Background subtraction and yolo algorithm: two methods for the detection of people in uncontrolled environments

Carlos Vicente Niño Rondón; Sergio Alexander Castro Casadiego; Byron Medina Delgado

doi:10.16925/2357-6014.2021.01.06

Substracción de fondo y algoritmo yolo : dos métodos para la detección de personas en entornos descontrolados

Artículos de investigación

https://doi.org/10.16925/2357-6014.2021.01.06

Carlos Vicente Niño Rondón Ver Biografía

Universidad Francisco de Paula Santander

Sergio Alexander Castro Casadiego Ver Biografía

Universidad Francisco de Paula Santander

Byron Medina Delgado Ver Biografía

Universidad Francisco de Paula Santander

Introducción: Este artículo es resultado de la investigación titulada “Sistema de procesamiento de señales para la detección de personas en aglomeraciones en zonas de espacio público de la ciudad de Cúcuta”, desarrollada en la Universidad Francisco de Paula Santander en el año 2020.
Problema: El alto porcentaje de falsos positivos y falsos negativos en los procesos de detección de personas hace que la toma de decisiones en las aplicaciones de videovigilancia, seguimiento y localización sea compleja.
Objetivo: Determinar qué técnica de detección de personas presenta mejores resultados en cuanto a tiempo de respuesta y aciertos en la detección.
Metodología: Dos técnicas para la detección de personas en entornos no controlados son validadas en Python con videos tomados dentro de la Universidad Francisco de Paula Santander: la sustracción de fondo y el al-goritmo YOLO.
Resultados: Con la técnica de sustracción de fondo se obtuvo una tasa de acierto del 84,07 % y un tiempo de respuesta medio de 0,815 segundos. Asimismo, con el algoritmo YOLO, la tasa de acierto y el tiempo de respuesta promedio son del 90% y 4,59 segundos respectivamente.
Conclusión: Es posible inferir el uso de la técnica de sustracción de fondo en herramientas de hardware como la placa Raspberry Pi 3B+ para procesos en los que se prioriza el análisis de la información en tiempo real, mientras que el algoritmo YOLO presenta las características requeridas en los procesos en los que se analiza la información después de la adquisición de la imagen.
Originalidad: A través de esta investigación se analizaron los aspectos necesarios para el análisis en tiempo real de la información obtenida en los procesos de detección de personas en ambientes no controlados.

Palabras clave: tasa de aciertos, comparativa, detección de personas, sustracción de fondo, algoritmo Yolo

C. V. Niño Rondón, S. A. Castro Casadiego, B. Medina Delgado, and D. Guevara Ibarra, “Análisis de viabilidad y diseño de un sistema electrónico para el seguimiento de la dinámica poblacional en la ciudad de Cúcuta,” Ing. USBMed, vol. 11, no. 1, pp. 56–64, 2020. doi: 10.21500/20275846.4489

E. N. Kajabad and S. V. Ivanov, “People Detection and Finding Attractive Areas by the use of Movement Detection Analysis and Deep Learning Approach,” Procedia Comput. Sci., vol. 156, pp. 327–337, 2019. doi: 10.1016/j.procs.2019.08.209

M. Hussein, W. Abd-Almageed, Y. Ran, and L. Davis, “Real-time human detection, tracking, and verification in uncontrolled camera motion environments,” Proc. Fourth IEEE Int. Conf. Comput. Vis. Syst. ICVS’06, vol. 2006, no. February, p. 41, 2006. doi: 10.1109/ICVS.2006.52

A. K. Agrawal and Y. N. Singh, “An efficient approach for face recognition in uncontrolled environment,” Multimed. Tools Appl., vol. 76, no. 3, pp. 3751–3760, 2017. doi: 10.1007/s11042-016-3976-z

B. Garcia-Garcia, T. Bouwmans, and A. J. Rosales Silva, “Background subtraction in real applications: Challenges, current models and future directions,” Comput. Sci. Rev., vol. 35, p. 100204, 2020. doi: 10.1016/j.cosrev.2019.100204

E. S. Jeon et al., “Human detection based on the generation of a background image by using a far-infrared light camera,” Sensors (Switzerland), vol. 15, no. 3, pp. 6763–6788, 2015. doi: 10.3390/s150306763

Y. Yang, Q. Zhang, P. Wang, X. Hu, and N. Wu, “Moving Object Detection for Dynamic Background Scenes Based on Spatiotemporal Model,” Adv. Multimed., vol. 2017, 2017. doi: 10.1155/2017/5179013

G. Natanael, C. Zet, and C. Fosalau, “Estimating the distance to an object based on image processing,” EPE 2018 - Proc. 2018 10th Int. Conf. Expo. Electr. Power Eng., pp. 211–216, 2018. doi: 10.1109/ICEPE.2018.8559642

