Contextual Bayesian Inference for Visual Object Tracking and Abnormal Behavior Detection - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2010

Contextual Bayesian Inference for Visual Object Tracking and Abnormal Behavior Detection

Suivi visuel d'objets et détection de comportements anormaux par inférence contextuelle Bayesienne

Résumé

Visual object tracking has been extensively investigated in the last two decades for its attractiveness and profitability. It remains an active area of research because of the lack of a satisfactory holistic tracking system that can deal with intrinsic and extrinsic distortions. Illumination variations, occlusions, noise and errors in object matching and classification are only a fraction of the problems currently encountered in visual object tracking. The work developed in this thesis integrates contextual information in a Bayesian framework for object tracking and abnormal behavior detection; more precisely, it focuses on the intrinsic characteristics of video signals in conjunction with object behavior to improve tracking outcomes. The representation of probability density functions is essential for modeling stochastic variables. In particular, parametric modeling is convenient since it makes possible the efficient storage of the representation and the simulation of the underlying stochastic process. The Gaussian mixture model is employed in this thesis to represent the pixel color distribution for segregation of foreground from background. The model adapts quickly to fast changes in illumination and resolves the problem of ``pixel saturation'' experienced by some existing background subtraction algorithms. The technique leads to better accuracy in the extraction of the foreground for higher-level tasks such as motion estimation. The solution of the Bayesian inference problem for Markov chains and, in particular, the well-known Kalman and particle filters is also investigated. The integration of contextual inference is of paramount importance in the aforementioned estimators; it results in object-specific tracking solutions with improved robustness. The vehicle tracking problem is explored in detail. The projective transformation, imposed by the environment configuration, is integrated into the Kalman and particle filters, which yields the ``projective Kalman filter'' and the ``projective particle filer''. Extensive experimental results are presented, which demonstrate that the projective Kalman and particle filters improve tracking robustness by reducing tracking drift and errors in the estimated trajectory. The constraint on the known nature of the environment is then relaxed to allow general tracking of pedestrians. A mixture of Gaussian Markov random fields is introduced to learn patterns of motion and model contextual information with particle filtering. Such inference results in an increased tracking robustness to occlusions. The local modeling with the Markov random fields also provides inference on abnormal behavior detection. Since local patterns are unveiled by the Markov random field mixture, detecting abnormal behavior is reduced to the matching of an object feature vector to the underlying local distribution, whereas the global approach, introducing generalization errors, involves complex, cumbersome and inaccurate decisions. Experimental evaluation on synthetic and real data show superior results in abnormal behavior detection for driving under the influence of alcohol and pedestrians crossing highways.
Le suivi d'objets visuel a été un domaine de recherche intense durant ces deux dernières décennies pour son attrait scientifique et sa rentabilité. Il reste un sujet de recherche ouvert de par le manque de système de suivi holistique satisfaisant, prenant en compte les distorsions intrinsèques et extrinsèques. Variations d'éclairement, occlusions, bruits et erreurs dans la correspondance et la classification d'objets ne sont qu'une partie des problèmes actuellement rencontrés en suivi d'objets. Le travail développé dans la thèse intègre l'information contextuelle dans le cadre Bayesien pour le suivi d'objets et la détection de comportements anormaux. Plus précisément, la recherche porte sur les caractéristiques intrinsèques du signal vidéo en conjonction avec le comportement d'objets dans le but d'améliorer les résultats du suivi. La représentation de fonctions de densité de probabilité est cruciale pour modéliser les variables aléatoires. En particulier, les modèles paramétriques sont pratiques puisqu'ils permettent un stockage compact de la représentation ainsi que la simulation du processus aléatoire sous-jacent. La mixture de Gaussiennes est utilisée dans la thèse pour représenter la distribution de couleur d'un pixel dans le but de séparer l'avant-plan de l'arrière-plan. Contrairement aux approches traditionnelles, ce modèle s'adapte aux changements rapides d'éclairements et résout le problème de “saturation de pixels” rencontré avec certains algorithmes de soustraction d'arrière-plan. Il résulte de cette technique une meilleure précision lors de l'extraction de l'avant-plan pour des tâches de plus haut niveau telles que l'estimation du mouvement. La solution au problème d'inférence Bayesienne pour les chaines de Markov, et en particulier, les filtres de Kalman et particulaire, a également été étudiée. L'intégration d'une inférence contextuelle dans ces estimateurs est primordiale pour améliorer le suivi d'objet. Il en découle des solutions propres à un contexte spécifique. Le problème de suivi de véhicules est exploré en détails dans la thèse. La transformation projective, imposée par la configuration de l'environnement, est intégrée dans les filtres de Kalman et particulaire, engendrant le “filtre de Kalman projectif” et le “filtre particulaire projectif”. Des résultats expérimentaux exhaustifs sont présentés pour démontrer l'amélioration de la robustesse au suivi par les filtres de Kalman et particulaire projectifs. L'amélioration est caractérisée par la réduction de la dérive du suiveur et la réduction de l'erreur dans l'estimée de la trajectoire. La contrainte sur le caractère connu de l'environnement est ensuite supprimée pour permettre le suivi de piétons. Une mixture de champs aléatoires de Markov Gaussiens est introduite dans l'objectif d'apprendre les motifs de mouvements et de modéliser l'information contextuelle pour le filtrage particulaire. Une augmentation de la robustesse du suivi sous occlusion résulte d'une telle inférence. La modélisation locale avec les champs aléatoires de Markov fournit également une inférence pour la détection de comportements anormaux. Puisque les motifs locaux sont révélés par la mixture de champs aléatoires de Markov, la détection de comportements anormaux est réduite à l'étude de la correspondance entre le vecteur de caractéristiques et la distribution locale sous-jacente. L'approche globale, quant à elle, introduit des erreurs de généralisation et implique des décisions complexes, peu élégantes et imprécises. L'évaluation expérimentale de la méthode proposée sur des données synthétiques et réelles présente des résultats supérieurs pour la détection des comportements anormaux de conducteurs en état d'ébriété et de piétons traversant les autoroutes.
Fichier principal
Vignette du fichier
Contextual_Bayesian_Inference_for_Visual_Object_Tracking_and_Abnormal_Behavior_Detection.pdf (5.94 Mo) Télécharger le fichier
Loading...

Dates et versions

tel-00562299 , version 1 (03-02-2011)

Identifiants

  • HAL Id : tel-00562299 , version 1

Citer

Philippe Bouttefroy. Contextual Bayesian Inference for Visual Object Tracking and Abnormal Behavior Detection. Human-Computer Interaction [cs.HC]. Université Paris-Nord - Paris XIII, 2010. English. ⟨NNT : ⟩. ⟨tel-00562299⟩
312 Consultations
615 Téléchargements

Partager

Gmail Facebook X LinkedIn More