基于空间和时间尺度可变性的轨迹学习算法研究及应用

在各种应用中,轨迹和路径建模是重要的一步,许多模型对监测和监控系统来说非常重要。这些模型可以用于滤波器的跟踪算法,进而生成可能的路径、给定目标出现与消失的位置以及检测异常轨迹。这种模型可以直接反馈到跟踪算法的初始阶段,并用于解决短暂的或长时间的遮挡。近年来,已经提出了许多用于交通场景中轨迹和路径建模的许多方法和特征。根据所选择的特征、模型、学习的算法、应用以及训练数据的不同,这些方法各有不同。这些模型的详细综述见参考文献[91]。

参考文献[246,412,265]提出了基于神经网络的方法,用于典型路径学习和轨迹建模。基于神经网络的方法,除了计算复杂以及缺乏适应性外,其主要缺点是无法对不完整轨迹或者只有一部分轨迹的情况做出处理。在参考文献[175]中,Ferny-hough等人把空间模型作为学习算法的基础（该空间模型在参考文献[241]中提出）,通过累计的目标轨迹,该算法能自动得到目标的路径。在参考文献[298]中,Koller-Meier等人使用基于节点模型来表示轨迹簇的平均值。类似的技术,Lou等人在参考文献[336]中提出。虽然这两种方法都能确定常用轨迹模式的平均值,但是如果忽视平均值周围的路径分布将得不到可靠的信息。参考文献[218,509]中提出了轨迹的分层聚类,在用于轨迹分类时,这些轨迹表示在六维空间量化时的状态序列,而且这个方法是以共生矩阵为基础的,它假设所有轨迹的序列长度是一样的。然而,这种假设在真实的序列中通常是错误的。

在参考文献[261]中,Javed等人提出了非参数的运动模型,用来描述两个摄像机观测值之间的时空特性关系。在监督训练时,该模型的学习是根据稀疏观测。参考文献[508]提出了一种隐马尔可夫模型方案,其全部序列都是两个状态,用于确定目标的出现与消失。在闭环的方式中,用目标出现与消失的知识纠正轨迹。参考文献[445,553]为基于HMM的方法,它的轨迹在二维图像平面中是根据高斯分布的两个状态之间的迁移来建模的。参考文献[207]为Galata等人提出的一种机制,这种机制可以自动地获取任何行为的随机模型。与HMM模型不同的是,提出的变长马尔可夫模型可以捕获时间尺度可变的相关性。(www.xing528.com)

参考文献[235]中,Hoiem等人在成像和场景理解方面的研究向前跨了一步,通过对目标、表面几何特性以及摄像机视点之间的相关性进行建模来改善目标识别的性能。参考文献[454]中,Rosales等人针对目标被遮挡前、被遮挡期间以及被遮挡后的情况,使用扩展的卡尔曼滤波器来提高跟踪性能,通过这种方法来估计目标的运动轨迹。参考文献[282]中,Kaucic等人提出了模块化框架,对高置信度的微小跟踪区域进行初始化、跟踪,并把它们连接起来,因而能避免摄像机之间遮挡和盲区的影响,实现对目标的跟踪。参考文献[555]中,Wang等人在考虑空间分布、速度和目标大小的前提下,提出了轨迹之间相似度的测量。然后把这些轨迹根据目标的类型以及空间和速度分布进行聚类。参考文献[418]中,Perera等人在连接轨迹段时,提出了可靠连接轨迹的方法。轨迹的拆分和合并避免了遮挡的影响,实现对多目标的跟踪。近来,Hu等学者在参考文献[244]中,对于运动模式的学习提出了一种算法,首先,用模糊K-均值算法把前景像素进行聚类,然后,根据前一步的结果把这些轨迹进行分层聚类。轨迹聚类分时间与空间两个层面进行。那么可以假定轨迹分类后的每种模式是一簇高斯分布的链环,用每个轨迹聚类的特征去估计它们的参数。最终给出了异常检测和行为预测的实验结果。

本章中,我们说明了,如何从传感器观测值中获得先验知识的编码模型,例如场景过渡模型,目标出现模型,共生模型（单个或多个传感器）,以及如何利用它们去改善目标识别、目标跟踪、目标分类、传感器间校准/地理注册（请参阅第13章）以及目标的行为分析。