Previsão e identificação de eventos de quebra de segurança em vídeo-vigilância

Abstract

Esta tese tem como propósito a detecção e previsão de comportamentos passíveis de originar uma quebra de segurança. Estes são reconhecidos por meio da observação de padrões de actividade humana, extraídos de sequências de imagens digitalizadas, adquiridas por intermédio de uma câmara de vídeo a cores, monocular e fixa. A aferição dos comportamentos é suportada pela informação obtida através da detecção, classificação e seguimento de objectos em movimento, minimizando a utilização de informação de contexto na cena observada e sem recurso a descrições de comportamentos previamente definidos. De modo a atingir este objectivo, foram desenvolvidas técnicas de processamento e análise de imagem, associadas a métodos baseados em inteligência artificial para a modelação de padrões de comportamento. A segmentação de objectos em movimento foi assente numa abordagem de subtracção por plano de fundo adaptativo, com a capacidade de detecção de regiões da imagem afectadas por sombras e brilhos. Criou-se ainda um processo de remoção de fantasmas, i.e. falsas detecções observadas sempre que um objecto, pertencente ao plano de fundo, inicia um movimento de deslocação que o leva a abandonar o espaço anteriormente ocupado. O seguimento de objectos foi assegurado por uma técnica que recorre a Modelos de Aparência, e que possibilita o seguimento de objectos deformáveis, mostrando-se eficaz em situações de oclusão, fusão e separação de objectos. Para a detecção e previsão automática de comportamentos desenvolveram-se dois classificadores (N-ary Trees e Dynamic Oriented Graph) que, utilizando os dados provenientes das funções de processamento e análise de imagem, permitem modelar sequências temporais. O sistema final, constituído pela junção dos múltiplos componentes propostos e implementado numa câmara de vídeo inteligente, foi testado com um conjunto de dados sintéticos, sendo posteriormente avaliado em ambiente real de vídeo-vigilância. Pela análise dos resultados experimentais, verificou-se que o sistema proposto permite realizar de forma eficaz a previsão de comportamentos de quebra de segurança.

This thesis has the purpose of detection and forecasting of behaviours susceptible to originate security breaks. These behaviours are recognized by means of human activity pattern observation, extracted from digital image sequences, acquired by a video colour camera, monocular and static. The assessment of the behaviours is supported by the information acquired through the detection, classification and tracking of moving objects, when minimizing the use of context information from the observed scene and without descriptions of previously defined behaviours. In order to reach this goal, image processing and analysis techniques had been developed and associated with artificial intelligence methods for the behaviour pattern modelling. The segmentation of moving objects was based on an adaptive background subtraction approach capable of detecting regions of the image affected by shadows and highlights. A ghost’s removal process was also developed, i.e. observed false detections whenever one object, pertaining to the background, initiates a movement that takes it to abandon the previously occupied space. The tracking of objects was assured by a technique that applies Appearance Models, which makes possible the tracking of deformable objects and reveals efficiency in situations of occlusion, fusion and splitting of objects. For the detection and automatic forecasting of behaviours, two classifiers (N-ary Trees and Dynamic Oriented Graph) were proposed. Both use preceding data from the processing and image analysis functions and they allow the modelling of temporal sequences. The overall system, built from the junction of the components developed and implemented in an intelligent video camera, was tested with a synthetic dataset, being later evaluated in real environment of video-monitoring. The analysis of the experimental results has shown that the proposed system allows an efficient prediction of security break behaviours.