交通监控相机图像的语义主题分析
计算机视觉与模式识别
2019-05-20 v1
摘要
交通相机是道路基础设施网络中常见的监控组件，为操作员提供网络关键点状况的视觉信息。然而，人类观察者处理同步信息源的能力常常受限。由深度学习方法驱动的计算机视觉近期进展已实现通用物体识别，解锁了超越现有人类观察者范式的基于相机的感知机会。本文提出一种受自然语言处理（NLP）启发、称为词袋标签（BoLW）的方法，用于仅使用文本标签分析图像数据集。BoLW 模型以常规矩阵形式表示数据，支持数据压缩与分解技术，同时保留语义可解释性。我们应用潜狄利克雷分配（LDA）主题模型将标签数据分解为少量语义主题。为说明我们的方法，我们使用 2017 年 12 月–2018 年 1 月间收集自波士顿地区的快速路相机图像。我们分析了相机对天气事件的敏感性；识别时间交通模式；并分析了不频繁事件（如冬季假日与“炸弹气旋”冬季风暴）的影响。本研究展示了我们方法的灵活性，其允许我们仅使用交通相机图像标签来分析天气事件与快速路交通。
引用
@article{arxiv.1809.10707,
title = {Semantic Topic Analysis of Traffic Camera Images},
author = {Jeffrey Liu and Andrew Weinert and Saurabh Amin},
journal= {arXiv preprint arXiv:1809.10707},
year = {2019}
}
备注
To be presented at IEEE-ITSC 2018, Nov 3-7 2018