Tracking People in Video Surveillence
Authors
Levesque, Benjamin ; Nica, Vlad
Term
4. term
Publication year
2012
Submitted on
2012-05-01
Pages
101
Abstract
Denne afhandling undersøger, hvordan man kan finde og spore personer robust i lange overvågningsvideoer i både indendørs og udendørs miljøer. Den præsenterer en komplet, praktisk ramme, hvor bevægelige områder først adskilles fra baggrunden med en Gaussisk blandingsmodel og konturbaseret blob‑analyse, hvorefter menneskelige objekter bekræftes med Histogram of Oriented Gradients kombineret med en trænet Support Vector Machine. Registrerede personer tildeles vedvarende identiteter og matches på tværs af billeder ved at kombinere farvehistogram‑sammenligning med bevægelsesforudsigelse fra et Kalman‑filter. Rapporten beskriver design og implementering, gennemfører parameterstudier og tests af baggrundssubtraktion under forskellige lysforhold, undersøger udfordringer ved krydsninger/okklusioner og variationer i videokvalitet, og inkluderer en sammenligning med OpenCV’s standard HOG‑detektor. Der skitseres desuden systemkrav og begrænsninger samt perspektiver for videre forbedringer. Kvantitative resultater angives ikke i dette uddrag, men de medtagne eksperimenter illustrerer metodens styrker og svagheder i repræsentative scenarier.
This thesis investigates how to reliably detect and track people in long video surveillance footage across indoor and outdoor scenes. It proposes a complete, practical framework that first separates moving regions from the background using a Gaussian Mixture Model and contour‑based blob analysis, then confirms human presence with a Histogram of Oriented Gradients classifier coupled to a trained Support Vector Machine. Detected individuals are assigned persistent identities and matched across frames by combining color‑histogram similarity with motion prediction from a Kalman filter. The report details the design and implementation, conducts parameter studies and tests of background subtraction under varying illumination, examines challenges such as intersections/occlusions and video quality, and includes a comparison with OpenCV’s default HOG detector. It also outlines system requirements and limitations and discusses avenues for improvement. Quantitative performance figures are not provided in this excerpt, but the included experiments illustrate the approach’s strengths and weaknesses in representative scenarios.
[This summary has been generated with the help of AI directly from the project (PDF)]
Documents