Застосування нейромережевих моделей для розпізнавання об’єктів у системах безпеки

Abstract

UA : Робота викладена на 53 сторінках друкованого тексту, містить 23 рисунки, 2 таблиці, 19 джерел, 3 додатки. Об’єкт дослідження – процеси виявлення, локалізації та класифікації об’єктів на зображеннях і відеокадрах. Мета роботи: підвищення ефективності функціонування систем відеоспостереження шляхом розробки алгоритмів для автоматичного розпізнавання об’єктів на основі сучасних архітектур згорткових нейронних мереж, оптимізованих для роботи в режимі реального часу. Методи дослідження – аналіз, порівняння, моделювання, експеримент. У магістерській кваліфікаційній роботі досліджувалися методи виявлення, локалізації та класифікації об’єктів на зображеннях і відеокадрах. Було проведено порівняльний аналіз різних алгоритмів розпізнавання об’єктів. Запропоновано архітектуру програмного засобу для автоматичного розпізнавання об’єктів, реалізованого мовою програмування Python з використанням бібліотек ImageAI, OpenCV та попередньо натренованої на наборі даних COCO архітектури YOLO. Розроблений прототип може слугувати основою для створення модулів автоматичного розпізнавання об’єктів у реальних системах безпеки.

EN : The work is presented on 53 pages of printed text, 23 figures, 2 tables, 19 references, 2 annexes. Object of the study – processes of detection, localization, and classification of objects in images and video frames. Aim of the study: improving the efficiency of video surveillance systems by developing algorithms for automatic object recognition based on modern convolutional neural network architectures optimized for real-time operation. Methods of research – analysis, comparison, modeling, experimentation. The master’s thesis investigated methods for detecting, localizing, and classifying objects in images and video frames. A comparative analysis of various object recognition algorithms was performed. The architecture of a software tool for automatic object recognition was proposed, implemented in the Python programming language using ImageAI and OpenCV libraries and the YOLO architecture pre-trained on the COCO dataset. The developed prototype can serve as a basis for creating modules for automatic object recognition in real security systems.