基于 Dirichlet 过程混合模型的轨迹场景理解

对监控场景进行适当建模对于检测道路交通异常至关重要。学习常规路径可以为道路交通状况提供有价值的洞察，从而有助于识别通勤者或车辆采取的异常路线。如果以非参数方式学习常规交通路径，则可以避免对道路标线的人工干预。本文提出了一种无监督且非参数的方法，在 $\Theta(kn)$ 时间内从运动物体的轨迹中学习常用路径，其中 $k$ 表示路径数量，$n$ 表示轨迹数量。在所提方法中，利用时间增量引力模型考虑运动物体的时间依赖性，以使聚类具有意义。此外，基于距离的场景学习使得模型参数的估计更加直观。进一步地，我们将 TIGM 分层扩展为动态演化模型（DEM），以表示场景中显著的交通动态。实验验证表明，所提方法能够在没有路径数量（$k$）先验知识的情况下快速学习场景。我们将结果与多种 state-of-the-art 方法进行了比较。我们还强调了所提方法在设计交通监控应用中常用的现有技术上的优势。它可用于管理决策以控制路口或拥挤场所的交通，并在必要时生成报警信号。