Das Ziel des Projekts ist es robuste Algorithmen zur Erkennung von unerwartetem Verhalten von Menschenmengen, oder individuellen Personen für komplexen Szenen zu entwickeln. Das Ziel des Projekts schließt folgende Punkte ein: a. Kombination von statistisch berechneten Merkmalen mit dem Tracking von Personen. Statistisch berechnete Merkmale sind für globale Entscheidungen robuster als Tracking mit dem Nachteil, keine Informationen über individuelle Personen zu haben. Beide Methoden können in Kombination große Vorteile in der Erkennungsrate bringen. b. Verbesserung der CPU Performanz von Menschen-Detektionsalgorithmen wie z.B.: die Verwendung von Histogrammen von orientierten Gradienten (HOG) durch das lernen von räumlichen Zusammenhängen in der Szene um die Algorithmen in Echtzeit auf Smart Cameras laufen lassen zu können. c. Verbesserung von Zuweisungen von Trajektorien mittels diskriminativer Distanzfunktionen. d. Erweiterung des zwei dimensionalen HOG Models oder eines anderen Models in ein drei dimensionales model mithilfe eines Multi-Kamera-Setups. Die Erkennung von Verhaltensmustern ist für viele Szenarien wichtig. Beispiele davon sind: o Banküberfall: Personen, welche sich unerwartet verhalten, können verfolgt und aufgezeichnet werden. Ein Mögliches Szenario für die Erkennung von unerwartetem Verhalten einer Person könnte sein, dass alle Türen automatisch geschlossen werden und die Polizei alarmiert wird. o Analyse von Menschenmengen: Die Analyse von Menschenmengen besteht aus Events wie Evakuierung, Massenpanik und Versammlungen.