学习和转移Cross-View目标轨迹利用HMM的识别方法

文摘

行为识别的目标轨迹在空间行为分析的一个重要问题。自目标轨迹模型从一个固定视图不能适应观察角度的变化,需要重新训练时面对一个新的视图,从而导致大量的应用增量成本。本研究提出了一种隐马尔可夫模型(HMM)基于cross-view转移学习和识别的方法,首先构造一个线性映射关系源和目标的观测矩阵视图使用域轨迹的摘要和获得目标的观测矩阵参数域通过映射系统。其次,转移概率的源域是进一步优化获得的目标域嗯和识别目标域的行为轨迹利用少量的样本的目标域。实验结果表示,该方法可以有效地实现轨迹的识别行为利用小样本大小在目标域,将大大减少应用程序的成本cross-view目标轨迹的识别。

1。介绍

目标轨迹显示重要的信息对目标行为和轨迹的识别是理解事件相关的一个重要组成部分和行为分析。在真实的应用程序中,视频监控系统经常组成多个摄像头位于不同的角度。同一个目标的运动轨迹显示不同于不同的观点。轨迹模型依赖于样本的训练一个固定的角度。角度改变时,新样品需要收集和重新训练,导致过高的培训成本的轨迹模型,这将极大地提高应用程序轨迹的识别行为的成本。这是不利于推广。指出它具有很高的应用价值和实际意义的行为识别方法研究低成本cross-view目标轨迹。

隐马尔可夫模型(HMM) (1- - - - - -8)能有效地模型时间序列信号和模型的目标跟踪是一个功能强大的工具。启明创投和程建议执行轨迹建模根据轨迹坐标序列(1]。在这种方法中,轨迹序列首先聚集,然后,相应的嗯轨迹模型是实现利用不同类别的培训。大鹏等人表明,利用HMM模型的轨迹敌人潜艇和预测目标的轨迹为军舰操作(提供业务信息支持2]。Hervieu等人提出,曲率和速度的坐标点是利用HMM轨迹建模、和轨迹特征不变的翻译、旋转和缩放3]。钱其琛和刘建议,提出了一种分层嗯在多层模型连续目标轨迹场景导致低级嗯单层轨迹模型和一个高级嗯连接多层轨迹形成目标轨迹模型(4]。

另一方面,转移学习已逐渐成为近年来机器学习的一个重要研究领域,因为它主要解决了跨域的问题相关的学习知识和实现目标的模型迁移时,数据域标记和数据的源域称为源。此外,它在许多实际问题具有很高的理论价值。迁移学习,放松两个基本假设在传统机器学习,是机器学习领域的一种新方法。其主要特点可以概括如下:(1)必须有足够的学习样本分类模型。(2)训练样本都用于学习,和新的测试样本满足条件独立性和相同的分布特性。一些学者提出了各种嗯转移方法对一些跨域的应用程序。例如,Van Kasteren等人提出,一个参数传递学习法利用HMM,构造传感器根据位置信息映射关系的空间结构,然后发现嗯利用EM算法的参数(9]。郑等人建议,需要实时接收到的信号强度的移动设备的观测值来构造嗯定位模型和实现它的转移在不同时间相同位置10]。Bingtao等人建议把重量给源域的示例数据通过计算源域和目标域之间的相似样本数据,然后发现HMM参数加权数据集,并提高了学习算法实现基于实例的嗯转移学习(11]。类似的研究由金等人提出一个嗯转移方法利用最大后验(MAP)和最大似然线性回归(MLLR)应用于语音和文字识别(12- - - - - -15]。一些相关的实证研究嗯范等人在16,17]。

这个研究领域的贡献,解决低成本应用问题嗯试图确定的轨迹行为在不同的角度,这手稿提出一个HMM-based转移学习和识别方法的行为目标轨迹的情况下由样本足够的源域的角度来看,和几个标记目标领域的角度来看样品存在。这种方法实现的目的转移转移轨迹行为学习和识别的模型在源视角域和优化少量的样本在目标域,它提供了一个有效的方法来解决所提到的问题。

