Estimação de número de pessoas em vídeos

Trabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2017.Devido ao aumento populacional e à grande disponibilidade de câmeras, existe uma demanda para saber quantas pessoas transitam em certas áreas, seja por questões comerciais ou mesmo por questões de segurança, aumentando o interesse na área da Estimação do Número de Pessoas. A contagem de pessoas, vinda da análise de imagens de vídeo, têm várias aplicações, principalmente para sistemas de vigilância e segurança. Neste trabalho, um método de Estimação de Número de Pessoas é discutido e implementado, utilizando duas técnicas combinadas. A primeira é o Fluxo Óptico de Lukas-Kanade, que é utilizada para estimar o movimento entre os frames do vídeo. Após uma filtragem espacial (ou blocagem) e uma filtragem temporal, há uma inferência de onde os objetos estão localizados. Posteriormente, a técnica de Agrupamento Hierárquico é empregada para agrupar tais objetos em clusters. Por fim, o número de pessoas é mapeado pelo número de clusters distintos. Além disso, uma filtragem de vetores similares foi proposta antes do Agrupamento Hierárquico, gerando dois resultados para cada vídeo testado: um Resultado sem a filtragem e um Resultado com a Filtragem. Foram testados 5 vídeos, com número de pessoas variando de 0 a 5. A acurácia variou de 69,0% a 98,2%.Estimating the number of people based on video imagery has attracted attention due to population growth and high availability of cameras. People counting has several applications for commercial and security reasons. In this work, a method for estimating the number of people in a video sequence is discussed and implemented using two combined techniques. The first technique is the Lukas-Kanade Optical Flow method, which is used to estimate the motion between the frames of the video. After this, a spatial filtering (or blocking) and a temporal filtering are employed to infer where the objects are located. Subsequently, the Hierarchical Clustering technique is used to group such objects into clusters, and the number of people is mapped by the number of different clusters. In addition, a similar vector filtering is proposed before the Hierarchical Clustering, generating two results for each video: a Result without filtering and a Result with Filtering. Five videos were tested, with the number of people ranging from 0 to 5. Results show an accuracy ranging from 69,0% to 98,2%