Tesi etd-02102026-181902 |
Link copiato negli appunti
Tipo di tesi
Tesi di laurea magistrale
Autore
SIMONE, ALESSIA
URN
etd-02102026-181902
Titolo
Computer Vision e Re-IDentification per l'analisi dei flussi: progettazione di un sistema di tracciamento in contesti dinamici
Dipartimento
INFORMATICA
Corso di studi
DATA SCIENCE AND BUSINESS INFORMATICS
Relatori
relatore Turchi, Tommaso
Parole chiave
- analisi dei flussi
- Apache Spark
- Background Subtraction (MOG2)
- ByteTrack
- cloud computing
- computer vision
- Databricks
- flow analysis
- matrice origine-destinazione (Matrice O/D)
- multi-object tracking (MOT)
- object detection
- OCR
- origin-destination matrix (O/D matrix)
- OSNet (Omni-Scale Network)
- people counting
- person re-identification (Re-ID)
- retail analytics
- smart mobility
- Vision Transformers (ViT)
- YOLOX
Data inizio appello
27/02/2026
Consultabilità
Non consultabile
Data di rilascio
27/02/2096
Riassunto (Inglese)
Riassunto (Italiano)
Il presente lavoro propone lo sviluppo di una pipeline di Computer Vision per l'analisi automatizzata dei flussi di persone e la generazione di matrici Origine-Destinazione (O/D) in contesti dinamici. Il sistema adotta un approccio Tracking-by-Detection modulare implementato su piattaforma Databricks, articolato in tre fasi:
1. Preprocessing: riduzione del carico computazionale tramite algoritmi di sottrazione di fondo (MOG2) e campionamento intelligente a 3 FPS.
2. Detection e Local Tracking: utilizzo del modello YOLOX integrato con ByteTrack per garantire la coerenza spaziale e temporale delle traiettorie.
3. Global Re-Identification: integrazione di DINOv2 per l'estrazione di descrittori semantici robusti, capaci di riconciliare le identità dei soggetti anche a seguito di occlusioni prolungate.
Il progetto è stato sviluppato secondo i principi della Privacy-by-Design, garantendo la conformità al GDPR tramite la minimizzazione dei dati. L'adozione esclusiva di tecnologie Open Source assicura trasparenza algoritmica, sovranità tecnologica e l'assenza di vincoli legati a licenze proprietarie, trasformando flussi video in dati statistici anonimi di alto valore.
This work proposes the development of a computer vision pipeline for the automated analysis of people flows and the generation of Origin-Destination (O/D) matrices in dynamic contexts. The system adopts a modular Tracking-by-Detection approach implemented on the Databricks platform, divided into three phases:
1. Preprocessing: reduction of computational load through background subtraction algorithms (MOG2) and 3 FPS intelligent sampling.
2. Detection and Local Tracking: use of the YOLOX model integrated with ByteTrack to ensure spatial and temporal coherence of trajectories.
3. Global Re-Identification: integration of DINOv2 for the extraction of robust semantic descriptors capable of reconciling subject identities even after prolonged occlusions.
The project was developed according to the principles of Privacy-by-Design, ensuring GDPR compliance through data minimization. The exclusive adoption of open source technologies ensures algorithmic transparency, technological sovereignty, and the absence of proprietary licensing constraints, transforming video streams into high-value, anonymous statistical data.
1. Preprocessing: riduzione del carico computazionale tramite algoritmi di sottrazione di fondo (MOG2) e campionamento intelligente a 3 FPS.
2. Detection e Local Tracking: utilizzo del modello YOLOX integrato con ByteTrack per garantire la coerenza spaziale e temporale delle traiettorie.
3. Global Re-Identification: integrazione di DINOv2 per l'estrazione di descrittori semantici robusti, capaci di riconciliare le identità dei soggetti anche a seguito di occlusioni prolungate.
Il progetto è stato sviluppato secondo i principi della Privacy-by-Design, garantendo la conformità al GDPR tramite la minimizzazione dei dati. L'adozione esclusiva di tecnologie Open Source assicura trasparenza algoritmica, sovranità tecnologica e l'assenza di vincoli legati a licenze proprietarie, trasformando flussi video in dati statistici anonimi di alto valore.
This work proposes the development of a computer vision pipeline for the automated analysis of people flows and the generation of Origin-Destination (O/D) matrices in dynamic contexts. The system adopts a modular Tracking-by-Detection approach implemented on the Databricks platform, divided into three phases:
1. Preprocessing: reduction of computational load through background subtraction algorithms (MOG2) and 3 FPS intelligent sampling.
2. Detection and Local Tracking: use of the YOLOX model integrated with ByteTrack to ensure spatial and temporal coherence of trajectories.
3. Global Re-Identification: integration of DINOv2 for the extraction of robust semantic descriptors capable of reconciling subject identities even after prolonged occlusions.
The project was developed according to the principles of Privacy-by-Design, ensuring GDPR compliance through data minimization. The exclusive adoption of open source technologies ensures algorithmic transparency, technological sovereignty, and the absence of proprietary licensing constraints, transforming video streams into high-value, anonymous statistical data.
File
| Nome file | Dimensione |
|---|---|
Tesi non consultabile. |
|