Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mô hình suy diễn trực tuyến hai giai đoạn cho phân tích mẫu giao thông và phát hiện bất thường
Tóm tắt
Trong bài báo này, chúng tôi đề xuất một phương pháp mô hình hóa các mẫu quỹ đạo với cả quan sát khu vực và vận tốc thông qua mô hình chủ đề xác suất. Bằng cách nhúng các mô hình Gaussian vào khung mô hình chủ đề rời rạc, phương pháp của chúng tôi sử dụng cả vận tốc liên tục cũng như các quan sát khu vực, khác với các phương pháp hiện có. Ngoài ra, khung đề xuất kết hợp với Mô hình Markov Ẩn có thể bao phủ sự chuyển tiếp tạm thời của trạng thái cảnh, điều này rất hữu ích trong việc kiểm tra vi phạm quy tắc rằng một số chủ đề xung đột (ví dụ: hai mẫu giao thông giao cắt) không nên xảy ra cùng một lúc. Để đạt được việc học trực tuyến ngay cả khi phức tạp của mô hình đề xuất, chúng tôi gợi ý một sơ đồ học mới thay vì sử dụng lấy mẫu Gibbs suy sụp. Sơ đồ học tham lam hai giai đoạn đề xuất không chỉ hiệu quả trong việc giảm không gian tìm kiếm mà còn chính xác đến mức độ mà độ chính xác của học trực tuyến không tệ hơn so với học theo lô. Để xác thực hiệu suất của phương pháp của chúng tôi, các thí nghiệm đã được tiến hành trên nhiều tập dữ liệu khác nhau. Kết quả thí nghiệm cho thấy mô hình của chúng tôi giải thích một cách thỏa đáng các mẫu quỹ đạo liên quan đến việc hiểu cảnh, phát hiện bất thường và dự đoán.
Từ khóa
#mô hình suy diễn #phân tích mẫu giao thông #phát hiện bất thường #mô hình chủ đề xác suất #mô hình Markov ẩnTài liệu tham khảo
Basharat, A., Gritai, A., Shah, M.: Learning object motion patterns for anomaly detection and improved object detection. In: IEEE Conference on CVPR (2008)
Benezeth, Y., Jodoin, P.M., Saligrama, V.: Abnormality detection using low-level co-occurring events. Pattern Recogn. Lett. 32(3), 423–431 (2011)
Bishop, C.M.: Pattern Recognition and Machine Learning (Information Science and Statistics). Springer-Verlag New York Inc, Secaucus, NJ, USA (2006)
Blei, D.M., Ng, A.Y., Jordan, M.I.: Latent dirichlet allocation. JML. Res. 3, 993–1022 (2003)
Canini, K.R., Shi, L., Neuroscience, H.W., Griffiths, T.L.: Online inference of topics with latent dirichlet allocation. In. In AI-STATS (2009)
Duda, R.O., Hart, P.E., Stork, D.G.: Pattern Classification, 2nd edn. Wiley (2000)
Emonet, R., Varadarajan, J., Odobez, J.M.: Extracting and locating temporal motifs in video scenes using a hierarchical non parametric bayesian model. In: IEEE Conference on CVPR, pp. 3233–3240 (2011)
Griffiths, T.L., Steyvers, M.: Finding scientific topics. PNAS 101(suppl. 1), 5228–5235 (2004)
Hoffman, M., Blei, D.M., Bach, F.: Online learning for latent dirichlet allocation. In: NIPS (2010)
Hospedales, T.M., Gong, S., Xiang, T.: A markov clustering topic model for mining behaviour in video. In: ICCV, pp. 1165–1172. IEEE (2009)
Hu, W., Xiao, X., Fu, Z., Xie, D., Tan, T., Maybank, S.: A system for learning statistical motion patterns. IEEE Trans. Pattern Anal. Mach. Intell. 28(9), 1450–1464 (2006)
Kratz, L., Nishino, K.: Anomaly detection in extremely crowded scenes using spatio-temporal motion pattern models. 2013 IEEE Conference on Computer Vision and Pattern Recognition 0, pp. 1446–1453 (2009)
