Suivi de personnes en temps réel à l’aide d’une caméra Fisheye par Deep Learning = Theo dõi người theo thời gian thực bằng máy camera Fisheye dựa trên mô hình học sâu
Luận văn · Thạc sĩ · năm 2021 · đề tài tham khảo
| Loại tài liệu | Luận văn |
|---|---|
| Bậc học | Thạc sĩ |
| Ngành | Công nghệ thông tin |
| Tác giả | OUEDRAOGO Wênd-Panga Jérémie |
| Người hướng dẫn | Baptiste MAGNIER |
| Cơ sở đào tạo | Đại học Quốc gia Hà Nội |
| Năm | 2021 |
| Nguồn | Thư viện số Đại học Quốc gia Hà Nội · trang gốc |
Tóm tắt
Dans ce document nous présentons les travaux réalisés dans notre stage. Il se sépare en deux étapes : la première étape consacrée à des expériences et une à création d’un data set et l’autre étape qui était la formation d’un modèle pour le suivi d’une personne. En effet première étape a consisté tout d’abord à la création d’un data set à travers des prises vidéos effectuées sur un terrain préparer de deux manières : une pour l’observation en fonction de la distance et l’autre pour l’observation de l’angle de rotation du bounding box. Les vidéos issues de ces prises ont été utilisées avec différents para-mètres, suivie d’un ensemble d’expérimentations avec le RAPID [Duan et al., 2020] etla méthode du centroïde. En appliquant ces deux solutions, nous observons la taille du bounding box selon sa distance avec le point central de la caméra. Ensuite nous cal- culons et observons sa taille en partant de demi-cercles de rayon de 3m et 5m. Nous observons la variation de la taille du bounding box selon son angle d’orientation. Un nouveau data set d’images fisheye top view a été créé à partir de ces prises vidéos. Dans la deuxième étape nous présentons les activités de la deuxième partie de notre stage qui consistait essentiellement à entraîner le détecteur YOLO v4 sur des images fisheye pour appliquer au traqueur DeepSORT. Pour ce faire nous avons utilisé deux data set : le nouveau data de l’IMT, et le data set MW-All. Comme prétraitement, nous avons redimensionné les images à 416 x 416, nous les avons aussi normalisées en divisant tous les pixels de chaque image par 255 de sorte à avoir une valeur comprise entre 0 et 1. Après configuration des hyperparamètres et l’entraînement du réseau avec Yolo V4, nous appliquons les poids au traquer DeepSORT [Wojke et al., 2017] pour le suivi de personne.
Bản toàn văn lưu tại thư viện Đại học Quốc gia Hà Nội
Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.
Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
- Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
- Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
- Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.
Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.
Đề tài cùng ngành
- Nghiên cứu xác định các địa điểm thích hợp xây dựng khu du lịch sinh thái nghỉ dưỡng tại huyện Nho Quan, tỉnh Ninh Bình trên cơ sở ứng dụng GIS và phương pháp phân tích đa chỉ tiêu
- Research and development of facial emotion recognition application based on deep learning
- Ứng dụng công nghệ thông tin trong giải quyết thủ tục hành chính cấp phường (qua khảo sát tại UBND phường Hòa Phát, quận Cẩm Lệ, thành phố Đà Nẵng)
- Nghiên cứu các phương pháp khử nhiễu ảnh dựa trên biểu diễn thưa và mạng học sâu
- Applying machine learning algorithms for stock price forecasting
- Sử dụng mạng học sâu để phát hiện tin giả trên mạng xã hội
- Building E-commerce Website with PERN Stack
- Phân tích và mô phỏng một số bài toán thực tế bằng phương trình vi phân phi tuyến sử dụng Excel
Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.