Suspicious human activity detection from surveillance videos

Abstract

Video gözetimi birçok hassas yerde güvenliği sağlamak için uzun zamandan beri kullanılmaktadır ve hayatın çeşitli yönlerinde meydana gelen bu büyük ilerleme nedeniyle, geleneksel gözetim faaliyetleri sınırlı bir alanda ele alınması ve kullanılması gereken büyük miktarlardaki bilgiler yüzünden birçok problemle karşı karşıyadır ve şüpheli davranışlar gibi önemli hususları içerebilen bilgilerin kaybedilmesi olasılığı da dikkate alınmalıdır. Son zamanlarda, video ile gözetim konusunda çok sayıda araştırma yapılmıştır.Bu tezde güvenlik riskini temsil eden anormal davranışların saptanması için akıllı gözetimi destekleyecek bir sistem sunacağız. Önerilen algoritmalar, iki insan faaliyetini, yani yürüme ve koşmayı tespit etmeyi amaçlamaktadır. Olay yerindeki kişilerin sayısına ve hareketlerin yönüne hiçbir kısıtlama getirmeyeceğiz. Bununla birlikte, görüntünün sabit bir fotoğraf makinesiyle yakalandığı kapalı renk videoları kısıtlıyoruz. Olay yerindeki insanlarla uyumlu olan hareketli nesneler geri plan çıkarım algoritması tarafından algılanır. Biz faaliyet sınıflandırması açısından iki önemli özellik olarak, bölümlere ayrılmış ön alanların ağırlık merkezinin yer değiştirme oranını ve bölümlere ayrılmış alanların boyutundaki değişim oranını dikkate alıyoruz. Önerilen algoritmalar, etkinlik türünü yüksek doğruluk oranı ile belirler.

Video surveillance has been used from a long time to provide security in many sensitive places, so with this great progress in various aspects of life the traditional surveillance operations are facing many problems because of the large amounts of information that must be handled manually in a limited time also the possibility of information loss which can contain important things such as suspicious behaviours. So recently, a large amount of research has been conducted on video surveillance.In this thesisthesis, we will present a system to support the smart surveillance for detecting abnormal behaviours that represent security risk. The proposed algorithms are intended to detect two cases of human activities namely, walking and running. We impose no restriction on the number of people in the scene, and the direction of the motions. However, we restrict the videos to indoor colour videos, where the video are captured by one stationary camera. The moving objects which correspond to people in the scene are detected by background subtraction algorithm. We consider the displacement rate of the centroids of the segmented foreground areas and the rate of change in the size of the segmented areas as the two main features for activity classification. The proposed algorithms determine the activity type with a high accuracy rate.