Pedestrian Detection based on Local Experts

• Autores: Francisco Javier Marín Tur
• Directores de la Tesis: Jaume Amores Llopis (dir. tes.), Antonio M. López Peña (dir. tes.)
• Lectura: En la Universitat Autònoma de Barcelona ( España ) en 2013
• Idioma: inglés
• ISBN: 978-84-940530-3-0
• Tribunal Calificador de la Tesis: Krystian Mikolajczyk (presid.), Jordi González Sabaté (secret.), Arturo de la Escalera Hueso (voc.)
• Materias:
  • Matemáticas
    • Ciencia de los ordenadores
      • Informática
• Enlaces
  • Tesis en acceso abierto en: DDD
• Resumen

  • Al llarg dels darrers anys, els sistemes de detecció humana basats en visió per computador han començat a exercir un paper clau en diverses aplicacions lligades a l’assisténcia a la conducció, la videovigilància, la robòtica i la domòtica. Detectar persones és, sens cap dubte, una de les tasques més difícils en el camp de la Visió per Computador. Aixó es deu principalment al grau de variabilitat en l’aparenc¸a humana associada a la roba, postura, forma i grandària. A més, altres factors com escenaris amb molts elements, oclusions parcials o condicions ambientals poden fer que la tasca de detecció sigui encara més difícil. Els mètodes més prometedors a l’estat de la q¨uestió es basen en models d’aprenentatge discriminatius que són entrenats amb exemples positius (vianants) i negatius (no vianants). El conjunt d’entrenament és un dels elements més rellevants a l’hora de construir un detector que faci front a la citada gran variabilitat. Per tal de crear el conjunt d’entrenament es requereix supervisió humana. L’inconvenient en aquest punt és el gran esforc¸ que suposa haver d’anotar, així com la tasca de cercar l’esmentada variabilitat. En aquesta tesi abordem dos problemes recurrents a l’estat de la q¨uestió. En la primera etapa, es pretén reduir l’esforc¸ d’anotar mitjanc¸ant l’ús de gràfics per computador. Més concretament, desenvolupemun escenari urbà permés endavant generar un conjunt d’entrenament. Tot seguit, entrenem un detector usant aquest conjunt, i finalment, avaluem si aquest detector pot ser aplicat amb èxit en un escenari real. En la segona etapa, ens centrem en millorar la robustesa dels nostres detectors en el cas en que els vianants es trobin parcialment ocluids. Més concretament, presentem un nou mètode de tractament d’oclusions que consisteix en millorar la detecció de sistemes holístics en cas de trobar un vianant parcialment ocluid. Per dur a terme aquesta millora, fem ús de classificadors (experts) locals a través d’un mètode anomenat random subspace method (RSM). Si el sistema holístic infereix que hi ha un vianant parcialment ocluid, aleshores s’aplica el RSM, el qual ha estat entrenat prèviament amb un conjunt que contenia vianants parcialment ocluids. L’últim objectiu d’aquesta tesi és proposar un detector de vianants fiable basat en un conjunt d’experts locals. Per aconseguir aquest objectiu, utilitzem el mètode anomenat random forest, a on els arbres es combinen per classificar i cada node és un expert local. En particular, cada expert local es centra en realitzar una classificació robusta de zones del cos. Cal remarcar, a més, que el nostre mètode presenta molta menys complexitat a nivell de disseny que altres mètodes de l’estat de la q¨uestió, alhora que ofereix una eficiència computacional raonable i una major precisió.