Please use this identifier to cite or link to this item: http://dx.doi.org/10.14279/depositonce-4044
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorSikora, Thomasen
dc.contributor.authorHeras Evangelio, Rubénen
dc.date.accessioned2015-11-20T23:24:19Z-
dc.date.available2014-04-29T12:00:00Z-
dc.date.issued2014-04-29-
dc.date.submitted2014-04-25-
dc.identifier.uriurn:nbn:de:kobv:83-opus4-51031-
dc.identifier.urihttp://depositonce.tu-berlin.de/handle/11303/4341-
dc.identifier.urihttp://dx.doi.org/10.14279/depositonce-4044-
dc.description.abstractDas Ziel der in dieser Arbeit entwickelten Algorithmen ist die Echtzeiterkennung von neuen statischen und sich bewegenden Objekten beliebigen Aussehens in uneingeschränkten Überwachungsumgebungen, die mit statischen Kameras ausgestattet sind. Die Grundlage der Verfahren sind die Ergebnisse der Hintergrundsubtraktion. Für diese Aufgabe werden Gaussian Mixture Models (GMMs) verwendet. Eine gründliche Überprüfung der State-of-the-Art Formulierungen für den Einsatz von GMM bezüglich der Aufgabe der Hintergrundsubtraktion zeigt Möglichkeiten zur Weiterentwicklung, die zu einem neuen auf einer Varianzsteuerung basierten GMM-Ansatz führen. Der vorgeschlagene Algorithmus ermöglicht eine einfachere Parametrisierung der Modelle für unterschiedliche Umgebungen und konvergiert zu genaueren Modellen der beobachteten Szene. Die Detektion von sich bewegenden Objekten wird durch Verwendung der Ergebnisse der Hintergrundsubtraktion erzielt. Für die Erkennung von neuen statischen Objekten werden zwei Hintergrundmodelle, die sich mit unterschiedlichen Geschwindigkeiten an die Szene anpassen, verwendet. Dies ermöglicht eine mehrklassige Pixelklassifikation, welche den zeitlichen Bezug der durch Hintergrundsubtraktion erzielte Ergebnisse berücksichtigt. In einem ersten Ansatz werden die Ergebnisse der Subtraktion beider Hintergrundmodelle als Eingabe einer Finite State Machine (FSM) verwendet, die eine Pixelklassifizierung auf Grundlage der Pixelhistorie erzeugt. Dies ermöglicht die Erkennung von neuen statischen Objekten über lange Zeiträume und eine korrekte Klassifizierung der aufgedeckten Hintergrundbereiche bei der Entfernung dieser Objekte. In einem weiterentwickelten Ansatz werden die Ergebnisse der mehrklassigen Pixelklassifikation in Regionen gruppiert und weiter analysiert, um zwischen neuen und entfernten statischen Objekten zu unterscheiden. Dies ermöglicht die Erkennung von statischen Objekten ohne Vorkenntnis der beobachteten Szene. Weiterhin wird gezeigt, dass die Ergebnisse der Regionanalyse verwendet werden können, um die Qualität der Hintergrundmodelle und somit auch der Detektionsergebnisse erheblich zu verbessern. Die Ergebnisse der entwickelten Algorithmen werden anhand eines neuartigen Verfahrens zur Zusammenfassung von Videoinhalten demonstriert. Die neu entwickelte Methode fusioniert die Ergebnisse mehrerer Videoanalysealgorithmen, um Zusammenfassungen zu erstellen, die sich besser an dem Inhalt der analysierten Videosequenzen ausrichten.de
dc.description.abstractThe aim of the algorithms developed in this thesis is the real-time detection of moving and new static objects of arbitrary visual appearance in unconstrained surveillance environments monitored with static cameras. This is achieved based on the results provided by background subtraction. For this task, Gaussian Mixture Models (GMMs) are used. A thorough review of state-of-the-art formulations for the use of GMMs in the task of background subtraction reveals some further development opportunities, which are tackled in a novel GMM-based approach incorporating a variance controlling scheme. The proposed approach permits an easier parameterization of the models to different environments and converges to more accurate models of the scene. The detection of moving objects is achieved by using the results of background subtraction. For the detection of new static objects, two background models learning at different rates are used. This allows for a multi-class pixel classification, which follows the temporality of the changes detected by means of background subtraction. In a first approach, the results provided by the subtraction of both background models are used as input of a Finite-State Machine (FSM), which is used to reason on pixel classification based on the history of the pixel. This allows for the detection of new static objects over long periods of time and for a correct classification of the uncovered background regions upon their removal. In a further developed approach, the results provided by multi-class pixel classification are analyzed at the region level in order to distinguish between new and removed static objects. This allows for the detection of static objects without previous knowledge of the observed scene. Furthermore, it is shown that the results provided by region analysis can be used to improve the quality of the background models, therefore, considerably improving the detection results. The results provided by the developed algorithms are proved in a novel summarization application which combines multiple analysis cues in order to provide summaries that better align with the content of the analyzed video sequences.en
dc.languageEnglishen
dc.language.isoenen
dc.subject.ddc000 Informatik, Informationswissenschaft, allgemeine Werkeen
dc.subject.otherGaußsche Mischverteilungsmodellede
dc.subject.otherHintergrundsubtraktionde
dc.subject.otherObjektdetektionde
dc.subject.otherVideoüberwachungde
dc.subject.otherVideozusammenfassungde
dc.subject.otherBackground subtractionen
dc.subject.otherGaussian mixture modelsen
dc.subject.otherObject detectionen
dc.subject.otherVideo summarizationen
dc.subject.otherVideo surveillanceen
dc.titleBackground subtraction for the detection of moving and static objects in video surveillanceen
dc.typeDoctoral Thesisen
tub.publisher.universityorinstitutionTechnische Universität Berlinen
dc.contributor.grantorTechnische Universität Berlin, Fakultät IV - Elektrotechnik und Informatiken
dc.contributor.refereeMartínez Sánchez, José Mariaen
dc.contributor.refereeGoldmann, Lutzen
dc.contributor.refereeHellwich, Olafen
dc.contributor.submitterHeras Evangelio, Rubenen
dc.date.accepted2014-02-21-
dc.rights.otherTerms of German Copyright Lawen
dc.title.translatedHintergrundsubtraktion für die Detektion von sich bewegenden und statischen Objekten in der Videoüberwachungde
dc.type.versionpublishedVersionen
tub.identifier.opus45103-
Appears in Collections:Technische Universität Berlin » Fakultäten & Zentralinstitute » Fakultät 4 Elektrotechnik und Informatik » Institut für Telekommunikationssysteme » Publications

Files in This Item:
File Description SizeFormat 
heras_evangelio_ruben.pdf9.75 MBAdobe PDFThumbnail
View/Open


Items in DepositOnce are protected by copyright, with all rights reserved, unless otherwise indicated.