Analyse des Verhaltens von Menschenmengen in Videosequenzen

Die Analyse menschlicher Aktivitäten in überfüllten Szenen ist eine der schwierigsten Aufgaben im Bereich der Computer Vision. Das Verfolgen und Verstehen der Handlungen von Personen in dichten Szenen ist ein Problem, das aufgrund der Verdeckung zwischen Objekten noch nicht vollständig gelöst ist.
Das neue Interessengebiet der Computer Vision ist die Analyse und Modellierung des Verhaltens von Menschenmengen. Grob gesagt gibt es zwei Ebenen der Analyse von Menschenmengen: 1) die individuelle Ebene und 2) die globale Ebene. Auf der individuellen Ebene besteht das Ziel darin, das Verhalten jedes sich bewegenden Objekts in der Menschenmenge zu extrahieren und zu verstehen. Auf der globalen Ebene besteht das Ziel darin, das Verhalten der Gruppe als Ganzes zu modellieren. In beiden Fällen kann man das Verhalten verstehen und Anomalien erkennen, indem man die Bewegungsmerkmale analysiert und das so genannte "normale Verhalten" charakterisiert. Im Gegensatz dazu bezieht sich die Erkennung von "anomalem" oder "abnormalem Verhalten" auf das Auffinden von Aktivitäten, die nicht dem "normalen Verhalten" entsprechen oder in die entsprechende Klasse fallen.
In diesem Projekt werden wir uns auf die Modellierung von Lösungen für Menschenmengen ohne Verfolgung konzentrieren. Nach der Modellierung des Verhaltens von Menschenmengen werden wir in der Lage sein, Anomalien auf hohem Niveau zu erkennen, wie z. B. Verkehrsstaus, Amokläufe usw.

Crowd Behavior Analysis in Video Sequences

The analysis of human activities in crowded scenes is the most challengeable tasks in computer vision. Tracking and understanding individuals actions in dense scenes is a problem till yet not be fully solved due to occlusion between objects.
The new area of interest in computer vision is the crowd behavior analysis and modeling. Broadly speaking, there are two levels of crowd analysis: 1) individual level and 2) global level. At the individual level, the goal is to extract and understand behavior of each moving object in the crowd. At the global level, the goal is to model the behavior of the group as a whole. In both cases, one can perform behavior understanding and anomaly detection by analyzing motion features and characterizing so-called “normal behavior”. In contrast, detecting “anomaly” or “abnormal behavior” refers to the action of locating activities that do not conform to “normal behavior” or fall in its respective labeled class.
In this project we will focus on the modeling of crowd-flow solutions without tracking. After the modeling of crowd behavior, we will be able to detect high-level abnormalities such as traffic jams, crowd of people running amok, etc.