Dynamic scene understanding using temporal association rules

هدف اصلی درک درک صحنه این است که ویدیو را به مجموعه های حوادث سازماندهی کند و وابستگی های زمانی وابسته را پیدا کند. چنین سیستم هایی به طور اتوماتیک تفسیر فعالیت ها در صحنه را انجام می دهند و همچنین رویدادهای غیر معمولی را که می توانند منافع خاصی مانند نقض ترافیک و ورود غیر مجاز را شناسایی کنند شناسایی می کنند. بنابراین هدف این کار، یادگیری رفتارهای چندگانه و تعامل با یک روش نیمه نظارت است. با استفاده از مسیرهای شیء ردیابی، مسیرهای مسیر حرکت مشابه را به خوشه ها با استفاده از روش خوشه بندی طیفی سازماندهی می کنیم. این مجموعه از خوشه ها مسیرها / مسیرهای مختلف را نشان می دهد، یعنی رویدادهای متمایزی که در مکان های مختلف در صحنه اتفاق می افتند. یک الگوریتم معدن زمانی برای استفاده از الگوهای زمانبندی مکرر زمانی که در صحنه مستقر است بر اساس فاصله استفاده می شود. الگوی زمانی نشان دهنده مجموعه ای از حوادث است که براساس رابطه آنها با سایر رویدادهای مربوطه مرتبط می شوند و ما از منطق زمانی منطقهای آلن برای توصیف این روابط استفاده می کنیم. الگوهای مکرر حاصل از آن برای ایجاد قوانین ارتباطی زمانی استفاده می شود که اطلاعات معنایی موجود در صحنه را انتقال می دهد. هدف کلی ما این است که قوانینی را ایجاد کنیم که پویایی صحنه را کنترل می کنند و تشخیص آنومالی را انجام می دهند. ما رویکرد پیشنهادی را در دو مجموعه داده ترافیکی پیچیده موجود در دسترس قرار می دهد و نشان دهنده پیشرفت قابل ملاحظه ای نسبت به تکنیک های موجود است.