本发明专利技术提出了利用轨迹的多个特征信息来进行轨迹模式学习和异常检测的方法。首先在轨迹模式学习阶段，本发明专利技术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，本发明专利技术先通过GMM模型学习场景起点分布区域，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，本发明专利技术有更高的异常识别率。
【技术实现步骤摘要】
本专利技术涉及的是基于车辆轨迹多特征的运动模式学习方法和在线异常轨迹检测方法。首先通过由粗到细的分层聚类来提取轨迹运动模式，每层分别采用Bhattacharyya距离和基于线段插值的改进Hausdorff距离衡量轨迹间运动方向和空间位置的相似度，并引入Laplacian映射以降低计算复杂度并自动确定每层聚类数目。在此基础上，同时考虑待测轨迹与运动模式在起点分布、位置和方向上的差异，通过学习的起点分布模型和基于位置距离和方向距离的分类器在线判断起点、全局和局部异常。
技术介绍
近年来，在视频监控系统的智能化研究中，基于运动目标轨迹的行为分析和识别成为研究热点，其中学习监控场景轨迹分布模式和异常检测是研究的重要内容。尤其在智能交通监控中，车辆的行驶轨迹蕴含着丰富的特征信息，正常情况下车辆会沿着固定的道路和指定的方向行驶，运动轨迹表现出较高的重复性和相似性，通过与学习的正常轨迹运动模型比较就可以自动的检测出逆行、U型转弯等异常行为，相比传统的人工手动的标记异常，大大的提高了异常检测效率。在轨迹模式学习方法中，通过无监督的聚类算法来提取典型轨迹运动模式的方法已得到广泛应用，常用的有谱聚类、层次聚类、模糊K均值聚类和k-medoids算法等。但传统的轨迹分类算法只考虑利用单一轨迹特征衡量轨迹间相似性，应用到复杂的监控场景下，轨迹模式识别率低。在异常检测方法中，主要是建立正常轨迹模型，学习模型参数，将待测轨迹与模型进行匹配来判断是否异常。最主要的方法有两种:基于单高斯模型的方法和基于HMM模型的方法。(I)前者是通过一系列单高斯模型学习正常轨迹的统计分布模式，建立贝叶斯分类器，然后通过递增的在线异常检测方法识别异常行为，但只考虑了轨迹空间位置异常，没考虑方向异常；(2)后者是通过C-HMM建立轨迹模型，把每个正常轨迹集群分成几个区域，用GMM学习每个HMM状态的模型参数，设定异常阈值，将待测轨迹作为模型的输入来判断轨迹异常，该方法只能粗略检测差异较大的异常，对于复杂的局部子段异常则很难识别。本专利对以上问题，本专利提出了利用轨迹的多个特征信息来进行轨迹模式学习和异常检测的方法。首先在轨迹模式学习阶段，本专利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，本专利先通过GMM模型学习场景起点分布区域，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，本专利有更高的异常识别率。
技术实现思路
本专利主要包括两方面:首先专利技术了一种无监督的多特征轨迹模式学习方法来提取典型的轨迹运动模式；然后在此基础上专利技术了一种在线多特征异常检测方法来同时检测轨迹的起点异常、局部异常、全局异常。一、无监督的多特征轨迹模式学习方法本专利技术首先提供一种基于轨迹多特征的模式学习方法，通过同时考虑轨迹间的运动方向和空间位置来衡量轨迹间的相似度，进行分层的凝聚层次聚类来提取典型的轨迹运动模式，并通过引入Laplacian矩阵来提高层次聚类算法效率。具体模式学习框架如图1所示。本专利技术的具体实现步骤如下:1、多特征提取和轨迹间相似度测量本专利技术充分利用轨迹位置和方向特征信息来衡量轨迹间的相似度，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:T1, ={t1,t2,...,tj,...,tN1}={(x1,y1),(x2,y2）,...,(x,yj),...(xN1,yN1)}其中tj表示轨迹Ti的第j个采样点，Ni表示轨迹长度。(Xj，Yj)表示第j采样点在图像平面的二维位置坐标。1)轨迹运动方向相似度测量轨迹方向特征提取如图2所示,定义mj= (Xj+1-Xj, yj+1-yj)，表示相邻采样点间方向向量;m0=(1,O),表示方向水平向右的单位向量。轨迹Ti第j个采样点方向角可表示为: 本文档来自技高网...
