[发明专利]一种轨迹建模与检索方法

说明书

技术领域

本发明涉及计算机视觉领域，特别涉及行为理解技术。

背景技术

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。

发明内容

(一)要解决的技术问题

本发明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，本发明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。

优选地，所述步骤S1包括：

步骤S1a：将每条轨迹分割成子轨迹序列；

步骤S1b：从每条子轨迹中提取一个特征向量；以及

步骤S1c：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。

本发明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