一种基于车辆轨迹向量确定车辆实际方向的方法及装置制造方法及图纸

本发明专利技术实施例提出了一种基于车辆轨迹向量确定车辆实际方向的方法及装置，该方法中针对获取的每个车辆轨迹向量进行聚类，根据每个聚类中包含的车辆轨迹向量，确定每个聚类中心点对应的车辆轨迹向量，其中该聚类的数量大于预设的车辆的实际方向的数量，根据与每个聚类中心点对应的车辆轨迹向量的距离，确定待分类的车辆轨迹向量所在聚类，根据与每个聚类中心点对应的车辆轨迹向量匹配的车辆的实际方向，确定待分类的车辆轨迹向量的实际方向，保证了方向确定的准确性和鲁棒性。

【技术实现步骤摘要】

本专利技术涉及监控视频智能分析
，特别涉及一种基于车辆轨迹向量确定车辆实际方向的方法及装置。
技术介绍
在监控视频智能分析领域，通常采用计算机视觉和模式识别等方法和技术，对视频图像及图像序列采用自动或半自动的方法进行分析，从而实现场景监控、行为检测、异常报警等功能，进而辅助管理人员更有效地对场景的状态、事件进行监控和管理。交通场景，如城市道路、路口、停车场、高速公路等，是一类典型的视频监控场景，交通监控视频中，车辆运动方向的分类与识别具有很重要的应用，例如可以用于判断车辆是否违章行驶、分析车辆运行规律、预测道路拥堵状况等。这一工作通常根据车辆在监控视频中的运动轨迹进行分析和识别。车辆轨迹是指车辆在监控视频中连续出现的位置点的集合，车辆运动方向识别是指，某一监控场景有若干已知的车辆运动方向，当通过监控视频得到一条车辆轨迹时，能够将其分类为某一运动方向。如图1所示，左图展示了针对某路口的监控场景已知的四类车辆运动方向，右图展示了一条输入车辆轨迹，根据该车辆轨迹通过识别可知该车辆轨迹的运行方向为3。该问题的一般解决思路是，首先根据大量已有的车辆轨迹数据，离线学习出该场景的运动方向模型；然后，得到新的车辆轨迹数据时，根据已有模型将该车辆轨迹识别为相应的方向类型。现有技术在针对车辆轨迹识别其运动方向时，可以采用面向人群监控的人群运动行为识别方法。该方法采用视频的光流特征，分析监控场景中人群的运动方向。将视频序列的光流特征用隐马尔科夫模型建模，学习出场景中人群的运动模型，进而对人群运动进行分类和识别。然而，该方法关注于场景中群体运动方向的分类，无法直接应用于单一对象的运动分析，而且光流特征的计算和隐马尔科夫模型的训练都比较复杂，不适于交通场景的实时性要求。现有技术在针对车辆轨迹识别其运动方向时，还可以采用基于非监督学习的对象运动识别方法。该方法对于复杂的监控场景，仅仅是去除噪声和长度归一化，仍无法保证识别运行方向的准确性；此外，仅采用非监督学习对于复杂的场景会产生较大的分类误差。如图2所示，将某交通场景的车辆轨迹直接进行4类k均值聚类，图中左下侧白框中的车辆轨迹和右侧白框中的车辆轨迹实际为相同运动方向的车辆轨迹，但由于车辆轨迹位置和长度的因素被聚类为两个不同的类型，而左上白框与左下白框中的车辆轨迹原本为不同运动方向却被聚类为相同类型。现有技术在针对车辆轨迹识别其运动方向时，还可以采用基于有监督学习的对象运动识别方法。该方法将得到的对象运动轨迹或特征人工加上分类标签，然后采用有监督的方法训练多类分类器，如人工神经网络或决策树等，在输入新的样本数据时，采用训练好的分类器对输入样本进行分类和识别。但此类方法需要人工对训练样本进行分类和标记，同时要选择合适的多类分类器并选择合适的训练参数，需要较大的人工工作量。由于监控视频得到的轨迹数据通常都是没有标记的，因此无法采用有监督学习的方法进行模型学习；同时，由于监控场景的复杂性，车辆轨迹通常长短不一、包含噪声，仅采用非监督学习往往会学习出较差的模型。
技术实现思路
本专利技术实施例的目的是提供一种基于车辆轨迹向量确定车辆实际方向的方法及装置，用以提高车辆方向确定的准确性和鲁棒性。具体技术方案如下：接收待分类的车辆轨迹向量；确定该待分类的车辆轨迹向量与每个聚类的中心点对应的车辆轨迹向量的距离；将所述待分类的车辆轨迹向量划分到该距离最小值对应的聚类中，其中根据以下方法，确定每个聚类的中心点对应的车辆轨迹向量：针对获取的每个车辆轨迹向量进行聚类，其中该聚类的数量大于预设的车辆的实际方向的数量，根据每个聚类中包含的车辆轨迹向量，确定每个聚类中心点对应的车辆轨迹向量；根据与每个聚类中心点对应的车辆轨迹向量匹配的车辆的实际方向，确定该待分类的车辆轨迹向量对应的车辆的实际方向。可选的，所述确定该待分类的车辆轨迹向量与每个聚类的中心点对应的车辆轨迹向量的距离包括：根据以下公式确定该待分类的车辆轨迹向量与每个聚类的中心点对应的车辆轨迹向量的距离：D(x,C)＝∑(x-C)2其中，x为该待分类的车辆轨迹向量，C为聚类中心点对应的车辆轨迹向量。可选的，所述车辆轨迹向量包括：车辆轨迹的起始点坐标、车辆轨迹的中间点坐标、车辆轨迹的终止点坐标、车辆轨迹的终止点与起始点的坐标差；其中，通过以下方法确定所述车辆轨迹起始点的坐标、中间点的坐标、终止点的坐标：在所述车辆轨迹的起始位置、中间位置和终点位置，采用设定的方法，确定每个位置对应的区域；在每个区域内选取多个点，根据选取的该多个点的坐标，确定所述车辆轨迹起始点的坐标、中间点的坐标和终止点的坐标。可选的，所述针对获取的每个车辆轨迹向量进行聚类之前，所述方法包括：针对获取的每个车辆轨迹向量，判断该车辆轨迹的长度是否在预设的长度范围内，如果否，则去除该车辆轨迹向量。可选的，所述聚类的数量为预设的车辆的实际方向的数量的整数倍，该整数不小于2。本专利技术实施例提供了一种基于车辆轨迹向量确定车辆实际方向的装置，所述装置包括：接收模块，用于接收待分类的车辆轨迹向量；第一确定模块，用于确定该待分类的车辆轨迹向量与每个聚类的中心点对应的车辆轨迹向量的距离；聚类模块，用于将所述待分类的车辆轨迹向量划分到该距离最小值对应的聚类中；第二确定模块，用于根据与每个聚类中心点对应的车辆轨迹向量匹配的车辆的实际方向，确定该待分类的车辆轨迹向量对应的车辆的实际方向；所述聚类模块，还用于针对获取的每个车辆轨迹向量进行聚类，其中该聚类的数量大于预设的车辆的实际方向的数量，根据每个聚类中包含的车辆轨迹向量，确定每个聚类中心点对应的车辆轨迹向量。可选的，所述第一确定模块，具体用于根据以下公式确定该待分类的车辆轨迹向量与每个聚类的中心点对应的车辆轨迹向量的距离：D(x,C)＝∑(x-C)2其中，x为该待分类的车辆轨迹向量，C为聚类中心点对应的车辆轨迹向量。可选的，所述车辆轨迹向量包括：车辆轨迹向量包括车辆轨迹的起始点坐标、车辆轨迹的中间点坐标、车辆轨迹的终止点坐标、车辆轨迹的终止点与起始点的坐标差：所述第一确定模块，具体用于在所述车辆轨迹的起始位置、中间位置和终点位置，采用设定的方法，确定每个位置对应的区域；在每个区域内选取多个点，根据选取的该多个点的坐标，确定所述车辆轨迹起始点的坐标、中间点的坐标和终止点的坐标。<本文档来自技高网...

