交通视频中车辆行为理解与异常事件感知关键技术研究

Over the massive traffic surveillance videos, the research on vehicle behavior understanding and abnormal events perception has decisive significance for settling traffic congestion, guaranteeing traffic safety. According to the analysis on the complicated environmental factors and the uncertainty of vehicles behavior, the robust and anti-block multiple-vehicle tracking method is presented by setting up the SMOG model with democratic integration strategies and tracking multiple objects through occlusion using the bi-label graph cut algorithm. The static and dynamic characteristics of multiple-vehicle can be extracted with the improved vehicle trajectory clustering method. Based on the semi-supervised adaptive detection model with MGHMM and semantic region, a novel segmentation and understanding method of vehicle behaviors is proposed. The outstanding items involved are as follows: 1) adaptive integration of multiple visual features for vehicle tracking; 2) vehicles segmentation and tracking under occlusions using extended Graph-Cut with Bi-Label; 3) a novel trajectory cluster method based on length weighted pair-group method using arithmetic averages (LWPGMA); 4) the segmentation and optimization of semi-supervised adaptive vehicle events model. On the basis of these studies, the prototype system of vehicle behaviors understanding and abnormal events perception is constructed for verifying the effectiveness and practicality of the methods and techniques.

在海量交通视频中开展车辆行为理解和异常事件感知方法研究对于解决交通拥挤、确保运输安全具有重要的意义。针对复杂的环境因素和车辆行为不确定性的影响，本课题通过民主融合策略建立空间-颜色混合模型，并利用图割理论实现对遮挡的处理，实现高鲁棒性、抗遮挡的车辆跟踪方法。通过对车辆轨迹聚类方法的改进，获得车辆的静态和动态特征，利用基于MGHMM的半监督车辆行为模型和语义区域模型实现车辆行为的细分与理解。主要研究内容包括：1) 基于多视觉特征融合的多车辆目标跟踪方法；2）基于图割的多车辆目标跟踪遮挡处理方法；3）基于LWPGMA规则的车辆轨迹聚类算法；4）半监督车辆行为模型的优化与车辆行为的细分。通过在关键技术研究中的探索和创新，完成对车辆行为的感知、理解和异常事件的检测，并在此基础上，实现一个交通视频中车辆行为理解与异常事件感知原型系统，验证方法和技术的有效性和实用性。

在海量交通视频中开展车辆行为理解和异常事件感知方法研究对于解决交通拥挤、确保运输安全具有重要的意义。针对复杂的环境因素和车辆行为不确定性的影响，本课题通过民主融合策略建立空间-颜色混合模型，并利用图割理论实现对遮挡的处理，实现高鲁棒性、抗遮挡的车辆跟踪方法。通过对车辆轨迹聚类方法的改进，获得车辆的静态和动态特征，利用基于MGHMM的半监督车辆行为模型和语义区域模型实现车辆行为的细分与理解。主要研究进展包括：1)基于多视觉特征融合的多车辆目标跟踪方法，利用网络流模型对多视觉特征进行融合从而提高车辆跟踪的准确性;2)基于图割的多车辆目标跟踪遮挡处理方法，利于图割算法对车辆跟踪中的遮挡情况进行跟踪优化，提高车辆跟踪中对于遮挡场景的鲁棒性;3)基于LWPGMA 规则的车辆轨迹聚类算法，利用LWPGMA信息及车辆的外观相似性对车辆进行聚类，提高车辆跟踪的完整性;4)半监督车辆行为模型的优化与车辆行为的细分，利用目标间的空间关系半监督的对车辆行为模型进行优化并分类，从而对车辆行为进行理解。.本课题通过在关键技术研究中的探索和创新，并在此研究成果基础上，实现一个交通视频中车辆行为理解与异常事件感知原型系统，验证了方法和技术的有效性和实用性。本项目共发表高水平学术论文16篇，国际会议大会报告4次，申请国家发明专利5项。