一种基于车辆轨迹相似性的异常检测方法技术

本发明专利技术公开了一种基于轨迹相似性的异常检测方法，首先提取车辆轨迹与车辆轨迹的方向角序列，然后通过计算轨迹间相似性度量进行聚类，根据方向角序列提取典型轨迹，再计算典型轨迹与该类车辆轨迹的相似性度量建立偏差统计模型，得到相似性度量的置信区间，最后计算待测轨迹与典型轨迹的相似性度量，根据置信区间判断是否异常。这种方法实现思路较为直观，容易集成到交通异常报警系统；本发明专利技术使车辆轨迹正、异常区分度更加明显，使异常检测准确率更高，为进一步的异常处理提供有效的依据。

【技术实现步骤摘要】
一种基于车辆轨迹相似性的异常检测方法
本专利技术属于异常行为模式识别
，更为具体地讲，涉及一种基于车辆轨迹相似性的异常检测方法。
技术介绍
随着社会的发展以及交通安全问题的日益突出，智能交通的概念随即产生，并且在视频监控系统的快速发展与应用的情况下，人们需要识别很多特定场景的人或物体(如养老院中的老人、监狱中的犯人与交通中运动的车辆)的行为是否正确，因此，异常检测已经成为了一项十分重要的应用，而获取运动物体的运动信息是异常行为检测的基础。近年来，异常行为检测成为机器视觉和模式识别领域的研究热点，许多学者研究了适用于不同场景和满足不同需求的异常行为检测方法。异常行为检测方法大致可以分为两类：基于局部运动特征的方法和基于轨迹的方法。前者是提取每个像素点或者某固定大小像素块的特征，然后对提取的特征建模；后者是通过技术手段跟踪在实际场景中的运动目标，然后对所获得轨迹进行分析。基于轨迹的方法以其在宏观方面的优势，在很多情况下更加适用。运动目标的运动轨迹为进一步分析其行为、异常检测与云测等提供了依据，如在交通视频的车辆轨迹，它含有丰富的特征信息，这些信息揭示了现场结构，提供了时间的发生线索，可以提取运动方向和速度，并且可以对运动目标的相关性进行推理，有效地监测违章违规行为，预防交通事故发生。轨迹聚类是轨迹分析研究的主要内容，轨迹聚类的出发点在于根据轨迹之间的相似度自动地实现对轨迹的划分。轨迹相似度是轨迹聚类的依据所在，常用的轨迹相似度方法主要包括Euclidean距离、主成分分析(PCA)、Hausdorff距离、(最长公共序列)LCCS、动态时间规整(DTW)、隐马尔可夫模型(HMM)等。动态时间规整(DynamicTimeWraping,DTW)是基于动态规划(DP)的思想，是一种衡量两个长度不同的时间序列的相似度的方法，主要用于模板匹配中，比如语音识别、手势识别、数据挖掘和信息检索等，DTW距离在测算轨迹间的距离时也被经常使用。在许多交通异常情况下，如只有一次大的波动而其他处均属正常行驶的情况时我们认为是正常行为，而一直蛇形行驶的情况属异常行为，在这种背景下，经典的DTW测距在测算两条轨迹距离时，这两种情况中很难得以区分，需要对该方法进行改进，并应用于实际情景中，察看效果。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于车辆轨迹相似性的异常检测方法，能够提高识别蛇形行驶中异常的准确率。为实现上述专利技术目的，本专利技术一种基于车辆轨迹相似性的异常检测方法，其特征在于，包括以下步骤：(1)、提取车辆轨迹采集目标车辆的位置信息，对采集的位置信息进行高斯滤波，再对滤波完的位置信息进行特征提取，把提取的位置特征组成2n*m矩阵M，其中2n为矩阵M的行数，m为矩阵M的列数；在矩阵M中，每两行代表一条车辆轨迹，两行中的第一行表示横坐标，第二行表示纵坐标，则矩阵M中包含n条车辆轨迹数，每条车辆轨迹中包含m个采样点；将矩阵M的每两行组成的矩阵M′i，i＝1,2,...,n，矩阵M′i再转置后得到第i条车辆轨迹的矢量序列Li＝{qj＝(xj,yj),j＝1,2,...,m}，其中，qj表示第j个采样点的横、纵坐标(xj,yj)；(2)、获取车辆轨迹的方向角序列(2.1)、提取车辆轨迹方向角βj