استفاده از یادگیری حرکت در ردیابی وسایل نقلیه در صحنه ترافیک

از یادگیری مسیر حرکت وسایل نقلیه در ردگیری بهتر، همچنین درتشخیص رفتار وسایل نقلیه استفاده می شود. در این مقاله مختصات مسیر حرکت وسایل نقلیه در طی 8000 فریم با خوشه بندی فازی k میانگین به 200 مرکز، خوشه بندی می شوند. سپس یک ماتریس 200 ضربدر 200 به نام ماتریس گذر مراکز (CTM) برای مدل کردن اطلاعات مکانی – زمانی، پیشنهاد می شودد. عنصر ij این ماتریس بیان کننده آن است که شیئی در دو فریم متوالی از مرکز i به مرکز j گذر کرده است. برای تکمیل درایه های این ماتریس روی 9000 فریم ردیابی چند شیئی انجام شده و ماتریس گذر مراکز، تکمیل می شود. ردگیری چند شیئی به کمک جستجوی تکه های متحرک مشابه ، مبتنی بر انطباق هیستوگرام رنگ انها به همراه پیشگویی RLS انجام می شود. از ماتریس CTM در همگرایی سریع الگوریتم پیشگویی RLS استفاده شده، که خطای پیش بینی روی تعداد زیادی از وسایل نقلیه حداقل 80% کاهش یافته است. همچنین CTM در جستجوی تکه های مشابه، کارآمد است و می تواند شعاع و موقعیت جستجو را تعیین کند. الگوریتم مبتنی بر ماتریس گذر مراکز نوعی اعمال اطلاعات سطح بالا، در ردیابی بهتر چند شیئی می باشد.

Keywords:

اطلاعات مکانی - زمانی , خوشه بندی فازی , k میانگین , پیشگویی RLS , ماتریس گذر مراکز (CTM) , الگوریتم بالا به پایین (top-down)