पैदल चलने वालों का पता लगाने का इस्तेमाल मुख्य रूप से मानवरहित वाहनों पर शोध में किया जाता है। पैदल यात्री का पता लगाने का सामान्य लक्ष्य किसी वाहन को किसी व्यक्ति से टकराने से रोकना है। Habré पर हाल ही में " स्मार्ट कारों " के बारे में एक विषय था। इस तरह के सिस्टम का निर्माण अनुसंधान का एक बहुत लोकप्रिय क्षेत्र है ( डारपा चुनौती )। मैं स्मार्ट कारों की इसी तरह की परियोजना के लिए पैदल चलने वालों की मान्यता में संलग्न हूं। जाहिर है, पैदल यात्री का पता लगाने की समस्या सॉफ्टवेयर है, और टक्कर से बचाव हार्डवेयर है। इस लेख में, मैं केवल सॉफ्टवेयर भाग का उल्लेख करूंगा, संक्षेप में छवि और वर्गीकरण एल्गोरिदम में लोगों का पता लगाने के एक तरीके के बारे में बात करेंगे।

परिचय

अपने काम में मैं दो सेंसर का उपयोग करता हूं: एक इंफ्रारेड कैमरा और एक लिडार । मानव शरीर का तापमान आमतौर पर पर्यावरण से अधिक होता है। इसलिए, किसी व्यक्ति के अवरक्त कैमरे से छवि को आसानी से स्थानीय बनाया जा सकता है। एक नियम के रूप में, शरीर के कुछ हिस्सों का पता लगाना आसान है जो कपड़ों से ढके नहीं हैं: सिर और हाथ। लेकिन अकेले कैमरे की मदद से ऑब्जेक्ट के आकार को निर्धारित करना मुश्किल है, यह कहना मुश्किल है कि व्यक्ति कैमरे से कितनी दूर है। यहां लिडार बचाव के लिए आता है। यह वस्तुओं की दूरी को मापता है।



हमें लिडार की आवश्यकता क्यों है? आइए एक शुरुआत के लिए हमारी तस्वीरों को देखें। छवि के प्रीप्रोसेसिंग का पूरा विचार ब्याज के स्थानीयकरण क्षेत्रों के लिए नीचे आता है। हमें इस बात की परवाह नहीं है कि पूरी छवि कैसी है हम कई क्षेत्रों को उजागर करना चाहते हैं और उनके साथ आगे काम करना चाहते हैं। आदर्श रूप से, ब्याज का क्षेत्र किसी व्यक्ति की संपूर्ण छवि को कवर करना चाहिए। यह जानते हुए कि मानव सिर पर्यावरण की तुलना में गर्म है, हम इसे आसानी से छवि में पाते हैं। अगला हमें व्यक्ति के आकार का अनुमान लगाने की आवश्यकता है। यह वह जगह है जहां लिडार से डेटा बचाव में आता है। ऑब्जेक्ट की दूरी, कैमरे की फोकल लंबाई, वास्तविक दुनिया के निर्देशांक में ऑब्जेक्ट के आकार को जानने के बाद, पिक्सल में ऑब्जेक्ट के आकार की गणना करना आसान है। हमने वास्तविक दुनिया में ऑब्जेक्ट के आकार का निर्धारण 2 से 1 मीटर आयत के बराबर किया है इस विश्वास में कि औसत व्यक्ति इस तरह के आयत में फिट बैठता है। लेकिन छवि की समन्वय प्रणाली में, ब्याज के क्षेत्र अभी भी विभिन्न आकारों के हैं। एक और पैमाने पर परिवर्तन और अंत में ब्याज के सभी क्षेत्रों में न केवल वास्तविक दुनिया के एक ही क्षेत्र को कवर किया गया है, बल्कि एक ही पिक्सेल आयाम भी हैं।



