The Impact of COVID-19 Social Distancing
COVID-19 社交距離的影響
摘要
COVID-19 是一種嚴重的流行病，使世界陷入全球危機。截至 2021 年 6 月 6 日，全球已有超過 4200 萬人被感染，114 萬人死亡。
對流行病的更深入瞭解顯示，一個人的疏忽，可能會造成難以否認的廣泛傷害。由於疫苗供不應求，因此必須保持社交距離，以阻止 COVID-19 的傳播。
因此，我們的目標是開發一個追蹤人類的框架，以監控正在實施的社交距離。為了實現社交距離監控的這一目標，開發了一種使用對象檢測方法的算法。在這裡，探索了基於 CNN 的對象檢測器，來檢測人類的存在。
物體檢測器的輸出，用於計算檢測到的每對人類之間的距離。這種社交距離算法的方法，將紅色標記靠近允許限制的人。實驗結果證明，使用我們提出的社交距離算法，是基於 CNN 的對象檢測器，在監控公共區域的社交距離方面，表現出有希望的結果。
介紹
COVID-19（冠狀病毒）是一種傳染病，已被世界衛生組織 (WHO) 宣佈為流行病。它於 2019 年底在中國武漢首次發現。截至 2020 年 10 月 23 日，全球有 217 個國家和地區受到 COVID-19 的影響，並報告了大約 4200 萬確診病例和 114 萬人死亡。
圖1 說明了 2021 年 1 月 22 日至 2020 年 10 月 23 日的病例總數和死亡總數。根據世界衛生組織，如果一個人與其他病毒感染者接觸，他可能會感染 COVID-19。迄今為止，疫苗仍遠遠供不應求。因此，有必要尋找替代控制措施，來防止這種致命病毒的傳播。
眾所皆知，預防勝於治療，世衛組織提出了多項安全措施，以盡量減少冠狀病毒的傳播。在目前的情況下，社交距離已被證明是，作為阻止傳播最巧妙的替代方法之一。社交距離也可以稱為「實體距離」，這意味著與周圍的人保持距離。
保持社交距離，有助於減少可能感染 COVID-19 的人，和健康人之間的身體接觸或互動。根據世衛組織的標準規定，每個人之間應保持至少 6 英尺的距離，以遵守社交距離。
這是打破傳染鏈的重要方式。因此，所有受影響的國家，都採取了保持社交距離的措施。
在即時場景中，監控社交距離是一項具有挑戰性的任務。可以透過兩種方式實現：手動和自動。手動方法需要許多肉眼，來觀察每個人是否嚴格遵守社交距離規範。這是一個艱鉅的過程，因為人們無法在 24 × 7 的情況下，保持眼睛連續監控。
自動化監控系統，用閉路電視攝影機取代了許多實體眼睛。閉路電視攝影機生成影像片段，自動監控系統會檢查這些片段。當發生任何可疑事件時，系統會發出警報。針對此警報，安全人員可以採取相關措施。因此，自動化監控系統，已經超越了手動監控方法的幾個侷限性。
這項研究目的，在限制冠狀病毒流行的影響，同時將對經濟產物的危害降至最低。在本文中，我們提出了一種有效的自動監視系統，可幫助定位每個人，並監控他們的社交距離參數。
此應用適用於室內和室外監控場景。它可以在火車站、機場、大型商店、商場、街道等各種地方得到顯著使用。所提出的方法，可以看作是兩個主要任務的組合，提到如下：
(i) 人體檢測和追蹤
(ii) 監測人與人之間的社交距離
在第一個任務中，這項研究解決了監控影像中，人體檢測和追蹤 的問題。人體檢測是一個兩階段的過程，涉及第一階段的目標定位，和第二階段的定位目標的分類。本文提出了一種，基於視覺特定學習的人體檢測技術，透過影像源中的深度神經網路。
第二個任務的重點，是使用我們提出的算法，計算公共區域中人與人之間的距離。如果遵循，將根據社會距離做出決定。如果不是，那麼不遵守社交距離標準的人，會用紅色矩形突出顯示。看到這一點，保全人員可以採取與社交距離規則，相關的任何行動，以便嚴格遵守。
