Automatic Estimation of Statistics on the Movement of People in Complex Indoor Scenes
Authors
Jensen, Thomas Ægidiussen ; Rasmussen, Henrik Anker
Term
4. term
Publication year
2011
Submitted on
2011-05-31
Abstract
Dette projekt undersøger, hvordan man automatisk kan lave statistikker over menneskers bevægelse i komplekse indendørs miljøer. Målet er kommerciel brug, fx fastsættelse af butikleje og placering af annoncer. Mange eksisterende løsninger, fra infrarøde stråler til termiske sensorer, kræver ekstra og ofte dyr hardware. Vores system bruger i stedet optagelser fra overvågningskameraer i Friis Shoppingcenter og kræver ingen ekstra sensorer og ingen forhåndsviden om scenen. Systemet har to hoveddele: en multi-person tracker (en algoritme, der følger flere personer over tid) og en visualisering, som viser resultaterne. Før statistikkerne genereres, estimerer systemet automatisk sceneinformation ud fra lange videosekvenser for at forbedre sporingens kvalitet. Vi evaluerer systemet både kvantitativt og kvalitativt på video fra Friis samt på optagelser lavet til projektet på Aalborg Universitet. Resultaterne viser, at selv om fejlene er større på materialet fra Friis, ligner de beregnede statistikker generelt de faktiske. Systemet kan altså indfange bevægelsestrends og vise dem visuelt. Projektets bidrag er: at forbedre output fra menneskedetektorer ved at udnytte sceneinformation, som automatisk afledes fra pålidelige detektioner; at bruge estimerede trajektorier (personers bevægelsesbaner) til at lave bevægelsesstatistik; samt at give forslag til mulige forbedringer og udvidelser.
This project addresses how to automatically generate statistics about people’s movement in complex indoor scenes for commercial uses such as setting shop rents and placing advertisements. Existing solutions—from infrared beams to thermal sensors—require extra hardware, and advanced ones are expensive. Our system instead uses footage from surveillance cameras in the Friis shopping mall and requires no additional sensors and no prior knowledge of the scene. It has two main parts: a multi-person tracker (an algorithm that follows multiple people over time) and a visualizer that presents the results. Before producing the statistics, the system estimates scene information from long video sequences to improve tracking performance. We evaluate the system quantitatively and qualitatively on video from the Friis mall and on recordings made for this work at Aalborg University. The results show that, although errors are higher on the Friis mall footage, the generated statistics generally resemble the actual ones. The system captures overall movement trends and renders them visually. The project contributes by enhancing human-detector outputs using scene information automatically derived from reliable detections, by using estimated trajectories (the paths people take) to generate movement statistics, and by outlining possible improvements and extensions.
[This abstract was generated with the help of AI]
Keywords
computer ; vision ; particle ; filter ; histograms ; oriented ; gradients ; statistics ; movement ; tracking ; friis ; adaboost ; support ; vector ; machine ; surveillance ; scene ; estimation ; visualization ; online ; boosting ; condensation ; data ; association
Documents