Detection of anomalies in surveillance scenarios using mixture models

Tomé Alonso, Adrián y Salgado Álvarez de Sotomayor, Luis (2017). Detection of anomalies in surveillance scenarios using mixture models. En: "International Carnahan Conference on Security Technology (ICCST), 2017", 23/10/2017 - 26/10/2017, Madrid, España. ISBN 978-1-5386-1585-0. pp. 1-4. https://doi.org/10.1109/CCST.2017.8167830.

Descripción

Título: Detection of anomalies in surveillance scenarios using mixture models
Autor/es:
  • Tomé Alonso, Adrián
  • Salgado Álvarez de Sotomayor, Luis
Tipo de Documento: Ponencia en Congreso o Jornada (Artículo)
Título del Evento: International Carnahan Conference on Security Technology (ICCST), 2017
Fechas del Evento: 23/10/2017 - 26/10/2017
Lugar del Evento: Madrid, España
Título del Libro: Proceedings of International Carnahan Conference on Security Technology (ICCST), 2017
Título de Revista/Publicación: 2017 INTERNATIONAL CARNAHAN CONFERENCE ON SECURITY TECHNOLOGY (ICCST)
Fecha: Diciembre 2017
ISBN: 978-1-5386-1585-0
Materias:
Palabras Clave Informales: Anomaly detection, Gaussian mixture model, robust optical flow, video-surveillance
Escuela: E.T.S.I. Telecomunicación (UPM)
Departamento: Señales, Sistemas y Radiocomunicaciones
Licencias Creative Commons: Reconocimiento - Sin obra derivada - No comercial

Texto completo

[img]
Vista Previa
PDF (Document Portable Format) - Se necesita un visor de ficheros PDF, como GSview, Xpdf o Adobe Acrobat Reader
Descargar (2MB) | Vista Previa

Resumen

In this paper we present a robust and simple method for the detection of anomalies in surveillance scenarios. We use a “bottom-up” approach that avoids any object tracking, making the system suitable for anomaly detection in crowds. A robust optical flow method is used for the extraction of accurate spatio-temporal motion information, which allows to get simple but discriminative descriptors that are employed to train a Gaussian mixture model. We evaluate our system in a publicly available dataset, concluding that our method outperforms similar anomaly detection approaches but with a simpler model and low-sized descriptors.

Proyectos asociados

TipoCódigoAcrónimoResponsableTítulo
Gobierno de Españaproject RTC-2015-3527-1BEGISESin especificarSin especificar

Más información

ID de Registro: 50878
Identificador DC: http://oa.upm.es/50878/
Identificador OAI: oai:oa.upm.es:50878
Identificador DOI: 10.1109/CCST.2017.8167830
URL Oficial: https://ieeexplore.ieee.org/document/8167830/
Depositado por: Memoria Investigacion
Depositado el: 29 May 2018 16:52
Ultima Modificación: 29 May 2018 16:52
  • GEO_UP4
  • Open Access
  • Open Access
  • Sherpa-Romeo
    Compruebe si la revista anglosajona en la que ha publicado un artículo permite también su publicación en abierto.
  • Dulcinea
    Compruebe si la revista española en la que ha publicado un artículo permite también su publicación en abierto.
  • Recolecta
  • InvestigaM
  • Observatorio I+D+i UPM
  • OpenCourseWare UPM