МЕТОДЫ ОБРАБОТКИ ВИДЕОПОСЛЕДОВАТЕЛЬНОСТЕЙ СО СКОПЛЕНИЯМИ ЛЮДЕЙ ДЛЯ ОПРЕДЕЛЕНИЯ ЗАКОНОМЕРНОСТЕЙ ИХ ДВИЖЕНИЯ

##plugins.themes.bootstrap3.article.sidebar##

Просмотров аннотации: 16
Загрузок PDF: 5
pdf (rus)
Опубликован: апр 24, 2024
DOI: https://doi.org/10.52928/2070-1624-2024-42-1-26-33
Ключевые слова:
dynamic object, crowd, optical flow, objects cluster motion, motion maps динамический объект, скопление людей, оптический поток, движение скопления объектов, карты движения

##plugins.themes.bootstrap3.article.main##

С. В. ШОЛТАНЮК
Белорусский государственный университет, Минск
Ц. БУ
Нанкинский научно-исследовательский институт электроники, Китай
А. М. НЕДЗЬВЕДЬ
Белорусский государственный университет, Минск; Объединенный институт проблем информатики Национальной академии наук Беларуси, Минск

Аннотация

Движение скоплений однородных объектов на сегодняшний день является одним из наиболее важных и быстро развивающихся приложений компьютерного зрения и машинного обучения. В данной статье рассматривается вопрос определения закономерностей движения людей и их скоплений посредством карт движений, вычисляемых при помощи нейронной сети FlowNet, которая рассматривает движение объектов на видеопоследовательности. Этот подход позволяет получить информацию о направлении и скорости движения толпы относительно других объектов сцены, играя ключевую роль в анализе поведения и обеспечении безопасности. Кроме того, рассматриваются методы предварительной обработки видеопоследовательностей, включая совмещение кадров, для более точного определения карты движений и повышения эффективности анализа динамических сцен.

##plugins.themes.bootstrap3.article.details##

Как цитировать
ШОЛТАНЮК, С. В., БУ, Ц., & НЕДЗЬВЕДЬ, А. М. (2024). МЕТОДЫ ОБРАБОТКИ ВИДЕОПОСЛЕДОВАТЕЛЬНОСТЕЙ СО СКОПЛЕНИЯМИ ЛЮДЕЙ ДЛЯ ОПРЕДЕЛЕНИЯ ЗАКОНОМЕРНОСТЕЙ ИХ ДВИЖЕНИЯ. Вестник Полоцкого государственного университета. Серия С. Фундаментальные науки, (1), 26-33. https://doi.org/10.52928/2070-1624-2024-42-1-26-33
Выпуск
№ 1 (2024)
Раздел
Информатика, вычислительная техника и управление
Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.

Биография автора

А. М. НЕДЗЬВЕДЬ, Белорусский государственный университет, Минск; Объединенный институт проблем информатики Национальной академии наук Беларуси, Минск

д-р техн. наук, доц.

Библиографические ссылки

Ascione, F., Caserta, S., Perris, R., & Guidoa, S. (2014). Investigation of Cell Dynamics in vitro by Time Lapse Microscopy and Image Analysis. Chemical Engineering, (38), 517–522. DOI: 10.3303/CET1438087.

Chen C., Ye S., Chen H., Nedzvedz, O. V., & Ablameyko, S. V. (2017). Integral Optical Flow and its Application for Monitoring Dynamic Objects from a Video Sequence. J. of Applied Spectroscopy, (84), 120–128. DOI: 10.1007/s10812-017-0437-z.

Sholtanyuk, S. (2023). Crowd Abnormal Behaviour Patterns: Survey and Detection. Central European Researchers Journal, 9(1), 48-58. https://ceres-journal.eu/download.php?file=2023_01_7.pdf.

Altowairqi, S., Luo, S., & Greer, P. (2023). A Review of the Recent Progress on Crowd Anomaly Detection. Intern. J. of Advanced Computer Science and Applications, 14(4), 659–669. DOI: 10.14569/IJACSA.2023.0140472.

Choudhry, N., Abawajy, J., Huda, S., & Rao, I. (2023). A Comprehensive Survey of Machine Learning Methods for Surveillance Videos Anomaly Detection. IEEE Access, (11), 114680–114713. DOI: 10.1109/ACCESS.2023.3321800.

Miao, Y., Yang, J., Alzahrani, B., Lv, G., Alafif, T., Barnawi, A., & Chen, M. (2022). Abnormal Behavior Learning Based on Edge Computing toward a Crowd Monitoring System. IEEE Network, 36(3), 90–96. DOI: 10.1109/MNET.014.2000523.

Alafif, T., Alzahrani, B., Cao, Y., Alotaibi, R., Barnawi, A., & Chen, M. (2022). Generative adversarial network based abnormal behavior detection in massive crowd videos: a Hajj case study. J. of Ambient Intelligence and Humanized Computing, 13(8), 4077–4088. DOI: 10.1007/s12652-021-03323-5.

Ilg, E., Mayer, N., Saikia, T., Keuper, M., Dosovitskiy, A., & Brox, T. (2017). Flownet 2.0: Evolution of optical flow estimation with deep networks. In Proceedings of the IEEE conference on computer vision and pattern recognition (2462–2470). IEEE. DOI: 10.1109/CVPR.2017.179.

Chertkov, V. M., & Zheleznjak, V. K. (2018). Algoritm opredelenija mery shozhesti identifikacionnyh obrazov zakladnyh ustrojstv [Algorithm for Determining the Degree of Similarity of Identification Images from Secret Intelligence Device]. Vestnik Polotskogo gosudarstvennogo universiteta. Seriya C, Fundamental'nye nauki [Herald of Polotsk State University. Series С. Fundamental sciences], (4), 20–27. (In Russ., abstr. in Engl.).

Fischler, M. A., & Bolles, R. C. (1981). Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography. Communications of the ACM, 24(6), 381–395. DOI: 10.1145/358669.358692.

Liu, C., Xu, J., & Wang, F. (2021). A review of keypoints’ detection and feature description in image registration. Scientific programming, (2021), 8509164:1–8509164:25. DOI: 10.1155/2021/8509164.

Rublee, E., Rabaud, V., Konolige, K., & Bradski, G. (2011). ORB: An efficient alternative to SIFT or SURF. In 2011 Intern. Conf. on Computer Vision (2564–2571). IEEE. DOI: 10.1109/ICCV.2011.6126544.

Andersson, O., & Reyna Marquez, S. (2016). A comparison of object detection algorithms using unmanipulated testing images: Comparing SIFT, KAZE, AKAZE and ORB. https://www.diva-portal.org/smash/record.jsf?pid=diva2%3A927480&dswid=9533.