2。该模型:轨迹建模与仿真

2.1。基于HMM的目标轨迹模型

隐马尔可夫模型(HMM)是一个概率模型来描述时间序列的过程,可以描述的五个组件用4倍 。此外,其简化形式表示 :(1)N表示模型的隐状态的数量。所有国家在模型中是紧密联系在一起的,任何国家都可以从其他州。(2)米代表了观测模型中每个隐藏状态的象征,即。,观察状态。(3)一个被称为状态转移的概率分布。 ,在那里, , ,和 。问_t被称为隐藏状态的时间吗t。(4)B被称为可观察状态的概率分布在隐藏状态j, ,在那里, 。问_t被称为可观察到的状态的时间吗t。(5)π被称为初始状态的分布 ,在哪里 。

根据的基本定义,嗯,这手稿首先进行HMM模型为目标轨迹。目标的方向角的轨迹在单位时间内使用的观测特征。表示轨迹的角度信息的序列称为可观测状态向量。隐藏的状态叫做角的传输特性变化的目标轨迹。角方向目标轨迹的计算 在哪里 和 被称为目标在时间吗t和t−1,分别。根据 ,的观测值问_t由离散化得到24-direction弗里曼代码中描述图吗1。嗯的轨迹的参数获得的培训。

图中给出的轨迹2是用于建模。目标轨迹的坐标序列表1。角的特点是计算(1),其离散化提出了表2。而隐状态的数目N设置为4,观察的叫什么米设置为24。初始状态概率向量的用π被定义为均匀分布。观察的转移概率和概率分布随机初始化。上面的轨迹样本训练的Baum-Welch算法获得初始分布的参数π转移概率矩阵一个,观测概率矩阵B分别展示在表3。

2.2。模拟的目标轨迹

嗯,有两个重要的假设是表达如下:(1)齐次马尔可夫链假说,即随时隐藏状态只取决于其先前隐藏状态。(2)观察独立假设,也就是说,观察到的状态在任何时候只取决于隐藏状态在当前时间。

提出了图3,基于上述假设隐藏的马尔可夫链是由初始状态概率向量和状态转移概率矩阵一个。因此,结果是生成一个难以察觉的隐藏状态序列。观测概率矩阵B和隐藏的状态序列相结合来确定生成一个观察序列的方法。

鉴于HMM模型的形式 ,观察序列 可以生成的表中给出的算法步骤4。据的初始坐标轨迹和观测值的顺序,轨迹的坐标序列可以唯一确定。

HMM训练和模拟的轨迹在四种不同的情况下,和结果呈现在图4。

2.3。从不同的角度统计分析的轨迹特征

之间的关系,进一步分析目标轨迹的特点从不同的观点,这手稿利用直线和曲线轨迹的说明性的例子来检查他们的统计特征从不同的视角观察特征。当目标线性轨迹是一个问题,图5表示线性运动的观测同一目标的两种不同的观点。目标轨迹的特征的统计特性提出了从两个不同角度观察图6表明两者之间的轨迹特征的统计信封的观点非常相似,而重心是不同的。

曲线运动的轨迹图7。统计分析进行特征从不同的角度观察,统计曲线的特征是呈现在图8表明从不同的角度的统计特征曲线轨迹有一定的相似性。

总之,尽管存在差异的角度来看,存在一定关联的特征序列的性能目标轨迹。如果有更多的轨道沿着一定的方向,他们会积累特征编码附近的那个方向。因此,可以认为目标的特征频率曲线轨迹从不同的角度表示某种线性翻译。

3所示。转移学习基于HMM的轨迹

cross-view目标轨迹的识别、小样本数据用于本研究利用学习策略获得转移HMM模型的轨迹为目标视图,实现低成本的行为建模的模型cross-view轨迹。HMM模型的基本思想的基础上转移学习在这个手稿提出如下:首先,根据统计翻译轨迹特征的不同的观点2.3,线性回归模型来实现源域和目标域之间的映射有关嗯观测概率矩阵的特点,导致获取的观测概率。其次,转移概率矩阵随机初始化,生成和仿真数据。目标优化函数是构造根据相似性模拟和目标的域数据。最后,转移概率矩阵的参数对轨迹嗯利用目标域通过迭代优化,和转让实现cross-view嗯的学习过程。

