论文部分内容阅读
智能视频监控涉及到数字图像处理、机器学习、模式识别、人工智能和数据挖掘等诸多研究领域,其中智能化部分的运动目标的行为分析与理解属于高层视觉处理,该部分是计算机视觉领域中近年来备受关注的前沿研究。它以视频图像序列为研究对象,以运动目标的行为分析与理解为研究目的,是试图让计算机“睁眼看世界”的一个重要途径。在智能交通监控方面,车辆行为分析与理解也是交通监控系统智能化的重要途径,对智能视频监控系统的发展有着重要的理论和实用价值。目前智能交通领域中的车辆行为分析与理解研究仍集中在简单的行为识别阶段,不能很好地分析与理解复杂场景下的车辆行为。本文以车辆行为分析与理解为研究目标,将自然语言处理领域的主题建模方法引入到车辆运动轨迹的学习与分析中,针对其中的不完整轨迹情况下的场景主题建模、训练样本不完备条件下的场景主题建模、个体车辆异常行为识别和群体车辆行为理解等几个主要问题展开研究,主要工作和贡献概括如下: (1)在场景主题建模的研究中,针对目标运动的不完整轨迹会导致语义区域的过分割及不恰当的区域合并问题。在综合利用 CAIs、可信度保证、非跨区域及特征点分割等轨迹片段生成规则分割轨迹的基础上,提出基于轨迹片段的运动词语生成方法。在场景主题建模中,首先考虑行为类别的约束,为各类行为建立主题空间;然后通过引入隐马尔科夫链建模词语的上下文关系,提出了LDA混合模型。通过场景主题建模能够很好地获取监控场景的全局结构,并为车辆的运动提供更为丰富的语义解释,能得到更理想的分类效果;同时无需借助其它分类器来实现行为分类的判别。 (2)针对训练样本的不足不能进行良好的场景主题建模问题,首先构建了一种局部属性层、分类层和底层特征层与全局属性进行全联接的结构模型;并在此基础上提出了一种基于属性迁移学习的场景主题建模方法,该方法有S-ATM属性主题模型和S-CTM分类器模型两个主要组成部分。S-ATM属性主题模型在ATM模型的基础上结合入口和出口的位置信息进行扩展得到,实现了行为属性和轨迹底层特征之间的建模并学习其模型参数;然后将学习到的S-ATM属性主题模型参数作为该模型的属性先验知识迁移至S-CTM分类器模型,帮助提高分类器模型的性能。提出的属性迁移学习方法能够有效地迁移属性知识,并可以显著地提高分类器模型在零行为样本学习任务中的目标行为识别准确率。 (3)在复杂的监控场景中孤立地分析单个运动目标的行为,不能充分地识别多个运动目标存在相关行为的情况下的异常行为。本文针对该问题,提出了一种基于时空上下文的车辆异常行为识别方法。该方法主要采用两个阶段的主题建模,并以级联的方式进行组织。第一阶段主题建模中采用一种基于马尔科夫随机场模型的LDA主题模型建模轨迹片段之间的空间上下文;第二阶段的LDA主题模型学习全局行为的相关性及时间上下文;最后在行为的时空上下文基础上提出异常行为识别方法。该方法根据行为的时空特性分解复杂的全局行为,不需要事先对监控场景进行区域的分割以获取局部行为;并且利用级联主题模型能有效地简化复杂的全局行为的建模。 (4)针对群体车辆行为理解问题,本文提出了一种基于马尔科夫主题模型的移动聚类分析方法挖掘群体车辆的整体行为及其车辆组合的变化。在不同时间戳的聚类任务中,引入隐马尔科夫链建模视频剪辑行为之间的关联关系,提出马尔科夫主题模型学习场景中的语义区域,并将运动目标在每个时间戳按照所处语义区域映射为类的运动目标集合。提出移动聚类判定方法,首先通过候选移动聚类识别算法构建候选移动聚类列表;然后利用筛选算法识别候选列表中的移动聚类,有效减少了冗余的移动聚类。通过移动聚类分析,一方面可以识别车辆的分流、汇流等典型的群体车辆交互行为;另一方面,通过车辆进入场景至离开场景的移动聚类变化情况可获得场景中变化的车辆组合。