Human distance estimation through object detection : a technological implementation

Object Detection is one of the major computer vision tasks, that can be applied and incorporated in any field to improve existing techniques or create new ones. The objective of this work is to have an algorithm that is able to detect people and estimate their distance reliably, while also being lightweight and cheap. In this paper, we first give a formal definition of object detection, and describe the incredible evolution it has had in the last decades, focusing on the approaches based on Neural Networks. Then we propose our solution, an application based on the two advanced Object Detection models YoloFastestV2 and SSDLiteMo- bileNetV3, that can be ran on very limited hardware. We also present a dataset generated by ourselves, that was used to test and evaluate both the detection and the distance estimation. The results obtained suggest that the environment where the algorithm is applied have a significant impact on its performance, and therefore is a factor to consider when deploying this type of application.

L’Object Detection è uno dei principali task nel contesto della Computer Vision, e può essere applicato in qualunque campo sia per migliorare meccanismi esistenti, sia per crearne di nuovi. L’obiettivo di questo lavoro di tesi è ottenere un algoritmo in grado di fare detection di persone e stimarne la distanza, ma allo stesso tempo essere leggero, portatile, e economico. In questo scritto, prima viene data una definizione formale di Object Detection, e viene descritta l’incredibile evoluzione che ha avuto nelle ultime decadi, concentrandosi sugli approci basati su reti neurali. In seguito, viene descritta la nostra soluzione: un’applicazione basata su due modelli avanzati di Object Detection YoloFastestV2 e SSDLiteMobileNetV3, specializzati per dispositivi piccoli e con hardware limitato. Inoltre presentiamo un dataset creato da noi stessi, che è stato usato per valutare il nostro algoritmo sia dal punto di vista della detection che da quello della stima della distanza. I risultati ottenuti suggeriscono che l’ambiente in cui viene usata l’applicazione ha un impatto significativo sulle performance, e per questo è un fattore da considerare quando si impiega questo tipo di algoritmo.