The use of sparse plus low-rank decomposition on moving object and change detection in videos

• Autor(a) principal: Thomaz, Lucas Arrabal
• Data de Publicação: 2018
• Tipo de documento: Tese
• Idioma: eng
• Título da fonte: Repositório Institucional da UFRJ
• Texto Completo: http://hdl.handle.net/11422/9364
• topic: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA; Engenharia elétrica; Processamento de sinais; Detecção de objetos

Uma solução para a detecção de anomalias, como a identificação de mudanças e objetos em movimento em vídeos, é buscar uma representação de baixo posto para os quadros que compõem o vídeo e reconstruir um dos quadros do vídeo original através da combinação de representações de baixo posto dos outros quadros. Esta tese propõe algoritmos que projetam as estruturas de baixo posto em uma união de subespaçoes de baixa dimensão, para solucionar esse problema sendo capaz de lidar com contextos dinâmicos, como aqueles encontrados em vídeos adquiridos com câmeras em movimento, dentre outros cenários complexos. Parte desta tese busca detectar mudanças em vídeos obtidos com câmeras móveis. Os algoritmos propostos apresentam bons resultados, enquanto removem a restrição de sincronização prévia dos vídeos. Adicionalmente, eles utilizam propriedades da estrutura dos dados para restringir o espaço de busca para um número menor de subespaços, obtendo ganhos computacionais de até 100 vezes além de 91% de verdadeiros positivos e somente 33% de falsos positivos, em experimentos utilizando a base de dados VDAO, com objetos abandonados em um cenário industrial. Outra parte apresenta soluções para a detecção de objetos em movimento em vídeos com cenário dinâmico. As soluções propostas utilizam decomposições em matrizes de baixo posto e esparsas com projeções em uma união de subespaços, aplicando mapas de saliência para restringir as atualizações de matrizes que representam os objetos. Os métodos apresentados têm baixa incidência de falsos positivos e apresentam desempenhos comparáveis aos do estado da arte para métodos similares, obtendo 0.74 de F1 na base UCSD.