Uso de algoritmos de classificação de imagens para detecção de formas humanas em cenas aéreas de desastres
Carregando...
Arquivos
Citações na Scopus
Tipo de produção
Dissertação
Data
2015
Autores
Leite, Fernando Barbosa
Orientador
Bianchi, Reinaldo Augusto da Costa
Periódico
Título da Revista
ISSN da Revista
Título de Volume
Citação
Texto completo (DOI)
Palavras-chave
Redes neurais (Computação),Decisão estatística,Vetores-Controle
Resumo
A proposta deste trabalho é a detecção de corpos humanos em cenas pós-desastres sob o ponto de vista aéreo, ou seja, de cima para baixo. No intuito de alcançar este objetivo procurou-se maximizar a exatidão na detecção minimizando o número de falsos positivos e negativos, levando em consideração o menor tempo possível entre detecções. Como parte integrante desta solução foi utilizado como descritor de atributos o CENTRIST, normalmente usado para descrever a topologia de cenas, e aqui, empregado para detectar o contorno humano e suas partes e que tem como virtude, a captura da estrutura global e não a textura da imagem, além de, processar em um tempo linear. Estas propriedades são relevantes, já que, o tempo de processamento é um dos parâmetros de avaliação do algoritmo como um todo. Porém o reconhecimento do corpo humano em uma cena de pós-desastre não é uma tarefa de soluções bem estudadas, como na detecção de um pedestre (posição vertical), pois, o corpo humano nesta situação sofre deformação, rotação e oclusão. A solução aqui então é uma associação de métodos diversos onde para detecção do corpo completo, caso seja possível detectá-lo em uma imagem, é realizado pela Máquina de vetores de Suporte (núcleo Linear e HIK) em cascata e tendo o algoritmo real Adaboost como alternativa ao núcleo HIK, para teste de desempenho. No caso de não haver uma detecção de corpo completo na imagem foram criados comitês de especialistas na detecção dos membros do corpo humano (cabeça, braços e pernas), formados dos seguintes classificadores: Máquina de vetores de Suporte (Linear), Árvore de Decisão e Rede Neural Artificial. A tomada de decisão, se há um corpo humano em uma imagem, é então avaliada pela concordância booleana entre comitês e pela avaliação final por uma Rede Bayesiana, que são as principais contribuições deste trabalho. Os resultados deste trabalho indicam o potencial de detecção de formas humanas em situações generalizadas de desastres.
The purpose of this study is the human detection in post-disaster situations from the aerial view, i.e., from top to bottom. In order to achieve this goal the detection accuracy was maximized and number of false positives and negatives was minimized, taking into account the shorter time between detections. The descriptor CENTRIST was applied in this work to get the human shape because captures contours and also requires liner time, but it is commonly used to describe topology from scenes. These properties are important and linear time is relevant to get advantage in performance in the algorithm. However the human shape detection in adverse situations of positioning, direction, rotation and occlusion of body is not easy task like in pedestrian detection (vertical position). The method proposed in this work is a combining pattern classifiers to detect the human body. In case of full body made through the Support Vector Machine (Linear and HIK kernels) classifier in cascade and were also made with the Adaboost classifier instead of the Support Vector Machine (HIK). In case there is no full body detection the expert committee detector human body parts (heads, arms and legs) are made with theses classifiers: Support Vector Machine (Linear), Decision tree e Neural Network. The decision-making, if there is a human body in image, is first evaluated by the Boolean agreement between committees and finally a Bayesian Network, which are the main contribution this work. The results of this work show the potential of human bodies’ detection in general situations of disaster.
The purpose of this study is the human detection in post-disaster situations from the aerial view, i.e., from top to bottom. In order to achieve this goal the detection accuracy was maximized and number of false positives and negatives was minimized, taking into account the shorter time between detections. The descriptor CENTRIST was applied in this work to get the human shape because captures contours and also requires liner time, but it is commonly used to describe topology from scenes. These properties are important and linear time is relevant to get advantage in performance in the algorithm. However the human shape detection in adverse situations of positioning, direction, rotation and occlusion of body is not easy task like in pedestrian detection (vertical position). The method proposed in this work is a combining pattern classifiers to detect the human body. In case of full body made through the Support Vector Machine (Linear and HIK kernels) classifier in cascade and were also made with the Adaboost classifier instead of the Support Vector Machine (HIK). In case there is no full body detection the expert committee detector human body parts (heads, arms and legs) are made with theses classifiers: Support Vector Machine (Linear), Decision tree e Neural Network. The decision-making, if there is a human body in image, is first evaluated by the Boolean agreement between committees and finally a Bayesian Network, which are the main contribution this work. The results of this work show the potential of human bodies’ detection in general situations of disaster.