主权项 |
1.一种无监督的多特征轨迹模式学习方法,所述方法包括以下步骤:a.多特征提取和轨迹间相似度测量分别采用IMHD距离和Bhattacharyya距离计算轨迹间的相似度,预处理后的有效轨迹可表示为:<maths num="0001"><![CDATA[<math><mrow><msub><mi>T</mi><mi>i</mi></msub><mo>=</mo><mo>{</mo><msub><mi>t</mi><mn>1</mn></msub><mo>,</mo><msub><mi>t</mi><mn>2</mn></msub><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><msub><mi>t</mi><mi>j</mi></msub><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><msub><mi>t</mi><msub><mi>N</mi><mi>i</mi></msub></msub><mo>}</mo><mo>=</mo><mo>{</mo><mrow><mo>(</mo><msub><mi>x</mi><mn>1</mn></msub><mo>,</mo><msub><mi>y</mi><mn>1</mn></msub><mo>)</mo></mrow><mo>,</mo><mrow><mo>(</mo><msub><mi>x</mi><mn>2</mn></msub><mo>,</mo><msub><mi>y</mi><mn>2</mn></msub><mo>)</mo></mrow><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><mrow><mo>(</mo><msub><mi>x</mi><mi>j</mi></msub><mo>,</mo><msub><mi>y</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><mrow><mo>(</mo><msub><mi>x</mi><msub><mi>N</mi><mi>i</mi></msub></msub><mo>,</mo><msub><mi>y</mi><msub><mi>N</mi><mi>i</mi></msub></msub><mo>)</mo></mrow><mo>}</mo></mrow></math>]]></maths>其中t<sub>j</sub>表示轨迹T<sub>i</sub>的第j个采样点,N<sub>i</sub>表示轨迹长度,(x<sub>j</sub>,y<sub>j</sub>)表示第j采样点在图像平面的二维位置坐标;轨迹定义为m<sub>j</sub>=(x<sub>j+1</sub>-x<sub>j</sub>,y<sub>j+1</sub>-y<sub>j</sub>),表示相邻采样点间方向向量;m<sub>0</sub>=(1,0),表示方向水平向右的单位向量;轨迹T<sub>i</sub>第j个采样点方向角可表示为:<maths num="0002"><![CDATA[<math><mrow><msub><mi>θ</mi><mi>j</mi></msub><mo>=</mo><mfenced open='{' close=''><mtable><mtr><mtd><mfrac><mrow><msup><mi>cos</mi><mrow><mo>-</mo><mn>1</mn></mrow></msup><mrow><mo>(</mo><msub><mi>m</mi><mi>j</mi></msub><mo>·</mo><msub><mi>m</mi><mn>0</mn></msub><mo>)</mo></mrow></mrow><mrow><mo>|</mo><msub><mi>m</mi><mi>j</mi></msub><mo>|</mo><mo>·</mo><mo>|</mo><msub><mi>m</mi><mn>0</mn></msub><mo>|</mo></mrow></mfrac><mo>·</mo><mfrac><mn>180</mn><mi>π</mi></mfrac><mo>,</mo><mi>if</mi><msub><mi>y</mi><mrow><mi>j</mi><mo>+</mo><mn>1</mn></mrow></msub><mo>-</mo><msub><mi>y</mi><mi>j</mi></msub><mo>≥</mo><mn>0</mn></mtd></mtr><mtr><mtd><mrow><mo>(</mo><mn>2</mn><mi>π</mi><mo>-</mo><mfrac><mrow><msup><mi>cos</mi><mrow><mo>-</mo><mn>1</mn></mrow></msup><mrow><mo>(</mo><msub><mi>m</mi><mi>j</mi></msub><mo>·</mo><msub><mi>m</mi><mn>0</mn></msub><mo>)</mo></mrow></mrow><mrow><mo>|</mo><msub><mi>m</mi><mi>j</mi></msub><mo>|</mo><mo>·</mo><mo>|</mo><msub><mi>m</mi><mn>0</mn></msub><mo>|</mo></mrow></mfrac><mo>)</mo></mrow><mo>·</mo><mfrac><mn>180</mn><mi>π</mi></mfrac><mo>,</mo><mi>if</mi><msub><mi>y</mi><mrow><mi>j</mi><mo>+</mo><mn>1</mn></mrow></msub><mo>-</mo><msub><mi>y</mi><mi>j</mi></msub><mo><</mo><mn>0</mn></mtd></mtr></mtable></mfenced><mrow><mo>(</mo><mn>1</mn><mo>≤</mo><mi>j</mi><mo><</mo><msub><mi>N</mi><mi>i</mi></msub><