Thermal Imaging Detection System: A Case Study for Indoor Environments
Loading...
Date
2023-09-12
Authors
Drahanský, Martin
Charvát, Michal
Macek, Ivo
Mohelníková, Jitka
0000-0002-9321-7385Advisor
Referee
Mark
Journal Title
Journal ISSN
Volume Title
Publisher
MDPI
Altmetrics
Abstract
Currently, there is an increasing need for reliable mechanisms for automatically detecting and localizing people—from performing a people-flow analysis in museums and controlling smart homes to guarding hazardous areas like railway platforms. A method for detecting people using FLIR Lepton 3.5 thermal cameras and Raspberry Pi 3B+ computers was developed. The method creates a control and capture library for the Lepton 3.5 and a new person-detection technique that uses the state-of-the-art YOLO (You Only Look Once) real-time object detector based on deep neural networks. A thermal unit with an automated configuration using Ansible encapsulated in a custom 3D-printed enclosure was used. The unit has applications in simple thermal detection based on the modeling of complex scenes with polygonal boundaries and multiple thermal camera monitoring. An easily deployable person-detection and -localization system based on thermal imaging that supports multiple cameras and can serve as an input for other systems that take actions by knowing the positions of people in monitored environments was created. The thermal detection system was tested on a people-flow analysis performed in the Czech National Museum in Prague. The contribution of the presented method is the development of a small and simple detection system that is easily mountable with wide indoor as well as outdoor applications. The novelty of the system is in the utilization of the YOLO model for thermal data.
V současné době je zvýšený zájem o vhodné mechnismy pro automatickou detekci pohybu lidí, od zobrazení pohybu návštěvníků muzea a automatickou kontrolu smart domů až k systémům monitorujícím nebezpečné lokality jako jsou např. železniční nástupiště. Byla stanovena metoda využívající FLIR Lepton 3.5 kamery a Raspberry Pi 3B+. Tato metoda vytváří kontrolní soubor pro Lepton 3.5. Nová metoda využívá YOLO (You Only Look Once) detektor na základě neuronových sítí. Jednotka s automatickou konfigurací využívá Ansible . Tato jednotka má využití pro jednoduchou termo detekci založenou na zobrazování pomocí termo kamery. Tento systém byl testován prostřednictvím detekce pohybu návštěvníků Národního muzea v Praze. Příspěvkem této metody je vývoj jednoduchého detekčního systému využívající YOLO model, který je využitelný pro budovy i venkovní instalalce.
V současné době je zvýšený zájem o vhodné mechnismy pro automatickou detekci pohybu lidí, od zobrazení pohybu návštěvníků muzea a automatickou kontrolu smart domů až k systémům monitorujícím nebezpečné lokality jako jsou např. železniční nástupiště. Byla stanovena metoda využívající FLIR Lepton 3.5 kamery a Raspberry Pi 3B+. Tato metoda vytváří kontrolní soubor pro Lepton 3.5. Nová metoda využívá YOLO (You Only Look Once) detektor na základě neuronových sítí. Jednotka s automatickou konfigurací využívá Ansible . Tato jednotka má využití pro jednoduchou termo detekci založenou na zobrazování pomocí termo kamery. Tento systém byl testován prostřednictvím detekce pohybu návštěvníků Národního muzea v Praze. Příspěvkem této metody je vývoj jednoduchého detekčního systému využívající YOLO model, který je využitelný pro budovy i venkovní instalalce.
Description
Citation
Document type
Peer-reviewed
Document version
Published version
Date of access to the full text
Language of document
en