3.1。观察转移概率矩阵B

观察的转移概率矩阵的关键是确定目标的功能空间之间的映射关系域和源域。利用这种映射关系将源域的HMM参数,一个参数模型形成能体现目标轨迹特征的目标域。

在这个手稿,采用最小二乘法构造映射模型,和轨迹的特征映射模型在两种不同的观点被认为是由 在哪里和b被称为拟合曲线方程的系数特征映射,O_年代被称为编码源域的样本,然后呢被称为编码目标域映射后的数据。定义的目标函数 在哪里O_t被称为编码数据的目标域。

根据轨迹特征的统计分析部分2.3传递参数的观测概率主要包括三个步骤。首先,两个角度轨迹的样本收集源域和目标域。每组样本包含源域标记的样本一样的行为和少量的标记为样品的目标域。的源域用嗯轨迹模型 根据获得的方法部分的培训模式2.1。然后,线性回归映射模型对源域和目标域特性构造。最后,观察用概率B_T目标域的实现利用传递矩阵的关系B_年代的线性回归。

3.2。转移转移概率矩阵的学习算法

忽略初始分布的影响,初始分布π_年代的源域直接迁移到目标域π_T和源的转移概率域作为初始值的转移概率目标域。然后,转移的初始嗯用 。在这项研究中,优化算法利用自适应优化传输的模型参数,以实现更好的性能目标域模型。源模型的参数优化的目标是更适合目标域数据,也就是说,越相似优化模型的仿真数据到目标域数据,更好的收敛。定义的目标函数 在哪里是模拟产生的数据的平均值 和被称为变量的优化问题。轨迹数据模拟根据算法步骤部分2.2。HMM的固有特点要求的过渡矩阵非负和行元素之和等于1,那么这个优化问题的约束条件的元素转移概率矩阵和 非负和行元素之和等于1。相似度的测量是由欧几里得距离,定义的 在哪里和的平均值的特征序列集模拟轨迹模型代表了 分别和目标域。因此,两者都属于同一轨迹的范畴。定义的相似度计算

以上提供的约束条件和目标函数,利用内点方法无疑是最合适的方法来解决最优值 。表5介绍了该解决方案的步骤过程导致的最优性采用内点方法。模拟数据之间的相似性的域模型和目标计算。如果相似度大于或等于相似性阈值用 ,获得的从之前的优化步骤重新进入内点方法的迭代的初始值,直到计算相似度小于阈值 ,然后,嗯 的目标领域。

3.3。嗯转移学习和识别框架

解决问题的识别cross-view目标轨迹,这手稿提出cross-view嗯传输方法。图中给出的算法框架9。利用目标函数分析,统计下的目标轨迹的特点两个角度提出一个线性关系。因此,特征空间之间的映射函数的源域和目标域是首先通过解决一个基于线性回归模型的优化问题。利用映射函数,参数的观测概率传输的源域。然后,生成的数据之间的相似性模拟嗯和标记数据计算获得目标域的角度进一步优化源域的转移概率。因此,目标域嗯。最后,提出算法是用来评估匹配,分类,和cross-view目标轨迹的识别。

4所示。实验结果和分析

4.1。实验评价

在这个实验中使用的数据集都是镇定的数据,来自于同时拍摄的两个摄像头安装在10×12米²房间。三种类型的100个样本轨迹(300)从视图的第一个相机可以更好地反映真实的移动目标的运动行为。300个样本作为源域的数据集,而相应的视图的300个样本B第二相机作为目标域的样本。所有收集的样品是手工标记。在这个手稿,模型的性能评估定义的测量精度 在哪里n_{所以他们的}叫做的数量正确的轨迹分类和Num被称为测试数据的总数。

4.2。实验结果分析

第一个实验的目的是定性比较嗯传输方法的性能描述在这个手稿中存在的一个文献[9]。在这个实验中,k设置为等样本值(k= 10、15、20、25、30、40、50)代表每一种类型的轨迹在样本集的目标域随机选择并结合源域的样本集训练数据。除了k选择的样本数量,其他所有数据样本集的目标域使用的测试数据。数据10- - - - - -12是比较的精度测试数据在源和目标域之间的号码吗k每种类型的样本轨迹变化的角度视图θ= 30°,θ= 45°θ分别= 60°。实验结果表明,在实验方法的准确性与增量改进目标域的数量样品,k。随着目标域样本数量的增加,学习算法可以提取更多的知识从目标域。当只有θ2 = 60°,轨迹的准确性并没有提高,甚至减少,表明在这种情况下发生过度拟合。值得注意的是,该算法精度的增加速度比其他算法的增量样本。当夹角不同45°和30°60°k保持不变,相应的大多数轨迹精度降低,表明视图的角度的增加导致更明显的变形轨迹在不同包括角度(图12)。实验结果还表明,相比与方法研究[9),这种方法可以实现更高的识别率的行为轨迹cross-view目标只利用少量的标记数据从目标域的角度来看,这将大大减少的注释工作目标域的视角。