इस बात पर विचार करें कि दो सेंसर के डेटा को कैसे संयोजित किया जाए: हम छवि में गर्म क्षेत्र पाते हैं (हम मानते हैं कि यह किसी व्यक्ति का सिर है), हम उस कोण की गणना करते हैं जिस पर इस क्षेत्र का केंद्र स्थित है, हम इस कोण को लिडार समन्वय प्रणाली में लाते हैं और इस कोण से हम वस्तु को दूरी प्राप्त करते हैं। कोण को एक समन्वय प्रणाली से दूसरे में अनुवाद करने के लिए, सेंसर को कैलिब्रेट किया जाना चाहिए। सेंसर के वास्तविक अंशांकन के बजाय, उनके विशिष्ट स्थान का उपयोग किया जाता है, जिसमें सेंसर के केंद्र क्षैतिज तल में मेल खाते हैं:





बेशक, परीक्षण मशीन पर सब कुछ थोड़ा अलग है। सबसे पहले, उपरोक्त आंकड़ा स्थैतिक सेंसर का स्थान दिखाता है: उनकी स्थिति समय के साथ नहीं बदलती है। दूसरे, हमारी परीक्षण मशीन पर एक अन्य प्रकार के लिडार का उपयोग किया जाता है - त्रि-आयामी। इसे कार की छत के बीच में स्थापित किया गया है। छत के सामने कैमरा लगा है। इस प्रकार, सेंसर के केंद्रों को अब एक बिंदु पर नहीं माना जा सकता है। मुझे इस समस्या को हल करने के लिए दो विकल्प दिखाई देते हैं: एक सेंसर की समन्वय प्रणाली से समानांतर हस्तांतरण डेटा दूसरे सेंसर के समन्वय प्रणाली (उनके बीच की दूरी को मापने के बाद), या (स्वचालित रूप से) सेंसर को कैलिब्रेट करते हैं।

ब्याज के क्षेत्रों को निकालें

पैटर्न मान्यता के लिए उपयोग की जाने वाली सुविधाओं का निष्कर्षण, और उनके वर्गीकरण में बहुत समय लगता है। मतलाबा में 6-7 वस्तुओं के साथ एक एकल फ्रेम को संसाधित करने में पूरा मिनट लग सकता है। वास्तविक समय उन्मुख प्रणालियों के लिए, इतनी लंबी प्रसंस्करण अस्वीकार्य है। गति का पता लगाने वाली गर्म वस्तुओं की संख्या से बहुत प्रभावित होता है, और एक व्यक्ति एकमात्र गर्म वस्तु नहीं है। कारों के हिस्से, खिड़कियां, ट्रैफिक लाइट्स भी सामान्य तापमान की पृष्ठभूमि के खिलाफ खड़े हो सकते हैं। इस पत्र में, सूचना प्रसंस्करण की गति पर जोर दिया गया है। हमें ऐसी वस्तुओं की शीघ्रता से खरपतवार निकालने की आवश्यकता है जो निश्चित रूप से मानव नहीं हैं। इस मामले में, एक भी वास्तविक व्यक्ति को याद नहीं करना उचित है। शेष सभी वस्तुओं को तब पूर्ण-स्थिर स्थैतिक वर्गीकरणकर्ता का उपयोग करके वर्गीकृत किया जा सकता है।



छवि में गर्म क्षेत्रों का पता "मैक्सिमली स्टेबल एक्सट्रीमल रीजन" (अंग्रेजी मैक्सिमली स्टेबल एक्सट्रीमल रीजन [1] से MECP) नामक विधि का उपयोग करके लगाया जाता है। मूल छवि को एक थ्रेशोल्ड फ़ंक्शन द्वारा एक थ्रेसहोल्ड मान के साथ संसाधित किया जाता है। परिणाम छवियों का एक नया अनुक्रम है, जिसका आकार विभिन्न थ्रेशोल्ड मानों की संख्या से मेल खाता है (उदाहरण के लिए, 0 से 255 तक पिक्सेल मान वाले मोनोक्रोम छवि के लिए हमें 256 चित्र मिलते हैं)। अनुक्रम में पहली छवि पूरी तरह से सफेद होगी। काले क्षेत्र आगे दिखाई देंगे और अनुक्रम में सबसे हाल की छवि पूरी तरह से काले रंग की होगी। नीचे दिया गया आंकड़ा इस क्रम को एनीमेशन के रूप में दिखाता है:





