People Analytics Framework

तकनीकी सारांश: पीपल एनालिटिक्स फ्रेमवर्क (PAF)

समस्या विवरण
स्वचालित निगरानी प्रणालियों को उन स्थितियों में व्यक्तियों की पहचान करने में महत्वपूर्ण चुनौतियों का सामना करना पड़ता है जब चेहरे की विशेषताएं अस्पष्ट, बाधित या कैमरा फ्रेम से अनुपस्थित होती हैं (जैसे, जब किसी व्यक्ति की पीठ कैमरे की ओर हो)। मौजूदा प्रणालियाँ अक्सर लंबी दूरी या इनडोर निगरानी में सामान्य कम-रिज़ॉल्यूशन वाली छवियों, वायुमंडलीय विक्षोभ और बदलते प्रकाश की स्थितियों के साथ संघर्ष करती हैं। इसके अलावा, वर्तमान साहित्य इंगित करता है कि उन छवियों को संभालने में एक कमी है जहाँ चेहरा दिखाई नहीं देता है, जिसके लिए केवल उपस्थिति (appearance) के आधार पर व्यक्तियों की पहचान करने में सक्षम एक मजबूत समाधान की आवश्यकता है। इस शोध का प्राथमिक उद्देश्य एक व्यापक पीपल एनालिटिक्स फ्रेमवर्क (PAF) विकसित करना है जो बंद वातावरण (जैसे विश्वविद्यालयों, अस्पतालों और स्कूलों) में व्यक्तियों का पता लगाने, उन्हें ट्रैक करने और सत्यापित करने में सक्षम हो, चाहे उनके चेहरे दिखाई दे रहे हों या नहीं।

कार्यप्रणाली
प्रस्तावित PAF एक एंड-टू-एंड डीप लर्निंग पाइपलाइन है जिसे कई कैमरों से वीडियो स्ट्रीम को प्रोसेस करने के लिए डिज़ाइन किया गया है। यह प्रणाली चार एकीकृत चरणों के माध्यम से संचालित होती है:

1. डिटेक्शन और ट्रैकिंग मॉड्यूल (DTM):

   • वीडियो फ्रेम 30 fps पर कैप्चर किए जाते हैं और 1000x600 के आकार में बदले जाते हैं।
   • सिस्टम व्यक्तिगत व्यक्तियों को निकालने के लिए ऑब्जेक्ट डिटेक्शन और ट्रैकिंग एल्गोरिदम का उपयोग करता है।
   • एक "क्लीनिंग" प्रक्रिया निकाली गई छवियों को फ़िल्टर करती है, जिसमें उन फ्रेमों को हटा दिया जाता है जिनमें व्यक्ति-से-छवि अनुपात 2:1 से कम है या जिनमें कई लोग शामिल हैं।
   • निकाली गई छवियों को ट्रैकर आईडी के आधार पर फोल्डर्स में व्यवस्थित किया जाता है, जिससे व्यक्ति के प्रक्षेपवक्र (trajectories) का एक डेटाबेस बनता है।
   • मॉडल चयन: लेखकों ने DeepSort और ByteTrack के साथ YOLOv5 और YOLOv8 के संयोजनों की तुलना की। YOLOv5 को ByteTrack के साथ इष्टतम कॉन्फ़िगरेशन के रूप में चुना गया, जो उच्च डिटेक्शन सटीकता (160 बॉक्स डिटेक्टेड) और स्वीकार्य प्रोसेसिंग समय (2m 52.7s) के बीच संतुलन प्रदान करता है।

2. फेस डिटेक्शन और रिकग्निशन मॉड्यूल (FDRM):

   • फेस डिटेक्शन: विभिन्न डिटेक्टरों (Haar Cascade, SSD, MTCNN, RetinaFace) का मूल्यांकन किया गया। MTCNN को प्राथमिक डिटेक्टर के रूप में चुना गया क्योंकि यह सटीकता और कम्प्यूटेशनल दक्षता के बीच संतुलन बनाए रखता है, विशेष रूप से कम-रिज़ॉल्यूशन वाली छवियों को संभालने में जहाँ अन्य मॉडल विफल रहे या अत्यधिक फाल्स पॉजिटिव उत्पन्न करते हैं।
   • फेस क्लस्टरिंग और वेरिफिकेशन: सिस्टम फीचर वेक्टर्स निकालने के लिए डीप लर्निंग मॉडल (VGG16, FaceNet, DeepID, SFace, ArcFace) का उपयोग करता है।
   • लॉस फंक्शन्स (Loss Functions): फ्रेमवर्क समान चेहरों को समूहबद्ध करने और असमान चेहरों को अलग करने के लिए Triplet Loss और Cluster Loss का उपयोग करता है। वेरिफिकेशन के लिए, ArcFace लॉस फंक्शन का उपयोग किया जाता है ताकि इंटर-क्लास भिन्नता को बढ़ाया जा सके और इंट्रा-क्लास भिन्नता को कम किया जा सके।
   • मॉडल चयन: रिकग्निशन मॉडल्स में से, SFace ने उच्चतम दक्षता और सटीकता (Euclidean distance के साथ 99.80% सफलता दर और 0.47s औसत समय) प्रदर्शित की, इसके बाद ArcFace और VGG-Face का स्थान है।

3. पर्सन री-आइडेंटिफिकेशन मॉड्यूल (PRM):

   • यह मॉड्यूल उन परिदृश्यों को संबोधित करता है जहाँ चेहरे दिखाई नहीं देते हैं, इसमें पूर्ण-शरीर की उपस्थिति (कपड़े, शरीर की आकृति, चाल/gait) का विश्लेषण किया जाता है।
   • यह डीप मेट्रिक लर्निंग (DML) दृष्टिकोणों, विशेष रूप से Omni-Scale Feature Learning (OsNet) का उपयोग करता है।
   • मॉडल चयन: OsNet के साथ Triplet Loss को चुना गया, जिसने टेस्ट डेटासेट पर 99.97% की Rank-1 सटीकता और 99.92% का mean Average Precision (mAP) प्राप्त किया।

