Classifying Tracked Objects and their Interactions from Infrared Imagery
Notice bibliographique
Résumé
For many intelligent security systems the use of infrared technology is becoming essential and is a challenging issue. This paper outlines a framework for exploiting spatio-temporal tracking parameters to classify multiple moving objects and recognize their interactions using low quality thermal imagery. For outdoor scenes, motion segmentation is automatically performed using a novel dynamic background-subtraction technique which robustly adapts detection to illumination changes. During the tracking process, the algorithm uses thermal data and motion parameters to label moving objects into two main classes: persons and vehicles. However, the calibrated temperature informations are employed to locate the "part of interest" of each classified object: head's parts for persons and engine's part for vehicles. Once these tasks are correctly performed, the algorithm applies predefined rules to recognize some interactions between classified objects. The reasoning rules are based on the class's labels and motion parameters to partition interactions according to their authors: events with a single author and events with multiple authors. For each of them, several actions of interest can be identified by testing specific criterion's combinations. This partition is the base of our algorithmic reasoning and increases considerably the process's speed. Thus, with this complete architecture, the system is able to automatically obtain relevant video surveillance scenarios useful as powerful tools for the decision-making aid and also for archiving. Finally, experiments proved that the algorithm is efficient and fast enough to operate in real-time implementation
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».