Search academic texts

Registration Number

0825U004211, PhD dissertation

Status

Доктор філософії

Date

12-12-2025

popup.evolution

o

Title

Models and methods of visual crowd analysis in intelligent video surveillance systems

Author

Ruslan Y. Dobryshev,

popup.head Maksym V. Maksymov
popup.opponent Morozova Olga Igorivna
popup.opponent Volodymyr I. Lytvynenko
popup.review Galyna Shcherbakova
popup.review Nataliia Volkova

Description

Дисертаційна робота присвячена розробленню моделей та методів візуального аналізу натовпу в системах інтелектуального відеоспостереження, що є актуальним у контексті забезпечення громадської безпеки, функціонування транспортних вузлів, великих інфраструктурних об’єктів та публічних просторів. У сучасних умовах зростання кількості масових заходів, інтенсивних людських потоків і загального ускладнення динаміки міського середовища виникає необхідність автоматизованих технологій, здатних оперативно аналізувати поведінку натовпу та виявляти потенційно небезпечні ситуації. Традиційні методи комп’ютерного зору виявляються недостатніми через високу щільність натовпу, перекриття об’єктів та великі варіації масштабу, що ускладнює реалізацію точного аналізу. У роботі здійснено комплексний аналіз проблеми, структури та функцій інтелектуальних систем відеоспостереження, сформульовано основні задачі візуального аналізу натовпу: оцінка щільності, сегментація потоків руху, аналіз траєкторій і виявлення аномалій. Показано, що існуючі моделі часто ігнорують геометричні властивості сцени, не враховують багатовимірний просторово-часовий контекст і демонструють низьку стійкість до шумів та оклюзій. Виявлені обмеження визначили наукову проблему, пов’язану з необхідністю створення більш точних і стійких алгоритмів візуального аналізу. Першим науковим результатом є удосконалення методу оцінки щільності натовпу на основі глибинних нейронних мереж шляхом інтеграції карти глибини сцени. Запропоновано спеціалізований модуль глибинної інтеграції, що змінює представлення ознак відповідно до локальних геометричних властивостей, формуючи масштабно-узгоджені ознаки для більш точного прогнозування. Експериментальні дослідження на наборах ShanghaiTech-B, WorldExpo та UCF_CC_50 показали стабільне покращення показників MAE, що підтверджує ефективність використання глибини сцени як додаткового параметра моделі. Другий науковий результат стосується сегментації потоків у високощільних натовпах. Розроблено метод, який поєднує сегментацію активним контуром та кластеризацію траєкторій руху, що формуються на основі точок інтересу. Запропоновано модель представлення траєкторій, яка включає форму, напрямок, положення та багатомасштабну локальну щільність. Така модель забезпечує стійке групування траєкторій і дозволяє виявляти локальні патерни колективного руху навіть у складних сценах із хаотичною динамікою. На наборах UCF CSD та Collective Motion отримано значне покращення метрик Жаккара та F-міри порівняно з аналогами. Третім результатом є удосконалення методу виявлення аномалій у сценах з високою щільністю натовпу. Запропоновано підхід, заснований на аналізі ентропії напрямлених міні-треків, сформованих із просторово-часових точок інтересу, а також на оцінці часових відхилень заповнюваності сцени. Метод дозволяє фіксувати різкі зміни у груповій динаміці, фільтрувати шумові траєкторії і формувати стабільні поведінкові дескриптори. Результати тестування на наборах UMN, UCF CSD і Violent Flows Crowd показали покращення AUC на 1,5–3,7% порівняно з найкращими існуючими методами. У роботі описано реалізацію підсистеми візуального аналізу натовпу як складової системи інтелектуального відеоспостереження: визначено її структуру, функціональні й нефункціональні вимоги, спроєктовано архітектуру, побудовано діаграми логічного представлення та розгортання. Проведене функціональне тестування підтвердило коректність роботи розроблених модулів. Отримані результати впроваджено у діяльність ТОВ «Провектус IT» та ТОВ «СФ ІНВЕСТ», а також у навчальний процес Національного університету «Одеська політехніка». Таким чином, дисертація вирішує важливу науково-практичну задачу підвищення ефективності систем візуального аналізу натовпу шляхом удосконалення моделей оцінки щільності, сегментації руху та виявлення аномалій. Результати можуть бути використані у системах громадської безпеки, відеоаналітичних платформах та смарт-системах міського моніторингу.

Registration Date

2025-12-03

popup.nrat_date

2025-12-03