Visual Detection of Humans in a Disaster Scenario
Translated title
Visuel Detektion af Mennesker i et Katastrofescenarie
Author
Myrtue, Niels Gerlif
Term
4. term
Publication year
2013
Submitted on
2013-06-06
Pages
118
Abstract
Katastrofer er kaotiske, og selv trænede operatører kan overse tegn på ofre, når de overvåger video fra robotter. Denne afhandling undersøger, hvordan man kan bygge et softwaresystem, der finder mennesker i en robots videostrøm som støtte til – ikke erstatning for – en menneskelig operatør. Det første kapitel gennemgår global katastrofehåndtering og tidligere brug af robotter og konstaterer, at robotter indtil nu ikke har spillet en central rolle i større eftersøgnings- og redningsaktioner. Formålet med detektionssystemet er at fungere som et visuelt hjælpeværktøj, der fremhæver mulige ofre og kan mindske fejl, når operatøren er mentalt udmattet. Det endelige system kombinerer tre billedbaserede detektorer, som alle leder efter et menneskes hoved eller ansigt. 1) En hoveddetektor baseret på HOG‑træk og en SVM‑klassifikator, hvor HOG (Histogram of Oriented Gradients) opsummerer kanters retninger, og en SVM er en maskinlæringsmodel, der afgør, om et område indeholder et hoved. 2) En ansigtsdetektor, der bruger Viola–Jones‑rammeværket, en klassisk og hurtig metode til at finde ansigter. 3) En skabelonmatchende detektor, der søger efter hovedlignende kvartcirkel‑former ved at sammenligne foruddefinerede skabeloner med billedet. Testene viser, at det samlede system fandt personer i op til 62% af en varieret samling billeder med mennesker, men kun opnåede 14% på et simuleret katastrofesæt. Resultaterne tyder på, at metoden kan støtte operatører under mere kontrollerede eller blandede forhold, men at ydeevnen i katastrofelignende scener er begrænset og kræver forbedringer før bredere anvendelse.
Disasters are chaotic, and even trained operators can miss signs of victims when monitoring video from robots. This thesis explores how to build a software system that detects people in a robot’s camera stream to support—rather than replace—a human operator. The first chapter reviews global disaster response and past deployments of robots, noting that robots have so far not played a central role in large-scale search and rescue. The goal of the detection system is to act as a visual aid that highlights likely victims and may reduce misses caused by operator fatigue. The final system combines three image-based detectors that all look for a person’s head or face. 1) A head detector based on HOG features and an SVM classifier, where HOG (Histogram of Oriented Gradients) summarizes edge directions and an SVM is a machine-learning model that decides whether a region contains a head. 2) A face detector using the Viola–Jones framework, a classic, fast method for locating faces. 3) A template-matching detector that searches for head-like quarter-circle shapes by comparing predefined templates with the image. Tests show that the combined system detected people in up to 62% of a varied set of images containing humans, but achieved only 14% on a simulated disaster image set. These results suggest that while the approach can assist operators in controlled or mixed conditions, performance in disaster-like scenes remains limited and needs improvement before wider use.
[This abstract was generated with the help of AI]
Keywords
Documents