(2.2)、确定车辆轨迹的方向角序列设每条车辆轨迹中最后一个采样点的方向角与前一个采样点的方向角相同，即βm＝βm-1；则每条车辆轨迹的矢量序列Li所对应的方向角序列Bi可表示为：Bi＝(β1,β2,...,βm)；(3)、对车辆轨迹进行聚类(3.1)、计算车辆轨迹间的相似性度量利用改进后基于权重的DTW轨迹距离算法计算矩阵M中任意两条车辆轨迹间的相似性度量其中，te是所求规整路径T上的阈值之外的第e个值；tf是所求规整路径T上的阈值之内的第f个值；we、wf分别为阈值外和阈值内的点的相似性度量的权重，且满足m1、n1分别为T上阈值之外、阈值之内点的个数；Lk、Ll为从矩阵M中任意提取的两条车辆轨迹的矢量序列，k,l＝1,2,...,n；(3.2)、获取车辆轨迹的相似性度量矩阵K通过步骤(3.1)计算出所有车辆轨迹的相似性度量，组成n*n的相似性度量矩阵K：其中，σ为尺度参数，用于控制Kkl随Lk和Ll距离增加而衰减的速度，Kkl为矩阵K中第k行第l列的元素；(3.3)、对车辆轨迹进行聚类先确定谱聚类算法的聚类个数，即聚为ζ类，将n*n的相似性度量矩阵K作为谱聚类算法输入，将所有的车辆轨迹聚为ζ类；(4)、提取车辆轨迹的典型轨迹和偏差统计建模将聚类后的第τ类车辆轨迹按照纵坐标进行区间划分，τ＝1,2,…,ζ，初始区间长度设为sx，计算该类车辆轨迹在各个区间内方向角的方差，并设定方差阈值η和区间合并阈值ε；(4.1)、如果在某个区间内，任意一条车辆轨迹的方差大于η，则在步骤(4.2)中计算方向角均值时，舍弃该区间内该条车辆轨迹的方向角；(4.2)、根据方向角序列Bi计算每个区间的方向角均值αi，t为合并前区间个数；如果两相邻区间的方向角均值之差大于等于ε，则两相邻区间保持不变；如果两相邻区间的方向角均值之差小于ε，则合并这两个区间，并计算合并后的区间的方向角均值s为合并后区间个数，合并操作直至最后不能合并区间为止；然后分别计算每个区间所有点的横、纵坐标均值得到该区间所有点的中值c，再由方向角均值算出斜率得到斜率为且过点c的直线，即为该类车辆轨迹在该区间的典型轨迹再将各个区间的典型轨迹连接起来得到该类车辆轨迹的典型轨迹Lcτ；(4.3)、建立轨迹偏差统计模型根据步骤(3.1)中车辆轨迹相似性度量计算公式，计算出第τ类中所有轨迹与典型轨迹Lcτ的相似性度量，得到第τ类车辆轨迹的相似性度量序列Dτr，r表示第τ类车辆轨迹的条数；在第τ类车辆轨迹中，对每条车辆轨迹的每个采样点根据典型轨迹Lcτ求对应纵坐标下的横坐标xpq，p＝1,2,…,r；q＝1,2,…,m，xpq表示第p条车辆轨迹的第q个采样点的纵坐标在典型轨迹上的横坐标；将每个采样点的横坐标减去对应的xpq，再分别统计每条车辆轨迹横坐标的正负，正数多则计算的相似性度量为正，负数多则计算的相似性度量为负，则Dτr成为D'τr；对D'τr中所有相似性度量进行高斯建模，且服从N(uτ,στ2)，即Dτ～N(uτ,στ2)其中Dτr'(p)表示在第τ类车辆轨迹中，第p条车辆轨迹与典型轨迹Lcτ的相似性度量；设置置信度为1-α，则置信区间为其中，nτ为第τ类车辆轨迹中轨迹条数，(5)、车辆轨迹的异常检测根据步骤(3.1)中车辆轨迹相似性度量计算公式，计算待测车辆轨迹与每类典型轨迹的相似性度量，如果任意一相似性度量在置信区间内，则该车辆轨迹正常，否则该车辆轨迹异常。本专利技术的专利技术目的是这样实现的：本专利技术基于轨迹相似性的异常检测方法，首先提取车辆轨迹与车辆轨迹的方向角序列，然后通过计算轨迹间相似性度量进行聚类，根据方向角序列提取典型轨迹，再计算典型轨迹与该类车辆轨迹的相似性度量建立偏差统计模型，得到相似性度量的置信区间，最后计算待测轨迹与典型轨迹的相似性度量，根据置信区间判断是否异常。这种方法实现思路较为直观，容易集成到交通异常报警系统；本专利技术使车辆轨迹正、异常区分度更加明显，使异常检本文档来自技高网...

