Computer Vision. Berechnung des Kundenflusses

Die Aufgabe bestand darin, den Kundenfluss im Büro zu analysieren und zu berechnen. Es gibt viele Lösungen für ähnliche Aufgaben, wie die Verwendung von Convolution Neural Network (CNN), wie YOLO (Sie sehen nur einmal), SSD (Single Shot Detection), R-CNN usw. Da es sich bei den Eingabedaten jedoch um Videofragmente mit verschiedenen Auflösungen und Formaten handelte, wurde je nach Rekordermodell und festgelegten Einstellungen beschlossen, die Hintergrundsubtraktionsmethode auszuprobieren. Ich wollte diesen Algorithmus auch ausprobieren, weil ich ihn vorher noch nicht kennengelernt hatte und es interessant war, wozu er fähig ist.







Diese Methode basiert auf einem Hintergrund, wie der Name schon sagt. Die Basis besteht darin, den nächsten Frame mit den vorherigen für Änderungen zu vergleichen. Das heißt, wenn sich der Hintergrund nicht oder nicht stark verändert hat (schwankendes Laub, Bewegung von Wolken usw.), wählt diese Methode diese Bereiche im Bild und im Video nicht aus. Es gibt auch eine Vielzahl interner Algorithmen, auf denen die Hintergrundsubtraktion basiert und die Änderungen auf unterschiedliche Weise bestimmen. Einige Algorithmen reagieren sehr empfindlich auf Änderungen, dh leichten Regen, keine starken Änderungen der Baumkronen aufgrund von Wind. Alle diese Objekte sind auf der Algorithmusmaske sichtbar. Andere Algorithmen erstellen Masken sehr grob und kombinieren viele Pixel zu einem Objekt. Das heißt, zwei Personen, die sich nebeneinander bewegen, werden als eine Person definiert.Daher ist es wichtig, den richtigen Algorithmus für Ihre Aufgabe auszuwählen und verschiedene Einstellungen auszuprobieren (Anzahl der zu vergleichenden Frames, Rand zum Abschneiden von Bereichen usw.).











Es gibt auch verschiedene Einstellungen innerhalb des Algorithmus, die die Qualität verbessern können, und die endgültige Maske sieht für die Identifizierung von Objekten viel besser aus.







Nach zusätzlichen Einstellungen und dem Schreiben von zusätzlichem Code zum Hervorheben variabler Bereiche und zum weiteren Zählen des Client-Flusses stellte sich heraus, dass ein gutes Ergebnis in Bezug auf das Zählen der Anzahl der Personen erzielt wurde, da dies die erste Erfahrung mit den Methoden der CV2-Python-Bibliothek ohne Verwendung neuronaler Netze war.



Leider hat diese Methode ihre Nachteile, dies ist die Auswahl einiger Artefakte, außerdem hat sie eine eingeschränkte Funktionalität und einen engen Anwendungsbereich, aber als Erfahrung und Vertrautheit mit den Fähigkeiten von Computer Vision eine hervorragende Gelegenheit.



Ich schlage vor, meine Erfahrung in der Verwendung von Open-Source-Tools und -Diensten zur Lösung von Computer-Vision-Problemen zu nutzen.