Change search
ReferencesLink to record
Permanent link

Direct link
Anomaly detection in videosurveillance feeds
Umeå University, Faculty of Science and Technology, Department of Mathematics and Mathematical Statistics.
2015 (English)Independent thesis Advanced level (professional degree), 20 credits / 30 HE creditsStudent thesis
Abstract [en]

Traditional passive surveillance is proving ineffective as the number of available cameras for an operator often exceeds the operators ability to monitor them. Furthermore, monitoring surveillance cameras requires a focus that operators can only uphold for a short amount of time. Algorithms for automatic detection of anomalies in video surveillance feeds are thereby constructed and presented in this thesis by using hidden Markov models (HMM) and a Gaussian mixture probability hypothesis density (GM-PHD) filter. Four different models are created and evaluated using the PETS2009 dataset and a simulated dataset from FOI. The three first models are created to model normal behaviour of crowds in order to detect anomalies. The first uses only one HMM to model all observed behaviours. The second model uses two different HMMs, created by manually splitting the observations in the training set into two parts corresponding to different behaviours. This model does not perform as well as the first model. The third model is attained by clustering the observations in the training dataset, using dynamic time warping (DTW) and z-scores, and creating a separate HMM for each cluster. This model is regarded as the most efficient anomaly detector. The last model uses information from all crowds in the surveilled scene but does not perform well enough to be used to detect anomalies.

Abstract [sv]

Traditionell övervakning är ofta ineffektiv i och med att antalet tillgängliga övervakningskameror ofta överstiger en operatörs förmåga att bevaka dessa. Vidare kräver övervakning ett fokus som en operatör endast klarar av att upprätthålla under en kort tidsperiod. I detta arbete har därför algoritmer för automatisk anomalidetektion i övervakningskameror skapats, med hjälp hidden Markov models (HMM) samt ett Gaussian mixture probability hypothesis density (GM-PHD) filter. Fyra olika modeller har implementerats och utvärderats med hjälp av PETS2009 datasetet samt ett simulerat dataset från FOI. De tre första modellerna är skapade för att modellera normalt beteende bland folksamlingar och kan därefter användas för att upptäcka anomalier. Den första modellen använder sig av endast en HMM för att modellera olika beteenden. Den andra modellen använder sig av två olika HMMer, skapade genom att manuellt dela upp observationerna i träningssetet i två delar så att dessa motsvarar olika beteenden. Denna modell fungerar inte lika bra som den första modellen. Den tredje modellen har konstruerats genom att klustra samtliga observationer, med hjälp av dynamic time warping (DTW) och zscores, därefter skapas en HMM för varje kluster. Denna modell anses vara den mest effektiva anomalidetektorn. Den sista modellen använder information från alla grupper i det bevakade området men fungerar inte tillräckligt bra för att kunna upptäcka anomalier.

Place, publisher, year, edition, pages
2015. , 67 p.
National Category
URN: urn:nbn:se:umu:diva-105521OAI: diva2:826220
External cooperation
Educational program
Master of Science in Engineering and Management
2015-06-05, Umeå, 10:15 (English)
Available from: 2015-06-25 Created: 2015-06-24 Last updated: 2015-06-25Bibliographically approved

Open Access in DiVA

fulltext(7018 kB)213 downloads
File information
File name FULLTEXT01.pdfFile size 7018 kBChecksum SHA-512
Type fulltextMimetype application/pdf

By organisation
Department of Mathematics and Mathematical Statistics

Search outside of DiVA

GoogleGoogle Scholar
Total: 213 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

Total: 265 hits
ReferencesLink to record
Permanent link

Direct link