Detecção e classificação de mudança de comportamento em multidões humanas

Abstract

Este trabalho apresenta um método para detectar mudança de comportamento em multidões humanas baseado em histogramas de velocidade e orientação em coordenadas de mundo. Uma combinação de remoção de fundo e fluxo óptico é usada para extrair o movimento global a cada quadro do vídeo, descartando pequenos vetores de movimento devido artefatos como ruído, pixels de fundo não estacionários e problemas de compressão. Usando uma câmera calibrada, o movimento global pode ser estimado, e é usado para construir um histograma 2D contendo informações de velocidade e direção para todos os quadros. Cada quadro é comparado com um conjunto de quadros anteriores usando uma métrica de comparação de histogramas, resultando em um vetor de similaridade. Este vetor é então utilizado para determinar mudanças no comportamento da multidão, permitindo também uma classificação baseada na natureza da mudança no tempo: mudanças de curto ou longo prazo. Uma extensão do método apresentado é proposta utilizando técnicas de agrupamento para identificar diferentes grupos da cena, em seguida, aplicar o método de detecção em cada grupo. Isso proporciona não apenas detectar, mas também localizar a mudança de comportamento. O método foi testado em conjuntos de dados públicos disponíveis que envolvem cenários lotados.

This work presents a method to detect change behavior in human crowds based on histograms of velocities in world coordinates. A combination of background removal and optical ow is used to extract the global motion at each image frame, discarding small motion vectors due artifacts such as noise, non-stationary background pixels and compression issues. Using a calibrated camera, the global motion can be estimated, and it is used to build a 2D histogram containing information of speed and direction for all frames. Each frame is compared with a set of previous frames by using a histogram comparison metric, resulting in a similarity vector. This vector is then used to determine changes in the crowd behavior, also allowing a classification based on the nature of the change in time: short or long-term changes. An extension of the presented method is proposed using clustering techniques to identify di erent groups in the scene, and then apply the detection method in each group. This provides not just detect but also localize the change behavior. The method was tested on publicly available datasets involving crowded scenarios.