کشف وضعیت ترافیکی در تقاطع ها با ترکیب فرآیند دیریکله سلسله مراتبی و k-means

در چند دهه ی گذشته، تلاش های زیادی درزمینهی شناسایی اشیاء موجود در تصاویر انجام شده است. اینتلاش ها زمانی که انسان نیازمند درک مقدار زیادی دادهی ویدیویی برای کاربردهای حوزه های مختلف شد،شدت یافت. برخلاف تصاویر، در ویدیو باید روابط زمانی-مکانی بین دنباله های تصاویر شناسایی شود. به همیندلیل، تحلیل محتوای ویدیو یکی از زمینه های فعال تحقیقاتی سالهای اخیر به شمار می رود. در این مقاله،چهارچوبی برای طبقه بندی رخدادهای ویدیویی در حوزه ی ترافیک ارایه شده است. در این رویکرد، ابتدافعالیتها و تعاملات توسط مدل پردازش دیریکله ی سلسله مراتبی (HDP) بر اساس ویژگی های بصری سطح پایین آموزش داده می شوند. سپس بر اساس نتایج مرحله ی یادگیری، روش خوشه بندی k-means برایاستخراج وضعیت های ترافیکی در ویدیوهای آنلاین آموزش داده می شود. در ادامه، عملیاتی جهت بهبود نتایجحاصل ازاستخراج وضعیت ترافیکی شرح داده می شود. مدل پیشنهادی، برای تجزیه وتحلیل یک مجموعه داده یویدیویی استاندارد روی صحنه های ترافیکی پرجمعیت اعتباربخشی میشود و با دیگر مدل های رایج، مقایسه می شود.

کلیدواژه ها:

طبقه بندی رخداد ویدیویی ، مدلسازی الگوهای حرکتی ، ویدیوکاوی ، تجزیه وتحلیل فعالیت ، کاوش الگوهای حرکتی