在第二个实验中,根据之前的实验结果,目标域角度的训练数据的数量是固定的,50。验证该方法的有效性,该方法比方法1和方法2,,结果被记录。在方法1,标记的训练数据视图B是用来找出模型的参数。标记数据视图B的数量很小,所以分析交叉验证技术实现。在这种技术中,20国集团(g20)样本取自目标域数据集作为测试集,其余剩下的训练数据,直到所有样品测试过。总共米时间(数据集的大小)进行计算,最后,平均精度。在方法2,只有查看的标记的训练数据是用来进行Baum-Welch算法实现嗯,确定模型的参数是用来实现测试数据的准确性B组视图。

表6- - - - - -8呈现不同的方法在不同的准确率θ值。与方法1进行比较的目的是决定是否训练有素的源域的模型可以直接利用在视觉角度。结果暗示效果很差,特别是从不同的视图的知识提取从源域不能直接应用到目标域,尤其是当两个域不同。与方法一相比,这个手稿的方法大大提高了识别的结果。这表明尽管嗯轨迹建模时非常成功实现从一个角度来看,其性能将大大降低交叉观点和交叉观点对轨迹识别有很大的影响。与方法2相比,识别效果相似,表明当一个小数据集提供的目标域,嗯转移模型的性能几乎一样的大数据集的训练模型的目标域。总之,学习方法转移在这个手稿利用先验知识已经提取的源域模型,因此,能有效地识别cross-view目标轨迹。此外,它不需要大量的目标域样本。因为有足够的样本源域,它包含大量的特征信息,将学习只能利用一个小目标数据集结合这些之前的知识来达到更好的结果。

在第三个实验中,根据第一个实验的结果,目标的训练数据域角度是固定到50,和该方法的性能与文献中描述的嗯传输方法(10,11]。

从表9- - - - - -11嗯转移方法在这个手稿是更有效的比其他嗯转移方法在同样的实验设置。在转会cross-view嗯轨迹模型的识别,该方法的准确率达到85%以上在大多数情况下,一半可能超过90%。

实验提出的基于最小二乘法的线性回归模型可以成功地应用于转移学习的目标行为识别方法。的特征表示源域和目标域不同视觉角度的变化。为了克服这个问题,我们需要找到数据模式之间的源域和目标域的特征。然后,需要拟合曲线。通过这样做,转移的概率分布的排放源域自适应传输到目标域。因此,它会导致传输不同的观点和行为之间的相关知识从一个域到另一个地方。的存在少量的标记样本在目标域提供了一个参考的优化状态转换概率的源域。改进和优化嗯表现良好在数据集上更高的精度和更好的鲁棒性。

5。结论

这手稿主要处理识别目标的行为轨迹数据的分类行为当交叉的角度来看是一个问题。在目标域的标签数据不足,难以在标签数据和处理成本较高,问题转化为轨迹的特征序列的识别问题利用HMM转移学习。通过知识转移的相关数据从不同的角度,构造分类模型,然后,行为轨迹数据的类别分类识别目标领域中。在这个手稿,首先,根据标记的数据从源域的角度,构造一个HMM训练三元组的参数;其次,利用编码序列的频率特性标记相同类型的数据从源域和目标域计算。然后,映射曲线的两个观点是由最小二乘法拟合。因此,观测概率矩阵的自适应传输映射关系。之后,转移概率基于小目标域的带安全标签的数据传输到目标域通过优化算法。因此,目标域构造分类模型。数据集上的实验结果表示,基于HMM的转移学习方法可以构造分类模型,它有一个更好的性能在cross-view目标轨迹的识别存在少量的带安全标签的数据时在目标域的视角。

