Автоматизована система виявлення та аналізу рухомих об’єктів у відеопотоці камер спостереження: кваліфікаційна робота на здобуття освітнього ступеня «бакалавр» за спеціальністю 126 «Інформаційні системи та технології»

Abstract

У даній роботі проведено аналіз сучасних систем відеоспостереження, методів визначення руху та алгоритмів комп’ютерного зору для автоматизованого моніторингу відеопотоку. Було досліджено особливості роботи систем детекції руху, методи аналізу кадрів у режимі реального часу, а також можливості використання нейронних мереж для визначення об’єктів у кадрі. У процесі розробки було виконано огляд сучасних бібліотек та засобів для створення desktop застосунків комп’ютерного зору, зокрема PyQt5, OpenCV [3], MSS[7] та Ultralytics YOLOv8. Також було досліджено принципи роботи алгоритмів порівняння кадрів, threshold обробки, contour detection та методів оптимізації навантаження під час аналізу відеопотоку. Метою дипломної роботи є розробка автоматизованої системи виявлення та аналізу рухомих об’єктів у відеопотоці камер спостереження із використанням класичної детекції руху та моделі YOLOv8 для визначення об’єктів у зоні моніторингу. Об’єктом дослідження є процес автоматизованого моніторингу відеопотоку та виявлення активності у зоні спостереження. Предметом дослідження є методи детекції руху, алгоритми комп’ютерного зору, нейронні мережі YOLOv8 та програмні засоби для реалізації систем відеомоніторингу у режимі реального часу. У результаті виконання дипломної роботи було розроблено програмний застосунок який дозволяє виконувати аналіз області екрана у режимі реального часу, визначати рух у зоні моніторингу, розпізнавати людей транспорт та інші об’єкти за допомогою моделі YOLOv8, а також автоматично створювати GIF-файли після виявлення активності. Розроблена система підтримує overlay режим роботи поверх інших програм для перегляду камер, дозволяє створювати полігональні області детекції, змінювати розмір зони моніторингу та виконувати фільтрацію непотрібних спрацювань. Використання локальної обробки кадрів дозволяє уникнути передачі відеоданих на сторонні сервери та забезпечує стабільну роботу системи без необхідності використання окремої інфраструктури відеоспостереження. This thesis analyzes modern video surveillance systems, motion detection methods, and computer vision algorithms for automated video stream monitoring. It examines the characteristics of motion detection systems, methods for real-time frame analysis, and the potential use of neural networks to identify objects in a frame. During the development process, a review was conducted of modern libraries and tools for creating desktop computer vision applications, specifically PyQt5, OpenCV, MSS, and Ultralytics YOLOv8. The principles of frame comparison algorithms, threshold processing, contour detection, and methods for optimizing computational load during video stream analysis were also investigated. The goal of this thesis is to develop an automated system for detecting and analyzing moving objects in surveillance camera video streams using classical motion detection and the YOLOv8 model to identify objects within the monitored area. The object of this study is the process of automated video stream monitoring and activity detection within a surveillance area. The subject of this study includes motion detection methods, computer vision algorithms, YOLOv8 neural networks, and software tools for implementing realtime video monitoring systems. As a result of this thesis, a software application was developed that allows for real-time analysis of a screen area, detection of motion within the monitoring zone, recognition of people, vehicles, and other objects using the YOLOv8 model, as well as the automatic creation of GIF files upon detecting activity. The developed system supports overlay mode on top of other camera viewing applications, allows for the creation of polygonal detection areas, resizing of the monitoring zone, and filtering of false positives. The use of local frame processing avoids the transmission of video data to third-party servers and ensures stable system operation without the need for a separate video surveillance infrastructure.