Comparação de Métodos de Deep Learning Pré-Treinados da Biblioteca OpenCV para Detecção de Pessoas em Ambientes Internos

Abstract

Sistemas de monitoramento baseados em câmeras são cada vez mais onipresentes em ambientes internos e externos. A existência de um sistema de monitoramento não garante, porém, que todas as informações coletadas sejam utilizadas e/ou analisadas. Quando uma interpretação das imagens é necessária, usualmente recorre-se à visão computacional. Neste contexto particular, métodos de Deep Learning têm recebido crescente atenção. De fato, apesar de seu desenvolvimento recente, alguns destes métodos estão disponı́veis em bibliotecas e pacotes de software de forma pré-treinada, permitindo sua aplicação com relativa facilidade. Neste trabalho diferentes métodos de Deep Learning disponı́veis na biblioteca OpenCV foram comparados para a detecção e contagem de pessoas em ambientes internos. Os métodos foram comparados quanto à sua precisão, revocação e tempo de detecção. Para a aplicação considerada, os resultados obtidos sugerem que o método YOLO (v3) apresenta um bom compromisso entre medida F1 e tempo de reconhecimento. A detecção precisa e rápida de pessoas pode vir a auxiliar futuramente, por exemplo, na estimação da carga térmica observada e consequente ajuste de sistemas de condicionamento de ar.