由于疫情的原因，全球大多數政府和國家衛生當局已將2米的身體距離作為購物中心、學校和其他覆寫地區的強制性安全措施，在本研究中，開發了一個通用的基于深度神經網路的模型，用于自動人群檢測、跟蹤和人群間距離估計，使用常見的閉路電視安全攝像機，提出的模型包括一個基于yolov4的框架和反透視映射，用于在具有挑戰性的條件下(包括人群遮擋、部分能見度和照明變化)進行準確的人檢測和社交距離監測，我們還提供了一個在線風險評估方案，通過統計分析來自移動軌跡和違反社交距離率的時空資料，我們確定病毒傳播和感染可能性最高的高危地區，這可能有助于當局重新設計公共場所的布局，或采取預防措施，以減輕高風險區域，提出的方法的效率在牛津鎮中心資料集上進行了評估，與三種最先進的方法相比，該方法在準確性和速度方面具有更高的性能，
一、demo效果展示
demo視頻
- 論文：https://www.mdpi.com/2076-3417/10/21/7514
- 代碼：https://github.com/shliang0603/Yolov4_DeepSocial
二、論文內容介紹
本文的主要貢獻：
-
該研究旨在通過自動監測和檢測個人之間的社交距離違反行為的人工智能解決方案，為減少新冠病毒的傳播和經濟成本提供支持，
-
我們開發了最精確(如果不是最精確)的深度神經網路(DNN)模型之一，用于
人類檢測、跟蹤和距離估計，稱為DeepSOCIAL， -
我們通過對現場人員移動的時空資料進行分析，進行實時和動態的風險評估，
-
開發的模型是通用的人體檢測和跟蹤器，不局限于社交距離監測，可以應用于各種現實世界的應用，如自動駕駛汽車中的
行人檢測、人體動作識別、例外檢測和安全系統，
涉及到的技術：
1、行人檢測
目標是開發一個模型來檢測人類(人)的各種挑戰，如服裝的變化，姿勢，遠近距離，有/沒有遮擋，以及在不同的光照條件下，（這里選用了 YOLOv4）
2、行人跟蹤
檢測階段之后的下一步是對每個人進行跟蹤和ID分配，
這里使用了Simple Online and Real-time（SORT） 演算法進行跟蹤（卡爾曼濾波（Kalman Filter）和匈牙利演算法(Hungarian algorithm)結合到一起）
詳細的可以參考：https://zhuanlan.zhihu.com/p/59148865（多目標跟蹤：SORT和Deep SORT）
3、 距離估計
這里使用單目視覺的解決方案，使用單個攝像機，將三維世界場景投影到二維透視影像平面，導致物體之間的像素距離不切實際，這被稱為透視效應，在這種效應中，我們不能感知到距離在整個影像中的均勻分布，
在三維空間中，每個框的中心或參考點與三個引數 (x,y,z)相關聯，而在從相機接收到的影像中，原來的三維空間被縮減為二維(x,y)，深度引數(z)不可用，在這樣一個低維空間中，直接使用歐幾里得距離準則來測量人與人之間的距離估計是錯誤的
為了應用校準的IPM過渡，我們首先需要通過設定深度引數 z = 0來消除透視效果進行攝像機校準，我們還需要知道相機的位置，高度，視覺等
具體計算程序如下：
整體的流程：
最后，ICCV 2021 論文和代碼正在爆肝整理中！
https://github.com/DWCTOD/ICCV2021-Papers-with-Code-Demo
轉載請註明出處，本文鏈接：https://www.uj5u.com/ruanti/294022.html
標籤：其他