Czasopismo | PRZEGLĄD TELEKOMUNIKACYJNY - WIADOMOŚCI TELEKOMUNIKACYJNE | Rocznik 2016 - zeszyt 6

NIENADZOROWANA DETEKCJA ANORMALNYCH ZACHOWAŃ TŁUMU W DOZOROWYCH SEKWENCJACH WIZYJNYCH

10.15199/59.2016.6.40

nr katalogowy: 101758
10.15199/59.2016.6.40

UNSUPERVISED ABNORMAL CROWD ACTIVITY DETECTION IN SURVEILLANCE SYSTEMS Streszczenie: W niniejszym artykule opisano nienadzorowaną metodę detekcji anormalnych zachowań tłumu w dozorowych sekwencjach wizyjnych. Proponowane rozwiązanie wykorzystuje deskryptory standardu MPEG-7 do opisu sceny oraz algorytm Particle Filter do klasyfikacji. Badania przeprowadzono na ogólnodostępnej bazie sekwencji testowych UMN. Otrzymane wyniki są porównywalne do wyników uzyskiwanych przez metody nadzorowane. Abstract: We propose an unsupervised method for abnormal crowd activity detection in surveillance systems. Proposed solution is using MPEG-7 Motion Activity descriptors and Particle Filter algorithm for classification. The experiments were performed on UMN dataset sequences. The detection results are comparable to results obtained by supervised methods. Słowa kluczowe: filtr cząsteczek, nienadzorowana detekcja anomalii, UMN Keywords: particle filter, UMN, unsupervised anomaly detection 1. WPROWADZENIE W ostatnich latach obserwuje się wzrost liczby kamer w przestrzeni publicznej. W związku z tym rośnie również ilość materiału wizyjnego podlegającego analizie. Istotnym zagadnieniem, ze względów bezpieczeństwa, jest np. obserwacji tłumu osób, w którym szybka detekcja anormalnych zachowań staje się wyjątkowo krytyczna. Detekcja anormalnych zdarzeń w tłumie ludzi odgrywa ważną rolę w wielu zastosowaniach, np. dozór wizyjny czy kontrola bezpieczeństwa. Głównym założeniem metod detekcji anormalnych zdarzeń jest znajomość wzorca zdarzeń normalnych. Wzorzec ten jest poznawany w procesie uczenia ze zbioru definiującego zdarzenia normalne. Następnie na etapie klasyfikacji aktualne dane są porównywane ze wzorcem i na tej podstawie stwierdza się, czy dane zdarzenie jest normalne czy nie. Wymaganie znajomości gotowego wzorca zdarzeń normalnych znacząco komplikuje zastosowanie metod detekcji zdarzeń anormalnych w rzeczywistych systemach dozorowyc[...]

