Robuste Erkennung menschlicher Aktivitäten in großen audiovisuellen Datenmengen

Die zuverlässige Erkennung menschlicher Aktivitäten in komplexen Überwachungsszenarien stellt aufgrund hoher Datenmengen, kleiner Objektgrößen und variierender Bewegungsmuster eine besondere Herausforderung dar. Diese Arbeit untersucht Verfahren der Objektdetektion, -verfolgung, Posenextraktion und Aktivitätsklassifikation und bewertet deren Eignung für weiträumige, sicherheitskritische Umgebungen. Auf Basis der Analyse wird mit dem Modular High-Volume Activity Recognition and Validation Framework (MHARVF) ein modularer Systementwurf entwickelt, der eine objektzentrierte Vorverarbeitung, verteilte Inferenzprozesse und die Fusion heterogener Klassifikatoren auf Entscheidungsebene integriert. Vier experimentelle Untersuchungen analysieren Einflussfaktoren wie Parallelisierung zur beschleunigten Verarbeitung großer Datenmengen, temporale Fenstergrößen, skelettbasierte Datenaugmentierung sowie die Skalierung kleinräumiger Personen zur Verbesserung der Posenerkennung. Zwei Hauptexperimente im Rahmen der TRECVid-ActEV-SRL-Kampagnen zeigen, dass die fusionierte Nutzung spezialisierter Klassifikatoren, ergänzt durch Plausibilitätsprüfungen und klassenspezifische Confidence-Schwellen, robuste Leistungsgewinne ermöglicht. Insgesamt demonstriert die Arbeit, dass ein orchestrierter, modularer Ansatz eine skalierbare Grundlage für die Aktivitätserkennung in umfangreichen audiovisuellen Datenbeständen bietet.