Discretized categorization of high level traffic activites in tunnels using attribute grammars

Abstract

Bu çalışma videoları kaynak alan olay algılama sistemleri üzerine bilişsel bilim bakış açısıyla bir çözüme odaklanmaktadır. Tez, otoyol tünellerinden alınan videoların sembolik simgeler yönünden anlamlı veriler oluşturup oluşturamayacağı ve oluşacak bu sembolik simgelerin öznitelik grameri tarafından normal ve anormal olaylar olarak ayrılabilecek dizilimlere ulaşıp ulaşamayacağı sorusunu sorar. Tezin ana motivasyonu, görüntü işleme algoritmaları tarafından oluşturulan ilkel sembolik olay dizilimlerini bölümlendirebilecek yenilikçi bir algoritma üretmektir. Araştırmanın ilgi alanı video algılama özel uygulama amacı ise anormallik tespiti için kritik yerler olan otoyol tünelleridir. Dizilimleri bölümlendirmek için kullanılan metod öznitelik grameridir. Sembolik dizilimler, arkaplan çıkarma, gölge azaltma, obje takibi gibi görüntü işleme algoritmaların ardışık çalışmasıyla oluşturulmaktadır. Sistem bu dizilimleri bölümlendirip araç durması, aracın ters yöne gitmesi, serit değiştirmesi, tünelde yaya yürümesi veya yayaların otoyola adım atmaları gibi olayları algılandığında alarmlar üretir. Sistem bu kritik durumlar Earley bölümlendiricisi sayesinde ayıklarken video işlerken gerçek zamanlı performansını korur. Tezin yaklaşımı yakalanan olay sayısını maksimumda tutarken görüntü işleme algoritmalarından kaynaklanan sahte alarmları yüksek oranda filtreler. Sistem veri kaybını minimumda tutarken sembolik dizilimlerde yüksek bir sıkıştırma oranına ulaşmıştır. Algoritmanın çıktıları SVM algoritması ile karşılaştırılıp tespit performansı ve sahte alarm performansında daha yüksek başarıya ulaştığı gözlemlenmiştir.

This work focuses on a cognitive science inspired solution to an event detection problem in a video domain. The thesis raises the question whether video sequences that are taken in highway tunnels can be used to create meaningful data in terms of symbolic representation, and whether these symbolic representations can be used as sequences to be parsed by attribute grammars into abnormal and normal events. The main motivation of the research was to develop a novel algorithm that parses sequences of primitive events created by the image processing algorithms. The domain of the research is video detection and the special application purpose is for highway tunnels, which are critical places for abnormality detection. The method used is attribute grammars to parse the sequences. The symbolic sequences are created from a cascade of image processing algorithms such as; background subtracting, shadow reduction and object tracking. The system parses the sequences and creates alarms if a car stops, moves backwards, changes lanes, or if a person walks into the road or is in the vicinity when a car is moving along the road. These critical situations are detected using Earley?s parser, and the system achieves real-time performance while processing the video input. This approach substantially lowers the number of false alarms created by the lower level image processing algorithms by preserving the number of detected events at a maximum. The system also achieves a high compression rate from primitive events while keeping the lost information at minimum. The output of the algorithm is measured against SVM and observed to be performing better in terms of detection and false alarm performance.