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></mrow></math>]]></maths>其中θ<sub>j</sub>∈(0,360),把轨迹方向角θ<sub>j</sub>分成N=18个等间隔子区间(I<sub>1</sub>,I<sub>2</sub>,…I<sub>N</sub>),每个子区间长度为△θ=360/N=20度,把轨迹T<sub>i</sub>的所有方向角θ<sub>j</sub>映射到对应的子区间,轨迹T<sub>i</sub>方向角分布在区间I<sub>q</sub>的概率为p<sub>q</sub>=M<sub>q</sub>/M,其中M<sub>q</sub>:θ<sub>j</sub>∈I<sub>q</sub>的数目,M:轨迹T<sub>i</sub>的方向角数目;轨迹T<sub>i</sub>的方向特征可表示为<img file="FSA0000095043050000012.GIF" wi="321" he="69" />描述了轨迹T<sub>i</sub>统计方向信息,采用Bhattacharyya距离衡量轨迹间运动方向相似度为:<maths num="0003"><![CDATA[<math><mrow><mi>Dire</mi><mrow><mo>(</mo><msub><mi>T</mi><mi>i</mi></msub><mo>,</mo><msub><mi>T</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>=</mo><msup><mrow><mo>[</mo><mn>1</mn><mo>-</mo><munderover><mi>Σ</mi><mrow><mi>q</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><msqrt><mi>Dire</mi><msub><mrow><mo>(</mo><msub><mi>T</mi><mi>i</mi></msub><mo>)</mo></mrow><mi>q</mi></msub><mi>Dire</mi><msub><mrow><mo>(</mo><msub><mi>T</mi><mi>j</mi></msub><mo>)</mo></mrow><mi>q</mi></msub></msqrt><mo>]</mo></mrow><mrow><mn>1</mn><mo>/</mo><mn>2</mn></mrow></msup><mo>∈</mo><mo>[</mo><mn>0,1</mn><mo>]</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow></mrow></math>]]></maths>其中Dire(T<sub>i</sub>)<sub>q</sub>和Dire(T<sub>j</sub>)<sub>q</sub>分别表示轨迹T<sub>i</sub>和T<sub>j</sub>的方向角分布在第q方向角区间的概率,Dire(T<sub>i</sub>,T<sub>j</sub>)越接近于1,表示两轨迹运动方向越相似;Dire(T<sub>i</sub>,T<sub>j</sub>)越近于0,则相反;轨迹空间位置相似度测量:通过目标跟踪可直接得到轨迹位置特征,即<img file="FSA0000095043050000014.GIF" wi="294" he="58" />采用基于线段插值的改进Hausdorff距离(IMHD)来衡量轨迹空间位置的相似性,轨迹线段用折线表示轨迹T<sub>i</sub>和T<sub>j</sub>:<maths num="0004"><![CDATA[<math><mrow><mover><msub><mi>T</mi><mi>i</mi></msub><mo>‾</mo></mover><mo>=</mo><mo>{</mo><mover><mrow><msub><mi>t</mi><mn>1</mn></msub><msub><mi>t</mi><mn>2</mn></msub></mrow><mo>‾</mo></mover><mo>,</mo><mover><mrow><msub><mi>t</mi><mn>2</mn></msub><msub><mi>t</mi><mn>3</mn></msub></mrow><mo>‾</mo></mover><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><mover><mrow><msub><mi>t</mi><mrow><mi>a</mi><mo>-</mo><mn>1</mn></mrow></msub><msub><mi>t</mi><mi>a</mi></msub></mrow><mo>‾</mo></mover><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><mover><mrow><msub><mi>t</mi><msub><mi>N</mi><mrow><mi>i</mi><mo>-</mo><mn>1</mn></mrow></msub></msub><msub><mi>t</mi><msub><mi>N</mi><mi>i</mi></msub></msub></mrow><mo>‾</mo></mover><mo>}</mo><mo>,</mo><mover><msub><mi>T</mi><mi>j</mi></msub><mo>‾</mo></mover><mo>=</mo><mo>{</mo><mover><mrow><msub><mi>t</mi><mn>1</mn></msub><msub><mi>t</mi><mn>2</mn></msub></mrow><mo>‾</mo></mover><mo>,</mo><mover><mrow><msub><mi>t</mi><mn>2</mn></msub><msub><mi>t</mi><mn>3</mn></msub></mrow><mo>‾</mo></mover><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