Auto-calibração de câmeras de vídeo-vigilância por meio de informações da cena

• Ano de defesa: 2015
• Autor(a) principal: Souza, Tiago Trocoli Leite de
• Orientador(a): Oliveira, Luciano Rebouças de
• Banca de defesa: Oliveira, Luciano Rebouças de, Mello, Vinicius Moreira, Medeiros, Esdras
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Instituto de Matemática. Departamento de Mecatrônica.
• Programa de Pós-Graduação: Mestrado em Mecatrônica
• País: Brasil
• Palavras-chave em Português: Calibração; Geometria; Framework
• Área do conhecimento CNPq: Sistemas Computacionais
• Link de acesso: http://repositorio.ufba.br/ri/handle/ri/21390

A presença de câmeras de vigilância se tornou comum em ambientes públicos e privados. Utilizadas para monitorar cenas, esses equipamentos permitem a automatização da tarefa de vigilância, quando integrados a sistemas inteligentes capazes de aplicar técnicas de reconhecimento de padrões. A calibração de câmera é um recurso que possibilita explorar a geometria 3D da cena observada, possibilitando ao sistema inteligente determinar a posição e tamanho de objetos presentes na cena. Usualmente, ambientes monitorados possuem redes de câmeras de vigilância, as quais são compostas, em sua maioria, por câmeras heterogêneas e estáticas. A forma comum de calibrar câmeras requer intensa intervenção humana, e demanda grande quantidade de tempo quando aplicada a uma rede de câmeras. Neste trabalho é proposto um framework de calibração de câmera automática, não requerendo intervenção humana durante o processo de calibração. O framework proposto utilizará dicas da cena e um conhecimento prévio da distribuição da altura das pessoas para determinar os parâmetros necessários para a calibração da câmera, estimando sua posição, orientação e informações internas da câmera. A avaliação deste framework indica um resultado promissor. As análises mostram que, ao estimar os comprimentos na cena, o framework atinge um erro absoluto médio menor que 5 cm ao definir as alturas das pessoas, e um erro médio menor que 30 cm ao definir distâncias sobre o plano do chão. Quando comparado a trabalhos relacionados encontrados na literatura, o nosso framework apresenta uma eficiência maior ao utilizar até 80% menos dados na convergência dos parâmetros, e uma precisão 40% maior, na estimativa dos parâmetros da câmera.