项目理念 |购物车（实时人群分析）
项目名称： CART（实时人群分析）
简介：他们说“相关的、可操作的数据是你的黑桃王牌”。但是要打出那张牌，首先需要将其放入牌库中。如果任何组织想根据事实做出决定，手头有可操作的数据使您能够回答任何“为什么？”问题。现在是 2018 年，如果世界上有一件事会继续快速增长，那就是人口。不断增长的人口意味着大量数据，报告称人们产生的数据比以往任何时候都多，预计到 2020 年将创建 40 泽字节的原始数据。明确地说：正确报告的相关数据是无可争议的，因此获得了大量的相关数据如今，任何公司或组织都需要快速提供更好的解决方案或制定更好的战略。查找此类实时相关数据的一个主要领域是人群分析。人群分析是一个可以实时获取数据的领域。难怪现在它是计算机视觉领域最活跃的研究和热门话题。传统上，人群分析涉及三个处理步骤，包括预处理、对象检测和事件/行为识别。然而，许多现有的应用程序不能实时处理。我们的目标是创建一个独特的图像处理应用程序，它是完全自动化的，不需要人工干预，具有成本效益，并且即使不比它更好，也可以与人类性能一样好，这是大多数当前应用程序无法做到的。
概念框架
设计：我们在要分析人群的任何地方都设置了一个摄像头。然后，我们使用摄像头输入，将其传递给各种神经网络，这些神经网络检测人的情绪（行为）、性别、注意力，并通过对他们的脸进行唯一编码来计算出现在摄像头前的不同人的数量。所有这些都是实时的。
特征：
- 人脸检测 - 找出相机视图中的人脸（实时）
- 注意力——通过分析眼睛，实时分析面部是否专注
- 情绪识别 - 连续报告所分析面部的情绪（快乐、悲伤、愤怒、惊讶、厌恶、恐惧）
- 唯一身份人数 - 显示唯一身份人数的实时图表，因此如果同一个人再次介入，该软件足够聪明，可以知道它以前见过这个人。
- 性别分布 - 显示性别分布的实时饼图。
- 可以覆盖许多人脸，这取决于清晰度，因为边缘检测会随着与相机距离的增加而恶化。
- 鉴于遵循推荐的配置，它将给出几乎即时的结果，即实时（延迟约 100 毫秒）
运作流程
_0.jpg)
使用的数据结构和算法：
我们使用了 Tensorflow、卷积神经网络、反向传播进行训练、高级计算图、反向 Dropouts、Haar Cascades、集成学习以及使用深度学习的各种情绪/注意力检测方法。
我们在使用的多个深度神经网络中使用了许多正则化概念。
使用的工具
硬件：
| CPU | RAM | Camera | |
|---|---|---|---|
| Minimum Requirements | Quad-Core CPU | 8 GB | High Res Webcam |
| Recommended | 6-8 Core CPU | 16 GB | High Res Intermediate DSLR |
软件和工具
- Python与 Anaconda 发行版
- 角5
- 节点.js
- MongoDB
- 张量流
- 数据库
- 喀拉斯
- 基本上，这是一个在后台运行Python脚本的平均堆栈应用程序
应用：如前所述，人群分析是当今计算机视觉领域最受追捧的主题。它的应用是无限的，它的成果对于大数据公司来说是无价的。
- 基本上，任何需要人群分析的领域都可以使用它，例如在汽车博览会上，公司通过在查看产品时分析他们的情绪/行为来快速了解人群对其新产品发布的反应。
- 疏散可以通过人群互动和反应的建模和研究来计划，因为它可以准确预测人群的情绪反馈。
- 另一个应用是在不同的企业中使用这个模型，我们可以利用人们在排队或柜台时的反应来评估所提供的服务质量或自发修正。
- 在电影行业中使用类似的模型来产生逼真的模拟和场景。
- 此外，虽然我们使用“人群”一词，但我们所指的人数是从 1 到相机可以清楚地检测到多少张人脸，因此单人脸检测应用程序，例如通过检查汽车司机的注意力来检查他是否感到困倦也可以使用此应用程序完成。
“Data will talk to you if you’re willing to listen to it.” – Jim Bergeson
项目 Git 存储库： https://github.com/srijanreddy98/crowd-analyitcs
项目演示视频链接： https://evening-mesa-50046.herokuapp.com/home
团队成员：
- 鲁特维克红迪
- 斯里詹雷迪
- 罗汉·苏库玛兰
- 普拉蒂尤什波特鲁里
注意：这个项目想法是为 ProGeek Cup 2.0- GeeksforGeeks 的项目竞赛贡献的。