Defesa de Mestrado de Erick Luis Moraes de Sousa

Data: 
11/04/2017 - 14:00
Local: 
Auditório do IC 2 - Sala 85

Título: CENTRIST3D: Um Descritor Espaço-Temporal para Detecção de Anomalias em Vídeos de Multidões

 

Banca Examinadora
Titulares (Professores Doutores) Unidade / Instituição
Hélio Pedrini IC/UNICAMP
Tiago José de Carvalho CenPRA/IFSP
Ricardo da Silva Torres IC/UNICAMP
Suplentes (Professores Doutores) Unidade / Instituição
André Santanchè IC/UNICAMP
Moacir Antonelli Ponti  ICMC/USP

 

RESUMO   

 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 profissionais qualificados para assistir longas gravações à procura de alguma anomalia, o que demanda alta concentração e dedicação. Essa abordagem tende a ser ineficiente, 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 eficácia 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 modificada 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 modificado da correspondência em pirâmide espacial. Os resultados foram validados em três bases de dados públicas: UCSD Anomaly Detection Dataset, Violent Flows Dataset e UMN Dataset. Os resultados evidenciam que o CENTRIST3D obteve um desempenho abaixo do esperado na base UCSD e resultados satisfatórios nas bases Violent Flows e UMN. Devido a essas características, observamos que o descritor obteve uma maior capacidade discriminativa em bases cujas anomalias são mais distintas e intensas, tanto em mudanças de movimento quanto em textura ou forma. Por fim, mostramos que há evidências de que o CENTRIST3D é um descritor eficiente de ser computado, sendo facilmente paralelizável e obtendo uma taxa de quadros por segundo suficiente para ser utilizado em aplicações de tempo real.