Tesis
Detecção automática de comportamentos anormais em vídeos de sistemas de vigilância e monitoramento
Automatic detection of abnormal behaviors in video surveillance and monitoring systems
Registro en:
ROJAS ROJAS, Oscar Ernesto. Detecção automática de comportamentos anormais em vídeos de sistemas de vigilância e monitoramento. 2017. 1 recurso online (121 p.). Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP.
Autor
Rojas Rojas, Oscar Ernesto, 1987-
Institución
Resumen
Orientador: Clesio Luis Tozzi Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação Resumo: Nos sistemas de segurança atuais são usadas câmeras para auxiliar no monitoramento de espaços como aeroportos, prédios, praças, parques, entre outros. Muitos desses sistemas utilizam dezenas ou até centenas de câmeras que geram imagens que devem ser analisadas por operadores. Com uma alta quantidade de câmeras o número de operadores necessários para analisar as imagens aumenta, tornando o sistema mais custoso, ainda por cima, nos sistemas atuais um único operador deve analisar dezenas de imagens simultaneamente durante longos períodos de tempo possibilitando que, devido ao cansaço ou por distrações, anormalidades passem despercebidas. Visando reduzir o número de operadores necessários assim como a quantidade de atenção requerida por parte deles para analisar as imagens, neste trabalho é proposto, implementado e testado um sistema de detecção automático de um conjunto preestabelecido de quatro casos de comportamentos considerados anormais relativos ao monitoramento de grupos de pessoas. O primeiro caso se relaciona ao aumento repentino na velocidade das pessoas em uma cena, por exemplo, quando elas estão inicialmente caminhando e, por alguma razão, de repente começam a correr. O segundo comportamento associa-se às mudanças nos padrões de posição, velocidade ou direção de deslocamento de uma ou várias pessoas na cena. No terceiro caso de anormalidade um indivíduo tenta atravessar uma multidão deslocando-se em direção contrária à direção de movimento desta. O quarto e último caso de anormalidade se relaciona à presença de objetos com baixa probabilidade de aparição segundo o contexto da cena, por exemplo, carros numa travessia de pedestres ou pessoas atravessando uma rodovia a pé. As três primeiras anormalidades são baseadas em padrões de movimento, enquanto a quarta anormalidade é baseada na aparência dos objetos. As técnicas de detecção de anormalidade propostas neste trabalho utilizam ferramentas de visão computacional e processamento digital de imagens e cada uma delas é dividida em duas etapas: na primeira etapa, ou etapa de treinamento, são extraídas as características principais de movimento e aparência (features) das imagens de entrada que são usadas para gerar um modelo de comportamento normal. Na segunda etapa, ou etapa de teste, ditas características são obtidas de novas imagens e são comparadas com o modelo gerado anteriormente classificando-as como contendo ou não anormalidade. Os algoritmos desenvolvidos foram projetados para garantir modelos atualizáveis, sendo reunidos em uma arquitetura baseada em módulos, que permite tratar cada caso de anormalidade de forma independente, e permite incluir, futuramente, algoritmos para detecção de anormalidades não contempladas neste trabalho. A arquitetura por módulos também permite obter mais informações em relação ao tipo de anormalidade do que as reportadas nos trabalhos correlatos. O sistema proposto foi avaliado utilizando conjuntos de vídeos publicamente disponíveis e os resultados foram comparados com trabalhos correlatos demonstrando desempenho satisfatório, tanto na detecção quanto na localização das situações aqui tratadas Abstract: Current surveillance systems use video cameras to monitoring locations as airports, buildings, parks, among others. Many of those systems require dozens or even hundreds of cameras, each one producing images that are analyzed by operators. With the increasing number of cameras, the number of operators required to analyze all the data increase as well, producing expensive systems. Moreover, in nowadays systems a single operator must analyze dozens of images simultaneously over long periods of time, leading the possibility of unnoticed abnormalities due to fatigue or distractions. In order to reduce the number of operators required, as well as the amount of attention that they required to analyze the images, in this work we propose, implement and test a system for automatic detection of a pre-established set of four types of behaviors considered as abnormals related to the monitoring of groups of people. The first type of abnormal behavior is related to the sudden increase of people¿s speed in a scene. It occurs for example when they are initially walking and, for some reason, suddenly they start to run. The second type of behavior is associated with changes in the patterns of position, speed and direction of displacement of one or more persons in the scene. In the third type, a person tries to walk across a crowd by moving in the opposite direction to the crowd. The fourth and final type of abnormality is related to the presence of objects with a low probability of occurrence according to the scene's context, for example, cars in a pedestrian crossing area. The first three abnormalities are based on motion patterns, while the fourth is based on the object¿s appearance. The techniques of abnormality detection proposed in this work use computer vision and digital image processing tools and each one is divided into two stages: in the first stage, called the training stage, features of movement and appearance are extracted and used to build a model of normal behavior. In the second stage, or test stage, such features are extracted from new images and are compared against the previously generated model classifying them as presenting or not an abnormality. The developed algorithms were designed to guarantee updatable models and were assembled in a module-based architecture, which permits treating each type of abnormality independently, allowing to include, in the future, algorithms for abnormalities detection not contemplated in this work. The architecture by modules allows obtain more information regarding the type of abnormality than those reported in the related works. The proposed system was evaluated using publicly available datasets and the results were compared with related works showing satisfactory performance in both detection and localization of the treated situations Doutorado Automação Doutor em Engenharia Elétrica 141867/2013-2 CNPQ