The number of surveillance cameras installed in most environments is increasing rapidly, indicating the importance of visual surveillance in the modern society. This provides an opportunity to use intelligent vision-based algorithms to enhance the functionality of these cameras. Such vision-based algorithms are targeted towards event detection in the scene, i.e., the system should be capable of detecting an event of interest in the scene. However, event detection systems have practical constraints in accuracy and implementation. The event detection system should be accurate while requiring little delay, area and power. In this dissertation, we propose efficient event detection algorithms based on motion cues. For sparsely populated environments, where any motion in the scene is an event of interest, background subtraction can be used. For crowded environments, crowd anomaly detection schemes can be employed. In Chapter 1, the motivation and methodology of this research is described. In Chapter 2, we present a new background subtraction scheme named EBSCam. We first show that the background model in sequential estimation schemes fluctuates rapidly with noisy input. We develop analytical models for the case of GMM, which show the effect of background model fluctuation on foreground classification error. Afterwards we propose EBSCam, which has a relatively stable background model. Also, we propose EBSCam with Poisson Mixture Model (EBSCam-PMM). Both EBSCam and EBSCam-PMM outperform standard background subtraction schemes in background subtraction performance. The memory bandwidth, delay, area and energy consumption of EBSCam and EBSCam-PMM are superior compared to state-of-the-art implementations of background subtraction. These properties make EBSCam and EBSCam-PMM suitable candidates for surveillance applications. In Chapter 3, we propose a new crowd anomaly detection algorithm based on outlier rejection. We assume that pixels in a local neighborhood with similar direction of motion belong to the same object. Pixels which do not adhere to the dominant direction of motion can be rejected and should not contribute to the feature of the pixel. We also propose a modification to the standard K-means algorithm, which significantly improves crowd anomaly detection performance. The proposed method outperforms numerous state-of-the-art methods. Also, we propose a hardware implementation of the proposed algorithm, which is much faster, requires low energy and area compared to reported implementations. Concluding remarks over the dissertation are presented in Chapter 5.
대부분의 환경에 설치된 감시 카메라의 수는 급속히 증가하고 있으며 현대 사회에서 시각적 감시의 중요성을 나타냅니다. 이것은 이러한 카메라에서 지능형 비전 기반 알고리즘을 사용하여 기능을 향상시킬 수있는 기회를 제공합니다. 이러한 시각 기반 알고리즘은 장면에서의 이벤트 검출을 목표로한다. 즉, 시스템은 장면에서 관심있는 이벤트를 검출 할 수 있어야한다. 이러한 이벤트 검출 시스템은 정확도 및 구현에 실질적인 제약을 갖는다. 이벤트 감지 시스템은 지연, 영역 및 전력을 거의 소비하지 않으면 서 정확해야합니다. 본 논문에서는 모션 큐를 기반으로 효율적인 이벤트 검출 알고리즘을 제안한다. 드문 경우로 채워진 환경에서 장면의 움직임이 관심 이벤트 인 경우 배경 차감을 사용할 수 있습니다. 혼잡 한 환경의 경우 군중 이상 탐지 방식을 사용할 수 있습니다. 1 장에서는이 연구의 동기와 방법론을 제시한다. 2 장에서는 EBSCam이라는 새로운 배경 빼기 스키마를 제시합니다. 우리는 먼저 순차 추정 기법의 배경 모델이 입력의 잡음에 따라 급격히 변동한다는 것을 보여준다. 우리는 전경 분류 오류에 대한 배경 모델 변동의 영향을 보여주는 GMM의 경우에 대한 분석 모델을 개발합니다. 이후 우리는 상대적으로 안정적인 배경 모델을 가진 EBSCam을 제안합니다. 또한, 우리는 Poisson Mixture Model (EBSCam-PMM)과 함께 EBSCam을 제안합니다. EBSCam과 EBSCam-PMM은 백그라운드 뺄셈 성능에서 표준 백그라운드 뺄셈 기법을 능가합니다. EBSCam 및 EBSCam-PMM의 메모리 대역폭, 지연, 영역 및 에너지 소비는 최첨단 배경 차감 구현에 비해 월등합니다. 이러한 특성 때문에 EBSCam 및 EBSCam-PMM은 감시 응용 프로그램에 적합한 후보가됩니다. 3 장에서 우리는 특이점 제거에 기반한 새로운 군중 이상 탐지 알고리즘을 제안한다. 유사한 움직임 방향을 갖는 지역 인접 지역의 픽셀은 동일한 물체에 속한다고 가정합니다. 그런 다음 다른 픽셀을 거부하여 해당 지역의 기능에 기여할 수 있습니다. 우리는 또한 군중 변칙 탐지 성능을 현저하게 향상시키는 표준 K- 평균 알고리즘의 수정을 제안한다. 제안 된 방법은 수많은 최첨단 방법을 능가한다. 또한 제안 된 알고리즘의 하드웨어 구현을 제안한다. 제안 된 구현은보고 된 구현에 비해 훨씬 빠르고 에너지가 적으며 면적이 적다. 논문의 결론은 제 5 장에 제시되어있다
