基于马尔可夫随机场的机器学习理论及应用

摘要

马尔可夫随机场理论是概率图模型的重要分支，被广泛应用于机器学习领域。作为该理论体系中的重要工具，隐马尔可夫模型(Hidden Markov Model, HMM)近年来在智能交通领域有较好的应用，尤其是基于视频的交通异常检测。 本文主要有两个研究内容：第一，结合马尔可夫随机场理论与机器学习任务的具体需求，设计出利用隐马尔可夫模型解决机器学习问题的基本框架；第二，将理论框架应用于智能交通领域，提出了基于连续隐马尔可夫模型(Continuous Hidden Markov Model, CHMM)的交通异常检测算法，能对交通监控视频中的异常事件进行实时检测。 本文提出的基于连续隐马尔可夫模型的交通异常检测算法共有三部分：第一，预处理与特征提取。首先进行视频分段，再提取光流，然后使用坐标变换得到标准特征。第二，CHMM模型训练。由高斯混合模型对HMM的状态与连续观察值建立概率联系，并通过训练视频样本对模型参数进行估计。第三，异常事件检测。由训练得到的CHMM模型计算出异常检测阈值，并对测试样本进行评估。实验证明了本文提出方法的有效性，同时也克服了前面所提的各大难题，满足高准确度、运行实时性、多场景适应性、低训练成本等要求，在实际应用中得到了较好的效果。

目录

第一个书签之前