Πλατφόρμα υπηρεσιών έξυπνης πόλης για τον εντοπισμό,την ανίχνευση και την καταμέτρηση ατόμων
Smart city platform for detection,tracking and counting people
Keywords
Ανιχνευτές προσώπων ; Γλώσσα προγραμματισμού Python ; Επεξεργασία εικόνας ; Σύστημα καταμέτρησης ατόμωνAbstract
Η παρούσα πτυχιακή εργασία ασχολείται με την ανίχνευση της κίνησης των
ανθρώπων σε πραγματικό χρόνο και τις πολύτιμες πληροφορίες που μπορούν να
συλλεχθούν μέσα από αυτή την διαδικασία. Η ροή των ανθρώπων σε μία συγκεκριμένη
τοποθεσία μπορεί να είναι πολύ χρήσιμη σε αρκετές εφαρμογές, όπως για
παράδειγμα, σε μία εφαρμογή για την προστασία ενός χώρου καθώς και για εφαρμογές
όπως την διαχείριση της ροής της κίνησης σε ένα χώρο, μια εκτίμηση για το πλήθος
των ατόμων που βρίσκονται σε έναν συγκεκριμένο χώρο, ακόμα και για μια εκτίμηση
κίνησης-προδιάθεσης καταναλωτών έξω από μια επιχείρηση. Η ανίχνευση, η
παρακολούθηση και η καταμέτρηση ατόμων είναι βασική για μια έρευνα αγοράς ή ένα
τμήμα ασφαλείας σε ένα εμπορικό κέντρο. Πολλές από αυτές τις μετρήσεις γίνονται
ακόμα βασιζόμενες στον ανθρώπινο παράγοντα και σε πολύ προσεγγιστικές μεθόδους
που έχουν ως συνέπεια το μη έγκυρο και άμεσο αποτέλεσμα. Για αυτό λοιπόν τον λόγο
είναι αναγκαίο να αναπτυχθούν αυτόματα συστήματα και διαδικασίες για την σωστή
καταμέτρηση και συλλογή των αποτελεσμάτων. Κατά συνέπεια, η πτυχιακή εργασία
θα ασχοληθεί με την βελτίωση του αλγορίθμου ανίχνευσης και καταμέτρησης ατόμων
σε μια τοποθεσία καθώς και την εφαρμογή του σε πραγματικές συνθήκες με χρήση
πρωτοποριακών τεχνολογιών και χαμηλού κόστους συστημάτων.
Abstract
This dissertation describes and analyzes the methodology and the implementation
method of the people counting system which detects and tracks moving people, using
a single fixed camera. This system counts the number of moving objects (people)
entering a specific security door. Moreover, the detected objects are tracked and get
tagged by the proposed tracking algorithm before entering the door. The proposed
system uses a Raspberry Pi 3 Model B, operates at an average of 10 frames per
second on real-time scenes where it can support up to 6 persons that comes into the
view of a vertically mounted camera. In addition, the system calculates and analyzes
the information on the Raspberry Pi and then, sends the live data via Wi-Fi toggle on
a remote web server for further processing and analysis.