Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/ESBF-9P9GPR
Type: | Dissertação de Mestrado |
Title: | Fast and robust optimization approaches for pedestrian detection |
Authors: | Victor Hugo Cunha de Melo |
First Advisor: | William Robson Schwartz |
First Co-advisor: | David Menotti Gomes |
First Referee: | David Menotti Gomes |
Second Referee: | Claudio Risoto Jung |
Third Referee: | Mario Fernando Montenegro Campos |
metadata.dc.contributor.referee4: | Jefersson Alex dos Santos |
Abstract: | O grande número de câmeras de vigilância disponíveis hoje em dia em pontos estratégicos das principais cidades fornece um ambiente seguro. No entanto, a enorme quantidade de dados geradas por estas câmeras impede o processamento manual, exigindo a aplicação de métodos automatizados. Entre estes métodos, a detecção de pedestres desempenha um papel importante na redução da quantidade de dados por localizar apenas as regiões de interesse para o tratamento posterior sobre as atividades a serem realizadas pelos agentes na cena. No entanto, os métodos de detecção de pedestres disponíveis atualmente são incapazes de processar tal quantidade de dados em tempo real. Portanto, é necessário utilizar técnicas de otimização para permitir a detecção em tempo real, mesmo quando grandes volumes de dados têm de ser processados. Para cumprir a meta de redução de custos para a detecção de pedestres, este trabalho propõe duas abordagens de otimização. A primeira abordagem consiste em uma cascata de rejeição baseada no método Partial Least Squares (PLS) e no método de Variable Importance in Projection (VIP), combinada com a propagação de variáveis latentes através dos estágios. Os resultados mostram que o método reduz o custo computacional, aumentando o número de amostras pertencentes ao fundo rejeitadas nos estágios iniciais da cascata. A segunda abordagem consiste em uma otimização baseada em uma filtragem aleatória na imagem para descartar um grande número de janelas de detecção rapidamente, permitindo uma redução do custo computacional. A avaliação experimental demonstra que pode ser obtido uma grande acurácia, mesmo quando um grande número de janelas de detecção é descartado. |
Abstract: | The large number of surveillance cameras available nowadays in strategic points of major cities provides a safe environment. However, the huge amount of data provided by the cameras prevents its manual processing, requiring the application of automated methods. Among such methods, pedestrian detection plays an important role in reducing the amount of data by locating only the regions of interest for further processing regarding activities being performed by agents in the scene. However, the currently available methods are unable to process such large amount of data in real time. Therefore, there is a need for the development of optimization techniques. Towards accomplishing the goal of reducing costs for pedestrian detection, we propose in this work two optimization approaches. The first approach consists of a cascade of rejection based on Partial Least Squares (PLS) combined with the propagation of latent variables through the stages. Our results show that the method reduces the computational cost by increasing the number of rejected background samples in earlier stages of the cascade. Our second approach proposes a novel optimization that performs a random filtering in the image to select a small number of detection windows, allowing a reduction in the computational cost. Our results show that accurate results can be achieved even when a large number of detection windows are discarded. |
Subject: | Visão por computador Computação |
language: | Português |
Publisher: | Universidade Federal de Minas Gerais |
Publisher Initials: | UFMG |
Rights: | Acesso Aberto |
URI: | http://hdl.handle.net/1843/ESBF-9P9GPR |
Issue Date: | 25-Feb-2014 |
Appears in Collections: | Dissertações de Mestrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
victorhugocunha.pdf | 8.79 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.