><mover><mrow><msub><mi>t</mi><mrow><mi>b</mi><mo>-</mo><mn>1</mn></mrow></msub><msub><mi>t</mi><mi>b</mi></msub></mrow><mo>‾</mo></mover><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><mover><mrow><msub><mi>t</mi><msub><mi>N</mi><mrow><mi>j</mi><mo>-</mo><mn>1</mn></mrow></msub></msub><msub><mi>t</mi><msub><mi>N</mi><mi>j</mi></msub></msub></mrow><mo>‾</mo></mover><mo>}</mo><mo>,</mo></mrow></math>]]></maths>在IMHD算法中,轨迹T<sub>i</sub>的采样点t<sub>a</sub>到T<sub>j</sub>最短距离表示为:<img file="FSA0000095043050000021.GIF" wi="1296" he="197" />其中||||表示采样点间欧氏距离,<img file="FSA00000950430500000212.GIF" wi="93" he="113" />是t<sub>a</sub>映射到<img file="FSA0000095043050000022.GIF" wi="41" he="62" />对应线段的垂直插值点,如果存在<img file="FSA00000950430500000213.GIF" wi="103" he="64" />则<img file="FSA00000950430500000211.GIF" wi="144" he="87" />为t<sub>a</sub>到T<sub>j</sub>最短距离,否则遍历轨迹T<sub>j</sub>所有采样点,找到最小距离<img file="FSA0000095043050000023.GIF" wi="195" he="86" />最后轨迹T<sub>i</sub>到T<sub>j</sub>的距离为:<img file="FSA0000095043050000024.GIF" wi="476" he="112" />轨迹T<sub>i</sub>和T<sub>j</sub>的空间位置距离为:D<sub>IMHD</sub>(T<sub>i</sub>,T<sub>j</sub>)=max(h(T<sub>i</sub>,T<sub>j</sub>),h(T<sub>j</sub>,T<sub>i</sub>)) (4)b.多特征轨迹分类设含有m个有效轨迹的集合为Ω<sub>Traj</sub>={T<sub>1</sub>,T<sub>2</sub>,…,T<sub>m</sub>},Step1用Bhattacharyya距离计算轨迹T<sub>i</sub>,T<sub>j</sub>之间运动方向相似度Dire(T<sub>i</sub>,T<sub>j</sub>),用高斯核函数构造基于运动方向的相似矩阵W<sub>Dire</sub>∈R<sup>m×m</sup>,其中w<sub>ij</sub>=exp(-Dire(T<sub>i</sub>,T<sub>j</sub>)<sup>2</sup>/2σ<sup>2</sup>),σ为尺度参数;Step2构造标准Laplacian矩阵<img file="FSA0000095043050000025.GIF" wi="376" he="55" />其中D<sub>1</sub>为对角矩阵,矩阵元素为<img file="FSA0000095043050000026.GIF" wi="218" he="104" />Step3对L<sub>Dire</sub>进行特征值分解,将特征值按降序排列编号λ<sub>1</sub>≥λ<sub>2</sub>≥…≥λ<sub>m</sub>,计算相邻特征值之差,如果第i个特征值和第i+1个特征值差异最大,则确定粗聚类个数<img file="FSA0000095043050000027.GIF" wi="368" he="75" />Step4构造m×k矩阵L=[l<sub>1</sub>,l<sub>2</sub>,…,l<sub>k</sub>],其中l<sub>1</sub>,l<sub>2</sub>,…,l<sub>k</sub>为前k个特征值对应的特征向量,对L每一行进行单位化处理,得矩阵X,其中<img file="FSA0000095043050000028.GIF" wi="297" he="125" />降维后的轨迹集合为Ω<sub>Traj</sub>′={x<sub>1</sub>,x<sub>2</sub>,…,x<sub>m</sub>},x<sub>1</sub>,x<sub>2</sub>,…,x<sub>m</sub>分别对应矩阵X的每一个行向量,代表R<sup>k</sup>空间的一点;Step5对x<sub>1</sub>,x<sub>2</sub>,…,x<sub>m</sub>进行凝聚层次聚类,使用最小距离计算两簇之间相似度,当最后合并为k个簇时迭代终止,得到k个中间集群{O<sub>1</sub>,O<sub>2</sub>…,O<sub>i</sub>,…,O<sub>k</sub>};Step6对每个中间集群O<sub>i</sub>中对应的原轨迹用IMHD距离构造基于空间位置的相似矩阵W<sub>IMHD</sub>,其中w<sub>ij</sub>=exp(-D<sub>IMHD</sub>(T<sub>i</sub>,T<sub>j</sub>)<sup>2</sup>/2σ<sup>2</sup>),重复Step2到Step5,确定每个集群O<sub>i</sub>聚类个数q<sub>i</sub>,构造低维特征空间,最后聚类得到集群{C<sub>1</sub>,C<sub>2</sub>…,C<sub>K</sub>},总聚类个数<img file="FSA0000095043050000029.GIF" wi="188" he="106" /> |