Seit Jahren entwickelt sich sowohl der Straßenverkehr als auch der Luftverkehr ungebremst weiter. Um das wachsende Verkehrsvolumen auf Straßen und Flughafenvorfeldern effizient regeln zu können, sind Videosysteme zur intelligenten Verkehrsüberwachung und -Steuerung erforderlich. Aufgrund der hohen Anzahl an möglichen Störquellen stellt die automatische Objekterkennung und -Verfolgung in Videosequenzen eine sehr anspruchsvolle Aufgabe dar. Diese Arbeit setzt sich deshalb mit den Problemen der automatischen Erkennung und Verfolgung von sich bewegenden Objekten in Videoüberwachungsaufnahmen von Verkehrsszenarien im Freien auseinander. Ziel dieser Arbeit ist zum einen das automatische Erkennen von sich bewegenden Objekten und zum anderen die Verfolgung von einmal erkannten Objekten in Videosequenzen. Außerdem soll die Erkennung zur Initialisierung der Objektverfolgung dienen, so dass sich ein Gesamtsystem zur automatischen Objekterkennung und -Verfolgung für die videobasierte Überwachung von Verkehrszenarien ergibt. Ausgehend von einer ersten Problemanalyse werden notwendige Randbedingungen festgelegt, die für eine Entwicklung von robusten und zuverlässigen Algorithmen zur Objekterkemrang und -Verfolgung notwenig sind. Insbesondere die Beschränkung auf statische aber multimodale Hintergründe ist dabei von größerer Relevanz. Aufgrund dieser Annahme kann ein nach dem Prinzip der Hintergrundsubtraktion arbeitendes Verfahren zur Erkennung von sich bewegenden Objekten eingesetzt werden. Neben einem solchen Verfahren, das zur Hintergrundmodellierung sowohl örtliche als auch zeitliche Abhängigkeiten berücksichtigt, wird in dieser Arbeit außerdem ein lernbasiertes Verfahren zur Objekterkennung vorgestellt. Dieses lernbasierte Verfahren kann zwar auch ohne die Annahme eines fixen Hintergrunds arbeiten, benötigt dafür aber eine große Menge an Trainingsdaten. Um das Problem der Objektverfolgung zu lösen, wird in dieser Arbeit der Mean-Shift- Algorithmus verwendet. Nach der Beschreibung des Standard-Algorithmus werden diverse Erweiterungen vorgestellt, die neben der Positionsverfolgung auch eine Verfolgung der aktuellen Objektgröße und -rotation bzw. eine Verfolgung der Objektkontur ermöglichen. Außerdem wird gezeigt, dass sich die vorgestellte hintergrundmodellierende Methode zur Objekterkennung mit der meanshift-basierten Objektkonturverfolgung zu einem Videoüberwachungsystem für die automatische Objekterkennung und -Verfolgung von sich bewegenden Objekten in Verkehrszenarien kombinieren lässt.

    For years, traffic - no matter if we talk about road traffic or air traffic - develops and increases rapidly. To manage the increasing traffic volume on streets and airport aprons, concepts for video-based automatic traffic control are necessary. In many cases such systems require automatic detection and tracking of moving objects of interest. Due to a huge amount of noise sources, automatic detection and tracking of moving objects in video sequences is also a very challenging task. In this thesis the problem of automatic detection and tracking of moving objects in outdoor traffic surveillance sequences is therefore addressed. The aim of this thesis is on the one hand the automatic detection of moving objects of interest and on the other hand the tracking of detected objects throughout the video sequence. Furthermore, the detection method shall serve as an initialization for the tracking method so that a system for automatic object detection and object tracking for video surveillance of traffic scenarios is achieved. Based on an analysis about the tasks and challenges of automatic object detection and object tracking for video surveillance of traffic scenarios, certain restrictions are defined to allow the design of suitable and reliable detection and tracking algorithms. One of the main constraints is the assumption of a static but multi-modal background. Based on this restriction moving object detection methods working on the background subtraction principle can be applied. Apart from such a background subtraction method, which uses spatial and temporal dependencies to generate the background model, a learning-based object detection approach is also proposed in this thesis. Although the learning-based approach does not require the restriction to a static background, it does require a huge amount of training data. To solve the object tracking problem, the mean shift algorithm is used in this thesis. Following a description of the standard mean shift tracking algorithm, further extensions are presented which allow not only the tracking of the position, but also a tracking of the object's size and rotation, respectively a tracking of the object contour. It is further shown that the background modeling based moving object detection and the mean shift based object contour tracker can be combined to an automatic object detection and tracking method for video surveillance of traffic scenarios.


    Access

    Access via TIB

    Check availability in my library

    Order at Subito €


    Export, share and cite



    Title :

    Automatic object detection and tracking for video-based traffic surveillance


    Additional title:

    Automatische Erkennung und Verfolgung von Objekten für die videobasierte Verkehrsüberwachung


    Contributors:

    Published in:

    Publication date :

    2012


    Size :

    178 Seiten, Bilder, Tabellen, 96 Quellen



    Type of media :

    Theses


    Type of material :

    Print


    Language :

    English





    Object tracking in video-surveillance

    Moroni, D. / Pieri, G. | British Library Online Contents | 2009



    Automatic traffic surveillance system for vehicle tracking and classification

    Jun-Wei Hsieh, / Shih-Hao Yu, / Yung-Sheng Chen, et al. | IEEE | 2006


    Traffic surveillance using video image detection systems

    Bauer, S. / Döring, T. / Meysel, F. et al. | Tema Archive | 2007