4. सिस्टम इंटीग्रेशन:

   • इन मॉड्यूल्स को एक एकीकृत पाइपलाइन में एकीकृत किया गया है। जब कोई उपयोगकर्ता किसी विशिष्ट व्यक्ति (छवि या नाम के माध्यम से) के लिए क्वेरी करता है, तो सिस्टम डेटाबेस में खोज करता है।
   • यदि चेहरा दिखाई दे रहा है, तो फेस वेरिफिकेशन का उपयोग किया जाता है। यदि चेहरा दिखाई नहीं दे रहा है, तो पर्सन री-आइडेंटिफिकेशन का उपयोग किया जाता है।
   • सिस्टम अलग-अलग कैमरों और समय-सीमाओं के डेटा को ट्रैकर आईडी का उपयोग करके मर्ज करता है ताकि व्यक्ति का एक पूर्ण प्रक्षेपवक्र (trajectory) प्रदान किया जा सके।

प्रमुख योगदान

• हाइब्रिड फ्रेमवर्क: यह पेपर एक एकीकृत फ्रेमवर्क प्रस्तावित करता है जो फेस-आधारित रिकग्निशन को अपीयरेंस-आधारित पर्सन री-आइडेंटिफिकेशन (ReID) के साथ सहजता से जोड़ता है, जिससे चेहरे की विशेषताओं के बाधित होने पर भी पहचान सुनिश्चित होती है।
• परिचालन पाइपलाइन: एक पूर्ण, परीक्षित पाइपलाइन स्थापित की गई है जो कच्चे वीडियो कैप्चर से लेकर डेटाबेस रजिस्ट्रेशन और यूजर क्वेरी रिस्पॉन्स तक चलती है।
• अनुभवजन्य मॉडल चयन (Empirical Model Selection): यह अध्ययन विशेष रूप से इस निगरानी संदर्भ के लिए स्टेट-ऑफ-द-आर्ट मॉडल्स (YOLO वेरिएंट्स, DeepSort/ByteTrack, MTCNN, ArcFace, SFace, OsNet) का तुलनात्मक विश्लेषण प्रदान करता है, जो सटीकता और गति के लिए सबसे प्रभावी संयोजनों की पहचान करता है।
• डेटाबेस आर्किटेक्चर: एक संरचित डेटाबेस का निर्माण जो "कौन, कहाँ और कब" संबंधी प्रश्नों का उत्तर देने के लिए व्यक्ति आईडी, टाइमस्टैम्प, कैमरा लोकेशन और प्रक्षेपवक्र डेटा को जोड़ता है।

परिणाम
सिस्टम का परीक्षण लेखकों के कैंपस वातावरण से एकत्र किए गए डेटा का उपयोग करके किया गया जिसमें चार कैमरे शामिल थे।

• कुल सटीकता: एकीकृत सिस्टम ने 98.7% की समग्र सफलता दर प्राप्त की।
• फेस वेरिफिकेशन: सिस्टम ने फेस वेरिफिकेशन में 97.6% की सफलता दर हासिल की।
• ReID प्रदर्शन: चयनित ReID मॉडल (Triplet Loss के साथ OsNet) ने उच्च प्रभावकारिता प्रदर्शित की, जिसमें 99.97% की Rank-1 सटीकता और 99.92% का mAP प्राप्त हुआ।
• अवरोध (Occlusion) को संभालना: फ्रेमवर्क ने सफलतापूर्वक उन व्यक्तियों की पहचान की जिनके चेहरे इमेज फ्रेम में दिखाई नहीं दे रहे थे, जो 97.6% तक की मैचिंग सटीकता के साथ ReID मॉड्यूल पर निर्भर था।

महत्व और दावे
पेपर का दावा है कि PAF उन मौजूदा निगरानी प्रणालियों की सीमाओं को सफलतापूर्वक संबोधित करता है जो चेहरे दिखाई न देने पर विफल हो जाती हैं। डिटेक्शन, ट्रैकिंग, फेस रिकग्निशन और ReID को एक एकल परिचालन ढांचे में एकीकृत करके, यह सिस्टम कैंपस और अस्पतालों जैसे बंद क्षेत्रों की निगरानी के लिए एक मजबूत समाधान प्रदान करता है। लेखक इस बात पर जोर देते हैं कि सिस्टम निगरानी और अलर्ट करने के लिए स्वतंत्र रूप से कार्य करता है।

लेखक विनम्रतापूर्वक स्वीकार करते हैं कि डेटासेट संग्रह और लेबलिंग अभी भी महत्वपूर्ण चुनौतियां हैं, विशेष रूप से कैमरा दूरी, रिज़ॉल्यूशन और कोणों में भिन्नता के संबंध में। वे नोट करते हैं कि हालांकि वर्तमान सिस्टम उनके विशिष्ट डेटासेट पर अच्छा प्रदर्शन करता है, भविष्य के कार्य में न्यूनतम मैनुअल लेबलिंग के साथ अनदेखे वातावरण में सुधार के लिए अनसुपरवाइज्ड डोमेन अडैप्टेशन या सेमी-सुपरवाइज्ड लर्निंग शामिल हो सकती है। पेपर सभी आउटडोर या लंबी दूरी के परिदृश्यों के लिए सार्वभौमिक प्रयोज्यता का दावा नहीं करता है, बल्कि नियंत्रित, निजी नेटवर्क वातावरण के भीतर इसकी प्रभावशीलता पर ध्यान केंद्रित करता है।