【技术保护点】
一种基于车辆轨迹向量确定车辆实际方向的方法，其特征在于，应用于终端，所述方法包括步骤：接收待分类的车辆轨迹向量；确定该待分类的车辆轨迹向量与每个聚类的中心点对应的车辆轨迹向量的距离；将所述待分类的车辆轨迹向量划分到该距离最小值对应的聚类中，其中根据以下方法，确定每个聚类的中心点对应的车辆轨迹向量：针对获取的每个车辆轨迹向量进行聚类，其中该聚类的数量大于预设的车辆的实际方向的数量，根据每个聚类中包含的车辆轨迹向量，确定每个聚类中心点对应的车辆轨迹向量；根据与每个聚类中心点对应的车辆轨迹向量匹配的车辆的实际方向，确定该待分类的车辆轨迹向量对应的车辆的实际方向。

【技术特征摘要】
1.一种基于车辆轨迹向量确定车辆实际方向的方法，其特征在于，应用
于终端，所述方法包括步骤：
接收待分类的车辆轨迹向量；
确定该待分类的车辆轨迹向量与每个聚类的中心点对应的车辆轨迹向量
的距离；
将所述待分类的车辆轨迹向量划分到该距离最小值对应的聚类中，其中根
据以下方法，确定每个聚类的中心点对应的车辆轨迹向量：针对获取的每个车
辆轨迹向量进行聚类，其中该聚类的数量大于预设的车辆的实际方向的数量，
根据每个聚类中包含的车辆轨迹向量，确定每个聚类中心点对应的车辆轨迹向
量；
根据与每个聚类中心点对应的车辆轨迹向量匹配的车辆的实际方向，确定
该待分类的车辆轨迹向量对应的车辆的实际方向。
2.根据权利要求1所述的方法，其特征在于，所述确定该待分类的车辆
轨迹向量与每个聚类的中心点对应的车辆轨迹向量的距离包括：
根据以下公式确定该待分类的车辆轨迹向量与每个聚类的中心点对应的
车辆轨迹向量的距离：
D(x,C)＝∑(x-C)2其中，x为该待分类的车辆轨迹向量，C为聚类中心点对应的车辆轨迹向
量。
3.根据权利要求1所述的方法，其特征在于，所述车辆轨迹向量包括：
车辆轨迹的起始点坐标、车辆轨迹的中间点坐标、车辆轨迹的终止点坐标、
车辆轨迹的终止点与起始点的坐标差；
其中，通过以下方法确定所述车辆轨迹起始点的坐标、中间点的坐标、终
止点的坐标：
在所述车辆轨迹的起始位置、中间位置和终点位置，采用设定的方法，确
定每个位置对应的区域；
在每个区域内选取多个点，根据选取的该多个点的坐标，确定所述车辆轨

\t迹起始点的坐标、中间点的坐标和终止点的坐标。
4.根据权利要求1所述的方法，其特征在于，所述针对获取的每个车辆
轨迹向量进行聚类之前，所述方法包括：
针对获取的每个车辆轨迹向量，判断该车辆轨迹的长度是否在预设的长度
范围内，如果否，则去除该车辆轨迹向量。
5.根据权利要求1所述的方法，其特征在于，所述聚类的数量为...

【专利技术属性】
技术研发人员：马华东，傅慧源，刘鑫辰，张诚，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京;11