Dissertação

{en_GB=Camera Network Topology Estimation using Sparse Methods} {} EVALUATED

{pt=O conhecimento da estrutura topológica de uma rede de câmaras pode facilitar tarefas como a re-identificação de pessoas ao limitar as possíveis correspondências para cada pessoa observada. Em situações onde não é prático determinar manualmente a disposição das câmaras, a estimação automática da topologia de uma rede de câmaras pode ser utilizada para descobrir as ligações entre as áreas observadas pelas diferentes câmaras. Este trabalho propõe dois métodos para descobrir a topologia de uma rede de câmaras sem sobreposição baseados na estimação de matrizes de covariância inversa esparsas. Utilizando a estimação de matrizes de covariância inversa esparsas, uma matriz de covariância empírica obtida a partir de dados observados pode ser utilizada para descobrir um modelo probabilístico gráfico esparso que representa a estrutura de dependências condicionais entre os seus nós. O primeiro método estabelece correspondências directas entre observações da mesma pessoa em diferentes câmaras através de thresholding baseado na cor, enquanto que o segundo método estima um grafo representativo das ligações entre eventos baseado nas características observadas sem estabelecer correspondências directas. São apresentados resultados experimentais favoráveis para ambos os métodos, utilizando dados de trajectórias geradas aleatóriamente através de um simulador de eventos. Foi adicionado ruído sintético aos descritores de cor gerados pelo simulador para testar a robustez dos métodos desenvolvidos face a dados com ruído., en=Knowledge of the topological structure of a camera network can help with tasks such as person re-identification by limiting the correspondence possibilities for each observed person. In situations where manually determining the camera layout is not practical, automated camera network topology estimation can be used to discover the connections between the different camera views. This work proposes two methods for discovering the topology of a non-overlapping camera network based on sparse inverse covariance estimation. Using sparse inverse covariance estimation an empirical covariance matrix obtained from observed feature data can be used to discover a sparse graphical model representing the conditional dependence structure between its nodes. The first method establishes direct correspondences between appearances of the same person in different cameras via color based thresholding, whereas the second method estimates a graph representing connections between events based on observed features without directly establishing correspondences. Favorable experimental results are shown for both methods using randomly generated trajectory data obtained from an event simulator. Synthetic noise was added to the generated color descriptors to test the methods' robustness to noisy data.}
{pt=aprendizagem de grafos, topologia, redes multi-câmara, en=graph learning, topology, multi-camera network}

Novembro 22, 2018, 8:0

Orientação

ORIENTADOR

Alexandre José Malheiro Bernardino

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Associado

ORIENTADOR

Jorge Dos Santos Salvador Marques

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Associado