acrobat_trans5.txt

本文介绍了数字图像处理与模式识别在交通的应用领域及其重要意义

图 4: 使用一个被追踪的物体产生一个粗糙的位置
模型。 左边的图像表示一个背景图像,一
图像包含一个感人的物体，被吸取的 mov-
ing 物体和现在的粗糙深度地图, 由于在-
紧张入码距离。 正确的图像表示那
nal 结果,藉由背景图像,深度地图
而且被映射在深度地图之上的图像质地。
一个感人的物体, 而且我们计算高度
在上面使用方法的那一个物体。 藉由使用我们的 es-
土地的飞机和那被计算的高度 timate,
我们能估计对物体的距离。 这 al-
低温我们推论位置的部分在
照相机中心和被观察的物体一定是
不封闭, 因此我们能雕刻出那部分
位置模型当做自由隔开。 当我们继续
为了要追踪这一个物体,其他自由空间的部分是
清扫。 此外,当物体变成 oc 的时候-
cluded, 这放较低的范围在距离上到
位置的封闭部分, 而且如此允许我们
概略地阻塞出空间的部分。 自从～后我们
知道土地的飞机,我们能放置这些障碍进入
在那一个飞机上的世界坐标。 图 4 举例说明
为户内的监听一个例子。
5 使用追踪者分类
我们能收集这些块进入一之内更完全的
系统。 我们使用追踪者观察感人的物体,
每个体格一组有关的叁数录音
为每个发现了物体,举例来说,位置,方向
运动，速度，大小，高度, 方面比每个
连接了区域。 我们现在正在跑 sys-
tem 在真正的时间中在 SGI O2 上,处理 7 四分之一
构成秒。 我们经常地跑我们的系统直达的
因为好几个星期的期数,记录轨道模仿
在每个里面观察了照相机。 图 8 每小时地举例说明
轨道的数据解析为一台照相机模仿。
5.1 分类物体
我们能使用这些轨道式样分类通常的
活动模仿。 首先，个体追踪物体能
classi 是 ed 进入一般的班级之内, 基于观察
0.020.040.060.080.10.120.14
0.5
1
1.5
2
2.5
3
3.5
4
4.5
图 5: 散播之物追踪的物体情节,计画翻译意谓
方面比 (x 轴) 和大小 (y 轴) 比较. 圆周是
车辆,十字架是行人。 标准的群-
ing 运算法则能容易地分开这二个班级。
数据。 举例来说, 方面比那追踪
物体能用来识别汽车，卡车和 peo-
ple。 这 identi 阳离子被使用更进一步提高
世界大小数据, 基于口径测定
系统。 这允许我们分类被追踪的个体
物体, 和收集关于活动的统计学在那
位置，举例来说，计算行人或车辆的数字
在 di 观察erent 日子的时代。
在gure 5,一个 10个微小的片段被分析。 电子伏-
进入了这现场的 ery 物体 {在总数中,33辆汽车
而且 34个人 {被追踪。 系统正确地
classi ed 每辆汽车除了在一情况之外, 哪里它 classi-
ed 如相同的物体二辆汽车因为二辆汽车
同时地在一样的进入而且离开现场
点。 资讯科技在二情况只发现一个人哪里
二个人哪里实际的连络步行。 资讯科技也
因为他们有，所以加倍计算了 2个物体暧昧的
交互作用为太久维持他们的身份。
5.2 分类行动
移动物体的轨道也能习惯于
分类活动。 藉由聚集在 ba 上的轨道-
通常属性的 sis,我们能自动地推论
车辆 tra 的小路c, 和徒步的路径,和
我们能自动地使有相互关系体积的如此 trac
藉由日子的时候。 我们使用运动进入的方式-
分类活动的形成是相似的在精神中到
[3], 虽然我们 di一些主要细节的 er。
一经我们已经吸取群表现 com-
活动的 mon 式样, 我们能开端我们的系统看
对于不寻常的事件。 这些是露宿者在那聚集
分配。 一个一件如此事件的例子是 illus-
图 2 的 trated, 一辆卡车最近已经越过
一条徒步的小路到达一个载入码头。 资讯科技是轨道
identi 容易地是 ed 在比较低的正确角落中当做一在外-
lier 在这一个区域中与正常的活动相较式样,
而且如此被为调查作记号。 其他的例子
5