论文部分内容阅读
视频技术已经成为安全监控的核心技术之一。在智能交通系统中，交通场景的监控对交通应急和交通信号控制起着重要作用。随着城市机动车辆的增多和城市化的迅速发展，交通事故日益增多，为社会带来巨大损失，及时而准确的交通状况监控信息能够为交通事故的及时处理和交通疏导提供依据。因此，交通监控视频内容的自动识别和理解是十分必要的。本文分别基于统计学习技术和概率图模型两种思路研究实现交通监控视频内容的理解和分析模型。
视频内容的理解和运动分析，需要借助于底层特征信息，因此，本文首先对视频信息的提取方法和应用进行了研究。充分结合提取到的车辆三维信息和跟踪统计信息，实现了存在遮挡粘连情况下的车辆计数。根据跟踪得到的车辆运动轨迹，利用统计学习方法研究了车辆运动行为建模方法和模式识别技术。同时，本文还利用概率图模型中一种典型的贝叶斯模型-HDP(分层Dirichlet过程)模型，对轨迹行为的建模和理解进行了研究。本文的主要贡献为：
①提出基于车辆三维尺寸和跟踪统计信息的车辆分类计数的方法，并利用车辆三维尺寸实现遮挡粘连时的车辆计数。实验结果显示，利用跟踪统计信息能够减少单帧进行车辆分类计数的噪声带来的误差，同时车辆宽度信息为遮挡粘连的判断提供了一种迅速而有效的方法。
②提出一种基于最近邻点的核函数密度估计算法实现轨迹建模和预测判断。对提取到的底层轨迹信息，利用分层谱聚类算法实现聚类分析。实现了基于核函数密度估计的车辆行为识别和异常检测，根据车辆行为模式的定位和记录，实现视频片段的检索。
③完成关于HDP模型的发展及应用的调研综述。针对HDP模型的迅速发展和良好聚类学习特征，我们对以HDP模型为核心的一类算法的发展和其应用做了综述性调研。调研结果表明，无论是作为一种独立的算法结构还是作为其它算法模型的先验分布，HDP模型均得到了广泛的发展和应用。
④离线实现基于HDP模型的轨迹数据主题提取和建模分析。假设轨迹数据是由一系列主题组成，采用高斯分布对主题进行建模，利用HDP模型实现了轨迹运动行为主题的提取和建模分析，基于主题分布权重采用k-均值算法实现了轨迹数据的聚类。模型克服了传统统计学习的缺点，不再受到聚类数目和模型参数的限制，因此，HDP模型为视频数据的分析提供了更强的鲁棒性。
⑤在线实现基于HDP模型的轨迹数据建模和主题提取。HDP模型在处理过程中，并不要求轨迹数据是完整的，这为实现在线聚类提供了可能。文中分别采用了三种不同的交通监控场景，对基于HDP模型在线轨迹聚类方式进行了验证和分析。