排序方式： 共有4条查询结果，搜索用时 218 毫秒
1
1.
构建视频场景中目标轨迹分布的概率模型--混合单边广义高斯模型,通过计算目标轨迹的信息量分析目标轨迹是否异常.该方法不依赖场景的先验知识,模型建立过程无监督,且模型能实时更新以适应时变环境.实验表明,该方法的有效性和鲁棒性,具有一定的应用价值. 相似文献
2.
构建视频场景中目标轨迹分布的概率模型——混合单边广义高斯模型,通过计算目标轨迹的信息量分析目标轨迹是否异常.该方法不依赖场景的先验知识,模型建立过程无监督,且模型能实时更新以适应时变环境.实验表明,该方法的有效性和鲁棒性,具有一定的应用价值. 相似文献
3.
针对目前多数异常行为分析方法没有考虑场景,提出一种基于隐含主题模型的异常行为分析方法.提取场景的颜色和纹理特征,利用K-means对特征聚类,形成视觉单词,利用pLSA模型将视觉单词分为若干语义主题区域,生成场景描述.组合轨迹特征与场景语描述,生成组合特征向量,再利用CRF对组合特征向量建模,通过训练估计模型参数,利用模型推断,分析异常行为.实验表明,本文方法对特定场景的异常行为可以较为准确地分析. 相似文献
4.
针对目前多数异常行为分析方法没有考虑场景,提出一种基于隐含主题模型的异常行为分析方法. 提取场景的颜色和纹理特征,利用K-means对特征聚类,形成视觉单词,利用pLSA模型将视觉单词分为若干语义主题区域,生成场景描述. 组合轨迹特征与场景语描述,生成组合特征向量,再利用CRF对组合特征向量建模,通过训练估计模型参数,利用模型推断,分析异常行为. 实验表明,本文方法对特定场景的异常行为可以较为准确地分析. 相似文献
1
