Details

Title: Обнаружение аномальной активности по кадрам видеонаблюдения многолюдных сцен: выпускная квалификационная работа магистра: 09.04.01 - Информатика и вычислительная техника ; 09.04.01_17 - Интеллектуальные системы (международная образовательная программа на иностранном языке)
Creators: Асси Вассим
Scientific adviser: Малыхина Галина Федоровна
Other creators: Киселева Людмила Анатольевна
Organization: Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и технологий
Imprint: Санкт-Петербург, 2019
Collection: Выпускные квалификационные работы; Общая коллекция
Subjects: Видеотехника; Изображения; Распознавание образов; обнаружение аномальной деятельности; обнаружение видеоаномалии; визуальное наблюдение; системы компьютерного видения
UDC: 004.93'1(043.3); 621.397(043.3)
Document type: Master graduation qualification work
File type: PDF
Language: Russian
Speciality code (FGOS): 09.04.01
Speciality group (FGOS): 090000 - Информатика и вычислительная техника
Links: Отзыв руководителя; Рецензия; Отчет о проверке на объем и корректность внешних заимствований
DOI: 10.18720/SPBPU/3/2019/vr/vr19-1071
Rights: Доступ по паролю из сети Интернет (чтение, печать, копирование)

Allowed Actions:

Action 'Read' will be available if you login or access site from another network Action 'Download' will be available if you login or access site from another network

Group: Anonymous

Network: Internet

Annotation

Обнаружение аномальной активности является сложной проблемой в видеонаблюдении в целях безопасности и защиты системы. Мы представляем новый подход к обнаружению аномальной активности при видеонаблюдении с переполненными сценами, который важен для многих повседневных целей. Наш подход основан на трех типах функций для обнаружения аномальных событий. Первый тип - это особенности движения, основанные на расчете оптического потока, второй тип - это размер движущихся людей вдоль кадров, а третий тип - это величина движения. Мы будем использовать много подходов к обучению в обучении под наблюдением и обучением под наблюдением и без него, чтобы выбрать лучший метод. Мы будем использовать набор данных UCSD Anomaly Detection. Нашей целью является выявление аномалий в видеопотоках с использованием методов машинного обучения и многих типов алгоритмов обучения для построения эффективного классификатора, оценки и сравнения между этими алгоритмами с использованием множества наборов данных. В этом отчете мы имеем для основных глав, в первой главе описывается наша проблема, и для чего мы решаем эту проблему, объясняем проблемы и подходы, использованные в предыдущих работах в той же области. Во второй главе мы поговорим о машинном обучении и о том, что мы используем для построения аномальных классификаторов активности. В третьем мы описываем наш вклад и то, как мы решаем эту проблему. В последней главе мы представляем результаты и сравниваем их, чтобы выбрать лучший классификатор.

Abnormal activity detection is a challenging problem in video surveillance for security purposes and protection system. We presents a new approach for abnormal activity detection in videos surveillance with crowded scenes which is important for many daily purposes. Our approach based on three types of features for detecting anomaly events. First type is motion features based on optical flow calculation, second type is the size of moving individuals along frames, and third type is motion magnitude. We will use many training approaches in supervised and semi-supervised and unsupervised learning to choose the best method. We will use UCSD Anomaly Detection dataset. Our aim is to identify anomalies in video feeds using Machine Learning techniques and many types of learning algorithms to build an effective classifier, evaluate and compare between these algorithms using many datasets. In this report we have for main chapters, first chapter introduce our problem and what for we solve this problem, explain the challenges and approaches used in previous works in the same field. In the second chapter we talk about machine learning and what we use to build abnormal activity classifiers. In the third one, we describe our contribution and how we process this problem. In the final chapter we present the results and compare between them to choose the best classifier.

Document access rights

Network User group Action
ILC SPbPU Local Network All Read Print Download
Internet Authorized users SPbPU Read Print Download
Internet Authorized users (not from SPbPU)
-> Internet Anonymous

Usage statistics

stat Access count: 53
Last 30 days: 0
Detailed usage statistics