Applying Computer Vision to Tailgating Detection : Case: Kupittaa Sports Hall
Tuomola, Tommi (2019)
Tuomola, Tommi
2019
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2019052812439
https://urn.fi/URN:NBN:fi:amk-2019052812439
Tiivistelmä
Opinnäytetyö liittyy Turun ammattikorkeakoulun, Turun kaupungin ja Fidera Oy:n yhteistyöhankkeessa toteutettavaan tietojärjestelmään, jonka päätavoitteena on kerätä tietoa Kupittaan urheiluhallin eri suorituspaikkojen ja tilojen käyttöasteesta. Osana tätä tietojärjestelmäkehitystä tutkittiin mahdollisuutta tunnistaa rakennuksen sisäänkäyntien yhteydessä tailgating-tapahtumia tietokonenäön avulla ja selvitettiin tietojärjestelmään parhaiten sopiva hahmontunnistusalgoritmi. Opinnäytetyö toteutettiin Fidera Oy:n toimeksiannosta.
Työssä sovellettiin neuroverkkoja turvakamerakuvan käsittelyssä Pythonin OpenCV -kirjaston avulla. Tapahtumien tunnistamisessa olennaista oli tunnistaa ihmishahmot kuvasta. Työn tuloksena vertailtiin kahta eri hahmontunnistukseen soveltuvaa koneoppimisalgoritmia tehokkuuden ja luotettavuuden osalta Kupittaan urheiluhallin viitekehyksessä.
Opinnäytetyössä käytettiin Google Mobilenet SSD- ja YOLOv3-hahmontunnistusalgoritmeja. Algoritmien suoritus- ja tunnistustehossa havaittiin selkeitä eroja. YOLOv3 ilmoitti testikokoonpanolla yli 90%:n tunnistusvarmuuksia. Vastaavasti Google Mobilenet SSD:n ilmoittama tunnistusvarmuus oli alle 60%. Suoritustehossa Google Mobilenet SSD pystyi käsittelemään noin kolminkertaisen määrän kuva-aineistoa samassa ajassa YOLOv3-algoritmiin verrattuna.
Tulokset osoittivat, että Kupittaan urheiluhallin tapauksessa Google Mobilenet SSD -algoritmi antaa käytettävissä olevalla laitteistolla paremman lopputuloksen. This thesis is related to a co-operation project between Turku University of Applied Sciences, the City of Turku and Fidera Ltd. The aim of the project was to develop an information system that collects usage information from the Kupittaa Sports Hall. As a part of this project, the thesis researched the possibility to apply computer vision to tailgating detection at the building entry points and evaluated which object detection algorithm best fits the use case. The thesis was commissioned by Fidera Ltd.
Neural networks and Python’s OpenCV library were applied in handling the security camera footage. For tailgating detection, the most important aspect is to identify the human shapes from the images. As a result two object detection algorithms were compared in terms of performance and recognition confidence.
In the thesis Google Mobilenet SSD and YOLOv3 were used as object detection algorithms. Clear differences were recognized in both performance and recognition confidence of the algorithms. YOLOv3 reported over 90% confidence levels with the hardware used for testing. Google Mobilenet SSD reported values less than 60%. Performancewise Google Mobilenet SSD was able to handle almost three times the amount of images the YOLOv3 was capable of in the same time frame.
The results show that in the case of Kupittaa Sports Hall, the Google Mobilenet SSD gives a better outcome with the available hardware.
Työssä sovellettiin neuroverkkoja turvakamerakuvan käsittelyssä Pythonin OpenCV -kirjaston avulla. Tapahtumien tunnistamisessa olennaista oli tunnistaa ihmishahmot kuvasta. Työn tuloksena vertailtiin kahta eri hahmontunnistukseen soveltuvaa koneoppimisalgoritmia tehokkuuden ja luotettavuuden osalta Kupittaan urheiluhallin viitekehyksessä.
Opinnäytetyössä käytettiin Google Mobilenet SSD- ja YOLOv3-hahmontunnistusalgoritmeja. Algoritmien suoritus- ja tunnistustehossa havaittiin selkeitä eroja. YOLOv3 ilmoitti testikokoonpanolla yli 90%:n tunnistusvarmuuksia. Vastaavasti Google Mobilenet SSD:n ilmoittama tunnistusvarmuus oli alle 60%. Suoritustehossa Google Mobilenet SSD pystyi käsittelemään noin kolminkertaisen määrän kuva-aineistoa samassa ajassa YOLOv3-algoritmiin verrattuna.
Tulokset osoittivat, että Kupittaan urheiluhallin tapauksessa Google Mobilenet SSD -algoritmi antaa käytettävissä olevalla laitteistolla paremman lopputuloksen.
Neural networks and Python’s OpenCV library were applied in handling the security camera footage. For tailgating detection, the most important aspect is to identify the human shapes from the images. As a result two object detection algorithms were compared in terms of performance and recognition confidence.
In the thesis Google Mobilenet SSD and YOLOv3 were used as object detection algorithms. Clear differences were recognized in both performance and recognition confidence of the algorithms. YOLOv3 reported over 90% confidence levels with the hardware used for testing. Google Mobilenet SSD reported values less than 60%. Performancewise Google Mobilenet SSD was able to handle almost three times the amount of images the YOLOv3 was capable of in the same time frame.
The results show that in the case of Kupittaa Sports Hall, the Google Mobilenet SSD gives a better outcome with the available hardware.