Detection of Entry/Exit Zones for Visual Surveillance System using Graph Theoretic Clustering

그래프 이론 기반의 클러스터링을 이용한 영상 감시 시스템 시야 내의 출입 영역 검출

  • Published : 2009.11.25

Abstract

Detecting entry and exit zones in a view covered by multiple cameras is an essential step to determine the topology of the camera setup, which is critical for achieving and sustaining the accuracy and efficiency of multi-camera surveillance system. In this paper, a graph theoretic clustering method is proposed to detect zones using data points which correspond to entry and exit events of objects in the camera view. The minimum spanning tree (MST) is constructed by associating the data points. Then a set of well-formed clusters is sought by removing inconsistent edges of the MST, based on the concepts of the cluster balance and the cluster density defined in the paper. Experimental results suggest that the proposed method is effective, even for sparsely elongated clusters which could be problematic for expectation-maximization (EM). In addition, comparing to the EM-based approaches, the number of data required to obtain stable outcome is relatively small, hence shorter learning period.

여러 대의 카메라를 이용한 감시 시스템이 정확하고 효율적으로 동작하기 위하여 카메라 시야 간의 연결 관계를 아는 것이 필수적이다. 카메라들의 연결 관계를 파악하기 위하여 카메라 시야 내의 출입 영역을 검출하는 일이 선행되어야 한다. 본 논문에서는 카메라 시야에서 객체의 등장 및 퇴장으로부터 얻은 데이터에 그래프 이론 기반의 클러스터링(clustering)을 적용하여 시야 내의 출입 영역을 검출하는 방법을 제안한다. 데이터 포인트들 사이의 관계를 조사하여 최소신장트리를 구성하고, 트리의 에지들 중 일관성을 갖지 않는 것들을 삭제하여 well-formed 클러스터를 얻는다. 본 논문에서는 클러스터의 형태를 설명하는 두 가지 특징을 정의하고 이를 클러스터의 분할 조건으로 사용하였다. 실험결과를 통하여 데이터 포인트의 분포가 조밀하지 않은 경우 expectation maximization(EM)에 기반을 둔 방법에 비하여 치안하는 방법이 보다 효과적으로 클러스터링을 수행함을 확인하였다. 또한 EM 기반 방법들에 비하여 안정적인 결과를 얻기 위해 필요한 데이터 포인트의 개수가 적으므로 출입영역에 대한 학습시간을 단축할 수 있다.

Keywords

References

  1. W. Kang and F. Deng, 'Research on Intelligent Visual Surveillance for Public Security,' in Proceedings of the IEEE/ACIS International Conference on Computer and Information Science, pp. 824-829, 2007
  2. D. Makris, T. Ellis, and J. Black, 'Bridging the gaps between cameras,' in Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition, vol.2, pp.II205-II210, 2004
  3. D. Makris and T. Ellis, 'Automatic learning of an activity-based semantic scene model,' in Proceedings of IEEE Conference on Advanced Video and Signal Based Surveillance, pp.183-188, 2003
  4. C. Stauffer, 'Estimating Tracking Sources and Sinks,' in Proceedings of the Conference on Computer Vision and Pattern Recognition Workshop, pp.35-35, 2003
  5. R. O. Duda, P. E. Hart, and D. G. Stork, Pattern classification, 2nd ed. NewYork: Wiley, 2001
  6. P. Foggia, G. Percannella, C. Sansone, and M. Vento, 'Benchmarking graph-based clustering algorithms,' Image and Vision Computing, vol. 27, pp.979-988, 2009 https://doi.org/10.1016/j.imavis.2008.05.002
  7. C. T. Zahn, 'Graph-Theoretical Methods for Detecting and Describing Gestalt Clusters,' IEEE Transactions on Computers, vol. 20, pp.68-86, 1971 https://doi.org/10.1109/T-C.1971.223083
  8. G. Oleksandr, Z. Yan, and J. Zach, 'Minimum Spanning Tree Based Clustering Algorithms,' in Proceedings of IEEE International Conference on Tools with Artificial Intelligence, pp. 73-81, 2006
  9. D. J. Marchette, Random graphs for statistical pattern recognition. Hoboken, N.J.: Wiley- Interscience, 2004