آشکارسازی الگوهای ترافیکی در نظارت تصویری با استفاده از الگوریتم شار نوری و مدل موضوعی

نیاز روزافزون به نظارت، کنترل و مدیریت هوشمند باعث پیشرفت تحقیقات در حوزه سامانه‌های نظارت تصویری برای مثال در سیستم‌های حمل و نقل هوشمند شده است. با توجه به مقدار زیاد داده‌های این سامانه‌ها، استخراج الگوها و برچسب‌گذاری خودکار آنها از چالش‌های پیش رو است. در این مقاله به منظور آشکار‌سازی و استخراج الگوهای ترافیکی در تقاطع‌ها از مدل موضوعی استفاده گردید به طوری که الگوهای بصری به کلمات بصری تبدیل می‌شوند. ابتدا ویدئوی ورودی به کلیپ‌ها تقسیم می‌شوند. سپس ویژگی‌های شار ‌نوری کلیپ‌ها که مبتنی بر اطلاعات فراوان بردار حرکات محلی هستند، با استفاده از الگوریتم شار نوری محاسبه و به کلمات بصری تبدیل می‌شوند. بعد از آن، با یک مدل موضوعی غیر احتمالی به روش کدگذاری موضوعی تُنُک گروهی، الگوهای ترافیکی به سیستم طراحی‌شده آموزش داده می‌شود. این الگوها، نشان‌دهنده حرکت قابل مشاهده هستند که می‌تواند برای توصیف یک صحنه، با پاسخ به سوال رفتاری مانند یک وسیله نقلیه به کجا می‌رود؟ مورد استفاده قرار بگیرند. نتایج پیاده‌سازی روش پیشنهادی بر روی بانک داده ویدئوی qmul نشان داد که روش پیشنهادی می‌تواند الگوهای معنادار ترافیکی مانند گردش به چپ، گردش به راست و گذر از چهارراه ‏را به درستی آشکار کند و نمایش دهد.

Traffic Patterns Detection in Video Surveillance Using Optical Flow and Topic Model

Research in the field of video surveillance systems has been improving because of the increasing need for intelligent monitoring, control and management. Given the large amount of data on these intelligent transportation systems, extracting patterns and automatically labeling them is a challenging task. In this paper, a topic model was used to detect and extract traffic patterns at intersections so that visual patterns are transformed into visual words. The input video is first split into clips. Then, the flow characteristics of the clips, which are based on abundant local motion vector information, are computed using optical flow algorithms and converted to visual words. After that, with a nonprobabilistic topic model, the traffic patterns are extracted to the designed system by a group sparse topical coding method. These patterns represent visible motion that can be used to describe a scene by answering a behavioral question such as: Where does a vehicle go? The results of the implementation of the proposed method on the QMUL video database show that the proposed method can correctly detect and display meaningful traffic patterns such as turn left, turn right and crossing a roundabout.