.: Harmonious attention network for person reidentification, In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 2285–2294, 2018.
• [5] Cheng D.S., Cristani M., Stoppa M., Bazzani L., and Murino V.: Custom pictorial structures for re-identification, In Bmvc, volume 1, p. 6., 2011.
• [6] Wu D., Zheng S.J., Zhang X.P., et al.: Deep learning-based methods for person re-identification: A comprehensive review, Neurocomputing 337, pp. 354–371, https://doi.org/10.1016/j.neucom.2019.01.079, 2019.
• [7] http://cvpr2019.thecvf.com/ (Access 10.11.2019)
• [8] http://iccv2019.thecvf.com/ (Access 10.11.2019)
• [9] https://eccv2020.eu/ (Access 10.11.2019)
• [10] Li W., Zhao R., Xiao T., and Wang X.: Deepreid: Deep filter pairing neural network for person re-identification, In Proc. CVPR, 2014.
• [11] Zheng L., Shen L., Tian L., Wang S., Wang J., and Tian Q.: Scalable person re-identification: A benchmark, In Proc. ICCV, 2015.
• [12] Hirzer M., Beleznai C., Roth P.M., Bischof H.: Person re-identification by descriptive and discriminative classification, in: Proceedings of the Scandinavian Conference on Image Analysis, pp. 91–102, 2011.
• [13] Zheng L., et al.: MARS: A Video Benchmark for Large-Scale Person Reidentification, In: European Conference on Computer Vision. Springer, Cham, pp 868-884, 2016.
• [14] Zhou Z., Huang Y., Wang W., Wang L., and Tan T.: See the forest for the trees: Joint spatial and temporal recurrent neural networks for video-based person reidentification, In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pages 4747–4756, 2017.
• [15] Sabour S., Frosst N. , Hinton G.E.: Dynamic routing between capsules, In Proceedings of the 31st International Conference on Neural Information Processing Systems (NIPS’17), Curran Associates Inc., Red Hook, NY, USA, 3859–3869, 2017.
• [16] LeCun Y., Bottou L., Bengio Y., Haffner P.: Gradient-based learning applied to document recognition, In Proceedings of the IEEE, vol. 86, 2278–2324, 1998.
• [17] LeCun Y., Huang F.J., Bottou L.: Learning Methods for Generic Object Recognition with Invariance to Pose and Lighting, In Proc. IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), 2004.
• [18] Krizhevsky A., Sutskever I., Hinton G.E.: ImageNet classification with deep convolutional neural networks, In Commun. ACM 60, vol. 6, pp. 84–90. DOI: https://doi.org/10.1145/306538, 2017.
• [19] Wang S., Liang Y., Zhang Y.: Deep Convolutional Neural Networks for Diabetic Retinopathy Detection by Image Classification, In Computers & Electrical Engineering, vol. 72, pp. 274-282, 2018.
• [20] Pratt H., Coenen F., Broadbent D.M., Harding S.P., Zheng Y.: Convolutional Neural Networks for Diabetic Retinopathy, In Proceedings of International Conference on Medical Imaging, Understanding and Analysis 2016, Loughborough, United Kingdom, pp. 1-6, 2016.
• [21] Sarki R., Michalska S., Ahmed K., Wang H., Zhang Y.: Convolutional neural networks for mild diabetic retinopathy detection: an experimental study, DOI: https://doi.org/10.1101/763136, bioRxiv, 2019.
• [22] Zou Z., Shi Z., Guo Y., Ye J.: Object detection in 20 years: A survey, arXiv preprint arXiv: 1905.05055, 2019.
• [23] Alom M., Zahangir T.M., Taha M., et. al.: A state-of-the-art survey on deep learning theory and architectures, Electronics vol. 8, no. 3: 292, 2019.
• [24] Khan A., Anabia S., Umme Z., Aqsa Saeed Q.: A survey of the recent architectures of deep convolutional neural networks, Artificial Intelligence Review, pp. 1-62, 2019.
• [25] Redmon J., Farhadi A.: Yolo9000: Better, Faster, Stronger, In: Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 7263- 7271, 2017.
• [26] COCO Algorithm, https://algorithmia.com/algorithms/ deeplearning/ObjectDetectionCOCO (Access 21.08.2019)
• [27] https://www.pyimagesearch.com/2018/07/30/ opencv-object-tracking/ (Access 21.08.2019)
• [28] Zhang S., Staudt E., Faltemier T., Roy-Choudhury A.: A Camera Network Tracking (CamNeT) Dataset and Performance Baseline, In IEEE Winter Conference on Applications of Computer Vision, Waikoloa Beach, Hawaii, 2015.