以计算机科学与技术学院计算机视觉与网络智能团队教师粆倩文为第一作者的论文“Dictionary-based Fidelity Measure for Virtual Traffic”被CCF A类——计算机图形学和可视化领域国际顶级学术期刊《IEEE Transactions on Visualization and Computer Graphics》（简称IEEE TVCG）已于近期发表。
针对汽车群组动画研究领域中合成车流的逼真度评价问题，提出了一种新的基于模式字典的方法来量化度量虚拟车流的逼真度。其核心思想是使用字典学习算法从很多真实世界的交通轨迹数据中学习交通模式字典（Traffic Pattern Dictionary, 简称TPD），使用建立好的TPD来重建待评价的虚拟车流，从而评价该车流的逼真度。
图1本文提出方法的框架图。蓝色格子为系统的输入，包含真实世界的交通轨迹数据合集和待评估的模拟交通流轨迹。
该方法主要包括四个阶段：（1）从现实世界的交通数据中提取时空车流特征，（2）从真实世界数据进行字典学习（即构建TPD），（3）基于字典的重建待评估的虚拟交通流数据，以及（4）基于重建误差的逼真度量化评估。图1给出了该方法的框架示意图。具体地，给定真实世界的交通轨迹数据作为输入样本，该方法首先提取出可以表征车辆每个时刻在前进方向上和侧向运动方向上的特征，然后采用自适应字典学习算法来建立TPD以表征常见的交通行为特征，相应的学习误差被设置为TPD表达能力的基准。给定任意一个待评估逼真度的模拟交通流轨迹数据，该方法通过基于TPD的重建来近似该轨迹数据，并计算得到重构误差。最后，通过比较字典的重建误差和学习误差，可以客观地评估虚拟流量的逼真度。以真实世界车流为参考，图1给出了几种不同虚拟交通轨迹数据的逼真度评估结果。
图2基于字典的虚拟车流真实度评价结果样例。越小的评价值代表虚拟车流具有较高的逼真度。(a) 真实世界车流数据，作为对比用，以更好地体现该方法的评价性能。(b)-(d) 为使用同一种微观模拟方法，但三种不同的模拟参数设置来生成的模拟数据。
当给出大量包含各种道路场景的真实世界交通轨迹数据作为输入时，该基于字典的度量方法可以用来评估任意虚拟车流的逼真度。这种以无监督的方式自适应学习的交通模式字典可以用来描述车辆行为动态中的常见模式，且仅需要生成一次，即可直接应用于任何模拟交通流并通过基于字典的重建过程来客观地测量其逼真度度。在将来的工作中，将继续扩展该框架，融入更多与交通流相关的特征，例如车辆约束，道路限制规则和驾驶员特征。还计划将这种交通流的评估框架推广到其他类型的群组动画模拟的逼真度评价中，如昆虫群，鸟群和人群。
论文详细信息：
Qianwen Chao, Zhigang Deng, Yangxi Xiao, Dunbang He, Qiguang Miao, XiaogangJin,Dictionary-based Fidelity Measure for Virtual Traffic,IEEE Computer Society, 2018, 24.
