I det här arbetet presenteras ett system som utvecklats i syfte att kunna räkna personer. Systemet är tänkt att användas i mötesrum för upp till tio personer och använder sig av infraröd teknik i form av thermopile arrayer. I arbetet har tre olika sensorer använts för utvärdering. Sensorerna som använts är Panasonic Grid-EYE med pixelupplösningen 8×8 och detekteringsvinkeln 60°×60° samt två stycken Heimann 32x32d, båda med upplösningen 32×32 pixlar, men med detekteringsvinkeln 90°×90° respektive 105°×105°. Systemet är programmerat med hjälp av utvecklingskortet STM32L476RG och är skrivet i språket C. I systemet används två metoder för att beräkna antalet personer. Den ena metoden jämför temperaturförändringen i ett rum i förhållande till då rummet är tomt och den andra metoden använder sig av bildbehandlingsmetoder som interpolering, filtrering och beräkning av area. Sensorerna utvärderas även individuellt utifrån egenskaper som noggrannhet, strömförbrukning och implementationskostnad. Script har även skapats i MATLAB som, i kombination med mikrokontrollern, används för att grafiskt presentera temperaturvärdena från sensorerna. Den sensor som visade sig vara bäst lämpad för att räkna personer är Heimann 32×32d med detekteringsvinkeln 105°×105°. Detta tack vare den större detekteringsvinkeln som resulterar i en större detekterbar yta samt upplösningen på totalt 1024 pixlar som sammantaget ger en högre noggrannhet för personräkning. Denna sensor kräver dock mer komplexa och tidskrävande beräkningar för behandling av data än Grid-EYE. Dessa skillnader är ändå marginella, där noggrannheten och den större detekterbara arean väger upp nackdelarna. De experimentella resultaten visar att Heimann 32×32d med 105°×105° ger en noggrannhet på c:a 98.3 % vid mätning på höjden 2.45 m. Detta motsvarar en yta på c:a 39.1 m2 och systemet kan räkna upp till minst 4 personer. För Grid-EYE och samma höjd har ej noggrannheten fastställts, men har endast en detekterbar yta på c:a 7.7 m2 där maximalt 4 personer bedöms kunna räknas. / In this work, a system is being developed with the purpose of counting people. The system is intended for use in meeting rooms for up to ten persons and utilizes infrared technique using thermopile arrays. For this work, three different sensor have been used for evaluation. A Panasonic Grid-EYE with a resolution of 8×8 and a Field of View (FoV) of 60°×60°, and two Heimann 32×32d sensors, both having a resolution of 32×32, but with the FoV 90°×90° and 105°×105° respectively. The system has been programmed using the microcontroller STM32L476RG, and with the programming language C. In this system, two methods for people counting has been implemented. The first method compares the total change in temperature of a room in relation to when the room is empty and the other method uses image processing methods, such as interpolation, filtering and area calculations. The sensors are also being evaluated individually, based on characteristics such as accuracy, current consumption and implementation cost. To graphically display the temperature values of the sensors, scripts has been made for MATLAB that uses information sent by the microcontroller. The sensor which seem to be best suited for counting people is the Heimann 32×32d with the FoV 105°×105°. The main advantage of this sensor is its wider FoV, covering a larger area, and its higher resolution, which overall yields a higher accuracy when counting people. However, this sensor requires more complex and time-consuming calculations when processing data than the Grid-EYE. Still, these differences are marginal where the accuracy and the larger detectable area for the HTPA outweighs its disadvantages. The experimental results shows that the Heimann sensor with 105°×105° FoV can achieve an accuracy of ≈98.3 % measuring at a height of 2.45 m. At this height, the detectable area for the sensor is ≈39.1 m2 and is being able to count up to at least 4 persons. As for the Grid-EYE and with the same scenario, the accuracy has not been determined, but has a detectable area of ≈7.7 m2 and is estimated being able to count up to a maximum of 4 persons.

Building occupancy estimation has become an important topic for sustainable buildings that has attracted more attention during the pandemics. Estimating building occupancy is a considerable problem in computer vision, while computer vision has achieved breakthroughs in recent years. But, machine learning algorithms for computer vision demand large datasets that may contain users’ private information to train reliable models. As privacy issues pose a severe challenge in the field of machine learning, this work aims to develop a privacypreserved machine learningbased method for people counting using a lowresolution thermal camera with 32 × 24 pixels. The method is applicable for counting people in different scenarios, concretely, counting people in spaces smaller than the field of view (FoV) of the camera, as well as large spaces over the FoV of the camera. In the first scenario, counting people in small spaces, we directly count people within the FoV of the camera by Multiple Object Detection (MOD) techniques. Our MOD method achieves up to 56.8% mean average precision (mAP). In the second scenario, we use Multiple Object Tracking (MOT) techniques to track people entering and exiting the space. We record the number of people who entered and exited, and then calculate the number of people based on the tracking results. The MOT method reaches 47.4% multiple object tracking accuracy (MOTA), 78.2% multiple object tracking precision (MOTP), and 59.6% identification F-Score (IDF1). Apart from the method, we create a novel thermal images dataset containing 1770 thermal images with proper annotation. / Uppskattning av hur många personer som vistas i en byggnad har blivit ett viktigt ämne för hållbara byggnader och har fått mer uppmärksamhet under pandemierna. Uppskattningen av byggnaders beläggning är ett stort problem inom datorseende, samtidigt som datorseende har fått ett genombrott under de senaste åren. Algoritmer för maskininlärning för datorseende kräver dock stora datamängder som kan innehålla användarnas privata information för att träna tillförlitliga modeller. Eftersom integritetsfrågor utgör en allvarlig utmaning inom maskininlärning syftar detta arbete till att utveckla en integritetsbevarande maskininlärningsbaserad metod för personräkning med hjälp av en värmekamera med låg upplösning med 32 x 24 pixlar. Metoden kan användas för att räkna människor i olika scenarier, dvs. att räkna människor i utrymmen som är mindre än kamerans FoV och i stora utrymmen som är större än kamerans FoV. I det första scenariot, att räkna människor i små utrymmen, räknar vi direkt människor inom kamerans FoV med MOD teknik. Vår MOD-metod uppnår upp till 56,8% av den totala procentuella fördelningen. I det andra scenariot använder vi MOT-teknik för att spåra personer som går in i och ut ur rummet. Vi registrerar antalet personer som går in och ut och beräknar sedan antalet personer utifrån spårningsresultaten. MOT-metoden ger 47,4% MOTA, 78,2% MOTP och 59,6% IDF1. Förutom metoden skapar vi ett nytt dataset för värmebilder som innehåller 1770 värmebilder med korrekt annotering.