1 |
Detecção de movimentos não usuais no espaço_fase / Detection of unusual motion in space-phaseHennemann, Luciano 22 February 2008 (has links)
Made available in DSpace on 2015-03-05T13:59:44Z (GMT). No. of bitstreams: 0
Previous issue date: 22 / Nenhuma / Este trabalho tem como finalidade apresentar um modelo para detecção de comportamentos não usuais baseados em trajetórias. O modelo segue uma linha de pesquisa bastante atual na área de câmeras inteligentes ou vigilância electrônica que tende a concorrer com a enorme variedade de dispositivos baseadas em hardware hoje disponíveis no mercado. O fundamento está no processamento das trajetórias de pedestres ou objetos adquiridas por meio de filmagens feitas de ambientes com tráfego. O modelo é fundamentado em um período de treinamento, onde irá aprender o perfil das trajetórias selecionando, agrupando e posteriormente, guardando-as em um banco de dados. Depois irá compará-las com trajetórias novas que vão sendo adquiridas continuamente no período de teste ou operação propriamentte dito. No período de teste, uma trajetória será classificada com usual se compatível com as trajetórias adquiridas durante o treinamento, ou não usual, caso contrário. Neste trabalho, portanto, serão apresentados algoritmos que detectam / This work aims to present a model for detection of unusual motion based on trajectories. This model relates to the research field on intelligent cameras and surveillance systems, that tends to compete nowadays with the enormous range of devices based in hardware available on the market. The main idea of the proposed approach is to analyze trajectories acquired from film scenes. The first step of the algorithm consists of a training period, that learns the profile of trajectories, selecting, grouping and later, keeping them in a database. After that, the algorithm compares new trajectories that are being acquired continously in the test period. In test period, one given trajectory will be classified as usual if it is compatible with the trajectories acquired during the training period, or unusual otherwise. This work, therefore, will present algorithms that detect patterns of similarity between a set of trajectories in the training period with each new trajectory acquired in the test period
|
Page generated in 0.5806 seconds