Дослідження методів комп’ютерного зору для ідентифікації людини в умовах низької видимості
DOI:
https://doi.org/10.31861/sisiot2026.1.01003Ключові слова:
комп’ютерний зір, повторна ідентифікація, видимо-інфрачервоний спектр, злиття зображень, глибоке навчанняАнотація
У статті розглядається актуальна наукова та практична проблема надійного виявлення та ідентифікації людей в умовах поганої видимості, включаючи густий туман, сильний дим або вкрай недостатнє освітлення. Дослідження пропонує систематичний аналіз гібридних підходів, заснованих на взаємодоповнюючій інтеграції даних як з видимого, так і з інфрачервоного спектрів. Показано, що завдяки синергії цих методів потенційно можна подолати фундаментальні обмеження моноспектральних датчиків, що може сприяти надійній роботі в умовах, де традиційні оптичні або теплові камери окремо не справляються. У статті синтезовано концептуальну архітектурну модель двопотокової нейронної мережі, спеціально призначеної для безпілотних літальних апаратів, на основі комплексного аналізу та систематизації сучасних методів об'єднання даних датчиків. Особлива увага приділяється теоретичній розробці логіки модуля попередньої оцінки. Цей модуль може динамічно перемикатися між режимами обробки на основі аналізу ентропії зображення в режимі реального часу, щоб максимально ефективно використовувати обчислювальну потужність. Дослідження визначає доцільний технологічний стек, який включає архітектури відновлення «від кінця до кінця» та легкі інтеграційні блоки, такі як легка інтеграція з температурним керуванням, адаптовані до апаратних обмежень вбудованих систем. Аналіз вказує на потенційні переваги цього гібридного підходу в зменшенні спектрального забруднення та сприянні дотриманню вимог щодо конфіденційності даних, зокрема Загального регламенту про захист даних, на відміну від моноспектральних альтернатив. У висновку статті окреслено стратегічні можливості для вдосконалення автономних систем пошуку та рятування, з особливим акцентом на потенціалі принципів федеративного навчання для безпечного та децентралізованого оновлення моделей у практичних умовах.
Завантажити
Посилання
J. Gui et al., "A comprehensive survey and taxonomy on single image dehazing based on deep learning," ACM Comput. Surv., vol. 55, no. 13, Art. no. 279, pp. 1–37, 2023.
H. Tang et al., "Low-illumination image enhancement based on deep learning techniques: A brief review," Photonics, vol. 10, no. 2, p. 198, 2023.
J. Guo et al., "A survey on image enhancement for low-light images," Heliyon, vol. 9, no. 4, p. e14558, 2023.
S. Hwang et al., "Multispectral pedestrian detection: Benchmark dataset and baseline," in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2015, pp. 481–488.
S. Li et al., "Multimodal alignment and fusion: A survey," arXiv preprint arXiv:2411.17040, 2024.
B. Yan et al., "TGLFusion: A temperature-guided lightweight fusion method for infrared and visible images," Sensors, vol. 24, no. 6, p. 1735, 2024.
D. Li et al., "Infrared-visible cross-modal person re-identification with an X modality," in Proceedings of the AAAI Conference on Artificial Intelligence, vol. 34, no. 07, 2020, pp. 11360–11367.
H. Zheng et al., "Visible-infrared person re-identification: A comprehensive survey and a new setting," Electronics, vol. 11, no. 3, p. 454, 2022.
X. Hao et al., "Cross-modality person re-identification via modality confusion and center aggregation," in Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), 2021, pp. 16403–16412.
Y. Jiang et al., "From laboratory to real world: A new benchmark towards privacy-preserved visible-infrared person re-identification," in Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2025.
S. Dou et al., "Towards privacy-preserving person re-identification via person identify shift," IEEE Transactions on Circuits and Systems for Video Technology, vol. 33, no. 10, pp. 5821–5834, 2023.
Y. P. Loh and C. S. Chan, "Getting to know low-light images with the exclusively dark (ExDark) dataset," Computer Vision and Image Understanding (CVIU), vol. 178, pp. 30–42, 2019.
Z. Jing, S. Li, and Q. Zhang, "YOLOv8-STE: Enhancing object detection performance under adverse weather conditions with deep learning," Electronics, vol. 13, no. 24, Art. no. 5049, 2024.
A. F. A. Raheem, A. A. Raheem, and F. K. Fuliful, "Investigation of thermal imaging under bad weather conditions," AIP Conference Proceedings, vol. 2386, p. 070004, 2022.
J. Cao et al., "From handcrafted to deep features for pedestrian detection: A survey," IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI), vol. 44, no. 9, pp. 4913–4934, 2022.
X. Zhang et al., "SkyNet: A hardware-efficient method for object detection and tracking on embedded systems," in Proceedings of the 3rd Conference on Machine Learning and Systems (MLSys), vol. 2, 2020, pp. 1–16.
M. Ye et al., "Deep learning for person re-identification: A survey and outlook," IEEE Transactions on Pattern Analysis and Machine Intelligence, 2021.
S. Zhang et al., "Person re-identification in aerial imagery," IEEE Trans. Multimedia, vol. 23, pp. 281–291, 2021.
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Безпека інфокомунікаційних систем та Інтернету речей
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