【技术保护点】
一种基于车辆轨迹相似性的异常检测方法，其特征在于，包括以下步骤：(1)、提取车辆轨迹采集目标车辆的位置信息，对采集的位置信息进行高斯滤波，再对滤波完的位置信息进行特征提取，把提取的位置特征组成2n*m矩阵M，其中2n为矩阵M的行数，m为矩阵M的列数；在矩阵M中，每两行代表一条车辆轨迹，两行中的第一行表示横坐标，第二行表示纵坐标，则矩阵M中包含n条车辆轨迹数，每条车辆轨迹中包含m个采样点；将矩阵M的每两行组成的矩阵Mi'(i＝1,2,...,n)，矩阵Mi'再转置后得到第i条车辆轨迹的矢量序列Li＝{qj＝(xj,yj),j＝1,2,...,m}，其中，qj表示第j个采样点的横、纵坐标(xj,yj)；(2)、获取车辆轨迹的方向角序列(2.1)、提取车辆轨迹方向角βjβj=arctan(yj+1-yjxj+1-xj),xj+1-xj>0,yj+1-yj≠0arctan(yj+1-yjxj+1-xj)-π,xj+1-xj<0,yj+1-yj<0arctan(yj+1-yjxj+1-xj)+π,xj+1-xj>0,yj+1-yj>0-π2,xj+1-xj=0,yj+1-yj<0π2,xj+1-xj=0,yj+1-yj>00,yj+1-yj=0]]>(2.2)、确定车辆轨迹的方向角序列设每条车辆轨迹中最后一个采样点的方向角与前一个采样点的方向角相同，即βm＝βm‑1；则每条车辆轨迹的矢量序列Li所对应的方向角序列Bi可表示为：Bi＝(β1,β2,...,βm)(i＝1,2,...,n)；(3)、对车辆轨迹进行聚类(3.1)、计算车辆轨迹间的相似性度量利用改进后基于权重的DTW轨迹距离算法计算矩阵M中任意两条车辆轨迹间的相似性度量Dimp(Lk,Ll)=Σe=1m1wete+Σf=1n1wftf]]>其中，ti是所求规整路径T上的阈值之外的第e个值；tj是所求规整路径T上的阈值之内的第f个值；we、wf分别为阈值外和阈值内的点的相相似性度量的权重，且满足m1、n1分别为T上阈值之外、阈值之内点的个数；Lk、Ll为从矩阵M中任意提取的两条车辆轨迹的矢量序列，k,l＝1,2,...,n；(3.2)、获取车辆轨迹的相似性度量矩阵K通过步骤(3.1)计算出所有车辆轨迹的相似性度量，组成n*n的相似性度量矩阵K：Kkl=0,k=lexp(-Dimp(Lk,Ll)2/(2σ2)),k≠l]]>其中，σ为尺度参数，用于控制Kkl随Lk和Ll距离增加而衰减的速度，Kkl为矩阵K中第k行第l列的元素。(3.3)、对车辆轨迹进行聚类先确定谱聚类算法的聚类个数，即聚为ζ类，将n*n的相似性度量矩阵K作为谱聚类算法输入，将所有的车辆轨迹聚为ζ类；(4)、提取车辆轨迹的典型轨迹和偏差统计建模将聚类后的第τ,τ＝1,2,…,ζ类车辆轨迹按照纵坐标进行区间划分，初始区间长度设为sx，计算该类车辆轨迹在各个区间内方向角的方差，并设定方差阈值η和区间合并阈值ε；(4.1)、如果在某个区间内，任意一条车辆轨迹的方差大于η，则在步骤(4.2)中计算方向角均值时，舍弃该区间内该条车辆轨迹的方向角；(4.2)、根据方向角序列Bi计算每个区间的方向角均值t为合并前区间个数；如果两相邻区间的方向角均值之差大于等于ε，则两相邻区间保持不变；如果两相邻区间的方向角均值之差小于ε，则合并这两个区间，并计算合并后的区间的方向角均值s为合并后区间个数，合并操作直至最后不能合并区间为止