Παρουσιάζουμε ένα σύστημα αναγνώρισης ανθρώπινης συμπεριφοράς το οποίο λαμβάνει
σαν είσοδο μια συμβολική αναπαράσταση από βίντεο. Αναλυτικότερα, η είσοδος του
συστήματός μας είναι ένα σύνολο από χρονικά επισημειωμένες δραστηριότητες
χαμηλού επιπέδου. Η έξοδος του συστήματος είναι ένα σύνολο αναγνωρισμένων
δραστηριοτήτων υψηλού επιπέδου, οι οποίες είναι συγκεκριμένοι συνδυασμοί
δραστηριοτήτων χαμηλού επιπέδου. Οι περιορισμοί επί των δραστηριοτήτων χαμηλού
επιπέδου, οι οποίοι εφ'όσον ικανοποιηθούν οδηγούν στην αναγνώριση μιας
δραστηριότητας υψηλού επιπέδου, έχουν οριστεί με χρήση μιας διαλέκτου Λογισμού
Γεγονότων. Προκειμένου να αντιμετωπίσουμε την αβεβαιότητα που προκύπτει στην
αναγνώριση ανθρώπινης συμπεριφοράς, προσαρμόσαμε την εν λόγω διάλεκτο σε ένα
σύγχρονο σύστημα πιθανοτικού λογικού προγραμματισμού. Παρουσιάζουμε μια
λεπτομερή εκτίμηση και σύγκριση της ντετερμινιστικής και της πιθανοτικής
προσέγγισης μέσω πειραματισμού σε ένα σύνολο δεδομένων που αποτελείται από
βίντεο επιτήρησης ανθρώπινης δραστηριότητας.
(EL)
We present a system for recognising human activity given a symbolic
representation of
video content. The input of our system is a set of timestamped short-term
activities (STA)
detected on video frames. The output is a set of recognised long-term
activities (LTA), which
are predefined temporal combinations of STA. The constraints on the STA that,
if satisfied, lead to the recognition of a LTA, have been expressed using a
dialect of the Event Calculus. In order to handle the uncertainty that
naturally occurs in human activity recognition, we adapted this dialect to a
state-of-the-art probabilistic logic programming framework. We present a
detailed evaluation and comparison of the crisp and probabilistic approaches
through experimentation on a benchmark dataset of human surveillance videos.
(EN)