J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You only look once: Unified, real-time object detection,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., vol. 2016-Decem, pp. 779–788, 2016. doi: 10.1109/CVPR.2016.91

J. Zuo, Z. Jia, J. Yang, and N. Kasabov, “Moving Target Detection Based on Improved Gaussian Mixture Background Subtraction in Video Images,” IEEE Access, vol. 7, pp. 152612–152623, 2019. doi: 10.1109/ACCESS.2019.2946230

A. Miranto, S. R. Sulistiyanti, and F. X. Arinto Setyawan, “Adaptive background subtraction for monitoring system,” 2019 Int. Conf. Inf. Commun. Technol. ICOIACT 2019, pp. 153–156, 2019. doi: 10.1109/ICOIACT46704.2019.8938501

W. Liu, H. Yu, H. Yuan, H. Zhao, and X. Xu, “Effective background modelling and subtraction approach for moving object detection,” IET Comput. Vis., vol. 9, no. 1, pp. 13–24, 2015. doi: 10.1049/iet-cvi.2013.0242

S. N. N. Htun, T. T. Zin, and P. Tin, “Image Processing Technique and Hidden Markov Model for an Elderly Care Monitoring System,” J. Imaging, vol. 6, no. 6, p. 49, 2020. doi: 10.3390/jimaging6060049

M. Mariappan, L. K. Thong, and K. Muthukaruppan, “A design methodology of an embedded motion-detecting video surveillance system,” Int. J. Integr. Eng., vol. 12, no. 2, pp. 55–69, 2020. doi: 10.30880/ijie.2020.12.02.007

S. Li, M. O. Tezcan, P. Ishwar, and J. Konrad, “Supervised people counting using an overhead fisheye camera,” in 2019 16th IEEE International Conference on Advanced Video and Signal Based Surveillance, AVSS 2019, 2019, pp. 1–8. doi: 10.1109/AVSS.2019.8909877

K. Rantelobo, M. A. Indraswara, N. P. Sastra, D. M. Wiharta, H. F. J. Lami, and H. Z. Kotta, “Monitoring Systems for Counting People using Raspberry Pi 3,” in 2018 International Conference on Smart Green Technology in Electrical and Information Systems: Smart Green Technology for Sustainable Living, ICSGTEIS 2018 - Proceeding, 2018, no. October, pp. 57–60. doi: 10.1109/ICSGTEIS.2018.8709141

P. Ren, W. Fang, and S. Djahel, “A novel YOLO-Based real-Time people counting approach,” in 2017 International Smart Cities Conference, ISC2 2017, 2017, vol. 243, pp. 3–4. doi: 10.1109/ISC2.2017.8090864

S. Vaidya, N. Shah, N. Shah, and R. Shankarmani, “Real-Time Object Detection for Visually Challenged People,” in Proceedings of the International Conference on Intelligent Computing and Control Systems, ICICCS 2020, 2020, no. Iciccs, pp. 311–316. doi: 10.1109/ICICCS48265.2020.9121085

A. Lucian, A. Sandu, R. Orghidan, and D. Moldovan, “Human leg detection from depth sensing,” in 2018 IEEE International Conference on Automation, Quality and Testing, Robotics, AQTR 2018 - THETA 21st Edition, Proceedings, 2018, pp. 1–5. doi: 10.1109/AQTR.2018.8402735

M. Ahmad, I. Ahmed, and A. Adnan, “Overhead View Person Detection Using YOLO,” in 2019 IEEE 10th Annual Ubiquitous Computing, Electronics and Mobile Communication Conference, UEMCON 2019, 2019, no. i, pp. 0627–0633. doi: 10.1109/UEMCON47517.2019.8992980

Y. Yang, K. Han, S. HyungLee, and J. Lee, “Temporal difference based adaptive object Detection (ToDo) platform at Edge Computing System,” in 17th Annual Consumer Communications & Networking Conference (CCNC), 2020, pp. 1–2. doi: 10.1109/JPROC.2019.2918951

C. Liu, P. Liu, and C. Xiao, “Detecting stabbing by a deep learning method from surveillance videos,” in IST 2019 - IEEE International Conference on Imaging Systems and Techniques, Proceedings, 2019, pp. 1–5. doi: 10.1109/IST48021.2019.9010206

A. AKTAŞ, B. DOĞAN, and Ö. DEMİR, “Derin öğrenme yöntemleri ile dokunsal parke yüzeyi tespiti,” Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Derg., vol. 3, pp. 1685–1700, 2020. doi: 10.17341/gazimmfd.652101

R. Bohush and I. Zakharava, “Person tracking algorithm based on convolutional neural network for indoor video surveillance,” Comput. Opt., vol. 44, no. 1, pp. 109–116, 2020. doi: 10.17341/gazimmfd.652101

