Automated visual surveillance is one of the most actively researched areas in the past decade. Although current behaviour recognition systems provide us with a good understanding on the behaviour of individual moving objects present in an observed scene, they are not able to efficiently recognize the behaviour of groups formed by large numbers of moving objects. In this thesis, we present a HMM-based group behaviour recognition system which is capable of recognizing group behaviours effectively and efficiently. In our approach, we generate synthetic data for the training and validation of our behaviour recognition system. In addition, we use a single feature vector to represent the group dynamics, instead of using one feature vector for each pairwise interaction. Experimental results show accurate classification for both real-life data and simulated data from Lee's dataset. Therefore, we conclude that the proposed approach is a viable and accurate technique to perform group behaviour recognition in both simulated environment and real-life situations. Moreover, the high accuracy of the classification results obtained on real-life data, when only synthetic data was used for the training, suggests that it is possible to develop group behaviour models using synthetic data alone. / La surveillance visuelle automatisée est un domaine de recherche parmi les plus actifs au cours de la dernière décennie. Bien que les systèmes actuels de reconnaissance des comportements nous fournissent une bonne compréhension sur le comportement des objets en mouvement dans une scène observée, ils ne sont pas en mesure de reconnaître efficacement le comportement de groupes formés de plusieurs objets en mouvement. Dans cette mémoire, nous présentons un système de reconnaissance des comportements de groupes basé sur le modèle de Markov caché (MMC). Notre système est capable de reconnaître les comportements de groupe de façon efficace et efficiente. Dans notre approche, nous générons des données synthétiques pour former et valider notre système de reconnaissance des comportements. De plus, nous utilisons un vecteur caractéristique pour représenter la dynamique d'un groupe au lieu d'utiliser un vecteur pour chaque interaction entre deux objets en mouvement. Les résultats expérimentaux montrent une classification précise pour les données réelles et simulées utilisant la base de données de Lee. Par conséquent, nous concluons que l'approche proposée est une solution viable et une technique précise pour effectuer la reconnaissance des comportements de groupes dans un environnement simulé et dans des situations de la vie courante. Les résultats démontrent aussi qu'en utilisant uniquement des données synthétiques pour le former, le système classe avec une grande précision les comportements issues de situations réelles. Cela suggère qu'il est possible de développer des modèles de comportement de groupe en utilisant seulement les don
| Identifer | oai:union.ndltd.org:LACETR/oai:collectionscanada.gc.ca:QMM.32565 |
| Date | January 2009 |
| Creators | Yu, Shen |
| Contributors | Frank P Ferrie (Internal/Supervisor) |
| Publisher | McGill University |
| Source Sets | Library and Archives Canada ETDs Repository / Centre d'archives des thèses électroniques de Bibliothèque et Archives Canada |
| Language | English |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation |
| Format | application/pdf |
| Coverage | Master of Engineering (Department of Electrical and Computer Engineering) |
| Rights | All items in eScholarship@McGill are protected by copyright with all rights reserved unless otherwise indicated. |
| Relation | Electronically-submitted theses. |
Page generated in 0.0018 seconds