كليدواژه :
اشتراك اطلاعات چند دوربين , نظارت بينايي , نمايش پراكنده , شناسايي رفتارها , رفتارهاي غيرمعمول
چكيده فارسي :
مسأله آشكارسازي رفتارهاي غيرمعمول براساس ويدئو، در‌‌حقيقت شناسايي الگوها در داده‌هايي است كه با رفتارهاي مورد انتظار مطابقت ندارند. درهمين‌اواخر براي خوشهبندي رفتارها و آشكارسازي رفتارهاي غيرمعمول، از روش‌هاي بازسازي پراكنده استفاده مي‌شود. در اين مقاله از نمايش پراكنده ويژگي‌ها و همكاري دوربينها، براي شناسايي رفتارها و آشكارسازي رفتارهاي غيرمعمول استفاده مي‌شود. ابتدا براي هر محل در فريم تصوير، يك ويژگي كه داراي استقلال هندسي است، استخراج مي‌شود؛ سپس براي يك دوربين، ماتريس ديكشنري A محاسبه و به‌عنوان يك مجموعه از مدل رفتاري در نظر گرفته مي‌شود. حال، تحت عنوان مسأله همكاري دوربينها، ماتريس ديكشنري يادگرفته‌شده به دوربين ديگر منتقل مي‌شود و در دوربين جديد براي آشكارسازي غيرمعمول‌ها مورد استفاده قرار مي‌گيرد. براي يادگيري ماتريس ديكشنري، يك روش سلسله‌مراتبي با استفاده از خوشه بندي طيفي پيشنهاد و يك معيار اندازه‌گيري با استفاده از نمايش پراكنده براي آشكارسازي رفتارهاي غيرمعمول ارائه مي‌شود. نتايج آزمايشي، مؤثر‌بودن ره‌يافت پيشنهادي در استفاده از همكاري دوربينها براي آشكارسازي رفتارهاي غيرمعمول را نشان ميدهد.
چكيده لاتين :
With the growth of demand for security and safety, video-based surveillance systems have been employed in a large number of rural and urban areas. The problem of such systems lies in the detection of patterns of behaviors in a dataset that do not conform to normal behaviors. Recently, for behavior classification and abnormal behavior detection, the sparse representation approach is used. In this paper, feature sparse representation in a multi-view network is used for the purpose of behavior classification and abnormal behavior detection. To serve this purpose, a geometrically independent feature is first extracted for each location in the image. Then, for each camera view, the matrix for the dictionary A is calculated, which is considered as a set of behavior models. In order to share information and make use of the trained models, the learned dictionary matrix from the experienced camera is transferred to inexperienced cameras. The transferred matrix in the new camera is subsequently used to detect abnormal behaviors. A hierarchical method on the basis of spectral clustering is proposed for learning the dictionary matrix. After sparse feature representation, a measurement criterion, which makes use of the representation, is presented for abnormal behavior detection. The merit of the method proposed in this paper is that the method does not require correspondence across cameras. The direct use of the dictionary matrix and transfer of the learned dictionary matrix from the experienced camera to inexperienced ones, are tested on several real-world video datasets. In both cases, desirable improvements in abnormal behavior detection are obtained. The experimental results point to the efficacy of the proposed method for camera cooperation in order to detect abnormal behaviors.
