基于谱聚类的车辆异常行为检测方法

摘要

本发明公开了一种基于谱聚类的车辆异常行为检测方法，通过视频跟踪获取运动目标的时空轨迹，经过去异和预处理得到正常的轨迹，对轨迹进行构图，得到轨迹序列对应的无向图；然后计算轨迹间的相似性，从而得到相似性矩阵；对相似性矩阵进行拉普拉斯变换得到拉普拉斯矩阵，然后对其前k个最大特征值的特征向量矩阵进行聚类；对运动轨迹进行模式学后，获得目标在正常状态下的运动模式，如果一条新的轨迹符合其中的一条常态运动模式，则说明该交通没有发生异常，否则说明车辆在进行非常态运动，即出现交通异常。本发明通过对车辆轨迹的聚类学，实现了对车辆异常行为的监测，可以发现车辆的非正常变道，为交通管理自动化提供依据。

主权项

1.一种基于谱聚类的车辆异常行为检测方法，包括下列步骤：(1)获取用于轨迹学习的样本视频序列，通过对样本视频序列中的车辆对象进行跟踪，获取车辆对象的时空轨迹，对所述时空轨迹进行异常轨迹去除后，得到车辆对象的轨迹序列，车辆轨迹数n大于等于100；(2)对步骤(1)获得的轨迹序列进行构图，将轨迹序列中的每条轨迹作为一个样本点，轨迹间的Hausdorff距离为样本点间的距离，首先对样本点按照局部密度进行排序，然后构建得到与轨迹序列对应的无向图，具体方法为：轨迹序列的数据样本集中有n个样本点，其中第i个样本点为v_i，记样本点v_i与其前k个近邻样本点的距离之和为D_i，即，D_i=d_i1+d_i2+…+d_ij+…+d_ik，其中d_i1≤d_i2≤…≤d_ij≤…≤d_ik，d_ij表示样本点v_i和样本点v_j之间的距离，k为预设值，k取5～10之间的整数；所述无向图以邻接矩阵P表示，P为n行n列的二维矩阵，P中各元素的初始值均为-1，对于两个样本点v_i和v_j，连线操作为置p_ij=1且p_ji=1，不连线操作为置p_ij=0且p_ji=0；对n个样本点，按下列步骤处理：①分别计算获得D_i，其中i为1至n的整数；②对D_i从小到大排序，选取最小值对应的样本点v_a；③对样本点v_a和它的k个近邻样本点进行连线操作，对样本点v_a和其它样本点进行不连线操作，将D_a从D_i序列中去除；④选取剩余D_i序列中的最小值，其对应的样本点为v_x，v_x的k个邻近样本点集为{v_xl,l＝1,2...k}，v_xl表示距离点v_x第l近的点，初始化l＝1；⑤如果v_xl已与v_x连接，l＝l+1；否则，如果与v_xl相连接的样本点的个数为k，则对样本点v_x与样本点v_xl进行不连线操作，l＝l+1；否则，对样本点v_x与样本点v_xl进行连线操作，l＝l+1；当邻接矩阵中与样本点v_x已连接的样本点的个数小于k个且l≤k时，重复步骤⑤；⑥将D_x从D_i序列中去除，重复步骤④至⑥，直至对所有样本点完成操作，获得所述无向图；(3)计算轨迹序列中各轨迹之间的相似度：根据步骤(2)获得的无向图，若两条轨迹间有路径相连，则相似度值为H为该两条轨迹间的Hausdorff距离值，若两条轨迹间无路径通过，则它们之间的相似度值为0；据此计算得出任意两条轨迹间的相似度值，获得与无向图对应的相似矩阵S_ij，i、j为1至n的整数；(4)进行聚类处理；处理步骤如下：①构造拉普拉斯矩阵L＝D^-1/2SD^-1/2，其中D为对角度矩阵②计算矩阵L的特征值，并对特征值从大到小排序，计算相邻特征值间的差值，获得差值序列，差值序列中第一个极大值所在位置为c，取c为最终类别数；③采用从大到小排序的前c个特征值对应的特征向量t₁,t₂,…,t_c，构造矩阵T=[t₁,t₂,…,t_c]，对矩阵T中的每一行进行单位化处理，得到矩阵Y，即：$Y_{\mathrm{ij}}=\frac{T_{\mathrm{ij}}}{{\left({\Sigma }_j{T}_{\mathrm{ij}}^2\right)}^{\frac{1}{2}}}---\left(1\right)$④把矩阵Y的每一行看成c维空间中的点，利用聚类算法将其聚成c类；⑤如果Y的第i行属于第j类，则将原数据点x_i也划分到第j类，由此实现对原轨迹序列的聚类；(5)车辆异常行为检测：对运动的车辆对象进行视频跟踪，获得该车辆的运动轨迹；如果该运动轨迹符合步骤(4)中的其中一类聚类，则车辆行为正常，否则发出车辆行为异常的信号，由此实现车辆异常行为的检测。