Détection des piétons: S'il vous plaît, suggérez un sous-titre pour un livre intitulé « Détection des piétons » dans le domaine de la « Vision par ordinateur ». Le sous-titre suggéré ne doit pas contenir de ':'.

Par Fouad Sabry

Qu'est-ce que la détection des piétons

Dans tout système de vidéosurveillance intelligent, l'identification des piétons est une tâche à la fois cruciale et significative. En effet, il fournit les informations fondamentales nécessaires à la compréhension sémantique des données vidéo disponibles. Compte tenu du fait qu’il a la capacité d’améliorer les systèmes de sécurité, il est évident qu’il a des applications dans l’industrie automobile. En 2017, un certain nombre de constructeurs automobiles proposent cela comme alternative à l'ADAS.

Comment vous en bénéficierez

(I) Informations et validations sur le sujets suivants :

Chapitre 1 : Détection des piétons

Chapitre 2 : Boosting (apprentissage automatique)

Chapitre 3 : Détecteur de bord Canny

Chapitre 4 : Segmentation d'images

Chapitre 5 : Transformation de caractéristiques invariantes à l'échelle

Chapitre 6 : Fonctionnalité (vision par ordinateur)

Chapitre 7 : Compteur de personnes

Chapitre 8 : Structure à partir du mouvement

Chapitre 9 : Takeo Kanade

Chapitre 10 : Estimation de la pose du corps articulé

(II) Répondre au public questions sur la détection des piétons.

(III) Exemples concrets d'utilisation de la détection des piétons dans de nombreux domaines.

À qui s'adresse ce livre

Professionnels, étudiants de premier cycle et des cycles supérieurs, passionnés, amateurs et tous ceux qui souhaitent aller au-delà des connaissances ou des informations de base pour tout type de détection de piétons.

 

 

• Langue: Français
• Éditeur: Un Milliard De Personnes Informées [French]
• Date de sortie: 4 mai 2024

Aperçu du livre

Détection des piétons

S'il vous plaît, suggérez un sous-titre pour un livre intitulé « Détection des piétons » dans le domaine de la « vision par ordinateur ». Le sous-titre suggéré ne doit pas avoir ' :'.

Fouad Sabry est l'ancien responsable régional du développement commercial pour les applications chez Hewlett Packard pour l'Europe du Sud, le Moyen-Orient et l'Afrique. Fouad est titulaire d'un baccalauréat ès sciences des systèmes informatiques et du contrôle automatique, d'une double maîtrise, d'une maîtrise en administration des affaires et d'une maîtrise en gestion des technologies de l'information, de l'Université de Melbourne en Australie. Fouad a plus de 25 ans d'expérience dans les technologies de l'information et de la communication, travaillant dans des entreprises locales, régionales et internationales, telles que Vodafone et des machines professionnelles internationales. Actuellement, Fouad est un entrepreneur, auteur, futuriste, axé sur les technologies émergentes et les solutions industrielles, et fondateur de l'initiative One Billion Knowledge.

Un milliard de connaissances

Détection des piétons

S'il vous plaît, suggérez un sous-titre pour un livre intitulé « Détection des piétons » dans le domaine de la « vision par ordinateur ». Le sous-titre suggéré ne doit pas avoir ' :'.

Fouad Sabry

Copyright

Détection © piétons 2024 par Fouad Sabry. Tous droits réservés.

Aucune partie de ce livre ne peut être reproduite sous quelque forme que ce soit ou par quelque moyen électronique ou mécanique que ce soit, y compris les systèmes de stockage et de récupération d'informations, sans l'autorisation écrite de l'auteur. La seule exception est celle d'un critique, qui peut citer de courts extraits dans une critique.

Couverture dessinée par Fouad Sabry.

Bien que toutes les précautions aient été prises dans la préparation de ce livre, les auteurs et les éditeurs n'assument aucune responsabilité pour les erreurs ou omissions, ou pour les dommages résultant de l'utilisation des informations contenues dans le présent document.

Table des matières

Chapitre 1 : Détection des piétons

Chapitre 2 : Boosting (machine learning)

Chapitre 3 : Détecteur de bord astucieux

Chapitre 4 : Segmentation d'images

Chapitre 5 : Transformation d'une entité invariante à l'échelle

Chapitre 6 : Fonctionnalité (vision par ordinateur)

Chapitre 7 : Compteur de personnes

Chapitre 8 : Structure à partir du mouvement

Chapitre 9 : Takeo Kanade

Chapitre 10 : Estimation de la pose du corps articulé

Appendice

À propos de l'auteur

Chapitre 1 : Détection des piétons

La détection des piétons est une tâche vitale et critique pour tout système de vidéosurveillance intelligent, car elle fournit les données essentielles à l'interprétation sémantique des séquences vidéo. En raison du potentiel d'amélioration des systèmes de sécurité, il est apparemment utilisé dans le secteur automobile. En 2017, de nombreux constructeurs automobiles (dont Volvo, Ford, GM et Nissan) proposent cette option ADAS.

Divers styles vestimentaires en apparence

Différentes articulations possibles

L'existence d'accessoires gênants.

