基于主題模型的車輛行為分析與理解.pdf

1、智能視頻監(jiān)控涉及到數(shù)字圖像處理、機器學習、模式識別、人工智能和數(shù)據(jù)挖掘等諸多研究領(lǐng)域，其中智能化部分的運動目標的行為分析與理解屬于高層視覺處理，該部分是計算機視覺領(lǐng)域中近年來備受關(guān)注的前沿研究。它以視頻圖像序列為研究對象，以運動目標的行為分析與理解為研究目的，是試圖讓計算機“睜眼看世界”的一個重要途徑。在智能交通監(jiān)控方面，車輛行為分析與理解也是交通監(jiān)控系統(tǒng)智能化的重要途徑，對智能視頻監(jiān)控系統(tǒng)的發(fā)展有著重要的理論和實用價值。目前智能交通領(lǐng)

2、域中的車輛行為分析與理解研究仍集中在簡單的行為識別階段，不能很好地分析與理解復雜場景下的車輛行為。本文以車輛行為分析與理解為研究目標，將自然語言處理領(lǐng)域的主題建模方法引入到車輛運動軌跡的學習與分析中，針對其中的不完整軌跡情況下的場景主題建模、訓練樣本不完備條件下的場景主題建模、個體車輛異常行為識別和群體車輛行為理解等幾個主要問題展開研究，主要工作和貢獻概括如下：
　?。?）在場景主題建模的研究中，針對目標運動的不完整軌跡會導致語義

3、區(qū)域的過分割及不恰當?shù)膮^(qū)域合并問題。在綜合利用 CAIs、可信度保證、非跨區(qū)域及特征點分割等軌跡片段生成規(guī)則分割軌跡的基礎(chǔ)上，提出基于軌跡片段的運動詞語生成方法。在場景主題建模中，首先考慮行為類別的約束，為各類行為建立主題空間；然后通過引入隱馬爾科夫鏈建模詞語的上下文關(guān)系，提出了LDA混合模型。通過場景主題建模能夠很好地獲取監(jiān)控場景的全局結(jié)構(gòu)，并為車輛的運動提供更為豐富的語義解釋，能得到更理想的分類效果；同時無需借助其它分類器來實現(xiàn)行為

4、分類的判別。
　?。?）針對訓練樣本的不足不能進行良好的場景主題建模問題，首先構(gòu)建了一種局部屬性層、分類層和底層特征層與全局屬性進行全聯(lián)接的結(jié)構(gòu)模型；并在此基礎(chǔ)上提出了一種基于屬性遷移學習的場景主題建模方法，該方法有S-ATM屬性主題模型和S-CTM分類器模型兩個主要組成部分。S-ATM屬性主題模型在ATM模型的基礎(chǔ)上結(jié)合入口和出口的位置信息進行擴展得到，實現(xiàn)了行為屬性和軌跡底層特征之間的建模并學習其模型參數(shù)；然后將學習到的S-A

5、TM屬性主題模型參數(shù)作為該模型的屬性先驗知識遷移至S-CTM分類器模型，幫助提高分類器模型的性能。提出的屬性遷移學習方法能夠有效地遷移屬性知識，并可以顯著地提高分類器模型在零行為樣本學習任務(wù)中的目標行為識別準確率。
　?。?）在復雜的監(jiān)控場景中孤立地分析單個運動目標的行為，不能充分地識別多個運動目標存在相關(guān)行為的情況下的異常行為。本文針對該問題，提出了一種基于時空上下文的車輛異常行為識別方法。該方法主要采用兩個階段的主題建模，并以

6、級聯(lián)的方式進行組織。第一階段主題建模中采用一種基于馬爾科夫隨機場模型的LDA主題模型建模軌跡片段之間的空間上下文；第二階段的LDA主題模型學習全局行為的相關(guān)性及時間上下文；最后在行為的時空上下文基礎(chǔ)上提出異常行為識別方法。該方法根據(jù)行為的時空特性分解復雜的全局行為，不需要事先對監(jiān)控場景進行區(qū)域的分割以獲取局部行為；并且利用級聯(lián)主題模型能有效地簡化復雜的全局行為的建模。
　?。?）針對群體車輛行為理解問題，本文提出了一種基于馬爾科夫

7、主題模型的移動聚類分析方法挖掘群體車輛的整體行為及其車輛組合的變化。在不同時間戳的聚類任務(wù)中，引入隱馬爾科夫鏈建模視頻剪輯行為之間的關(guān)聯(lián)關(guān)系，提出馬爾科夫主題模型學習場景中的語義區(qū)域，并將運動目標在每個時間戳按照所處語義區(qū)域映射為類的運動目標集合。提出移動聚類判定方法，首先通過候選移動聚類識別算法構(gòu)建候選移動聚類列表；然后利用篩選算法識別候選列表中的移動聚類，有效減少了冗余的移動聚類。通過移動聚類分析，一方面可以識別車輛的分流、匯流等典