کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6938333 1449925 2018 16 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Early event detection based on dynamic images of surveillance videos
ترجمه فارسی عنوان
تشخیص رویداد اولیه بر اساس تصاویر پویا از ویدیوهای نظارت
کلمات کلیدی
ترجمه چکیده
تشخیص رویداد اولیه در نظر گرفته شده است تا یک رویداد را در اسرع وقت پرچم کند، اما قبل از اینکه آن را خاتمه دهد. برای شناسایی رویدادهای در حال اجرا در بسیاری از برنامه های کاربردی مانند شناسایی حوادث خطرناک یا جنایی، بسیار مهم است. در این نامه، ما این موضوع را با تبدیل کلیپ های ویدئویی یک رویداد پرونده به تصاویر به اصطلاح دینامیکی که قادر به گرفتن همزمان تصویر و ظهور زمان وقوع آن هستند، می پردازیم. با استفاده از تصاویر پویا از دو دسته کلیپ های ویدئویی (رویداد کامل هدف به عنوان مجموعه ای مثبت و بخش های تصادفی که حاوی رویداد هدف نیستند به عنوان مجموعه منفی)، ما یک روش جدید برای آموزش آشکارساز بر اساس تکنیک های یادگیری عمیق پیشنهاد می کنیم. این رویکرد می تواند رویدادهای جزئی را به واسطه نظارت بر میزان اتمام رویداد، به صورت یکنواختی به سمت ختم شدن افزایش دهد. به طور خاص، ما در مورد آزمایشات در مورد کشف انسان ها و شکستن یک جنگ صحبت می کنیم. آزمایشات بر روی چندین مجموعه داده نشان دهنده اثربخشی روش پیشنهادی است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
تشخیص رویداد اولیه بر اساس تصاویر پویا از ویدیوهای نظارت
چکیده انگلیسی
Early event detection is intended to flag an event as early as possible, but before it terminates. It is critical for detecting on-going events in many applications such as spotting dangerous or criminal incidents. In this letter, we address this issue by converting video clips of a proceeding event into so-called dynamic images, which are capable of simultaneously capturing both the appearance and temporal evolution of the occurrence. By using the dynamic images of two categories of video clips (complete target event as the positive set and random segments that do not contain the target event as the negative set), we propose a novel method for training a detector based on deep learning techniques. The approach is capable of scoring partial events by monitoring the degree of event completion as it monotonically increases toward termination. In particular, we discuss experiments on the detection of humans falling and the breakout of a fighting. Experiments on several datasets illustrate the effectiveness of the proposed method.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Visual Communication and Image Representation - Volume 51, February 2018, Pages 70-75
نویسندگان
, , , , ,