本发明专利技术公开了一种基于粘性多模态对偶分层狄利克雷过程隐马尔可夫模型(SMD-HDP-HMM)的轨迹建模方法，该方法包括：将每条轨迹表示成视觉文档，形成包括多个视觉文档的训练集；以及用训练集中的视觉文档学习SMD-HDP-HMM模型。本发明专利技术还公开了一种轨迹检索方法，该轨迹检索方法使用以上轨迹建模方法生成的SMD-HDP-HMM模型，该轨迹检索方法包括：将新输入的轨迹表示成视觉文档；以及将新输入的轨迹的视觉文档与SMD-HDP-HMM模型进行匹配，判断其是否异常并且/或者检索出SMD-HDP-HMM模型中与之最相似的轨迹。
【技术实现步骤摘要】
本专利技术涉及计算机视觉领域，特别涉及行为理解技术。
技术介绍
在计算机视觉领域中，尤其是在基于视频分析的行为理解中，轨迹是一种重要的 特征，轨迹建模可以应用于视觉监控和动作识别等领域。通过对运动轨迹建模，可以实现很 多有用的功能，例如发现典型的轨迹模式、检测新的运动轨迹是否异常、检索与新轨迹相似 的运动轨迹或视频片断等。 由于不同场景中包含的轨迹模式各不相同，因此开发无监督的轨迹建模方法、为 不同场景下的应用提供统一方便的解决方案是十分重要的。后文中提到的轨迹建模方法都 是无监督的。目前已有的轨迹建模方法可以粗略地划分为基于相似度的方法和基于概率模 型的方法。基于相似度的方法根据不同样本之间的相似度来完成聚类的任务，其关键在于 定义轨迹相似度的计算方式。目前已存在多种不同的轨迹相似度的计算方法，如插值后的 欧氏距离、基于DFT系数的欧氏距离、动态时间规整（DTW)距离、最大公共子串（LCSS)距离 等。基于相似度的方法的优点是模型简单且容易实现，但它的缺点也是很明显的：a)它不 能以一种普适的原则化的方法来确定类别的个数；b)用于异常检测时缺乏概率解释；c)难 以充分利用轨迹内部的时空结构获得更高的聚类准确度。概率模型大多属于产生式模型， 即假设训练好的模型能很好地解释数据的生成机制。由于包含运动信息的数据表示形式多 样，而且对于同样形式的数据其产生机制也存在多种假设，因此概率模型运用广泛，形式繁 多，常用的概率模型包括混合高斯模型（GMM)、隐马尔可夫模型（HMM)、潜在狄利克雷分配 (LDA)、分层狄利克雷过程（HDP)等。与基于相似度的模型相比，概率模型明显更加复杂，但 它具有更强的表达能力，可以更准确地对运动数据建模，并且其中HDP等贝叶斯非参数模 型可以自动确定合理的轨迹模式的数目。 目前存在的轨迹建模与检索方法无法同时兼具以下优点：a)同时利用轨迹的时 间和空间结构，提高学习准确度和检索性能；b)自动确定轨迹模式数目以及时空模型的结 构复杂度，避免繁琐耗时的模型选择过程；c)学习可以在各轨迹类别间共享的原子轨迹模 式，减少模型参数并发现更多轨迹模式的知识；d)联合优化轨迹聚类和轨迹时空模型的学 习过程，使二者相互促进；e)高效地实现轨迹检索，避免遍历数据库。
技术实现思路
(一）要解决的技术问题 本专利技术的目的在于提出一种基于无监督学习的轨迹建模和检索方法，解决自动发 现轨迹模式以及/或者高效准确地实现轨迹检索的技术问题。 (二）技术方案 为实现上述目的，本专利技术提出一种基于粘性多模态对偶分层狄利克雷过程隐马尔 可夫模型（SMD-HDP-HMM)的轨迹建模方法，该方法包括以下步骤： 步骤SI:将每条轨迹表示成视觉文档，形成包括多个视觉文档的训练集；以及 步骤S2 :用训练集中的视觉文档学习SMD-HDP-HMM模型。 优选地，所述步骤S1包括： 步骤Sla:将每条轨迹分割成子轨迹序列； 步骤Sib:从每条子轨迹中提取一个特征向量；以及 步骤Sic:对子轨迹特征向量聚类生成视觉词典，根据该视觉词典把每条子轨迹 编码成视觉单词，从而把每条轨迹表示成视觉文档。 优选地，所述步骤S2包括： 步骤S2a:为SMD-HDP-HMM中的各个参数随机地生成初始值；以及 步骤S2b:用Gibbs采样法采样SMD-HDP-HMM中的各个参数，采样足够多次直至模 型收敛。 