Tugasnya adalah menganalisis dan menghitung arus klien di kantor. Ada banyak solusi untuk tugas serupa, seperti menggunakan Convolution Neural Network (CNN) seperti YOLO (You Only Look Once), SSD (Single Shot Detection), R-CNN, dll. Tetapi karena data masukan adalah fragmen video dengan berbagai resolusi dan format, tergantung pada model perekam dan set pengaturan, diputuskan untuk mencoba metode Pengurangan Latar Belakang. Saya juga ingin mencoba algoritme ini, karena saya belum pernah menemukannya sebelumnya dan sangat menarik kemampuannya.
Metode ini mengandalkan latar belakang, seperti namanya. Dasarnya adalah membandingkan frame berikutnya dengan frame sebelumnya untuk perubahan. Artinya, jika latar belakang tidak berubah atau tidak berubah kuat (dedaunan bergoyang, pergerakan awan, dll.), Maka metode ini tidak akan memilih area ini dalam bingkai dan video. Ada juga sejumlah besar algoritme internal yang menjadi dasar pengurangan Latar Belakang, yang menentukan perubahan dalam berbagai cara. Beberapa algoritma sangat sensitif terhadap perubahan, yaitu hujan ringan, bukan perubahan kuat pada tajuk pohon karena angin, semua objek tersebut akan terlihat pada topeng algoritma. Algoritme lain membangun topeng dengan sangat kasar, menggabungkan banyak piksel menjadi satu objek, yaitu, dua orang yang bergerak berdampingan akan didefinisikan sebagai satu orang,oleh karena itu, penting untuk memilih algoritme yang tepat untuk tugas Anda dan mencoba pengaturan yang berbeda (jumlah bingkai untuk perbandingan, batas untuk memotong area, dll.)
Ada juga berbagai pengaturan dalam algoritme yang dapat meningkatkan kualitas, dan topeng terakhir terlihat jauh lebih baik untuk mengidentifikasi objek.
Setelah pengaturan tambahan dan penulisan kode tambahan untuk memilih area variabel dan selanjutnya menghitung aliran klien, ternyata mencapai hasil yang baik dalam hal penghitungan jumlah orang, karena ini adalah pengalaman pertama dengan metode pustaka python CV2, tanpa menggunakan jaringan saraf.
Sayangnya, metode ini memiliki kekurangan, ini adalah pemilihan beberapa artefak, ditambah lagi memiliki fungsionalitas terbatas dan ruang lingkup penggunaan yang sempit, tetapi sebagai pengalaman dan keakraban dengan kemampuan Computer Vision, kesempatan yang sangat baik.
Saya mengusulkan untuk menggunakan pengalaman saya dalam menggunakan alat dan layanan sumber terbuka untuk memecahkan masalah penglihatan komputer.