基于多运动场预测轨迹补全方法研究.pdfVIP

预测多场用于轨迹补全：应用于系统

阿方索和雅辛托·纳西门托

系统与机器人，里斯本大学高等技术学院，葡萄牙。

对象的轨迹是通过对帧进行分割以检测，然后

从中提取移动对象的轨迹是系统中行为分类的进行步骤获得的。分割步骤会检测活动区域，在这

重要一步。研究表明，从轨迹估计出的多个场些区域中质心或边界框以形成时空轨迹。这种方法

（MMF）可以有效地描述物体，并允许对场景中的一个问题是，该方法依赖于分割步骤，可能导致由于

的行为进行自动分类。然而，对象的分割和可能会由遮挡或与另一个对象相交而漏检。这会在轨迹中产生间

于传感器故障（即漏检）或行人遮挡而在轨迹中引入间隙，从而影响基于轨迹的人类行为分类的性能。

隙。这可能会妨碍从观测轨迹中进行行为分类的性能。在

本文中，我们提出了一种基于MMF的预测模型来描在[9],中，移动物体使用利哈伊全向系统

述对象的轨迹。预计算的场用于根据对象的位置和到(LOTS)[2]进行检测。从获得的边界框出发，通过对边

目前为止的轨迹预测其可能的位置，因此，该方法可以处界框连续帧质心的前后匹配技术构建轨迹。然而，得到

理一个或多个帧中漏检的情况，从而能够进行轨迹补全。的轨迹存在间隙，因此轨迹补全必须经过手动校正这一

在数据上的实验表明，所方法在处理行人轨迹必要步骤。另一种轨迹生成方法在[1],中提出，通过结

中最多约70%的位置时表现显著。合背景减除和区域匹配进行分割，并使用匈牙利算法将

质心匹配到轨迹[16],，从而避免了用户干预，允许为创

建新轨迹定义较高代价。然而，由于该方法基于帧间的

区域匹配，连续遮挡仍可能导致轨迹中断。

索引术语—分割，区域匹配，轨迹，矢量场，预

测模型

1.引言在本文中，我们提出了法，可以通过引入关

于场景中预期活动类型的先验知识来处理轨迹中更大的

系统的目标是能够检测和移动实体（例如

间隙。我们使用一种基于先前观察到的轨迹的场的

人、车辆），根据上下文来表征典型行为并检测异常情

预测模型，用于一个定义好的活动类别的集合。在

况。目标是尽可能减少用户干预。一个自动系统通

[10],[9]中提出了一种使用多个场来描述中对

常包括[15](i)对序列进行分割以检测感物体；

象的方法，该方法采用空间变化的一阶隐

(ii)提取诸如位置、和形状等特征；(iii)这些

模型（HMM）设置。在这些研究中，期望最大化

特征；以及(iv)基于提取的特征对观察行为进行分类。

（EM）算法被应用于