本文分為五個部分。第一節描述了保持社交距離的動機，和介紹性的知識。第二部分目的，在對各種人體檢測技術，傳統和最新的方法進行大量研究。第三部分側重於，有關深度學習的人體檢測模式。實驗及其詳細分析，在第四部分中介紹。最後，在第五部分中，描述了結論和未來的範圍。
文獻報導的評論
2001 年，Viola 和 Jones，提出了一種非常流行的目標檢測方法。他們使用 Haar 特徵進行特徵提取，使用 adaboost 學習算法，與級聯分類器進行分類。這種方法，比傳統方法快 15 倍。 Fu-Chun Hsu 等則提出了，一種透過融合運動和視覺特徵，來檢測頭部和肩部的混合方法。
作者發現定向光流直方圖 (HOOF) 描述，符是分割影像序列中，運動對象的更好選擇，並且可以有效地處理雜亂和遮擋的環境。
Vijay 和 Shashikant 提出了，一種用於高級駕駛員輔助的即時行人檢測。該系統使用 Edgelet 特徵，來檢測行人，以提高準確性，並使用有關 k-means 聚類算法的分類器，來降低系統複雜度。蘇曼·庫馬爾·喬杜里等人， 因而提出了一種先進的行人系統，透過結合背景減法技術，提取運動物體、輪廓方向直方圖，和基於黃金比例的分區，從運動物體和 HIKSVM 中，提取有意義的資訊進行物體分類。該系統可以有效處理遮擋，準確率高達 98.36%。
Seemanthini 和 Manjunath 為動作辨識系統，佈署了人體檢測技術。辛格等人提出了，一種透過閉路電視攝影機，在城市進行廣泛監視的人體檢測框架。他們使用背景減法技術，分割運動對象，使用 HOG 描述符提取特徵，使用 SVM 進行對象分類。
早些時候，對象檢測框架實現了滑動窗口概念，用於圖像內的對象定位。根據這種方法，圖像被分成特定大小的塊或區域。
此外，這些塊被分類到它們各自的類別中。各種手工特徵提取技術，如 HOG、SIFT、LBP等，用於評估屬性或特徵。
此外，這些屬性用於建構分類器，以在圖像的網格上定位對象。然而，這種基於網格的原型，需要很高的計算成本，有時會產生很高的誤報率。
因此，需要一個有效的對象分類，和定位框架，來檢測圖像中具有不同尺度的多個對象。另外，它應該降低計算成本和誤報率。最近，在使用深度卷積神經網路 (CNN) 的對象檢測方面，取得了重大進展。
卷積神經網路 (CNN) ，是一類密集的前饋人工神經網路，已被用於在電腦視覺任務中準確執行，例如圖像分類和檢測。CNN 能夠在卷積過程的幫助下，提取穩健的特徵。其強大的屬性表示能力，在目標檢測中發揮了巨大的作用。
Aichun、Tian 和 Qiao 提出了一種用於多個人體上半身檢測，深度層次的模式。該模式採用具有多個卷積特徵的，候選區域卷積神經網路 (CR-CNN) ，來適應圖像中的局部和上下關聯資訊，並已實現高達 86% 的準確率。
文獻中的研究顯示，目標檢測在電腦視覺中具有重要的作用，因為它具有許多實際用例，例如人臉檢測、行人、檢測、活動辨識、醫學成像等。本文擴展了其作用。物體檢測以減少 COVID-19 的生動傳播。因此，我們的目標是開發一種應用，用於使用高效的對象檢測器，分析人與人之間的社交距離。
提議的最先進的社交距離監測框架
如圖 2 所示，此處提出了在公共場所，監控社交距離的總體場景。任何公共場所可用的閉路電視攝影機，都可用於監控，即監控社交距離。
從這些攝影機接收的影像串流/幀序列，被饋送到對象檢測和跟蹤模組，用於定位場景中是否有人。評估對象/人位置的「質心」和許多此類質心之間的「距離」等參數，以衡量所實踐的社交距離程度。
將檢測到的人類邊界框的顏色，從綠色更改為紅色時，會生成警報。邊界框的顏色為綠色，直到任何兩個人之間存在允許的距離。當這個減少時，邊界框的顏色變為紅色，這表示違反社交距離。
基於滑動窗口的區域提議，是設計高效目標檢測器，一種簡單直接的方法。根據這種方法，圖像或幀被分成特定大小的塊或區域。此外，這些塊被分類到它們各自的類別中。
