Дослідження робастності ідентифікації людей при масштабуванні та перекритті

Анотація

Праця присвячена дослідженню робастності ідентифікації людей у системах комп’ютерного зору, зокрема для завдань відеоспостереження, в умовах масштабування, перекриття та впливу візуальних завад. Метою дослідження є глибокий аналіз сучасних підходів і розробка інтегрованого методу, що гарантує стабільну роботу нейромережевих моделей у складних неконтрольованих умовах. В ході дослідження сформовано структуровану вибірку з 350 зображень на основі власних даних і наборів COCO та CrowdHuman, розділених за щільністю сцен (одиночні особи, групи, щільні натовпи). Для відтворення реальних умов експлуатації виконано моделювання різних деградацій зображення: розмиття Гаусса, імпульсний шум, зміни освітлення та різке зниження контрасту. Для їх дієвої компенсації реалізовано комплексний конвеєр адаптивної попередньої обробки з використанням екстракції ознак, еквалiзацiї гiстограми та методу CLAHE. Для аналізу використано детектор YOLOv8, моделі просторової сегментації U-Net і Mask R-CNN, а також алгоритми кластеризації K-Means і DBSCAN для відокремлення об'єктів. Результати дослідження показали суттєву залежність якості детекції від несприятливих умов: для дуже малих об’єктів показник IoU знижується до 0.56; при критичному перекритті (понад 80 %) повнота Recall падає до 0.60; а при комбінованих завадах точність mAP знижується до 0.45. Базові середні значення по всій вибірці становлять IoU=0.82, mAP=0.80, Precision=0.88, Recall=0.81. Запропонований тут інтегрований підхід забезпечує підвищення точності до mAP=0.95 та демонструє приріст ефективності до 44 % у найскладніших умовах комбінованих деградацій. Отримані результати підтверджують ефективність поєднання багатомасштабного аналізу, адаптивної попередньої обробки та компенсації перекриття для підвищення робастності систем детекції