دوره 15، شماره 3 - ( 9-1397 )
جلد 15 شماره 3 صفحات 88-75 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Feizi A. Application of Sparse Representation and Camera Collaboration in Visual Surveillance Systems. JSDP 2018; 15 (3) :75-88
URL: http://jsdp.rcisp.ac.ir/article-1-559-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-559-fa.html
فیضی اصغر. استفاده از نمایش پراکنده و همکاری دوربینها برای کاربردهای نظارت بینایی. پردازش علائم و داده‌ها. 1397; 15 (3) :75-88
دانشگاه دامغان
چکیده: (3537 مشاهده)
مسأله آشکارسازی رفتارهای غیرمعمول براساس ویدئو، در‌‌حقیقت شناسایی الگوها در داده‌هایی است که با رفتارهای مورد انتظار مطابقت ندارند. درهمین‌اواخر برای خوشهبندی رفتارها و آشکارسازی رفتارهای غیرمعمول، از روش‌های بازسازی پراکنده استفاده می‌شود. در این مقاله از نمایش پراکنده ویژگی‌ها و همکاری دوربینها، برای شناسایی رفتارها و آشکارسازی رفتارهای غیرمعمول استفاده می‌شود. ابتدا برای هر محل در فریم تصویر، یک ویژگی که دارای استقلال هندسی است، استخراج می‌شود؛ سپس برای یک دوربین، ماتریس دیکشنری A محاسبه و به‌عنوان یک مجموعه از مدل رفتاری در نظر گرفته می‌شود. حال، تحت عنوان مسأله همکاری دوربینها، ماتریس دیکشنری یادگرفته‌شده به دوربین دیگر منتقل می‌شود و در دوربین جدید برای آشکارسازی غیرمعمول‌ها مورد استفاده قرار می‌گیرد. برای یادگیری ماتریس دیکشنری، یک روش سلسله‌مراتبی با استفاده از خوشهبندی طیفی پیشنهاد و یک معیار اندازه‌گیری با استفاده از نمایش پراکنده برای آشکارسازی رفتارهای غیرمعمول ارائه می‌شود. نتایج آزمایشی، مؤثر‌بودن ره‌یافت پیشنهادی در استفاده از همکاری دوربینها برای آشکارسازی رفتارهای غیرمعمول را نشان میدهد.
واژه‌های کلیدی: نظارت بینایی، نمایش پراکنده، شناسایی رفتارها، رفتارهای غیرمعمول، اشتراک اطلاعات چند دوربین
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش تصویر
دریافت: 1396/7/6 | پذیرش: 1397/5/15 | انتشار: 1397/9/28 | انتشار الکترونیک: 1397/9/28
دریافت: 1396/7/6 | پذیرش: 1397/5/15 | انتشار: 1397/9/28 | انتشار الکترونیک: 1397/9/28
فهرست منابع
1. [1] C. Chi-Hung, H. Jun-Wei, T. Luo-Wei, C. Sin-Yu, and F. Kuo-Chin, "Carried object detection using ratio histogram and its application to suspicious event analysis," IEEE Trans. Circuits Syst. Video Technol., vol. 19, no. 6, pp. 911–916, 2009. [DOI:10.1109/TCSVT.2009.2017415]
2. [2] T. Xiang and S. Gong, "Video behaviour profiling for anomaly detection," IEEE Trans. Pattern Anal. Mach. Intell., vol. 30, no. 5, pp. 893–908, 2008. [DOI:10.1109/TPAMI.2007.70731] [PMID]
3. [3] D. Xu, R. Song, X. Wu, N. Li, W. Feng, and H. Qian, "Video anomaly detection based on a hierarchical activity discovery within spatio-temporal contexts," Neurocomputing, vol. 143, pp. 144–152, 2014. [DOI:10.1016/j.neucom.2014.06.011]
4. [4] M. Sabokrou, M. Fayyaz, M. Fathy, Z. Moayed, and R. Klette, "Deep-anomaly: Fully convolutional neural network for fast anomaly detection in crowded scenes," Computer Vision and Image Understanding, no. February, Elsevier, pp. 0–1, 2018.
5. [5] Y. Yuan, D. Wang, and Q. Wang, "Anomaly Dete-ction in Traffic Scenes via Spatial-Aware Motion Reconstruction," IEEE Trans. Intell. Transp. Syst., vol. 18, no. 5, pp. 1198–1209, 2017. [DOI:10.1109/TITS.2016.2601655]
6. [6] X. Gu, J. Cui, and Q. Zhu, "Abnormal crowd behavior detection by using the particle entropy," Optik (Stuttg)., vol. 125, no. 14, pp. 3428–3433, 2014. [DOI:10.1016/j.ijleo.2014.01.041]
7. [7] Y. Zhang, H. Lu, L. Zhang, and X. Ruan, "Combin-ing motion and appearance cues for anomaly detection," Pattern Recognit., vol. 51, pp. 443–452, 2016. [DOI:10.1016/j.patcog.2015.09.005]
8. [8] B. Antić and B. Ommer, "Video parsing for ab-normality detection," Proc. IEEE Int. Conf. Com-put. Vis., pp. 2415–2422, 2011.
