基于 Dirichlet 过程混合模型通过视频分析实现排队论引导的智能交通调度
计算机视觉与模式识别
2018-11-26 v1 图像与视频处理
摘要
由于交通流的动态特性，准确预测道路交叉口信号配时是一个极具挑战性的问题。尽管可以采用监督学习，但不同交叉口的参数可能存在差异。本文提出了一种计算机视觉引导的专家系统，该系统能够学习由传统排队论建模的给定交通交叉口的离去率。首先，我们利用 Dirichlet 过程混合模型对运动车辆的光流进行时序分组。这些分组被称为 tracklet 或时间簇。随后，利用 tracklet 特征来学习交通交叉口的动态行为，特别是在信号开/关周期期间的行为。与用于跟踪的其他常用特征相比，所提出的基于排队论的方法能够以更高的准确率预测下一周期的信号开放时长。该假设已在两个公开可用的视频数据集上得到验证。结果表明，基于 DPMM 的特征在估计 方面优于现有的跟踪框架。因此，在这些数据集上测试时，信号配时预测更为准确。该方法可用于设计适用于城市和公路交叉口的不依赖操作员的智能交通控制系统。
引用
@article{arxiv.1803.06480,
title = {Queuing Theory Guided Intelligent Traffic Scheduling through Video Analysis using Dirichlet Process Mixture Model},
author = {Santhosh Kelathodi Kumaran and Debi Prosad Dogra and Partha Pratim Roy},
journal= {arXiv preprint arXiv:1803.06480},
year = {2018}
}