论文部分内容阅读
目标轨迹分析是计算机视觉的一个重要问题，涉及到模式识别与智能系统、图像处理、统计学、机器学习等多个领域内容。经过近二十年深入的研究和发展，目标轨迹分析技术已经在安防监控、交通分析以及视频检索等方面广泛应用。 传统的视频监控中运动目标轨迹分析研究包括轨迹分类、预测和异常检测其中关键的核心问题都是根据学习样本的轨迹数据，来获取参考的分类模型，用于判断视频序列中的目标运动行为是否异常。 尽管视频监控中运动目标轨迹分析技术已经获得了长足的发展，但其可靠性与稳定性并不是十分令人满意。轨迹的形状、方向和长度多样、局部噪声、学习样本标记少等问题，给目标轨迹分析算法带来了挑战，造成了算法性能不稳定。针对上述问题，本文逐步提出了非监督的基于稀疏重构的目标轨迹分析算法。本文的主要研究内容和贡献如下: (1)提出一种基于最小二乘三次B样条近似(Least-squares Cubic SplineCurves Approximation，LCSCA)的轨迹表示方法。该方法通过对目标轨迹的三维时变序列数据的变换求解，为多样轨迹曲线提供了一种统一数学表示，其中控制顶点和权值因子为精确表示和解析各种形状的曲线提供了充分的灵活性。本文的算法还对控制点参数做了优化选择，从而保证对原始轨迹数据的较好拟合。 (2)提出一种基于稀疏重构(Sparse Reconstruction Analysis，SRA)的目标轨迹分析算法。监控场景中轨迹模式（即样本集构造的模式）的多样性会导致使用样本集重构新样本时系数的稀疏性，因此，本文提出通过稀疏重构分析获取样本稀疏重构系数和重构误差的方法。该方法通过重构系数和重构误差进行评估，从样本集中选择出能够揭示新样本轨迹主要特征和内在结构的代表性样本来对新样本进行重构，从而使得异常轨迹检测具有较强的鲁棒性。 (3)提出一种基于局部约束下稀疏重构(Locality-constrained SparseReconstruction，LSR)的目标轨迹分析算法。在实际应用中，大部分要处理的轨迹数据是不完整的而且常常带有噪声和局部变化，因此，本文首先需要对不完整轨迹进行预测处理，然后使用轨迹划分的方法引入局部性约束。在局部稀疏理论的基础上，新样本轨迹可以由局部样本子集来稀疏重构，这样有助于提高分类准确度。本文提出了一系列采用局部约束下的轨迹划分、判别编码、损失加权解码和最小化能量函数解码算法，在一定程度上解决了局部不完整轨迹对轨迹分析效果的影响。 (4)提出一种基于聚类的局部稀疏重构(Cluster-based Locality-constrainedSparse Reconstruction，CLSR)目标轨迹分析算法。轨迹分析方法多数采用监督学习，一般需要获取较多的标记样本，导致所需成本通常很高。另外，实际应用中获取有利于分类的数据比较困难，即往往缺少已学习模型中需要的类别先验。结合增量字典学习的特性，本文提出了基于K-Means聚类的增量学习轨迹特征的局部字典方法。该方法还使用最小化能量函数解码作为局部字典的算法，不仅解决了学习模型中缺少类别先验的问题，而且还能更好地选择片段内局部相似度高的样本集合来表示目标轨迹，从而提高了目标轨迹分类的准确度，解决了现有技术在实际应用中训练样本的类别标注非常难以获取的问题。