Mining Platoon Patterns from Traffic Videos

要約

都市規模のビデオ データ ソースから共同移動パターンを発見することは、魅力的なテーマとして浮上しています。
このタスクは、共通のルートに沿って一緒に移動するオブジェクトのグループを特定することを目的としており、これにより政府機関がスマート シティ管理を強化する効果的なサポートを提供します。
ただし、以前の研究では、ビデオから復元された軌跡の精度について強い仮定があり、それらの共同移動パターン定義では、オブジェクトのグループが共通のルートに沿って連続するカメラ全体に表示される必要がありました。
実際には、オブジェクトの遮蔽や車両の不一致により車両が特定のカメラから正しく識別されない場合、パターンの欠落が発生することがよくあります。
この課題に対処するために、ビデオ データからの共同移動パターンの緩やかな定義を提案します。これにより、共通ルートの連続性要件が削除され、グループ内のオブジェクトの一定数の欠落したキャプチャ カメラに対応できます。
さらに、緩和されたパターンを効率的に取得するために、MaxGrowth と呼ばれる新しい列挙フレームワークが開発されました。
候補の列挙とその後の候補検証手順の両方を含む以前のフィルターと絞り込みのフレームワークとは異なり、MaxGrowth では候補パターンの検証コストがかかりません。
共同動作パターンをクラスターの同等のシーケンスとして扱い、誤検出の生成を回避しながら、シーケンスの長さを増加させて候補を列挙します。
さらに、非極大パターンを効率的にフィルタリングするための 2 つの効果的な枝刈りルールも提案します。
MaxGrowth の効率と生成された共同動作パターンの品質を検証するために、広範な実験が行われています。
MaxGrowth は、ベースライン アルゴリズムよりも最大 2 桁高速に実行されます。
また、軌道回復アルゴリズムが不完全な場合でも、実際のビデオ データセットで高い精度が得られることを実証します。

要約(オリジナル)

Discovering co-movement patterns from urban-scale video data sources has emerged as an attractive topic. This task aims to identify groups of objects that travel together along a common route, which offers effective support for government agencies in enhancing smart city management. However, the previous work has made a strong assumption on the accuracy of recovered trajectories from videos and their co-movement pattern definition requires the group of objects to appear across consecutive cameras along the common route. In practice, this often leads to missing patterns if a vehicle is not correctly identified from a certain camera due to object occlusion or vehicle mis-matching. To address this challenge, we propose a relaxed definition of co-movement patterns from video data, which removes the consecutiveness requirement in the common route and accommodates a certain number of missing captured cameras for objects within the group. Moreover, a novel enumeration framework called MaxGrowth is developed to efficiently retrieve the relaxed patterns. Unlike previous filter-and-refine frameworks comprising both candidate enumeration and subsequent candidate verification procedures, MaxGrowth incurs no verification cost for the candidate patterns. It treats the co-movement pattern as an equivalent sequence of clusters, enumerating candidates with increasing sequence length while avoiding the generation of any false positives. Additionally, we also propose two effective pruning rules to efficiently filter the non-maximal patterns. Extensive experiments are conducted to validate the efficiency of MaxGrowth and the quality of its generated co-movement patterns. Our MaxGrowth runs up to two orders of magnitude faster than the baseline algorithm. It also demonstrates high accuracy in real video dataset when the trajectory recovery algorithm is not perfect.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google