Методи та моделі інтелектуального комп’ютерного зору для ідентифікації й оцінки функціонального стану людини в умовах обмеженої видимості

Анотація

Праця присвячена підвищенню точності та стійкості сегментації, кластеризації та ідентифікації людини на цифрових зображеннях в умовах зниженої видимості. Метою дослідження є інтеграція адаптивної попередньої обробки, дескрипторного аналізу та моделей глибинного навчання для забезпечення стабільної роботи систем комп’ютерного зору. Сформовано вибірку з 350 зображень на основі власних фото та наборів COCO і CrowdHuman. Змодельовано деградації (туман, шум, затемнення, низький контраст, комбіновані впливи) та реалізовано адаптивну попередню обробку із застосуванням γ-корекції, CLAHE, Dehazing і фільтрації. Сегментацію виконано за допомогою U-Net і Mask R-CNN, детекцію – YOLOv8, кластеризацію – K-Means і DBSCAN. Експериментальні результати підтвердили підвищення якості сегментації (IoU до 0,95), детекції (mAP до 0,95) та кластеризації (Silhouette Score до 0,79), а коректність ідентифікації людини зросла до 99 %. Запропонований підхід забезпечує робастність системи до деградацій зображень і може бути використаний у реальних умовах відеомоніторингу.