数据可用性

所有的数据都包含在手稿,并进一步请求数据可以从相应的作者在合理的请求。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究得到了国家自然科学基金(没有。61673318,目标跟踪在结构空间分析和异常行为的警告),陕西省的重点产业链项目(没有。2020 zdlgy04-04),西安城市的科技计划项目(没有。GXYD14.1、智能识别系统的残留状态地铁建设)。

引用

1. p .启明创投和y”,移动对象的轨迹识别基于隐马尔可夫模型,”计算机应用研究,25卷,不。7,1988 - 1991年,2008页。视图:谷歌学术搜索
2. 大鹏,y姗姗,z, y .结果表明,和w . Yun”舰队的方法调用和搜索基于隐马尔可夫模型,”2020年。视图:谷歌学术搜索
3. a . Hervieu p Bouthemy, j . p . l .干部“HMM-based方法识别动态轨迹的视频内容,”美国于2007年IEEE ICIP IEEE国际会议2007年,圣安东尼奥,TX,美国。视图:谷歌学术搜索
4. l .钱和h·c·刘,”一个分层隐马尔可夫模型预测人类的轨迹在多层建筑,”学报IEEE /每各月ACM Web智能和智能代理技术国际会议(WI-IAT ACM),新加坡,2015年。视图:谷歌学术搜索
5. g .林b Yun, z . Weigong”识别异常交互耦合隐马尔可夫模型的基础上,“东南大学学报,43卷,第1221 - 1217页,2003年。视图:谷歌学术搜索
6. r . Vasanthan g版本Steeg, a . Galstyan和a .对此“耦合隐马尔可夫模型在社交网络,用户活动”《IEEE国际多媒体会议及博览会研讨会IEEE美国加利福尼亚州圣何塞,2013。视图:谷歌学术搜索
7. 罗伊·库马尔g . Himaanshu p、d . p .多格拉人”耦合HMM-based手语识别的多传感器数据融合,“模式识别的字母,86卷,2017年。视图:谷歌学术搜索
8. l .钱和h·c·刘,分层隐马尔可夫模型预测人类的轨迹在多层建筑IEEE计算机协会,华盛顿,美国,2015年。
9. t·l·m·范·Kasteren g . Englebienne a和b . j .悄无声息,”在多个上下文中使用识别活动转移学习,”《AAAI研讨会:AI在照顾老年人:新老问题的解决办法美国阿灵顿,VI, 2008。视图:谷歌学术搜索
10. v . w .郑,问:杨,w, d .沈,“转移定位模型随着时间的推移,”第23届AAAI学报》关于人工智能的会议,第1426 - 1421页,芝加哥,2008年7月,美国。视图:谷歌学术搜索
11. g . Bingtao z杨,l .本“BioTrHMM:生物命名实体识别算法基于迁移学习,”计算机应用研究,36卷,不。1,51-54,2019页。视图:谷歌学术搜索
12. d·k·金和n s金”,最大后验改编的HMM参数基于扬声器空间投影,”言语交际,42卷,不。1,59 - 73年,2004页。视图:出版商的网站|谷歌学术搜索
13. j·s·n·s . Kim Sung)和d·h·香港“MLLR适应因素,”IEEE信号处理信件,18卷,不。2、99 - 102年,2011页。视图:出版商的网站|谷歌学术搜索
14. o . Siohan c . Chesta学术界。Chin-Hui李,“联合最大后验改编的转换和HMM参数”IEEE语音和音频处理,9卷,不。4、417 - 428年,2001页。视图:出版商的网站|谷歌学术搜索
15. k . Ait-Mohand t Paquet, n . Ragot”相结合的结构和参数适应印刷文字识别的摘要,“IEEE模式分析与机器智能,36卷,不。9日,第1732 - 1716页,2014年。视图:出版商的网站|谷歌学术搜索
16. 范x, y谢,s . Tang和j .胡”识别click-requests通过交通网络方面的行为,”网络和计算机应用》杂志上文章ID 102872卷,173年,2021年。视图:出版商的网站|谷歌学术搜索
17. f . Liu d·詹森j .崔g . Wts和m .冷却后,“隐马尔可夫模型描述活动序列使用配置文件”,专家系统与应用程序,42卷,不。13日,5705 - 5722年,2015页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020长刘et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。