छवि में सफेद क्षेत्र चरम सीमा के क्षेत्र हैं। हम विश्लेषण कर सकते हैं कि छवियों के अनुक्रम में यह या कब तक चरम सीमा का क्षेत्र मौजूद है। ऐसा करने के लिए, आप किसी अन्य थ्रेशोल्ड फ़ंक्शन का उपयोग कर सकते हैं। उदाहरण के लिए, 10 के मान के साथ। यदि चरम क्षेत्र अनुक्रम की 10 से अधिक छवियों में मौजूद है, तो इस क्षेत्र को सबसे स्थिर चरम क्षेत्र कहा जाता है।



ब्याज के सबसे स्थिर क्षेत्रों को खोजने के बाद, हम उन्हें थोड़ा और फ़िल्टर कर सकते हैं: पहलू अनुपात की जांच करें, कैमरे से दूर की वस्तुओं को त्यागें, क्षेत्रों को ओवरलैपिंग करें।

स्रोत छवि	चरम सीमा के सबसे स्थिर क्षेत्र
रुचि के क्षेत्र	फ़िल्टर किए गए क्षेत्र

फैलाव

वस्तुओं को वर्गीकृत करने के लिए एक मीट्रिक के रूप में, "विचरण" का उपयोग किया जाता है [2]। इस मीट्रिक की गणना में थोड़ा समय लगता है और इसके अलावा, इसका मूल्य प्रकाश की स्थिति के लिए अपरिवर्तनीय है। इसे सूत्र द्वारा माना जाता है । मूल कार्य में, प्रसरण की गणना वस्तु के समोच्च के साथ की जाती है। ब्याज के क्षेत्रों से एक समोच्च प्राप्त करने के लिए, एक गाऊसी फ़िल्टर और एक सोबेल ऑपरेटर श्रृंखला में लागू होते हैं। इस बात पर निर्णय कि क्या एक छवि किसी विशेष वर्ग की है, एक थ्रेशोल्ड फ़ंक्शन का उपयोग करके बनाई गई है। कारों या इमारतों के हिस्सों की छवियों की तुलना में लोगों की छवियों का फैलाव मूल्य कम होता है।

निष्कर्ष

चित्रों में एल्गोरिथ्म के परिणाम:





परीक्षण कंप्यूटर एक इंटेल कोर 2 डुओ प्रोसेसर से लैस है जिसमें 3 गीगाहर्ट्ज़ की आवृत्ति, 6 एमबी कैश और 2 जीबी रैम है। मतलाब प्रणाली में परीक्षण किए गए। एक फ्रेम का औसत प्रसंस्करण समय 64 एमएस है। इसका मतलब है कि 1 सेकंड में सिस्टम लगभग 16 फ़्रेमों को संसाधित करने में सक्षम होगा। यह, ज़ाहिर है, प्रति मिनट 1 फ्रेम से बेहतर है।



निम्नलिखित प्रश्न स्वाभाविक रूप से उत्पन्न होते हैं: वर्गीकरण के लिए विचरण कितना विश्वसनीय है, एक पूर्ण क्लासिफायर का उपयोग करते समय एक फ्रेम पर काम करने में कैसे समय व्यतीत होगा। मेरे पास इन सवालों का कोई जवाब नहीं है। अब मैं इस पर काम कर रहा हूं। परिणाम होंगे - मैं आपको सूचित करूंगा!

साहित्य

[१] जे। माटस, ओ। चुम, एम। अर्बन, और टी। पजडला, ब्रिटिश मशीन विजन कॉन्फ्रेंस, २००२, पीपी में "मैक्सिमम स्टेबल एक्सट्रीम रीजन से रोबस्ट वाइड बेसलाइन स्टीरियो"। 384-396।

[२] एएल हिरोनोबु, ए जे लिप्टन, एच। फुजियाओशी, और आरएस पाटिल, "मूविंग टारगेट क्लासिफिकेशन एंड ट्रैकिंग फ्रॉम रियल-टाइम वीडियो," कंप्यूटर विज़न के अनुप्रयोगों में, १ ९९ iron WACV '98। कार्यवाही।, चौथी 1998 में आईईईई कार्यशाला, पीपी। 8-14।