Phân tích hành vi tài xế để tái tạo đường đi của xe trong khu vực đô thị

Các tác giả

  • Nguyễn Mạnh Hùng Ho Chi Minh City University of Technology and Education, Vietnam
  • Ching-Chun Huang National Chung Cheng University- Chia-Yi County, Taiwan

Email tác giả liên hệ:

hungnm@hcmute.edu.vn

Từ khóa:

Phân tích hành vi người dùng, hệ thống camera không trùng lắp, học tập khuynh hướng, hệ thống đề nghị, dự báo đường đi

Tóm tắt

Ngày nay, rất nhiều ứng dụng đòi hỏi thông tin về đường đi của các phương tiện giao thông trong khu vưc đô thị như giám sát an ninh, hệ thống giao thông thông minh, quản lý trật tự xã hội.  Các nghiên cứu trước đây về giám sát đường đi của phương tiện giao thông chủ yếu dựa vào việc tìm kiếm sự tương đồng giữa một mô hình mẫu với thông tin từ máy quay giám sát; hoặc dựa vào các thông tin về không gian, thời gian để ước lượng đường đi của phương tiện. Mặc dù vậy, tác giả nhận ra một hiện tượng là các phương tiện giao thông có khuynh hướng di chuyển theo một vài trục đường chính. Nhờ thế, đường đi của phương tiện đó có thể đượctái tạo nếu ta biết được một vài vị trí trên đường di chuyển. Bằng cách sử dụng một quá trình huấn luyện, tác giả đã phân tích dữ liệu người dùng để xác định các cung đường chính trong đô thị. Bên cạnh đó, tác giả đề xuất một phương pháp mới để tái tạo lại đường đi của một phương tiện giao thông dựa vào các cung đường chính đã được học. Dựa vào một sốrất ít vị trí trên quãng đường di chuyển, tác giả đã ước lượng được các cung đường chính mà tài xế đã đi qua. Quỹ đạo đường đi của phương tiện sẽ được suy diễn như là sự kết hợp giữa các cung đường chính mà tài xế đã đi qua. Kết quả thí nghiệm khẳng định giả thiết của tác giả về việc tồn tại những trục đường chính mà người dân có khuynh hướng sử dụng và phương pháp đề nghị có khả năng nâng cao khả năng tái tạo lại đường đi của phương tiện.

Tải xuống: 0

Dữ liệu tải xuống chưa có sẵn.

Tài liệu tham khảo

Omar Javed, Khurram Shafique, Zeeshan Rasheed, and Mubarak Shah, Modeling Inter-Camera Space–Time and Appearance Relationshipsfor Tracking across Non-Overlapping Views, Computer Vision and Image Understanding, pp. 146-162 , 2011.

Guoyun Lian, Jianhuang Lai, and Wei-Shi Zheng, Spatial–Temporal Consistent Labeling of Tracked Pedestrians across Non-Overlapping Camera Views, Pattern Recognization, pp. 1121-1136 , 2011.

Youlu Wang, Senem Velipasalar, and Mustafa Cenk Gursoy, Wide-Area Multi-Object Tracking with Non-Overlapping Camera Views, in International Conference on Multimedia and Expo, pp. 1-6, 2011.

Ching-Chun Huang, Hung-Nguyen Manh, and Tai-Hwei Hwang, Vehicle Trajectory Prediction across Non-overlapping Camera Networks, International Conference onConnected Vehicles and Expo (ICCVE), pp:375 - 380, 2013.

Moody Chu, Robert Plemmons, Nonnegative Matrix Factorization and Applications, International Linear Algebra Society, pp. 2-7, 2005.

Hyunsoo Kim, and Haesun Park, Non Negative Matrix Mactorization based on Alternating Nonnegativity Constrained Least Squares and Active Set Method, Society Industrial and Applied Mathematics Journal on Matrix Analysis and Applications, pp. 713-730, 2008

Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer, ISBN:0387310738, 2006..

Tải xuống

Đã Xuất bản

2017-01-30

Cách trích dẫn

[1]
M. H. Nguyễn và Ching-Chun Huang, “Phân tích hành vi tài xế để tái tạo đường đi của xe trong khu vực đô thị ”, JTE, vol 12, số p.h Special Issue 01, tr 25–34, tháng 1 2017.