Konenäön hyödyntäminen tilan valvonnassa

Tiivistelmä. Tämän työn tavoitteena on kehittää konenäköjärjestelmää, joka tunnistaa objekteja videosyötteestä. Konenäköjärjestelmän avulla pyritään parantamaan tilan valvontaa. Työn lähtökohtana on kehittää konenäköohjelmistoa, joka kykenee havaitsemaan, missä päin tilaa henkilöt sijaitsevat. Työhön liittyviä konenäön osa-alueita on objektien havaitseminen ja tunnistus. Työn edetessä tutkimuskohteeksi tarkentui uudelleentunnistus useamman reaaliaikaista videokuvaa tuottavan kameran välillä. Työssä perehdyttiin aluksi konenäön, objektin tunnistuksen ja koneoppimisen teoriaan sekä tutustuttiin aiheeseen liittyviin aiempiin tutkimuksiin. Teoriakatsauksesta kertyneiden tietojen avulla lähdettiin kehittämään uudelleentunnistusohjelmistoa. Kehitystyössä käytettiin hyödyksi avoimeen lähdekoodiin perustuvia ohjelmistoja ja ohjelmistokirjastoja. Ohjelmiston taustalla on valmiiksi opetettuja tekoälymalleja, jotka vastaavat objektien tunnistamisesta ja seurannasta sekä uudelleentunnistuksesta. Uudelleentunnistusohjelmiston toimivuutta arvioitiin tekemällä kontrolloituja sekä todellisia olosuhteita jäljitteleviä testejä. Testien perusteella prototyyppiohjelmiston toimivuus oli hyvä. Ohjelmisto vaatii kuitenkin jatkokehittämistä, jotta ohjelmistosta saataisiin toimiva tuote.Utilization of the computer vision in surveillance of the space. Abstract. Purpose of this master’s thesis is to develop a computer vision system that recognizes objects from the video feed. The goal is to utilize the computer vision system for surveillance of the space and to develop a system that can detect where are the people located in the space. Object detection and recognition are the sectors of the computer vision that this thesis focuses on. Subject of the thesis narrowed down to re-identification during the thesis. First, the theory of computer vision, object recognition and machine learning was studied and previous studies regarding the subject was researched. Using the knowledge gained from the theory section, the developing of the re-identification program was started. In the development of the re-identification program open-source libraries and frameworks were used. On the background of the software were pre-trained deep learning models that were responsible of the object recognition, tracking and re-identification. The results of the re-identification program were verified using controlled and real-world mimicking tests. According to the tests the results of the prototype program were good. Although, the program requires further development to refine to finished product