基于车辆轨迹多特征的运动模式学及异常检测方法

摘要

本发明提出了利用轨迹的多个特征信息来进行轨迹模式学和异常检测的方法。首先在轨迹模式学阶段，本发明同时考虑轨迹间的运动方向和空间位置相似度，进行分层的凝聚层次聚类来提取典型的轨迹运动模式，因此具有较高的聚类准确率；通过构造Laplacian矩阵降维大大提高了时间效率。然后在异常检测阶段，本发明先通过GMM模型学场景起点分布区域，再以移动窗作为基本比较单元，定义位置距离和方向距离衡量待测轨迹在位置和方向上的差异，建立基于方向距离和位置距离的在线分类器；通过提出的多特征异常检测算法在线判断轨迹的起点异常、全局异常和局部异常，因同时考虑轨迹的起点、方向和位置特征差异，又考虑全局异常和局部子段异常，因此相比传统方法，本发明有更高的异常识别率。

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：$T_i=\{t_1,t_2,...,t_j,...,t_{N_i}\}=\{(x_1,y_1),(x_2,y_2),...,(x_j,y_j),...,(x_{N_i},y_{N_i})\}$其中t_j表示轨迹T_i的第j个采样点，N_i表示轨迹长度，(x_j，y_j)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_j=(x_j+1-x_j，y_j+1-y_j)，表示相邻采样点间方向向量；m₀=(1，0)，表示方向水平向右的单位向量；轨迹T_i第j个采样点方向角可表示为：${\theta }_j=\left\{\begin{array}{c}\frac{{\cos }^{-1}(m_j·m_0)}{\left|m_j\right|·\left|m_0\right|}·\frac{180}{\pi },\mathrm{if}{y}_{j+1}-y_j\ge 0\\ (2\pi -\frac{{\cos }^{-1}(m_j·m_0)}{\left|m_j\right|·\left|m_0\right|})·\frac{180}{\pi },\mathrm{if}{y}_{j+1}-y_j<0\end{array}\right.(1\le j<N_i-1)---\left(1\right)$其中θ_j∈(0，360)，把轨迹方向角θ_j分成N=18个等间隔子区间(I₁，I₂，…I_N)，每个子区间长度为△θ=360／N=20度，把轨迹T_i的所有方向角θ_j映射到对应的子区间，轨迹T_i方向角分布在区间I_q的概率为p_q=M_q／M，其中M_q：θ_j∈I_q的数目，M：轨迹T_i的方向角数目；轨迹T_i的方向特征可表示为描述了轨迹T_i统计方向信息，采用Bhattacharyya距离衡量轨迹间运动方向相似度为：$\mathrm{Dire}(T_i,T_j)={[1-\underset{q=1}{\overset{N}{\Sigma }}\sqrt{\mathrm{Dire}{\left(T_i\right)}_q\mathrm{Dire}{\left(T_j\right)}_q}]}^{1/2}\in \left[\mathrm{0,1}\right]---\left(2\right)$其中Dire(T_i)_q和Dire(T_j)_q分别表示轨迹T_i和T_j的方向角分布在第q方向角区间的概率，Dire(T_i，T_j)越接近于1，表示两轨迹运动方向越相似；Dire(T_i，T_j)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_i和T_j：$\overline{T_i}=\{\overline{t_1{t}_2},\overline{t_2{t}_3},...,\overline{t_{a-1}{t}_a},...,\overline{t_{N_{i-1}}{t}_{N_i}}\},\overline{T_j}=\{\overline{t_1{t}_2},\overline{t_2{t}_3},...,\overline{t_{b-1}{t}_b},...,\overline{t_{N_{j-1}}{t}_{N_j}}\},$在IMHD算法中，轨迹T_i的采样点t_a到T_j最短距离表示为：其中||||表示采样点间欧氏距离，是t_a映射到对应线段的垂直插值点，如果存在则为t_a到T_j最短距离，否则遍历轨迹T_j所有采样点，找到最小距离最后轨迹T_i到T_j的距离为：轨迹T_i和T_j的空间位置距离为：D_IMHD(T_i，T_j)=max(h(T_i，T_j)，h(T_j，T_i))  (4)b.多特征轨迹分类设含有m个有效轨迹的集合为Ω_Traj={T₁，T₂，…，T_m}，Step1用Bhattacharyya距离计算轨迹T_i，T_j之间运动方向相似度Dire(T_i，T_j)，用高斯核函数构造基于运动方向的相似矩阵W_Dire∈R^m×m，其中w_ij=exp(-Dire(T_i，T_j)²／2σ²)，σ为尺度参数；Step2构造标准Laplacian矩阵其中D₁为对角矩阵，矩阵元素为Step3对L_Dire进行特征值分解，将特征值按降序排列编号λ₁≥λ₂≥…≥λ_m，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Step4构造m×k矩阵L=[l₁，l₂，…，l_k]，其中l₁，l₂，…，l_k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，其中降维后的轨迹集合为Ω_Traj′={x₁，x₂，…，x_m}，x₁，x₂，…，x_m分别对应矩阵X的每一个行向量，代表R^k空间的一点；Step5对x₁，x₂，…，x_m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{O₁，O₂…，O_i，…，O_k}；Step6对每个中间集群O_i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_IMHD，其中w_ij=exp(-D_IMHD(T_i，T_j)²／2σ²)，重复Step2到Step5，确定每个集群O_i聚类个数q_i，构造低维特征空间，最后聚类得到集群{C₁，C₂…，C_K}，总聚类个数