Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/322717
Full metadata record
DC FieldValueLanguage
dc.contributor.CRUESPUNIVERSIDADE ESTADUAL DE CAMPINASpt_BR
dc.descriptionOrientador: Hélio Pedrinipt_BR
dc.descriptionDissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computaçãopt_BR
dc.format.extent1 recurso online (56 p.) : il., digital, arquivo PDF.pt_BR
dc.format.mimetypeapplication/pdfpt_BR
dc.languageInglêspt_BR
dc.relation.requiresRequisitos do sistema: Software para leitura de arquivo em PDFpt_BR
dc.typeDISSERTAÇÃO DIGITALpt_BR
dc.titleCENTRIST3D = a spatio-temporal descriptor for abnormality detection in crowd videos = CENTRIST3D: um descritor espaço-temporal para detecção de anomalias em vídeos de multidõespt_BR
dc.title.alternativeCENTRIST3D : um descritor espaço-temporal para detecção de anomalias em vídeos de multidõespt_BR
dc.contributor.authorSousa, Erick Luis Moraes de, 1990-pt_BR
dc.contributor.advisorPedrini, Hélio, 1963-pt_BR
dc.contributor.institutionUniversidade Estadual de Campinas. Instituto de Computaçãopt_BR
dc.contributor.nameofprogramPrograma de Pós-Graduação em Ciência da Computaçãopt_BR
dc.subjectAnomaliaspt_BR
dc.subjectVisão por computadorpt_BR
dc.subjectAprendizado de máquinapt_BR
dc.subjectMultidõespt_BR
dc.subject.otherlanguageAnomaliesen
dc.subject.otherlanguageComputer visionen
dc.subject.otherlanguageMachine learningen
dc.subject.otherlanguageCrowdsen
dc.description.abstractResumo: O campo de estudo da detecção de anomalias em multidões possui uma vasta gama de aplicações, podendo-se destacar o monitoramento e vigilância de áreas de interesse, tais como aeroportos, bancos, parques, estádios e estações de trens, como uma das mais importantes. Em geral, sistemas de vigilância requerem prossionais qualicados para assistir longas gravações à procura de alguma anomalia, o que demanda alta concentração e dedicação. Essa abordagem tende a ser ineciente, pois os seres humanos estão sujeitos a falhas sob condições de fadiga e repetição devido aos seus próprios limites quanto à capacidade de observação e seu desempenho está diretamente ligado a fatores físicos e psicológicos, os quais podem impactar negativamente na qualidade de reconhecimento. Multidões tendem a se comportar de maneira complexa, possivelmente mudando de orientação e velocidade rapidamente, bem como devido à oclusão parcial ou total. Consequentemente, técnicas baseadas em rastreamento de pedestres ou que dependam de segmentação de fundo geralmente apresentam maiores taxas de erros. O conceito de anomalia é subjetivo e está sujeito a diferentes interpretações, dependendo do contexto da aplicação. Neste trabalho, duas contribuições são apresentadas. Inicialmente, avaliamos a ecácia do descritor CENsus TRansform hISTogram (CENTRIST), originalmente utilizado para categorização de cenas, no contexto de detecção de anomalias em multidões. Em seguida, propusemos o CENTRIST3D, uma versão modicada do CENTRIST que se utiliza de informações espaço-temporais para melhorar a discriminação dos eventos anômalos. Nosso método cria histogramas de características espaço-temporais de quadros de vídeos sucessivos, os quais foram divididos hierarquicamente utilizando um algoritmo modicado da correspondência em pirâmide espacial. Os resultados foram validados em três bases de dados públicas: University of California San Diego (UCSD) Anomaly Detection Dataset, Violent Flows Dataset e University of Minesota (UMN) Dataset. Comparado com outros trabalhos da literatura, CENTRIST3D obteve resultados satisfatórios nas bases Violent Flows e UMN, mas um desempenho abaixo do esperado na base UCSD, indicando que nosso método é mais adequado para cenas com mudanças abruptas em movimento e textura. Por m, mostramos que há evidências de que o CENTRIST3D é um descritor eciente de ser computado, sendo facilmente paralelizável e obtendo uma taxa de quadros por segundo suciente para ser utilizado em aplicações de tempo realpt
