Escolar Documentos
Profissional Documentos
Cultura Documentos
1. Introduo
A deteco e o rastreamento de pessoas em uma
sequncia de imagens de grande utilidade para vrias atividades desempenhadas pela sociedade. Saber a localizao de pessoas no espao uma tarefa
trivial e cotidiana realizado por humanos, mas de
extrema complexidade para sistemas de viso computacional. A deteco e a anlise do movimento
de pessoas objetiva alm da segurana, o rastreamento visual e a contagem automtica de pessoas,
[1]. Devido sua importncia perante a sociedade e
o constante progresso das tecnologias relacionadas
com a captura ou reproduo de vdeos, gerada
uma grande quantidade de dados que devem ser armazenados ou processados. Assim, h uma necessidade de comprimir ou at mesmo reduzir essas informaes [15]. Diminuir a amostragem temporal
de quadros em um vdeo uma tcnica usada principalmente em situaes onde a perda de informaes em um curto espao de tempo no interfere na
execuo e no objetivo da tarefa.
A deteco de pessoas em imagens atualmente
um problema relevante, bastante conhecido e motivo de vrios estudos [7], mas foi primeiramente
abordado por Stephen Riter e Schroder [12] em
1988. O artigo proposto pelos autores teve como
motivao um fato poltico e social e nele foi detalhado um sistema de viso computacional capaz
de detectar e rastrear pessoas que passavam pela
fronteira entre os Estados Unidos da Amrica e o
Mxico. Para rastrear uma pessoa em uma sequncia de quadros em um vdeo, primordial saber a
sua localizao nas imagens. A subtrao de uma
imagem que representa uma cena pela imagem de
fundo dessa cena uma das tcnicas mais simples
e amplamente utilizada para a extrao de pessoas
que se movem em uma sequncia de imagens [10].
Nessa abordagem, a imagem atual comparada com
Filtros de predio podem ser usados como ferramentas para a tarefa de rastrear pessoas. O filtro
de Kalman amplamente explorado para se realizar
o rastreamento, [6], [8]. Uma das vantagens de se
utilizar o filtro de Kalman que este apresenta um
comportamento estvel at mesmo quando h uma
grande presena de rudos.
Este trabalho tem como objetivo avaliar at que
ponto possvel diminuir a amostragem temporal de
quadros em um vdeo de fundo dinmico sem perder
2. Mtodos
2.1. Adaboost
O Adaboost foi inicialmente proposto por [2] e parte
do princpio de que um classificador pode ser considerado forte a partir do momento em que realizada uma combinao linear de classificadores fracos. So considerados fracos os classificadores que
por si s no garantem a correta classificao do objeto analisado.
base consiste na presena de no mximo um pedestre na cena. Tambm so capturados outros objetos
como carros estacionados, casas e rvores. Como
o objetivo analisar o desempenho da deteco e
do rastreamento de pessoas quando h uma reduo
da amostragem temporal do vdeo, foi implementado um mecanismo de ajuste que, de acordo com
a frequncia desejada, selecionava quais as imagens
que so processadas.
A tabela 1 apresenta o resultado aps serem selecionados todos os trechos presente na base que possuem apenas uma pessoa na cena. TQ o total de
quadros que apresentam uma pessoa, TD o total
de quadros onde a deteco de pessoas obteve sucesso e TA a taxa de acerto.
3. Resultados Experimentais
Para se coletarem os primeiros resultados, foram
usados os vdeos da base de dados proposto em [13].
As sequncias de imagens foram gravadas por um
sensor de vdeo que capturavam 16 quadros por segundo a uma resoluo de 1176 x 640 pixels e posicionado na parte frontal de um veculo automotor. A
16 fps
8 fps
4 fps
TQ
900
450
225
TD
690
335
167
TA
76,6%
75,5%
74,2%
4. Concluses
Neste artigo, foi apresentado o resultado parcial da
avaliao do impacto que a diminuio da amostra-
gem temporal pode provocar na deteco de pessoas. O prximo passo a implementao do filtro
de Kalman para avaliar se o rastreamento impactado ou no.
[10]
Referncias
[1] B. Antic, D. Letic, D. Culibrk, and V. Crnojevic. K-means based segmentation for realtime zenithal people counting. In 16th IEEE
International Conference on Image Processing
(ICIP), 2009, pages 25652568, 2009.
[2] Yoav Freund and Robert E. Schapire. A
decision-theoretic generalization of on-line learning and an application to boosting. In
Proceedings of the Second European Conference on Computational Learning Theory, EuroCOLT 95, pages 2337, London, UK, UK,
1995. Springer-Verlag.
[3] A. Jalal and Vrijendra Singh. The state-of-theart in visual object tracking. In Informatica 36,
2012, pages 227248, 2011.
[4] Ning Jiang, Wenxin Yu, Shaopeng Tang, and
S. Goto. A cascade detector for rapid face detection. In 2011 IEEE 7th International Colloquium on Signal Processing and its Applications (CSPA), pages 155158, March 2011.
[5] Jiang Li, Chin-Seng Chua, and Yeong Khing
Ho. Color based multiple people tracking.
In Control, Automation, Robotics and Vision,
2002. ICARCV 2002. 7th International Conference on, volume 1, pages 309314 vol.1,
2002.
[6] X. Liu, P.H. Tu, J. Rittscher, A. Perera, and
N. Krahnstoever. Detecting and counting people in surveillance applications. In Advanced
Video and Signal Based Surveillance, 2005.
AVSS 2005. IEEE Conference on, pages 306
311, 2005.
[7] Honglian Ma, Huchuan Lu, and Mingxiu
Zhang. A real-time effective system for tracking passing people using a single camera.
In 7th World Congress on Intelligent Control
and Automation, 2008. WCICA 2008., pages
61736177, 2008.
[8] Rafael Muoz-Salinas, Eugenio Aguirre, and
Miguel Garca-Silvente. People detection and
tracking using stereo vision and color. Image
and Vision Computing, 25(6):995 1007,
2007.
[9] S. Nasrullah and D.A. Khan. A novel algorithm for real time moving object tracking.
[11]
[12]
[13]
[14]
[15]
[16]
[17]
[18]