塊的分類可以透過不同的機器學習，和深度學習的範式來實現。區域也可能包含對象的一部分，這會在對象周圍引入許多邊界框。為瞭解決這個問題，非最大抑制（NMS）算法，用於在圖像中正確定位對象，抑制低邊界框，並只保留最好的。
本文運用基於深度學習的技術，借助基於滑動窗口的區域提議算法，來檢測人類的存在。所提出的技術在對象檢測，和定位方面非常有幫助，這在第 3 節中進行了描述。3.1. 中，這些採用的技術用於社交距離算法，以查看人們是否遵循距離標準。社交距離的算法，在 3.2. 的第 1 節中描述。
提出的 CNN 模型
卷積神經網路 (CNN)，引起了研究界的高度關注，並且可以成功地嵌入到，更廣泛的圖像分類範式中。它以圖像為輸入，根據可訓練的加權和偏差，為圖像中的不同對象分配重要性，並有效區分每個對象。
本文介紹了兩種基於 CNN 的序列模式，來檢測圖像中是否存在個體。這些建議模式的總體概述如表 1 所示。這些模式由卷積層、池化層、扁平化、全連接層 1 和 2，以及輸出層組成。
這兩個模式唯一的區別，在於模式 1 由兩個卷積層和兩個池化層組成，而模式 2 由三個卷積層和三個池化層組成。由於這種變化，模式 1 產生大約 10,402,993 個可訓練參數，而模型 2 產生大約 2,861,297 個可訓練參數。
表 1 建議的模式配置
圖 3 顯示了模式 2 的圖形結構，它以大小為 128 × 64 × 3 的彩色圖像作為輸入，並生成其預測值作為輸出。它具有三個卷積層、三個池化層、兩個全連接層和一個輸出層。第一個卷積層涉及 32 個大小為 3 × 3 的捲積濾波器，而第二個和第三個卷積層，分別涉及 48 個濾波器，和 64 個卷積濾波器。卷積層使用 (1, 1) 步長值。池化層涉及 (2, 2) pool size 以減小圖像的大小。兩個大小分別為 512 和 128 的全連接層 (FC) ，用於訓練網路。輸出層的大小是一個神經元，指示返回 True 或 False 值。我們在卷積層和全連接層中使用了「Relu」激活函數。
而「Sigmoid」函數用於輸出層，產生輸出向量，其中每個元素都是一個概率。在第一層 FC 中使用 30% 的 dropout 率來克服過擬合問題。
圖 3
建議的社交距離監控算法
這是我們提議的，框架的第二階段。 所提出的社交距離監控算法，具有兩個主要功能。Function1，有助於找出圖像中對象的位置。它使用人體檢測技術，並以坐標值的形式提供人體位置，如 XA（左）、YA（上）、XB（右）和 YB（下）。從這些坐標值中，辨識出不同對象的質心值。 對一個對象的質心值的評估，顯示在方程中 1 和 2。
其中 XA、YA、XB 和 YB 是對象的坐標值（左、上、右、下）。 X 和 Y 是質心坐標或值。 此外，這些參數被傳遞到下一個函數，來測量社交距離。
函數 2 使用阿基里得距離，找出兩個物體之間的距離，這決定了它們之間的接近程度，如公式 2 所示。3. 將這個距離向量與預定義的閾值，進行比較來做出決定。 如果阿基里得距離小於某個閾值，則假定這兩個對像不遵守社會疏遠標準，或者它們之間沒有足夠的距離。如果違反這些安全問題，冠狀病毒就有可能傳播。 因此，透過在對象周圍繪製紅色矩形，向安全人員生成警報。因此，預期的人或觀察者，可以採取適當的行動，或要求他們保持社交距離。
實驗與分析
在本文中，已經開發了基於 CNN 的技術，來檢測人類的存在。此外，保持社交距離的做法，是從這些建議的技術中進行的。所有實驗均在 64 位類型系統的 Intel core i3-5005 CPU@2.00 GHz 處理器，和 Python 中的 Google Colab 上進行。
我們使用 INRIA 圖像數據集，進行訓練。它由總共 6562 張圖像組成，其中 4146 張圖像為負圖像，2416 張圖像為正圖像。我們將圖像數據集，分為訓練和測試模組，其中 2316 張正圖像和 4046 張負圖像，用於訓練目的；100 張正圖像和 100 張負圖像，用於測試目的。該數據集包含靜態圖像，並包含解析度為 64 × 128 的人類變異。
