Anomaly detection for video-based surveillance using covariance features and modeling of sequences via LSTMS
Video bazlı gözetim sistemlerinde kovaryans öznitelikleri kullanımı ve dizilerin LSTM modellenmesi ile anomali sezimi
- Tez No: 711235
- Danışmanlar: DR. ÖĞR. ÜYESİ HÜSEYİN ÖZKAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Sabancı Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 58
Özet
Bu tezde, güvenlik kamera görüntülerinde anomali sezim problemi için özbağlanımsal olasılık kestirimine dayalı üç farklı yöntem önerilmektedir. Önerdiğimiz yöntemler vasıtasıyla bir sahnedeki normal yani tipik olaylar, güvenlik kamerasından alınan ardışık çerçeve özniteliklerinin olasılıksal bir çatı altında tahmin edilmesiyle öğrenilir. Önerilen yöntemler uzun kısa-soluklu bellek, doğrusal bağlanım ve destek vektör bağlanımcısı tabanlıdır. Bir gözlem dizisinin (bir video kesitinin) anomali içerip içermediğine karar vermek için modellenmiş tipik gözlem dağılımı altındaki olabilirliği eşiklenir. Kovaryans öznitelikleri nesne tespiti ve eylem tanıma uygulamalarındaki etkinliğinden dolayı, video kesitlerinden elde edilen zaman-mekansal parçaların şekil ve hareket işaretlerini kompakt bir şekilde düşük boyuta indirgemek için kullanıldı. Ayrıca gözlem dizisinin olasılıksal formülasyonu sonucunda dizideki statik ve dinamik bilginin video anomali sezim problemine katkılarını ayrı ayrı görünür kılarak probleme yeni bir bakış açısı kazandırmaktayız. Önerdiğimiz yöntemlerden uzun kısa-soluklu bellek'in son durum vektör modellemesi ve ortalama kovaryans öznitelikleri üzerinde çalışan destek vektör bağlanımcısı, genel kullanıma açık kıyaslama veri setlerinde 0.95 ortalamaya varan eğri altındaki alan (EAA) performansları elde etmektedirler.
Özet (Çeviri)
In this thesis, we propose three different methods for anomaly detection in surveillance videos based on autoregressive modeling of observation likelihoods. By means of the methods we propose, normal (typical) events in a scene are learned in a probabilistic framework by estimating the features of consecutive frames taken from the surveillance camera. The proposed methods are based on long short-term memory (LSTM), linear regression, and support vector regression (SVR). To decide whether an observation sequence (i.e. a small video patch) contains an anomaly or not, its likelihood under the modeled typical observation distribution is thresholded. An anomaly is decided to be present if the threshold is exceeded. Due to its effectiveness in object detection and action recognition applications, covariance features are used in this study to compactly reduce the dimensionality of the shape and motion cues of spatiotemporal patches obtained from the video segments. Our proposed methods that are based on the final state vector of LSTM and support vector regression (SVR) applied to mean covariance features, and achieve an average performance of up to 0.95 area under curve (AUC) on benchmark datasets.
Benzer Tezler
- Kalabalık gözetleme ortamlarında anomali tespiti
Anomaly detection in crowded surveillance scenes
EFSUN SEFA SEZER
Yüksek Lisans
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET BURAK CAN
- Anomaly detection for video surveillance in crowded environments
Kalabalık ortam video görüntülerinde anomali tespiti
CİHAN ÖNGÜN
Yüksek Lisans
İngilizce
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLKAY ULUSOY PARNAS
DOÇ. DR. ALPTEKİN TEMİZEL
- A scenario-based query processing framework for video surveillance
Gözetim videoları için senaryo tabanlı sorgulama çatısı
EDİZ ŞAYKOL
Doktora
İngilizce
2009
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Bölümü
DOÇ. DR. UĞUR GÜDÜKBAY
- Moving object tracking by regularization via sparsity in wide area aerial video
Hava aracından çekilmiş geniş alan videolarında seyreklik tabanlı regülarizasyon ile hareketli nesne takibi
ERDEM ONUR ÖZYURT
Yüksek Lisans
İngilizce
2017
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. BİLGE GÜNSEL KALYONCU
- Anomaly detection using sparse features and spatio-temporal hidden Markov model for pedestrian zone video surveillance
Seyrek öznitelikler ve uzay-zamansal gizli Markov modelleri kullanılarak yaya bölgelerinde video gözetleme için aykırılık tespiti
AYŞE ELVAN GÜNDÜZ
Yüksek Lisans
İngilizce
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
YRD. DOÇ. DR. TUĞBA TAŞKAYA TEMİZEL
DOÇ. DR. ALPTEKİN TEMİZEL