Kuettel, D., Breitenstein, M.D., Van Gool, L., Ferrari, V.: What’s going on? discovering spatio-temporal dependencies in dynamic scenes. In: CVPR, pp. 1951–1958 (2010). doi:10.1109/CVPR.2010.5539869
Machy, C., Desurmont, X., Delaigle, J.F., Bastide, A.: Introduction of cctv at level crossings with automatic detection of potentially dangerous situations (2007)
Mahadevan, V., Li, W., Bhalodia, V., Vasconcelos, N.: Anomaly detection in crowded scenes. In: IEEE Conference on CVPR, pp. 1975–1981 (2010)
Morris, B., Trivedi, M.: A survey of vision-based trajectory learning and analysis for surveillance. IEEE Trans. Circuits Systems Video Technol. 18(8), 1114–1127 (2008)
Morris, B., Trivedi, M.M.: Learning trajectory patterns by clustering: Experimental studies and comparative evaluation. In: CVPR, pp. 312–319 (2009)
Piciarelli, C., Foresti, G.L.: Online trajectory clustering for anomalous events detection. Pattern Recogn. Lett, 27(15), 1835–1842 (2006)
Qin, Z., Shelton, C.R.: Improving multi-target tracking via social grouping. In: IEEE Conference on Computer Vision and Pattern Recognition (2012)
Rodriguez, M., Ali, S., Kanade, T.: Tracking in unstructured crowded scenes. In: ICCV, pp. 1389–1396. IEEE (2009)
Saleemi, I., Hartung, L., Shah, M.: Scene understanding by statistical modeling of motion patterns. In: CVPR, pp. 2069–2076. IEEE (2010)
Saleemi, I., Shafique, K., Shah, M.: Probabilistic modeling of scene dynamics for applications in visual surveillance. IEEE Trans. PAMI 31(8), 1472–1485 (2009)
Stauffer, C., Grimson, W.E.L.: Adaptive background mixture models for real-time tracking. In: CVPR, pp. 2246–2252 (1999)
Tomasi, C., Kanade, T.: Detection and tracking of point features. Tech. rep, IJCV (1991)
UCSD: Anomaly dataset. http://www.svcl.ucsd.edu/projects/anoma-ly/dataset.html (2010)
UMN: Crowd dataset. http://www.cs.ucf.edu/ramin/
Varadarajan, J., Emonet, R., Odobez, J.: Bridging the past, present and future: Modeling scene activities from event relationships and global rules. In: IEEE Conference on CVPR, pp. 2096–2103 (2012)
Walk, S., Majer, N., Schindler, K., Schiele, B.: New features and insights for pedestrian detection. In: Conference on CVPR. IEEE, IEEE, San Francisco (2010)
Wang, B., Ye, M., Li, X., Zhao, F., Ding, J.: Abnormal crowd behavior detection using high-frequency and spatio-temporal features. Mach. Vis. Appl. 23(3), 501–511 (2012)
Wang, X., Ma, K.T., Ng, G.W., Grimson, W.E.: Trajectory analysis and semantic region modeling using nonparametric hierarchical bayesian models. Int. J. Comput. Vis. 95(3), 287–312 (2011)
Wang, X., Ma, X., Grimson, W.E.L.: Unsupervised activity perception in crowded and complicated scenes using hierarchical bayesian models. IEEE Trans. PAMI 31(3), 539–555 (2009)
Wang, X., Tieu, K., Grimson, E.: Learning semantic scene models by trajectory analysis. In: Proceedings of the 9th ECCV - Volume Part III. ECCV’06, pp. 110–123. Springer, Berlin, Heidelberg (2006)
Zhai, K., Boyd-Graber, J., Asadi, N., Alkhouja, M.: Mr. LDA: A flexible large scale topic modeling package using variational inference in mapreduce. In: ACM International Conference on World Wide Web (2012)
Zhao, B., Fei-Fei, L., Xing, E.P.: Online detection of unusual events in videos via dynamic sparse coding. In: IEEE Conference on CVPR. Colorado Springs, CO (2011)