F. Fang, K. Qian, B. Zhou, and X. Ma, “Real-time RGB-D based people detection and tracking system for mobile robots,” in 2017 IEEE International Conference on Mechatronics and Automation, ICMA 2017, 2017, pp. 1937–1941. doi: 10.1109/ICMA.2017.8016114

G. Cavanzo, M. Pérez, and F. Villavisan, “Medición de eficiencia de algoritmos de visión artificial implementados en raspberry pi y ordenador personal mediante Python,” Ingenium, vol. 18, no. 35, pp. 105–119, 2017. doi: 10.21500/01247492.3218

S. Sivaranjani and S. Sumathi, “A review on implementation of bimodal newborn authentication using raspberry Pi,” in Global Conference on Communication Technologies, GCCT 2015, 2015, no. Gcct, pp. 267–272. doi: 10.1109/GCCT.2015.7342664

R. Barbuzza, J. D’amato, A. Rubiales, L. Dominguez, A. Perez, and M. Venere, “Un Método para la Sustracción de Fondo en Videos Inestables,” Mecánica Comput., vol. 34, no. 51, pp. 3409–3417, 2016. doi: 10.13140/2.1.1478.1123

C. V. Niño Rondón, S. A. Castro Casadiego, and B. Medina Delgado, “Caracterización para la ubicación en la captura de video aplicado a técnicas de visión artificial en la detección de personas,” Rev. Colomb. Tecnol. Av. RCTA, vol. 2, no. 36, pp. 83–88, 2020. doi: 10.24054/16927257.v36.n36.2020.3720

G. Sánchez-Torres and J. A. Taborda-Giraldo, “Estimación automática de la medida de ocupación de playas mediante procesamiento de imágenes digitales,” TecnoLógicas, vol. 17, no. 33, p. 21, 2014. doi: 10.22430/22565337.543

D. Jyoti Bora, R. Kumar Bania, and C. Ngoc, “A Local Type-2 Fuzzy Set Based Technique For He Stain Image Enhancement,” Ing. Solidar., vol. 15, no. 29, pp. 1–22, 2019. doi: 10.16925/2357-6014.2019.03.02

C. T. Hsieh, H. C. Wang, Y. K. Wu, L. C. Chang, and T. K. Kuo, “A Kinect-based people-flow counting system,” in ISPACS 2012 - IEEE International Symposium on Intelligent Signal Processing and Communications Systems, 2012, no. Ispacs, pp. 146–150. doi: 10.1109/ISPACS.2012.6473470

C. S. Marzan and N. Marcos, “Towards tobacco leaf detection using Haar cascade classifier and image processing techniques,” ACM Int. Conf. Proceeding Ser., pp. 63–68, 2018. doi: 10.1145/3282286.3282292

B. Rodríguez-Cuenca, S. García-Cortés, C. Ordóñez, and M. C. Alonso, “Morphological operations to extract urban curbs in 3d mls point clouds,” ISPRS Int. J. Geo-Information, vol. 5, no. 6, 2016. doi: 10.3390/ijgi5060093

E. Elboher and M. Werman, “Efficient and accurate Gaussian image filtering using running sums,” in International Conference on Intelligent Systems Design and Applications, ISDA, 2012, pp. 897–902. doi: 10.1109/ISDA.2012.6416657

P. Huamaní Navarrete, “Umbralización múltiple utilizando el método de Otsu para reconocer la luz roja en semáforos,” Scientia, vol. 17, no. 17, pp. 247–262, 2016. doi: 10.31381/scientia.v17i17.393

G. XU, Z. WANG, Y. CHENG, Y. TIAN, and C. ZHANG, “A man-made object detection algorithm based on contour complexity evaluation,” Chinese J. Aeronaut., vol. 30, no. 6, pp. 1931–1940, 2017. doi: 10.1016/j.cja.2017.09.001

X. Zou, “A Review of object detection techniques,” in Proceedings - 2019 International Conference on Smart Grid and Electrical Automation, ICSGEA 2019, 2019, pp. 251–254. doi: 10.1109/ICSGEA.2019.00065

M. Massiris, C. Delrieux, and J. Á. Fernández, “Detección de equipos de protección personal mediante red neuronal convolucional YOLO,” no. September, pp. 1022–1029, 2020. doi: 10.17979/spudc.9788497497565.1022

C. Szegedy et al., “Going deeper with convolutions,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., vol. 07-12-June, pp. 1–9, 2015. doi: 10.1109/CVPR.2015.7298594

J. Hu, X. Gao, H. Wu, and S. Gao, “Detection of Workers Without the Helments in Videos Based on YOLO V3,” in 12th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI), 2019, pp. 1553–1560. doi: 10.1109/CISP-BMEI48845.2019.8966045

