PROCJENA GUSTOE MNOTVA LJUDI UTEMELJENA LOKALNIM BINARNIM ZNAAJKAMA

PROCJENA GUSTOĆE MNOŠTVA LJUDI UTEMELJENA LOKALNIM BINARNIM ZNAČAJKAMA Antonio Kuzminski mentor: prof. dr. sc. Slobodan Ribarić

Problematika ■ Postojeći problemi: – brojenje mnoštva – procjena gustoće mnoštva izvor: https: //twitter. com/aljwhite/status/760465748993204224/photo/1 izvor: https: //uk. news. yahoo. com/big-crowdgathers-hong-kong-091906975. html izvor: http: //www. safebee. com/health/how-survive-stampede

Izvorni rad Z. Wang, H. Liu, Y. Qian, i T. Xu. Crowd density estimation based on local binary pattern co-occurrence matrix. U 2012 IEEE International Conference on Multimedia and Expo Workshops, stranice 372– 377, 2012.

Teorijske osnove ■ LBP (engl. Local binary pattern) – lokalna binarna značajka

Teorijske osnove ■ Matrica pojavnosti sivih razina (engl. Gray level co-occurence matrix - GLCM) ■ Primjer GLCM za kut od 0 stupnjeva i udaljenost 1

Teorijske osnove ■ Klasifikator k najbližih susjeda - k-NN – jednostavan nadziran (engl. supervised) algoritam strojnog učenja – k u nazivu k-NN predstavlja broj susjeda koji sudjeluju u „glasanju”

Teorijske osnove ■

Teorijske osnove ■ Stroj s potpornim vektorima (engl. Support vector machine – SVM) – korištenje jezgrenih funkcija – funkcija optimizacije

Teorijske osnove ■ Gradijent slike – gradijent je funkcija dviju varijabli, vektor s dvije komponente koje su dobivene derivacijom u horizontalnom i vertikalnom smjeru izvor: https: //en. wikipedia. org/wiki/Gradient#/media/File

Teorijske osnove ■ Sobelov operator – koristi dvije 3× 3 jezgre koju su konvoluirane s izvornom slikom kako bi se aproksimirale derivacije–jedna za x smjer, a druga za y smjer

Teorijske osnove ■ Haralickove značajke – R. M. Haralick. Statistical and structural approaches to texture. Proceedings of the IEEE, 67(5): 786– 804, 1979. – Neke od mjera odnose se na specifične teksturne karakteristike poput homogenosti, kontrasta i prisutnosti grupiranih ili usmjerenih struktura unutar slike. Druge mjere opisuju složenost i način promjene sivih razina unutar slike.

Postupak

Programska implementacija ■ Python – Scikit-learn, Scikit-Image, Open. CV

Rezultati eksperimenta ■ k neparne vrijednosti (1 ili 3) ■ Veličina klizećeg okna 64 x 64, a veličina koraka 32 piksela ■ Haralickove značajke: energija, kontrast, homogenost, entropija ■ Kutovi: 0, 90, 180 i 270 stupnjeva ■ Fuzija klasifikatora koji koristi slike sivih razina i klasifikatora koji koristi slike sivih razina nad kojima je primijenjen operator gradijenta

Primjena naučenih klasifikatora na novom skupu podataka ■ Jednom naučeni klasifikatori nisu spodobni prenijeti znanje na novi skup podataka.

Zaključak ■ Relativno jednostavan postupak za klasifikaciju grupacija mnoštva i procjenu broja ljudi. ■ Točnost i brzina klasifikacije uvelike ovise o odabranim parametrima pojedinog modela. ■ Jednom stečeno znanje o jednom skupu podataka nije moguće prenijeti na neki drugi skup podataka koji se razlikuje po veličini mnoštva, rasporedu, uvjetima osvjetljenja. ■ Korištenje opisanog postupka najprikladnije je u statičkim situacijama gdje su promjene parametara slike minimalne.