【技术保护点】
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：Ti={t1,t2,...,tj,...,tNi}={(x1,y1),(x2,y2),...,(xj,yj),...,(xNi,yNi)}其中tj表示轨迹Ti的第j个采样点，Ni表示轨迹长度，(xj，yj)表示第j采样点在图像平面的二维位置坐标；轨迹定义为mj=(xj+1?xj，yj+1?yj)，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Ti第j个采样点方向角可表示为：θj=cos-1(mj·m0)|mj|·|m0|·180π,ifyj+1-yj≥0(2π-cos-1(mj·m0)|mj|·|m0|)·180π,ifyj+1-yj<0(1≤j<Ni-1)---(1)其中θj∈(0，360)，把轨迹方向角θj分成N=18个等间隔子区间(I1，I2，…IN)，每个子区间长度为△θ=360／N=20度，把轨迹Ti的所有方向角θj映射到对应的子区间，轨迹Ti方向角分布在区间Iq的概率为pq=Mq／M，其中Mq：θj∈Iq的数目，M：轨迹Ti的方向角数目；轨迹Ti的方向特征可表示为描述了轨迹Ti统计方向信息，采用Bhattacharyya距离衡量轨迹间运动方向相似度为：Dire(Ti,Tj)=[1-Σq=1NDire(Ti)qDire(Tj)q]1/2∈[0,1]---(2)其中Dire(Ti)q和Dire(Tj)q分别表示轨迹Ti和Tj的方向角分布在第q方向角区间的概率，Dire(Ti，Tj)越接近于1，表示两轨迹运动方向越相似；Dire(Ti，Tj)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Ti和Tj：Ti‾={t1t2‾,t2t3‾,...,ta-1ta‾,...,tNi-1tNi‾},Tj‾={t1t2‾,t2t3‾,...,tb-1tb‾,...,tNj-1tNj‾},在IMHD算法中，轨迹Ti的采样点ta到Tj最短距离表示为：其中||||表示采样点间欧氏距离，是ta映射到对应线段的垂直插值点，如果存在则为ta到Tj最短距离，否则遍历轨迹Tj所有采样点，找到最小距离最后轨迹Ti到Tj的距离为：轨迹Ti和Tj的空间位置距离为：DIMHD(Ti，Tj)=max(h(Ti，Tj)，h(Tj，Ti))??(4)b.多特征轨迹分类设含有m个有效轨迹的集合为ΩTraj={T1，T2，…，Tm}，Step1用Bhattacharyya距离计算轨迹Ti，Tj之间运动方向相似度Dire(Ti，Tj)，用高斯核函数构造基于运动方向的相似矩阵WDire∈Rm×m，其中wij=exp(?Dire(Ti，Tj)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LDire进行特征值分解，将特征值按降序排列编号λ1≥λ2≥…≥λm，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，…，lk]，其中l1，l2，…，lk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ΩTraj′={x1，x2，…，xm}，x1，x2，…，xm分别对应矩阵X的每一个行向量，代表Rk空间的一点；Step5对x1，x2，…，xm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…，Oi，…，Ok}；Step6对每个中间集群Oi中对应的原轨迹用IMHD距离构造基于空间位置的相似矩阵WIMHD，其中wij=exp(?DIMHD(Ti，Tj)2／2σ2)，重复Step2到Step5，确定每个集群Oi聚类个数qi，构造低维特征空间，...
【技术特征摘要】
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不为: 2.一种在线多特征异常检测方法，所述方法包括以下步骤: a.在线多特征异常检测 首先通过GMM模型来学习场景起点位置分布，然后设定一个长度为k的移动窗作为基本比较单元，在线学习聚类后的每个运动模式匕的空间位置和运动方向的分布，建立基于位置距离和方向距离分类器，学习模型...
【专利技术属性】
技术研发人员：汤春明，韩旭，王金海，苗长云，肖志涛，
申请(专利权)人：天津工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。