J. Yang, Q. Min, W. Lu, Y. Ma, W. Yao, and T. Lu, “An RGB channel operation for removal of the difference of atmospheric scattering and its application on total sky cloud detection,” Atmos. Meas. Tech., vol. 10, no. 3, pp. 1191–1201, 2017. doi: 10.5194/amt-10-1191-2017

R. Rasmus, G. Matthieu, and V. G. Luc, “Non-Maximum Suppression for Object Detection by Passing Messages between Windows,” in Asian Conference on Computer Vision, 2014, vol. 9003. doi: 10.1007/978-3-319-16865-4

R. Huang, J. Pedoeem, and C. Chen, “YOLO-LITE: A Real-Time Object Detection Algorithm Optimized for Non-GPU Computers,” in Proceedings - 2018 IEEE International Conference on Big Data, Big Data 2018, 2019, pp. 2503–2510. doi: 10.1109/BigData.2018.8621865

P. Tumas, A. Nowosielski, and A. Serackis, “Pedestrian Detection in Severe Weather Conditions,” IEEE Access, vol. 8, pp. 62775–62784, 2020. doi: 10.1109/ACCESS.2020.2982539

R. Gothwal, S. Gupta, D. Gupta, and A. K. Dahiya, “Color image segmentation algorithm based on RGB channels,” in Proceedings - 2014 3rd International Conference on Reliability, Infocom Technologies and Optimization: Trends and Future Directions, ICRITO 2014, 2015, pp. 1–5. doi: 10.1109/ICRITO.2014.7014669

Y. Xu, T. Wu, F. Gao, J. R. Charlton, and K. M. Bennett, “Improved small blob detection in 3D images using jointly constrained deep learning and Hessian analysis,” Sci. Rep., vol. 10, no. 1, pp. 1–12, 2020. doi: 10.1109/ICRITO.2014.7014669

S. Shinde, A. Kothari, and V. Gupta, “YOLO based Human Action Recognition and Localization,” Procedia Comput. Sci., vol. 133, no. 2018, pp. 831–838, 2018. doi: 10.1016/j.procs.2018.07.112

R. Seidel, A. Apitzsch, and G. Hirtz, “Improved Person Detection on Omnidirectional Images with Non-maxima Supression,” VISIGRAPP 2019 - Proc. 14th Int. Jt. Conf. Comput. Vision, Imaging Comput. Graph. Theory Appl., vol. 5, no. January, pp. 474–481, 2019. doi: 10.5220/0007388404740481

D. Ramírez-Jiménez and J. D. Quintero-Ospina, “Clasificación de patologías presentes en la columna vertebral mediante técnicas de máquinas de aprendizaje,” Ing. Solidar., vol. 15, no. 27, pp. 1–23, 2019. doi:10.16925/2357-6014.2019.01.05

[1]

C. V. Niño Rondón, S. A. Castro Casadiego, and B. Medina Delgado, “Substracción de fondo y algoritmo yolo: dos métodos para la detección de personas en entornos descontrolados”, ing. Solidar, vol. 17, no. 1, pp. 1–24, Jan. 2021, doi: 10.16925/2357-6014.2021.01.06.

Descargar cita

Derechos de autor 2021 Ingeniería Solidaria

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Compromiso ético y cesión de derechos

El autor debe declarar que su trabajo es original e inédito y que no se ha postulado a evaluación simultánea para su publicación por otro medio. Además, debe asegurar que no tiene impedimentos de ninguna naturaleza para la concesión de los derechos previstos en el contrato.

El autor se compromete a esperar el resultado de evaluación de la revista Ingeniería Solidaria, antes de considerar su presentación a otro medio; en caso de que la respuesta de publicación sea positiva, adicionalmente, se compromete a responder por cualquier acción de reivindicación, plagio u otra clase de reclamación que al respecto pudiera sobrevenir por parte de terceros.

Asimismo, debe declarar que, como autor o coautor, está de acuerdo por completo con los contenidos presentados en el trabajo y ceder todos los derechos patrimoniales, es decir, su reproducción, comunicación pública, distribución, divulgación, transformación, puesta a disposición y demás formas de utilización de la obra por cualquier medio o procedimiento, por el término de su protección legal y en todos los países del mundo, al Fondo Editorial de la Universidad Cooperativa de Colombia, de manera gratuita y sin contraprestación presente o futura.

Número

Vol. 17 Núm. 1 (2021)

Publicado

2021-01-12

Descargas

PDF (Inglés)

Cómo citar

[1]

Descargar cita

Métricas

File downloads

641

https://plu.mx/plum/a/?doi=10.16925/2357-6014.2021.01.06