Lo Scatol8 è pronto per alcuni esperienze nel campo della visione artificiale. Parliamo di visione artificiale per riferirci a una disciplina che integrando dispositivi ottici, elettronici e software tratta le immagini per eseguire operazioni di vario genere, ad esempio rilevazione di soggetti in movimento, classificazione di oggetti, rilevamento facciale, riconoscimento facciale.
Il primo esperimento consiste nell’individuare soggetti in movimento. Si tratta del tipico caso di un sistema di sorveglianza che monitora un ambiente senza occupanti e che rileva la presenza di un soggetto che vi accede.
E’ un caso “pesante” dal punto di vista computazionale, soprattutto se si impiegano “computer” di limitate capacità come Raspberry o Arduino. Specialmente in questo caso, occorre agire d’astuzia per limitare il numero di informazioni da elaborare senza “appesantire” troppo i processori. Il tratamento dei dati, infatti, potrebbe non essere possibile oppure richiedere tempi molto lunghi.
Ed ecco il “trucco“: si opera per sottrazione ovvero il sistema rileva un’immagine statica, corrispondente all’ambiente senza occupanti, la assume come riferimento, rispetto al quale verificare se intervengono delle variazioni. Quando un oggetto “entra in scena” il sistema rileva una variazione rispetto all’immagine statica e la evidenzia all’interno di una figura geometrica. E’ possibile stabilire una soglia dimensionale al di sopra della quale viene rilevato un oggetto in movimento. Ad esempio, se in casa c’è un gatto, è possibile impostare il sistema in modo che rilevi oggetti di dimensioni più ampie. Il processo di ottimizzazione delle prestazioni avviene per tentativi, agendo sulle variabili introdotte dal software.
La prima serie di video propone un sistema di monitoraggio dei passaggi in un incrocio. E’ uno scenario completamente diverso dall’applicazione in un ambiente chiuso. Intanto rilevare l’immagine statica è più complicato, anche in relazione alle prestazioni buone, ma non progettate per questo tipo di applicazioni, della camera del Raspberry. In questo periodo di quarantena, però, non è difficile trovare momenti privi di traffico pedonale o veicolare. Un’avvertenza: i colori sono falsati perché é stata impiegata una Picamera Noir, dotata dello stesso sensore di immagine da 8 megapixel della fotocamera standard Raspberry Pi, alla quale è stato rimosso il filtro anti-infrarossi per aumentare la sensibilità alla luce IR.
Nel video n. 1 vi sono alcuni elementi interessanti: l’immagine statica corrisponde alla situazione “Unoccupied”; gli oggetti in movimento vengono rilevati e la situazione cambia in “Occupied” quando transitano nella scena; le ombre di grandi dimensioni, effettivamente in movimento, vengono rilevate e costituiscono però dei “falsi positivi”: si tratta di una rilevazione non dovuta e, di conseguenza, occorrerebbe eliminarla.
Nel video n. 2 si nota che viene rilevato un ciclista, quindi un soggetto di dimensioni inferiori rispetto agli autoveicoli; le fronde di un albero, mosse dal vento, costituiscono un altro falso positivo.
Nel video n. 3 aumenta il numero delle zone d’ombra che occupano la scena.
La seconda serie di esperimenti riguarda la rilevazione di oggetti ed è stata svolta con la Picamera.
In questo caso il sw consulta una libreria, realizzata con una rete Neurale Artificiale, che alleggerisce e rende più rapido il compito del Raspberry Pi 4. Prevede il riconoscimento di: sfondo, aereo, bicicletta, uccello, barca, bottiglia, autobus, macchina, gatto, sedia, mucca, tavolo da pranzo, cane, cavallo, moto, persona, pianta in vaso, pecora, divano, treno, tvmonitor.
Con una veloce panoramica, abbiamo potuto constatare il buon funzionamento del sistema:
Nella prossima puntata ci concentreremo sul riconoscimento facciale, ma ora è tempo di riposo, quindi BUONA PASQUA a tutti i nostri follower!
