Dokument: Video Klassifikation durch Frequenz-Eigenschaften wiederkehrender Bewegungen

Titel:Video Klassifikation durch Frequenz-Eigenschaften wiederkehrender Bewegungen
Weiterer Titel:Video Classification by Frequency Features based on Repeating Movements
URL für Lesezeichen:https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=36937
URN (NBN):urn:nbn:de:hbz:061-20160126-101954-2
Kollektion:Dissertationen
Sprache:Englisch
Dokumententyp:Wissenschaftliche Abschlussarbeiten » Dissertation
Medientyp:Text
Autor: Ayyildiz, Kahraman [Autor]
Dateien:
[Dateien anzeigen]Adobe PDF
[Details]3,70 MB in einer Datei
[ZIP-Datei erzeugen]
Dateien vom 22.01.2016 / geändert 22.01.2016
Beitragende:Prof. Dr. Conrad, Stefan [Betreuer/Doktorvater]
Prof. Dr. Harmeling, Stefan [Gutachter]
Stichwörter:Video Klassifikation Frequenz Bewegung Motion Classification Frequency
Dewey Dezimal-Klassifikation:000 Informatik, Informationswissenschaft, allgemeine Werke
Beschreibungen:Die vorliegende Dissertation befasst sich mit einem neuen, inhaltsbasierten Konzept zur Video-Klassifikation. Es werden Frequenzeigenschaften wiederkehrender Bewegungen im Video zur Klassifikation herangezogen. Diese Frequenzeigenschaften spielen eine zentrale Rolle für das gesamte Klassifikationssystem. Jedoch gibt es eine Reihe weiterer Aspekte des Systems, welche im Kontext wiederkehrender Bewegungen und Frequenzen untersucht werden. Zum Beispiel werden Transformationen, Filter, Klassifikatoren und Hintergrund-Subtraktionsmodelle tiefgehend analysiert. Zudem stellen wir die Robustheit des Ansatzes gegenüber verschiedenen Kamera- und Umgebungseinstellungen heraus.
Die Dissertation kann in fünf Teile untergliedert werden. Kapitel 1 und 2 stellen den ersten Teil der Arbeit dar. Hier wird in das Themengebiet eingeführt und es werden grundsätzliche Techniken vermittelt, welche innerhalb der gesamten Arbeit immer wieder aufgegriffen und verwendet werden. Der zweite Teil besteht aus den Kapiteln 3 und 4. In diesem Teil der Arbeit wird erklärt, wie Frequenzeigenschaften aus Videos mit wiederkehrenden Bewegungen extrahiert und verwendet werden können. Basierend auf diesen Frequenzeigenschaften wird die Performanz des Systems gemessen und Ergebnisse werden diskutiert. Kapitel 5 repräsentiert den dritten Teil und zeigt auf, wie eindimensionale und zweidimensionale Verlaufsbahnen wiederkehrender Bewegungen transformiert werden. Es wird experimentell belegt, dass die Transformation von zwei eindimensionalen Verlaufsbahnen zu klareren Ergebnissen führt als die Transformation einer zweidimensionalen Verlaufsbahn. Kapitel 6 wird als vierter Teil der Arbeit angesehen und analysiert die Robustheit des Verfahrens gegenüber unterschiedlichen Randbedingungen. Es werden räumliche Kamerarotation, Skalierung, Translation, Okklusion und die zeitliche Verschiebung einer Aktion analysiert. Kapitel 7, 8, 9 und 10 stellen den fünften Teil der Dissertation dar. Jedes einzelne dieser Kapitel befasst sich mit einer Phase beziehungsweise einem Modul des Gesamtsystems. In Kapitel 7 werden verschiedene Filter auf eine Folge von eindimensionalen Eingabewerten angewandt, um so die Transformation in den Frequenzbereich zu optimieren. In Kapitel 8 werden Transformationen von diskreten, eindimensionalen Eingabewerten analysiert. In Kapitel 9 werden Klassifikatoren im Hinblick auf ihre Güte und Laufzeit untersucht. Als Klassifikationsbasis dienen dabei die Frequenzeigenschaften der Bewegungen im Video. Kapitel 10 legt den Fokus auf Hintergrund-Subtraktionsmodelle, die robust gegenüber Kamerabewegungen sind.
Die vorgelegten Forschungsergebnisse zu den verschiedenen Modulen des Klassifikationssystems hängen stark von den Frequenzeigenschaften ab, welche aus den wiederkehrenden Bewegungen extrahiert und zusammengestellt werden.

This thesis at hand deals with a novel, content based video classification approach. Basically frequency features of repeating movements are utilized for the classification process. These frequency features play a central role for the whole classification system. But there are further parts of the system, which are analyzed in the context of repeating movements. For instance transforms, filters, classifiers and background subtraction models are explored in detail. Further, the robustness of the approach against different camera and environment settings is exposed.
We can divide this thesis into five main parts. Chapters 1 and 2 represent the first part. This part introduces into the topic and conveys basic techniques, that are used throughout the thesis. Part two consists of chapters 3 and 4. Here the extraction and utilization of frequency features from videos with repeating movements is explained. We measure the accuracy of the system based on these frequency features and discuss results. Chapter 5 represents the third part and shows how one-dimensional and two-dimensional repeating motion trajectories can be transformed. We underline experimentally that transforming two one-dimensional trajectories is more efficient than transforming one two-dimensional trajectory. Chapter 6 is considered as part four. Here the robustness of the presented approach to different settings is illustrated. Spatial camera rotation, scaling, translation, occlusion and time shift is analyzed. Chapters 7, 8, 9 and 10 represent part five of this thesis. Each of these chapters focuses on one stage or module of the system. Chapter 7 is about filters applied to one-dimensional input data. Filtering input data is a preprocess step, that aims to optimize the transformation result and therefore the clarity of the frequency domain. Chapter 8 deals with transforms applied to discrete, one-dimensional trajectory data. In chapter 9 different classifiers are studied, which assign videos by their frequency features to classes. In chapter 10 the focus is on background subtraction models, that are robust to camera motion.
The presented research on different modules of the classification system depends strongly on the extracted and assembled features by repeating motions.
Lizenz:In Copyright
Urheberrechtsschutz
Fachbereich / Einrichtung:Mathematisch- Naturwissenschaftliche Fakultät » WE Informatik » Datenbanken und Informationssysteme
Dokument erstellt am:26.01.2016
Dateien geändert am:26.01.2016
Promotionsantrag am:06.08.2015
Datum der Promotion:11.12.2015
english
Benutzer
Status: Gast
Aktionen