在對基於滑動窗口模組，即時影像的序列進行測試時，最小窗口大小為(64, 128)，步長為(10, 10)，縮小為1.25。對於大小為 264 × 400 × 3 的圖像，它處理了大約 567 個窗口，每個窗口的大小為 64 × 128。
所提出的技術採用了 CNN 架構進行人體檢測。它使用滑動窗口概念進行區域提議，使用 Convnet 進行人體檢測。作為導出優化模式，實驗的一部分，已經提出了兩種不同的模式，即模式 1 和模式 2。這些模式使用不同的參數進行了超調，例如批次大小、Dropout 率、激活函數、優化器和 Epoch。表 2 說明瞭這些模式不同變體的超參數調整。
表 2 建議模型的超參數調整
這些提議的模式（即模式 1 和模式 2），在不同的超參數上，進行了訓練和測試，並提供了適當的結果，如表 3 所示。模式 1 以「8」批量大小、「30%」丟失率、「 卷積層和 FC 層的 Relu' 激活函數、輸出層的 'Sigmoid' 激活函數、'Adam' 優化器和 '120' epochs。 它產生 97% 的測試準確率。
模式 2 的結構，以與模式 1 相同的方式進行了超調，除了兩個模式具有不同的結構、丟失率和優化器參數。模式 2 產生 98.50% 的測試準確率。
表 3 模型 1 和模型 2 的結果
在執行實驗時，觀察到基於 CNN 的模式，在我們的系統（具有 4 GB 暫存的 i3 處理器）中，運行時的訓練，和測試成本非常昂貴。相反，它在 Google Colab 平台（在 GPU 環境中）運行流暢，計時成本更低。
表 4 顯示了透過我們的系統和 Google Colab 進行的整體訓練和測試時間比較。這裡，使用大小為 264 × 400x3 的圖像，來評估所提出模式的測試時間。
表 4 模式 1 和模式 2 的時間比較
圖 4 展示了模式 1 和模式 2 超過 120 個 epoch 的精度和損失曲線。在分析這兩個模式時，我們發現模式 2 提供了，比模式 1 更令人鼓舞的結果，後者提供了更高的精度和更低的損失值。
表 5 顯示了我們提出的模式，與現有人體探測器的比較分析 經過探索，發現兩種模式都提供了出色的結果。但是，模式 2 實現了最高的準確度，並被證明是最有效的人體檢測技術。
表 5 與現有人體檢測方法的比較
在物理即時系統中，為可能接收影像串流，而適當定位和放置攝影機，是最具挑戰性的任務。在實驗的上下關聯中，可以看出，如果攝影機靠近物體/人，物體看起來更大，如果攝影機遠離物體，則捕獲的圖像中的物體尺寸會減小。
這在獲取用於物體/人體，檢測相關的特徵時，產生了問題。因此，考慮到我們的算法，基於實際校準，來調整攝影機的位置。 圖 5 展示了一些用於執行社交距離的結果圖像，其中包含應用 NMS 之前的原始檢測，和應用 NMS 之後的最終檢測結果。
結論
本文建議，使用基於深度學習的人體檢測技術，來監控即時環境中的社交距離。這些技術是在深度卷積網路的幫助下開發的，該網路使用滑動窗口概念，作為區域提議。此外，它們與社交距離算法一起使用，來衡量人與人之間的距離標準。
這個評估的距離標準，決定了兩個人是否遵循社交距離的規範。廣泛的實驗，是使用基於 CNN 的對象檢測器進行的。在實驗中發現，基於 CNN 的物體檢測模式，在準確率上優於其他模式。有時，它在處理即時影像序列時，會產生一些誤報實例。
未來，不同的現代物體檢測器，如 RCNN、Faster RCNN、SSD、RFCN、YOLO 等，可能會與自創數據集一起佈署，以提高檢測精度，並減少誤報實例。
此外，從單個攝影機獲得的單個視點，無法更有效地反映結果。因此，提出的算法可能在未來，透過許多攝影機針對不同的視圖進行設置，以獲得更準確的結果。
沒有留言:
張貼留言