通过微调 YOLO v3 和 Deepsort 技术进行人员检测与跟踪以监测 COVID-19 社交距离
计算机视觉与模式识别
2021-04-28 v4
摘要
肆虐的 2019 冠状病毒病（COVID-19）已带来全球危机，其致命传播波及 180 多个国家，截至 2020 年 5 月 4 日，全球约有 3,519,901 例确诊病例及 247,630 例死亡病例。缺乏有效的治疗药物和对 COVID-19 的免疫力增加了人群的脆弱性。由于尚无可用疫苗，保持社交距离是抗击此次大流行的唯一可行方法。受此理念启发，本文提出一个基于深度学习的框架，用于自动化地通过监控视频监测社交距离。所提出的框架利用 YOLO v3 目标检测模型将人与背景分离，并采用 Deepsort 方法借助边界框和分配的 ID 来跟踪已识别的人员。YOLO v3 模型的结果进一步与其他流行的先进模型进行了比较，例如更快的基于区域的卷积神经网络和单次检测器，比较指标包括平均精度均值（mAP）、每秒帧数（FPS）以及由目标分类和定位定义的损失值。随后，基于利用边界框的质心坐标和尺寸获得的三维特征空间，计算成对向量化 L2 范数。提出了违规指数项来量化未遵守社交距离协议的情况。通过实验分析，观察到采用 Deepsort 跟踪方案的 YOLO v3 在平衡 mAP 和 FPS 分数方面显示出最佳结果，能够实时监测社交距离。
引用
@article{arxiv.2005.01385,
title = {Monitoring COVID-19 social distancing with person detection and tracking via fine-tuned YOLO v3 and Deepsort techniques},
author = {Narinder Singh Punn and Sanjay Kumar Sonbhadra and Sonali Agarwal and Gaurav Rai},
journal= {arXiv preprint arXiv:2005.01385},
year = {2021}
}