A METHOD FOR SEARCHING AND RECOGNISING OBJECTS IN A VIDEO STREAM BY CALCULATING INTERFRAME DELTAS

Borys Sadovnykov; Oleksandr Zhuchenko

doi:10.26906/SUNZ.2025.2.249

Автор(и)

Borys Sadovnykov
Oleksandr Zhuchenko

DOI:

https://doi.org/10.26906/SUNZ.2025.2.249

Ключові слова:

машинне навчання, комп'ютерний зір, обробка зображень, згорточні нейронні мережі, візуальне розпізнавання зображень, телекомунікаційні системи

Анотація

У статті запропоновано удосконалений метод пошуку та розпізнавання об’єктів у відеопотоці в режимі реального часу з використанням обчислення міжкадрових змін (дельт) та нейронного класифікатора. Основною метою дослідження є досягнення високої швидкодії та зменшення обчислювального навантаження на ресурси системи за умови збереження прийнятної точності. Проведено експериментальне порівняння із базовим методом SSD (Single Shot MultiBox Detector), у межах якого вимірювалися показники: середній час обробки кадру, використання оперативної та відеопам’яті, процесорне та графічне навантаження, а також точність розпізнавання. На відміну від SSD, запропонований підхід забезпечує вищу швидкість обробки (до 35% приросту) при незначному зменшенні точності (менше 4%), що компенсується подальшою адаптацією моделі. При цьому використання центрального процесора та ОЗП зростає лише на 0,5–5%, натомість обсяг споживаної відеопам’яті зменшується на 57%. Дослідження підтверджує доцільність застосування удосконаленого методу дельт-класифікації в системах відеоаналітики з обмеженими ресурсами. Наведений метод може бути інтегрований у прикладні системи безпеки, відеонагляду та інтелектуального моніторингу в реальному часі.

Завантаження

Дані завантаження ще не доступні.

Посилання

1. Cui W., Zhang Y., Zhang X., Li L., Liou F. (2020) Metal Additive Manufacturing Parts Inspection Using Convolutional Neural Network, Applied Sciences 10(2), 545; https://doi.org/10.3390/app10020545

2. Guruprasad P. (2020) Overview of different thresholding methods in image processing, Conference: TEQIP Sponsored 3rd National Conference on ETACC

3. Huang W., Kang Y., Zheng S. (2017) An improved frame difference method for moving target detection. 2017 IEEE 16th International Conference on Cognitive Informatics & Cognitive Computing, DOI: 10.1109/ICCI-CC.2017.8109746.

4. Liu W., Anguelov D., Erhan D., Szegedy C., Reed S., Fu C., Berg A. (2016) SSD: Single Shot MultiBox Detector, Computer Vision and Pattern Recognition, Р. 21–37, https://doi.org/10.1007/978-3-319-46448-0_2

5. Lysechko V., Syvolovskyi I., Komar O., Nikitska A., Cherneva G.: Research of modern NoSQL databases to simplify the process of their design. Academic journal: Mechanics Transport Communications, 2023, vol. 21, issue 2, article №2363, ISSN 2367-6620.

6. Lysechko V., Zorina O., Sadovnykov B., Cherneva G., Pastushenko V.: Experimental study of optimized face recognition algorithms for resource – constrained. Mechanics Transport Communications, 2023, vol. 21, issue 1, article №2343.

7. Lysechko V.P., Sadovnykov B.I., Komar O.M., Zhuchenko О.S. (2024) A research of the latest approaches to visual image recognition and classification. 2024, National University «Zaporizhzhia Polytechnic». Radio Electronics, Computer Science, Control, 1(68), P. 140-147, DOI 10.15588/1607-3274-2024-1-13.

8. Mohana, Ravish Aradhya H.V. (2022) Design and Implementation of Object Detection, Tracking, Counting and Classification Algorithms using Artificial Intelligence for Automated Video Surveillance Applications, Conference: 24th International Conference on Advanced Computing and Communications, 2022.

9. Ravi N., El-Sharkawy M. (2022) Real-Time Embedded Implementation of Improved ObjectDetector for ResourceConstrained Devices. Journal of Low Power Electronics and Applications 12(2):21, April 2022, DOI:10.3390/jlpea12020021.

10. Rodriguez, J.; Ayala, D. (2001) Erosion and Dilation on 2D and 3D Digital Images: A new size-independent approach. In Proceedings of the Vision Modeling & Visualization Conference, Stuttgart, Germany,

11. Simonyan K., Zisserman A. (2014) Very Deep Convolutional Networks for Large-Scale Image Recognition, https://doi.org/10.48550/arXiv.1409.1556

12. Singh, B., et al. (2014). Motion Detection for Video Surveillance. In Proceedings of the 2014 International Conference on Signal Propagation and Computer Technology (ICSPCT) (pp. 592–597). IEEE. DOI:10.1109/ICSPCT.2014.6884919.

13. Yue W., Liu S., Li Y. (2023) Eff-PCNet: An Efficient Pure CNN Network for Medical Image Classification, Applied Sciences 13(16):9226, https://doi.org/10.3390/app13169226

14. Zhao, Z. et al. (2019). Object Detection With Deep Learning: A Review. IEEE Transactions on Neural Networks and Learning Systems, 30(11), 3212–3232. DOI: 10.1109/TNNLS.2018.2876865.

15. Пуйда В. Я., Стоян А. О. (2020) Дослідження методів виявлення об'єктів на відеозображеннях. Компьютерні системи та мережі. Vol. 2, No. 1, С. 80-87, 2020, https://doi.org/10.23939/csn2020.01.080.