Unexpected human behavior recognition in image sequences

Abstract

In dieser Diplomarbeit werden bildverarbeitende Methoden zur Erkennung abnormalen bzw. unerwarteten Verhaltens von Menschenmengen behandelt und auf dessen Probleme eingegangen. Aktuelle Methoden behandeln dieses Thema als ein Problem, welches auf bestehenden Ansätzen wie Objektverfolgung oder Ereigniserkennung aufbaut. Die Erkennung unerwarteten Verhaltens ist dadurch von der Qualität dieser Methoden abhängig und wird von den Schwächen beeinflusst. Es wird ein neuer Ansatz vorgestellt, welcher unabhängig von Objektverfolgung oder anderen Methoden auf hoher Komplexitätsebene wie Ereigniserkennung ist. Der Algorithmus ist dadurch weniger anfällig auf Fehler in aufbauenden Bildverarbeitungsprozessen und kann genereller verwendet werden. Das Verfahren verwendet Merkmale wie den räumlichen Aufenthalt und dessen Dauer von Menschenmengen, die Bewegungsgeschwindigkeit der Personen und die Größe der Menschenmenge. Die Ausprägung der Merkmale in unauffälligen/normalen Situationen wird mithilfe von Video-Sequenzen erlernt um Abweichungen in realen Szenen erkennen zu koennen. Die Ergebnisse des präsentierten Verfahrens werden anhand von Auswertungen mit ähnlichen existierenden Ansätzen verglichen.<br />

This master thesis discusses image processing methods for detecting abnormal and unexpected behavior within human crowds and the drawbacks of existing methods. Currently abnormal behavior recognition is treated as a high-level image processing task relying on existing visual surveillance methods such as object-tracking or event detection.<br />Therefore, the result of behavior recognition depends on the quality of the output of these methods and is affected by their weaknesses. This thesis discusses a new approach which is independent from high-level methods like event detection or object-tracking and is therefore more robust in complex scenarios. This approach uses features including the spatio-temporal movement of crowds, the pace of the included persons and the density of the crowds. Training sequences are used to detect values for these features under normal circumstances, which are then used to detect deviations during an unexpected event. The results of the proposed approach are discussed and compared with existing methods.