；然后分别计算每个区间所有点的横、纵坐标均值得到该区间所有点的中值c，再由方向角均值算出斜率ki*=tan(α~i*·π180),]]>得到斜率为且过点c的直线，即为该类车辆轨迹在该区间的典型轨迹再将各个区间的典型轨迹连接起来得到该类车辆轨迹的典型轨迹Lcτ；(4.3)、建立轨迹偏差统计模型根据步骤(3.1)中车辆轨迹相似性度量计算公式，计算出第τ类中所有轨迹与典型轨迹Lτ的相似性度量，得到第τ类车辆轨迹的相似性度量序列Dτr，r表示第第τ类车辆轨迹的条数；在第τ类车辆轨迹中，对每条车辆轨迹的每个采样点根据典型轨迹Lcτ求对应纵坐标下的横坐标xpq(p＝1,2,…,r；q＝1,2,…,m)，xpq表示第p条车辆轨迹的第个采样点的纵坐标在典型轨迹上的横坐标；将每个采样点的横坐标减去对应的xpq，再分别统计每条车辆轨迹横坐标的正负，正数多则计算的相似性度量为正，负数多则计算的相似性度量为负，则Dτr成为D'τr；对D'τr中所有相似性度量进行高斯建模，且服从N(uτ,στ2)，即Dτ～N(uτ,στ2)uτ=1rΣp=1rDtr&prime...

【技术特征摘要】
1.一种基于车辆轨迹相似性的异常检测方法，其特征在于，包括以下步骤：(1)、提取车辆轨迹采集目标车辆的位置信息，对采集的位置信息进行高斯滤波，再对滤波完的位置信息进行特征提取，把提取的位置特征组成2n*m矩阵M，其中2n为矩阵M的行数，m为矩阵M的列数；在矩阵M中，每两行代表一条车辆轨迹，两行中的第一行表示横坐标，第二行表示纵坐标，则矩阵M中包含n条车辆轨迹数，每条车辆轨迹中包含m个采样点；将矩阵M中代表一条车辆轨迹的两行组成的矩阵Mi'，i＝1,2,...,n，矩阵Mi'再转置后得到第i条车辆轨迹的矢量序列Li＝{qj＝(xj,yj),j＝1,2,...,m}，其中，qj表示第j个采样点的横、纵坐标(xj,yj)；(2)、获取车辆轨迹的方向角序列(2.1)、提取车辆轨迹方向角βj(2.2)、确定车辆轨迹的方向角序列设每条车辆轨迹中最后一个采样点的方向角与前一个采样点的方向角相同，即βm＝βm-1；则每条车辆轨迹的矢量序列Li所对应的方向角序列Bi可表示为：Bi＝(β1,β2,...,βm)；(3)、对车辆轨迹进行聚类(3.1)、计算车辆轨迹间的相似性度量利用改进后基于权重的DTW轨迹距离算法计算矩阵M中任意两条车辆轨迹间的相似性度量其中，te是所求规整路径T上的阈值之外的第e个值；tf是所求规整路径T上的阈值之内的第f个值；we、wf分别为阈值外和阈值内的点的相似性度量的权重，且满足m1、n1分别为T上阈值之外、阈值之内点的个数；Lk、Ll为从矩阵M中任意提取的两条车辆轨迹的矢量序列，k,l＝1,2,...,n；(3.2)、获取车辆轨迹的相似性度量矩阵K通过步骤(3.1)计算出所有车辆轨迹的相似性度量，组成n*n的相似性度量矩阵K：其中，σ为尺度参数，用于控制Kkl随Lk和Ll距离增加而衰减的速度，Kkl为矩阵K中第k行第l列的元素；(3.3)、对车辆轨迹进行聚类先确定谱聚类算法的聚类个数，即聚为ζ类，将n*n的相似性度量矩阵K作为谱聚类算法输入，将所有的车辆轨迹聚为ζ类；(4)、提取车辆轨迹的...

【专利技术属性】
技术研发人员：凡时财，蔡靖，邹见效，徐红兵，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51