Modelo computacional para geração de multidões e avaliação de desempenho de estimadores de multidão baseados em textura

• Ano de defesa: 2019
• Autor(a) principal: Ferreira, Silvio José Vitor
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Análise de multidão; Análise de textura; Crowd analisys; Crowd modeling; Crowd rendering; Measurement quality; Modelagem de multidão; Qualidade de estimação; Renderização de multidão; Texture analisys
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/76/76132/tde-13052020-103045/

Métodos de estimação de multidão buscam determinar a quantidade de pessoas em uma imagem ou vídeo. Estes conceitos e técnicas tem sido sistematicamente explorados e desenvolvidos recentemente, com aplicações diversas em áreas como supervisão e segurança. Embora exista uma grande quantidade de bases de dados de imagens disponíveis para desenvolvimento e validação de métodos de estimação, são necessários novos estudos que avaliem sistematicamente o efeito das variáveis de obtenção das imagens no desempenho dos métodos de estimação. A proposta deste trabalho foi desenvolver um modelo computacional para a geração automática de imagens sintéticas de multidões e avaliar o desempenho de métodos de estimação de multidão baseados em textura nessas imagens. O ambiente virtual computacional é composto por um cenário tridimensional onde diversos modelos de pessoas são distribuídos em um plano. A distribuição de modelos, suas características, a distância e a direção da visão da câmera foram sistematicamente variados e as imagens obtidas foram analisadas por três métodos de estimação de multidão baseados em textura. A estimativa da medida foi derivada a partir do conjunto dos métodos e, em seguida, derivou-se uma estimativa para cada método. Os resultados indicaram que as condições de melhor estimação, em geral, foram com a câmera acima da multidão, multidões distribuídas uniformemente e indivíduos heterogêneos. Também foi encontrado que a precisão da estimação é menor quanto maior o número de pessoas, quanto mais distante está a câmera, quanto mais varia a densidade de multidão sobre a superfície e quanto mais paralelo está o ângulo de visão da câmera em relação ao horizonte. Por fim, um dos três métodos apresentou desempenho de estimação maior em multidões homogêneas quando analisados em separado. A abordagem computacional proposta neste estudo mostrou-se adequada para a avaliação e comparação de medidas de estimação de multidão e pode ser expandida e refinada para incluir novos parâmetros em trabalhos futuros.