dc.description.abstractAbstract: Crowd abnormality detection is a eld of study with a wide range of applications, where surveillance of interest areas, such as airports, banks, parks, stadiums and subways, is one of the most important purposes. In general, surveillance systems require well-trained personnel to watch video footages in order to search for abnormal events. Moreover, they usually are dependent on human operators, who are susceptible to failure under stressful and repetitive conditions. This tends to be an ineective approach since humans have their own natural limits of observation and their performance is tightly related to their physical and mental state, which might aect the quality of surveillance. Crowds tend to be complex, subject to subtle changes in motion and to partial or total occlusion. Consequently, approaches based on individual pedestrian tracking and background segmentation may suer in quality due to the aforementioned problems. Anomaly itself is a subjective concept, since it depends on the context of the application. Two main contributions are presented in this work. We rst evaluate the eectiveness of the CENsus TRansform hISTogram (CENTRIST) descriptor, initially designed for scene categorization, in crowd abnormality detection. Then, we propose the CENTRIST3D descriptor, a spatio-temporal variation of CENTRIST. Our method creates a histogram of spatiotemporal features from successive frames by extracting histograms of Volumetric Census Transform from a spatial representation using a modied Spatial Pyramid Matching algorithm. Additionally, we test both descriptors in three public data collections: UCSD Anomaly Detection Dataset, Violent Flows Dataset, and UMN Datasets. Compared to other works of the literature, CENTRIST3D achieved satisfactory accuracy rates on both Violent Flows and UMN Datasets, but poor performance on the UCSD Dataset, indicating that our method is more suitable to scenes with fast changes in motion and texture. Finally, we provide evidence that CENTRIST3D is an ecient descriptor to be computed, since it requires little computational time, is easily parallelizable and achieves suitable frame-per-second rates to be used in real-time applicationsen
dc.publisher[s.n.]pt_BR
dc.date.issued2017pt_BR
dc.identifier.citationSOUSA, Erick Luis Moraes de. CENTRIST3D: a spatio-temporal descriptor for abnormality detection in crowd videos = CENTRIST3D: um descritor espaço-temporal para detecção de anomalias em vídeos de multidões. 2017. 1 recurso online (56 p.). Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação, Campinas, SP. Disponível em: <http://www.repositorio.unicamp.br/handle/REPOSIP/322717>. Acesso em: 1 set. 2018.pt_BR
dc.description.degreelevelMestradopt_BR
dc.description.degreedisciplineCiência da Computaçãopt_BR
dc.description.degreenameMestre em Ciência da Computaçãopt_BR
dc.contributor.committeepersonalnameCarvalho, Tiago José dept_BR
dc.contributor.committeepersonalnameTorres, Ricardo da Silvapt_BR
dc.date.defense2017-04-11T00:00:00Zpt_BR
dc.description.sponsordocumentnumber1406874pt_BR
dc.description.sponsordocumentnumber159166/2015-2pt_BR
dc.date.available2018-09-01T20:47:35Z-
dc.date.accessioned2018-09-01T20:47:35Z-
dc.description.provenanceMade available in DSpace on 2018-09-01T20:47:35Z (GMT). No. of bitstreams: 1 Sousa_ErickLuisMoraes de_M.pdf: 4341618 bytes, checksum: 8c4ce53ce356901c65ea9f5a99112c3c (MD5) Previous issue date: 2017en
dc.identifier.urihttp://repositorio.unicamp.br/jspui/handle/REPOSIP/322717-
dc.description.sponsorCAPESpt_BR
dc.description.sponsorCNPQpt_BR
Appears in Collections:IC - Tese e Dissertação

Files in This Item:
File SizeFormat 
Sousa_ErickLuisMoraes de_M.pdf4.24 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.