Please use this identifier to cite or link to this item: http://hdl.handle.net/11422/9364
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorLima Netto, Sergio-
dc.contributor.authorThomaz, Lucas Arrabal-
dc.date.accessioned2019-09-05T15:59:35Z-
dc.date.available2019-09-07T03:00:22Z-
dc.date.issued2018-12-
dc.identifier.urihttp://hdl.handle.net/11422/9364-
dc.description.abstractA solution for the detecion of anomalies, such as change and moving objects in videos, is to obtain a low-rank representation of the frames that compose the video sequence and try to reconstruct a frame from the original video using a combination of the low-rank representation of the others. This thesis propose algorithms that project the low-rank structures into a low-dimensional union-of-subspaces, to solve this problem allowing the model to cope with dynamic backgrounds such as those found in videos acquired with moving cameras and other complex scenarios. Part of the thesis covers change detection in videos acquired with moving cameras. The proposed algorithms provide good detection results, at the same time as obviate the need for previous video synchronization. They also use properties of the data representation in order to restrict the search space to the most relevant subspaces, providing computational complexity gains of up to 100 times and 91% true positive and only 33% false positive detections on experiments using the VDAO database, with abandoned objects in a cluttered industrial scenario. Another part presents a solution to the detection of moving objects in the presence of highly dynamic backgrounds. The proposed solutions use low-rank and sparse matrix decompositions to represent the background as a union-of-subspaces, while applying saliency maps to restrict the updates of the foreground matrix. The proposed methods presents low false positive detection rate, and is shown to achieve state-of-the-art performance among similar methods, attaining 0.74 F1 score in the UCSD dataset.en
dc.languageengpt_BR
dc.publisherUniversidade Federal do Rio de Janeiropt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectEngenharia elétricapt_BR
dc.subjectProcessamento de sinaispt_BR
dc.subjectDetecção de objetospt_BR
dc.titleThe use of sparse plus low-rank decomposition on moving object and change detection in videospt_BR
dc.typeTesept_BR
dc.contributor.authorLatteshttp://lattes.cnpq.br/3440278517777295pt_BR
dc.contributor.advisorCo1Silva, Eduardo Antônio Barros da-
dc.contributor.referee1Souza Filho, João Baptista de Oliveira e-
dc.contributor.referee2Lovisolo, Lisandro-
dc.contributor.referee3Hae Yong, Kim-
dc.description.resumoUma solução para a detecção de anomalias, como a identificação de mudanças e objetos em movimento em vídeos, é buscar uma representação de baixo posto para os quadros que compõem o vídeo e reconstruir um dos quadros do vídeo original através da combinação de representações de baixo posto dos outros quadros. Esta tese propõe algoritmos que projetam as estruturas de baixo posto em uma união de subespaçoes de baixa dimensão, para solucionar esse problema sendo capaz de lidar com contextos dinâmicos, como aqueles encontrados em vídeos adquiridos com câmeras em movimento, dentre outros cenários complexos. Parte desta tese busca detectar mudanças em vídeos obtidos com câmeras móveis. Os algoritmos propostos apresentam bons resultados, enquanto removem a restrição de sincronização prévia dos vídeos. Adicionalmente, eles utilizam propriedades da estrutura dos dados para restringir o espaço de busca para um número menor de subespaços, obtendo ganhos computacionais de até 100 vezes além de 91% de verdadeiros positivos e somente 33% de falsos positivos, em experimentos utilizando a base de dados VDAO, com objetos abandonados em um cenário industrial. Outra parte apresenta soluções para a detecção de objetos em movimento em vídeos com cenário dinâmico. As soluções propostas utilizam decomposições em matrizes de baixo posto e esparsas com projeções em uma união de subespaços, aplicando mapas de saliência para restringir as atualizações de matrizes que representam os objetos. Os métodos apresentados têm baixa incidência de falsos positivos e apresentam desempenhos comparáveis aos do estado da arte para métodos similares, obtendo 0.74 de F1 na base UCSD.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentInstituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenhariapt_BR
dc.publisher.programPrograma de Pós-Graduação em Engenharia Elétricapt_BR
dc.publisher.initialsUFRJpt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA ELETRICApt_BR
dc.embargo.termsabertopt_BR
Appears in Collections:Engenharia Elétrica

Files in This Item:
File Description SizeFormat 
882133.pdf1,36 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.