9. [9] S. Zhu, J. Hu, and Z. Shi, "Local abnormal behav-ior detection based on optical flow and spatio-temporal gradient," Multimed. Tools Appl., vol. 75, no. 15, pp. 9445–9459, 2016. [DOI:10.1007/s11042-015-3122-3]
10. [10] J. Kim and K. Grauman, "Observe locally, infer globally: a space–time mrf for detecting ab-normal activities with incremental updates," in Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, 2009, no. June.
11. [11] A. L. Hou, J. L. Guo, C. J. Wang, L. Wu, and F. Li, "Abnormal behavior recognition based on trajectory feature and regional optical flow," in Proceedings - 2013 7th International Conference on Image and Graphics, ICIG 2013, 2013, pp. 643–649. [DOI:10.1109/ICIG.2013.134]
12. [12] V. Saligrama, J. Konrad, and P. M. Jodoin, "Vi-deo anomaly identification," IEEE Signal Pro-cess. Mag., vol. 27, no. 5, pp. 18–33, 2010. [DOI:10.1109/MSP.2010.937393]
13. [13] J. A. Rodríguez-Serrano and S. Singh, "Trajec-tory clustering in CCTV traffic videos using probability product kernels with hidden Markov models," Pattern Anal. Appl., vol. 15, no. 4, pp. 415–426, 2012. [DOI:10.1007/s10044-012-0269-7]
14. [14] S. Amraee, A. Vafaei, K. Jamshidi, and P. Adibi, "Anomaly detection and localization in crowded scenes using connected component analysis," 2017.
15. [15] X. Wang, X. Ma, and E. Grimson, "Unsupervised Activity Perception in Crowded and Complicated Scenes Using Hierarchical Bayesian Mod-els.pdf," vol. 31, no. 3, pp. 1–35, 2007.
16. [16] S. Li, C. Liu, and Y. Yang, "Anomaly Detection Based on Maximum a Posteriori," Pattern Reco-gnit. Lett., vol. 0, pp. 1–7, 2017. [DOI:10.1016/j.patcog.2016.09.013]
17. [17] C. Simon, J. Meessen, and C. De Vleeschouwer, "Visual event recognition using decision trees," Multimed. Tools Appl., vol. 50, no. 1, pp. 95–121, 2010. [DOI:10.1007/s11042-009-0364-y]
18. [18] S. Amraee, A. Vafaei, K. Jamshidi, and P. Adibi, "Abnormal event detection in crowded scenes us-ing one-class SVM," Signal, Image Video Pro-cess., 2018. [DOI:10.1007/s11760-018-1267-z]
19. [19] B. D. Devarajan, Z. Cheng, and R. J. Radke, "Camera Networks," vol. 96, no. 10, pp. 1625–1639, 2008.
20. [20] M. Piccardi, "Background subtraction techn-i-ques: a review," Vision Res., pp. 3099–3104, 2004.
21. [21] H. Cheng, Sparse Representation , Modeling and Learning in Visual Recognition. .
22. [22] X. Mo, V. Monga, R. Bala, and Z. Fan, "A joint sparsity model for video anomaly detection," Conf. Rec. - Asilomar Conf. Signals, Syst. Com-put., pp. 1969–1973, 2012. [DOI:10.1109/ACSSC.2012.6489384]
23. [23] J. Wright, A. Y. Yang, A. Ganesh, S. S. Sastry, and Y. Ma, "Robust face recognition via sparse representation," IEEE Trans. Pattern Anal. Mach. Intell., vol. 31, no. 2, pp. 210–227, 2009. [DOI:10.1109/TPAMI.2008.79] [PMID]
24. [24] A. Wagner, J. Wright, A. Ganesh, Z. Zhou, H. Mobahi, and Y. Ma, "Toward a practical face re-cognition system: Robust alignment and illu-mination by sparse representation," IEEE Trans. Pa-ttern Anal. Mach. Intell., vol. 34, no. 2, pp. 372–386, 2012. [DOI:10.1109/TPAMI.2011.112] [PMID]
25. [25] M. Planck and U. Von Luxburg, "A Tutorial on Spectral Clustering A Tutorial on Spectral Clus-tering," Stat. Comput., vol. 17, no. March, pp. 395–416, 2006.
26. [26] L. Zelnik and P. Perona, "Self-Yuning Spectral Clustering," vol. 17, no. 4.
27. [27] R. Mehran, a. Oyama, and M. Shah, "Abnormal crowd behavior detection using social force model," 2009 IEEE Conf. Comput. Vis. Pattern Recognit., no. 2, pp. 935–942, 2009.
28. [28] "PETS2006 dataset. Available: http://www.cv-g.rdg.ac.uk/PETS2006/data.html."
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