Bibliografia

[1] Wu S., Wong H.-S., Yu Z.. 2014. "A Bayesian model for crowd escape behavior detection". IEEE Transactions on Circuits and Systems for Video Technology, 24(1): 85-98.
[2] Okuma K., Taleghani A., Freitas N.D., Little J.J., Lowe D.G.. 2004. "A boosted particle filter: multitarget detection and tracking". Proceedings of Eighth European Conference on Computer Vision, 28-39.
[3] Yang H., Cao Y., Wu S., Lin W., Zheng S., You Z.. 2012. "Abnormal crowd behavior detection based on local pressure model". Signal & Information Processing Association Annual Summit and Conference, 1-4.
[4] Wang B., Ye M., Li X., Zhao F., Ding J.. 2012. "Abnormal crowd behavior detection using highfrequency and spatio-temporal features". Machine Vision and Applications, 23(3): 501-511.
[5] Mehran R., Oyama A., Shah M.. 2009. "Abnormal crowd behavior detection using social force model". IEEE Conference on Computer Vision and Pattern Recognition, 935-942.
[6] Miao Y., Song J.. 2014. "Abnormal Event Detection Based on SVM in Video Surveillance". IEEE Workshop on Advanced Research and Technology in Industry Applications, 1379-1383.
[7] Liao H., Xiang J., Sun W., Feng Q., Dai J.. 2011. "An Abnormal Event Recognition in Crowd Scene". Sixth International Conference on Image and Graphics, 731-736.
[8] Divakaran Ajay. 2001. "An Overview of MPEG-7 Motion Descriptor and Their Applications". Computer Analysis of Image and Patterns, Lecture Notes in Computer Science, 2124: 29-40.
[9] Li W., Mahadevan V., Vasconcelos N.. 2014. "Anomaly Detection and Localization in Crowded Scenes". IEEE Transactions on Pattern Analysis and Machine Intelligence, 36(1): 18-32.
[10] Lin H., Deng J.D., Woodford B.J.. 2015. "Anomaly detection in crowd scenes via online adaptive oneclass support vector machines". IEEE International Conference on Image Processing, 2434-2438.
[11] ISO/IEC 14496-10. 2010. "Coding of Audio-Visual objects - Part 10: Advanced Video Coding".
[12] Isard M., Blake A.. 1998. "CONDENSATION - Conditional Density Propagation for Visual Tracking". International Journal of Computer Vision, 29(1): 5-28.
[13] Zhao J., Xu Y., Yang X., Yan Q.. 2011. "Crowd instability analysis using velocity-field based social force model". IEEE Visual Communications and Image Processing, 1-4.
[14] Ito Y. Kitani K.M., Bagnell J.A., Hebert M.. 2012. "Detecting Interesting Events Using Unsupervised Density Ratio Estimation". Computer Vision - ECCV 2012. Workshops and Demonstrations, Lecture Notes in Computer Science, 7585: 151-161.
[15] Boiman O., Irani M.. 2005. "Detecting irregularities in images and in video". Tenth IEEE International Conference on Computer Vision, 1: 462-469.
[16] Zhong H., Shi J., Visontai M.. 2004. "Detecting unusual activity in video". Proceedings of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2: 819-826.
[17] Breitenstein M.D., Grabner H., Van Gool L.. 2009. "Hunting Nessie - Real-time abnormality detection from webcams". IEEE 12th International Conference on Computer Vision Workshops, 1243- 1250.
[18] ISO/IEC 15938-3:2002/Amd 3:2009. Information Technology - Multimedia content description interface - Part 3: Visual, Amendment 3: Image signature tools.
[19] Khan Z., Balch T., Dellaert F.. 2005. "MCMC-based particle filtering for tracking a variable number of interacting targets". IEEE Transactions on Pattern Analysis and Machine Intelligence, 27(11): 1805- 1819.
[20] Doucet A., Godsill S., Andrieu C.. 2000. "On sequential Monte Carlo sampling methods for Bayesian filtering". Statistics and Computing, 10(3): 197-208.
[21] Zhao B., Fei-Fei L., Xing E.P.. 2011. "Online detection of unusual events in videos via dynamic sparse coding". 2011 IEEE Conference on Computer Vision and Pattern Recognition, 3313-3320.
[22] Qi Z., Ting R., Husheng F., Jinlin Z.. 2012. "Particle Filter Object Tracking Based on Harris-SIFT Feature Matching". Procedia Engineering, 29: 924- 929.
[23] Helbing D., Molnar P.. 1995. "Social Force Model for Pedestrian Dynamics". Physical review E, 51(5): 4282-4286.
[24] Wang X., Ma X., Grimson E.. 2007. "Unsupervised Activity Perception by Hierarchical Bayesian Models". 2007 IEEE Conference on Computer Vision and Pattern Recognition, 1-8.
[25] UMN. Unusual crowd activity dataset. http://mha.cs.umn.edu/Movies/Crowd-Activity- All.avi

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


e-Publikacja (format pdf) - nr 101758 "NIENADZOROWANA DETEKCJA A..." licencja: Osobista Produkt cyfrowy	10.00 zł

Zeszyt


PRZEGLĄD TELEKOMUNIKACYJNY - e-zeszyt (pdf) 2016-6 licencja: Osobista Produkt cyfrowy	30.50 zł

Prenumerata

PRZEGLĄD TELEKOMUNIKACYJNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

300.00 zł

PRZEGLĄD TELEKOMUNIKACYJNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD TELEKOMUNIKACYJNY - papierowa prenumerata roczna	348.00 zł brutto 322.22 zł netto 25.78 zł VAT (stawka VAT 8%)
PRZEGLĄD TELEKOMUNIKACYJNY - pakowanie i wysyłka	21.00 zł brutto 17.07 zł netto 3.93 zł VAT (stawka VAT 23%)

369.00 zł

PRZEGLĄD TELEKOMUNIKACYJNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD TELEKOMUNIKACYJNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	450.00 zł brutto 416.67 zł netto 33.33 zł VAT (stawka VAT 8%)

450.00 zł

Zeszyt

2016-6

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma