Распознавание ситуаций на множестве движущихся объектов с использованием нечетких конечных автоматов и динамического программирования

Рассмотрена задача автоматического распознавания ситуаций на множестве движущихся объектов, актуальная для обеспечения безопасности людей на транспорте и в общественных местах. Определен подход к распознаванию ситуаций по временным рядам координат движущихся объектов. Наиболее разработанными методами распознавания ситуаций по временным рядам являются: скрытая марковская модель, динамическое преобразование временной шкалы и конечные автоматы. Первые два метода изначально разработаны для распознавания ситуаций в условиях шумов и сбойных отсчетов, но требуют трудоемкого обучения на примерах. Третий метод можно использовать без обучения, а для борьбы со сбойными отсчетами необходимы дополнительные средства, например, фильтры, но они снижают точность метода в условиях шумов. Предложен новый метод распознавания ситуаций по временным рядам, который не требует обучения и обладает устойчивостью к сбойным отсчетам.

Литература

[1] Turaga P., Chellappa R., Subrahmanian V.S., Udrea O. Machine recognition of human activities: a survey // IEEE Transactions on Circuits and Systems for Video Technology. 2008. Vol. 18. No. 11. P. 1473-1488. DOI: 10.1109/TCSVT.2008.2005594 URL: http://ieeexplore.ieee.org/document/4633644

[2] Vision-based fall detection through shape features / C.Y. Lin, S.M. Wang, J.W. Hong, L.W. Kang, C.L. Huang // Proc. IEEE Int. Conf. on Multimedia Big Data. 2016. P. 237-240. DOI: 10.1109/BigMM.2016.22 URL: http://ieeexplore.ieee.org/document/7545029

[3] Laplacian LRR on product Grassmann manifolds for human activity clustering in multi-camera video surveillance / B. Wang, Y. Hu, J. Gao, Y. Sun, B. Yin // IEEE Transactions on Circuits and Systems for Video Technology. 2017. Vol. 27. No. 3. P. 554-566. DOI: 10.1109/TCSVT.2016.2609760 URL: http://ieeexplore.ieee.org/document/7569105

[4] Шаталин Р.А., Овчинников П.Е. Алгоритм обнаружения нештатных ситуаций в задачах видеонаблюдения на основе метода главных компонент // Перспективные информационные технологии: Сборник трудов Международной научно-технической конференции. Т. 1. 2015. С. 240-244.

[5] Токарев В.Л., Абрамов Д.А. Методы выделения нештатных ситуаций в информационно-измерительных системах видеонаблюдения // Известия ТулГУ. Технические науки. 2015. № 11-1. С. 258-265.

[6] Seo H.J., Milanfar P. Action recognition from one example // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2011. Vol. 33. No. 5. P. 867-882. DOI: 10.1109/TPAMI.2010.156 URL: http://ieeexplore.ieee.org/document/5557879

[7] Everts I., Van Gemert J.C., Gevers T. Evaluation of color STIPs for human action recognition // Proc. IEEE Conf. on Computer Vision and Pattern Recognition. 2013. P. 2850-2857. DOI: 10.1109/CVPR.2013.367 URL: http://ieeexplore.ieee.org/document/6619211

[8] Soomro K., Zamir A.R. Action recognition in realistic sports videos // Moeslund T.B. et al. (eds.). Computer vision in sports. Switzerland: Springer International Publishing, 2014. P. 181-208.

[9] Noorit N., Suvonvorn N. Human activity recognition from basic actions using finite state machine // Proc. Int. Conf. on Advanced Data and Information Engineering. 2014. P. 379-386.

[10] Ji X., Wang C., Li Y., Wu Q. Hidden Markov model-based human action recognition using mixed features // Journal of Computational Information Systems. 2013. Vol. 9. No. 9. P. 3659-3666.

[11] Pham C.H., Le Q.K., Le T.H. Human action recognition using dynamic time warping and voting algorithm // VNU Journal of Science: Computer Science and Communication Engineering. 2014. Vol. 30. No. 3. P. 22-30. URL: http://www.jcsce.vnu.edu.vn/index.php/jcsce/article/view/15

[12] Fang C. From dynamic time warping (DTW) to hidden Markov model (HMM). University of Cincinnati, 2009. 19 p.

[13] Kumar S.K., Kant L.K., Shachi S. HMM based enhanced dynamic time warping model for efficient hindi language speech recognition system // Das V.V., Chaba Y. (eds.). Mobile communication and power engineering. Springer Berlin Heidelberg, 2013. P. 200-206.

[14] Bhuyan M.K. FSM-based recognition of dynamic hand gestures via gesture summarization using key video object planes // International Journal of Computer and Communication Engineering. 2012. Vol. 1. No. 6. P. 248-259.

[15] Seto S., Zhang W., Zhou Y. Multivariate time series classification using dynamic time warping template selection for human activity recognition // IEEE Symp. Series on Computational Intelligence. 2015. P. 1399-1406. DOI: 10.1109/SSCI.2015.199 URL: http://ieeexplore.ieee.org/document/7376775

[16] Detecting human activities in retail surveillance using hierarchical finite state machine / H. Trinh, Q. Fan, P. Jiyan, P. Gabbur, S. Miyazawa, S. Pankanti // Proc. IEEE Int. Conf. on Acoustics, Speech and Signal Processing. 2011. P. 1337-1340. DOI: 10.1109/ICASSP.2011.5946659 URL: http://ieeexplore.ieee.org/document/5946659

[17] Kerr W., Tran A., Cohen P. Activity recognition with finite state machines // Proc. Int. Joint Conf. on Artificial Intelligence. 2011. Vol. 22. No. 1. P. 1348-1353. DOI: 10.5591/978-1-57735-516-8/IJCAI11-228 URL: https://www.ijcai.org/Proceedings/11/Papers/228.pdf

[18] Bertsekas D.P. Dynamic programming and optimal control. Vol. 1. 3rd Edition. Belmont (USA): Athena Scientific, 2005. 558 p.

[19] Allen B.L., Shin B.T., Cooper D.J. Analysis of traffic conflicts and collision // Journal of the Transportation Research Board. 1978. Vol. 667. P. 67-74.

[20] Лычков И.И. Оптимальное отслеживание движущихся объектов в видеопотоке // Современные достижения и разработки в области технических наук. Сборник научных трудов по итогам международной научно-практической конференции. Оренбург: Эвенсис, 2016. С. 5-13.

[21] Abbey Road - Crossing Webcam // abbeyroad.com: веб-сайт. URL: http://www.abbeyroad.com/crossing (дата обращения: 18.09.2016)