Collisions fréquentes entre piétons

Malgré les difficultés, la détection des piétons est restée un domaine important de la recherche en vision par ordinateur au cours des dernières années. De multiples stratégies ont été proposées.

Les détecteurs sont programmés pour balayer l'ensemble de l'image vidéo à la recherche de piétons.

Le détecteur se déclenche si les caractéristiques de l'image à l'intérieur de la fenêtre de recherche locale répondent à certains critères.

Certaines solutions utilisent des caractéristiques globales telles que le modèle d'arête, les descripteurs.

L'inconvénient de cette stratégie est que l'encombrement et les occlusions en arrière-plan peuvent facilement entraver les performances.

Les piétons sont modélisés comme des assemblages de composants. Les hypothèses initiales de la pièce sont créées par l'apprentissage des caractéristiques locales, telles que edgelet.

En 2005, Leibe et al. ont présenté l'Implicit Shape Model, une méthode qui combine la détection et la segmentation (ISM). Au cours de la procédure d'entraînement, un livre de code d'apparence régionale est appris. Au cours du processus de détection, les caractéristiques locales extraites sont comparées aux entrées du livre de codes, et chaque correspondance compte comme un vote pour les hypothèses de piéton. En affinant davantage ces idées, on peut obtenir des résultats de détection concluants. Cette méthode a l'avantage de nécessiter un nombre limité de photos d'entraînement.

Lorsque les conditions le permettent (caméra fixe, éclairage constant, etc.), la suppression de l'arrière-plan peut aider à la détection des piétons. La soustraction de l'arrière-plan classe les pixels des flux vidéo en arrière-plan ou en premier plan, selon que le mouvement est reconnu ou non. Cette technique met l'accent sur les silhouettes (les éléments de premier plan connectés) de tous les éléments en mouvement de l'image, y compris les personnes. Un protocole a été créé, Fleuret et al. ont proposé une technique d'intégration de nombreuses caméras calibrées pour la détection de plusieurs piétons. Dans cette méthode, le plan au sol est divisé en cellules de grille uniformes et non superposées qui ont généralement une taille de 25 x 25 pixels (cm). Le détecteur génère une carte d'occupation probabiliste (POM), qui estime la probabilité que chaque cellule de la grille soit occupée par un humain. Avec deux à quatre flux vidéo synchronisés capturés à hauteur des yeux et sous différents angles, cette méthode peut combiner efficacement un modèle génératif avec une programmation dynamique pour suivre correctement jusqu'à six individus sur des milliers d'images malgré des occlusions et des variations d'éclairage considérables. De plus, il peut générer des trajectoires métriquement précises pour chacun d'entre eux.

Histogramme de l'orientation du dégradé

Fonction de canal intégrée

{Fin du chapitre 1}

Chapitre 2 : Boosting (machine learning)

Le boosting est un méta-algorithme utilisé dans les ensembles d'apprentissage automatique pour réduire les biais et les variations. Demander : « Est-ce qu'un groupe d'apprenants médiocres peut en produire un superbe ? » Un apprenant faible est un classificateur avec un faible degré d'accord avec l'étiquette correcte (il peut étiqueter les exemples mieux que les suppositions aléatoires). Un apprenant fort, d'autre part, est un classificateur qui a une corrélation avec la vérité qui est arbitrairement élevée.

Dans une publication de 1990, Robert Schapire a fourni une réponse affirmative.

Bien qu'il n'y ait pas de limites algorithmiques à l'amplification, la plupart des techniques d'amplification impliquent le renforcement progressif d'un classifieur faible en apprenant plus de classificateurs faibles pour une distribution donnée. L'addition se fait à l'aide d'un poids qui tient compte de la performance des élèves peu performants. Le processus de repondération des données se produit lorsqu'un nouvel apprenant faible est ajouté à un jeu de données. Les données d'entrée mal classées ont plus de poids, tandis que les instances correctement classées en ont moins. Cela signifie qu'à l'avenir, les élèves faibles accorderont plus d'attention aux échantillons que leurs prédécesseurs ont mal étiquetés.

De nombreux algorithmes d'augmentation existent.

Les premières versions, suggérées par Robert Schapire (une formulation récursive de la porte majoritaire) n'étaient pas adaptatives et ne tiraient pas le meilleur parti du potentiel des élèves faibles.

AdaBoost a été créé par Schapire et Freund, un algorithme de boost adaptatif qui a remporté le prestigieux prix Gödel.

Le terme « algorithme d'amplification » ne doit être utilisé que pour désigner les algorithmes dont on peut prouver qu'ils sont des algorithmes d'amplification dans la formulation d'apprentissage probablement approximativement correcte. Le terme « algorithme à effet de levier » est parfois utilisé pour désigner des algorithmes qui sont conceptuellement similaires aux algorithmes de boosting ; Cependant, le terme « algorithme de boosting » est également utilisé à tort. Cela démontre que l'amplification utilise une fonction de coût convexe pour effectuer une descente de gradient dans un espace de fonctions.

Un classificateur peut être entraîné à l'aide de photos d'objets du monde réel pour identifier et étiqueter automatiquement les nouvelles