本专利技术还提供了一种轨迹检索方法，该轨迹检索方法使用根据权利要求1-7中的 任一项所述的轨迹建模方法生成的SMD-HDP-HMM模型，该轨迹检索方法包括以下步骤： 步骤S3 :将新输入的轨迹表示成视觉文档；以及 步骤S4 :将新输入的轨迹的视觉文档与SMD-HDP-HMM模型进行匹配，判断其是否 异常并且/或者检索出SMD-HDP-HMM模型中与之最相似的轨迹。 优选地，所述步骤3包括： 步骤S3a:将新轨迹分割成子轨迹序列； 步骤S3b:从新轨迹的每条子轨迹中提取一个特征向量；以及 步骤S3c:根据视觉词典把新轨迹的每条子轨迹编码成视觉单词，从而把新轨迹 表示成视觉文档。 优选地，所述步骤S4包括： 步骤S4a:计算新轨迹关于SMD-HDP-HMM模型中各轨迹模式的条件似然，将其中最 大者与一个事先确定的阈值进行比较，如果小于该阈值，则判定新轨迹为异常轨迹；以及/ 或者 步骤S4b:计算新轨迹属于SMD-HDP-HMM模型中各轨迹模式的后验概率，后验概率 最大的轨迹模式中与该新轨迹的条件似然最大的轨迹即为SMD-HDP-HMM模型中与新轨迹 最相似的轨迹。(三）有益效果 本专利技术所提出的基于SMD-HDP-HMM的轨迹建模与检索方法，通过学习 SMD-HDP-HMM模型，能够充分利用轨迹的时空结构以较高的准确度学习轨迹模式，自动确定 轨迹模式的数目，并高效地实现轨迹检索。【附图说明】 图1为基于SMD-HDP-HMM的轨迹建模方法流程图； 图2为图1中步骤S1的流程图； 图3为图1中步骤S2的流程图； 图4为使用SMD-HDP-HMM的轨迹检索方法流程图；以及 图5为SMD-HDP-HMM的概率图模型。【具体实施方式】 为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照 附图，对本专利技术作进一步的详细说明。 本专利技术的方法并不受具体硬件和编程语言的限制，用任何语言编写都可以实现本 专利技术的方法。根据本专利技术的实施例，采用一台具有2. 83G赫兹中央处理器和2G字节内存的 计算机，并用Matlab语言实现根据本专利技术的方法。 图1示出了根据本专利技术的实施例的一种基于SMD-HDP-HMM的轨迹建模方法，该方 法包括： 步骤S1 :将轨迹表示成视觉文档，形成包括多个视觉文档的训练集；以及 步骤S2 :用训练集中的视觉文档学习SMD-HDP-HMM模型。 图2示出了根据本专利技术的实施例的一种使用根据如上轨迹建模方法生成的 SMD-HDP-HMM模型的轨迹检索方法，包括： 步骤S3 :将新输入的轨迹表示成视觉文档；以及 步骤S4:将新输入的轨迹的视觉文档与SMD-HDP-HMM模型进行匹配，判断其是否 异常并且/或者检索出SMD-HDP-HMM模型中与之最相似的轨迹。 下面根据本专利技术的实施例，详细说明上文所描述的各个步骤。 如图3所示，步骤S1包含如下步骤： 步骤Sla:将一条原始轨迹s记为?.其中xjPy4分别表示轨迹中第t个 点的X轴坐标和Y轴坐标，S是该轨迹中的总点数。用谱聚类算法对带时间标签的点集 进行聚类，聚出的每个团簇即一条子轨迹，一条轨迹被分割成一个子轨迹序列。 步骤Sib:首先对所有子轨迹进行重采样使之具有相同的点数，再对子轨迹中每 个相邻的点对作差分运算以获得每个点的速度特征，例如该点的X轴速度分量和Y轴速度 分量。然后把每条子轨迹中各点的X轴位置坐标、Y轴位置坐标、X轴速度分量和Y轴速度 分量拼接成一个特征向量，最后对它们进行主成分分析（PCA)并取每条子轨迹的前D个主 成分系数作为它的特征向量，其中D可取为使前D个主成分的能量占总能量的98%。 步骤Sic :用K-means算法对所有子轨迹的特征向量聚类得到一个V维的视觉词 典，然后根据该词典将每条子轨迹编码成一个视觉单词。相应地，每条轨迹就被自然本文档来自技高网...
【技术保护点】
一种基于粘性多模态对偶分层狄利克雷过程隐马尔可夫模型SMD‑HDP‑HMM的轨迹建模方法，该方法包括：步骤S1：将每条轨迹表示成视觉文档，形成包括多个视觉文档的训练集；以及步骤S2：用训练集中的视觉文档学习SMD‑HDP‑HMM模型。
【技术特征摘要】
【专利技术属性】
技术研发人员：胡卫明，田国栋，原春锋，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。