基於車輛軌跡多特徵的運動模式學習及異常檢測方法
2023-08-10 07:41:46 1
基於車輛軌跡多特徵的運動模式學習及異常檢測方法
【專利摘要】本發明提出了利用軌跡的多個特徵信息來進行軌跡模式學習和異常檢測的方法。首先在軌跡模式學習階段,本發明同時考慮軌跡間的運動方向和空間位置相似度,進行分層的凝聚層次聚類來提取典型的軌跡運動模式,因此具有較高的聚類準確率;通過構造Laplacian矩陣降維大大提高了時間效率。然後在異常檢測階段,本發明先通過GMM模型學習場景起點分布區域,再以移動窗作為基本比較單元,定義位置距離和方向距離衡量待測軌跡在位置和方向上的差異,建立基於方向距離和位置距離的在線分類器;通過提出的多特徵異常檢測算法在線判斷軌跡的起點異常、全局異常和局部異常,因同時考慮軌跡的起點、方向和位置特徵差異,又考慮全局異常和局部子段異常,因此相比傳統方法,本發明有更高的異常識別率。
【專利說明】基於車輛軌跡多特徵的運動模式學習及異常檢測方法【技術領域】
[0001]本發明涉及的是基於車輛軌跡多特徵的運動模式學習方法和在線異常軌跡檢測方法。首先通過由粗到細的分層聚類來提取軌跡運動模式,每層分別採用Bhattacharyya距離和基於線段插值的改進Hausdorff距離衡量軌跡間運動方向和空間位置的相似度,並引入Laplacian映射以降低計算複雜度並自動確定每層聚類數目。在此基礎上,同時考慮待測軌跡與運動模式在起點分布、位置和方向上的差異,通過學習的起點分布模型和基於位置距離和方向距離的分類器在線判斷起點、全局和局部異常。
【背景技術】
[0002]近年來,在視頻監控系統的智能化研究中,基於運動目標軌跡的行為分析和識別成為研究熱點,其中學習監控場景軌跡分布模式和異常檢測是研究的重要內容。尤其在智能交通監控中,車輛的行駛軌跡蘊含著豐富的特徵信息,正常情況下車輛會沿著固定的道路和指定的方向行駛,運動軌跡表現出較高的重複性和相似性,通過與學習的正常軌跡運動模型比較就可以自動的檢測出逆行、U型轉彎等異常行為,相比傳統的人工手動的標記異常,大大的提高了異常檢測效率。
[0003]在軌跡模式學習方法中,通過無監督的聚類算法來提取典型軌跡運動模式的方法已得到廣泛應用,常用的有譜聚類、層次聚類、模糊K均值聚類和k-medoids算法等。但傳統的軌跡分類算法只考慮利用單一軌跡特徵衡量軌跡間相似性,應用到複雜的監控場景下,軌跡模式識別率低。
[0004]在異常檢測方法中,主要是建立正常軌跡模型,學習模型參數,將待測軌跡與模型進行匹配來判斷是否異常。最主要的方法有兩種:基於單高斯模型的方法和基於HMM模型的方法。(I)前者是通過一系列單高斯模型學習正常軌跡的統計分布模式,建立貝葉斯分類器,然後通過遞增的在線異常檢測方法識別異常行為,但只考慮了軌跡空間位置異常,沒考慮方向異常;(2)後者是通過C-HMM建立軌跡模型,把每個正常軌跡集群分成幾個區域,用GMM學習每個HMM狀態的模型參數,設定異常閾值,將待測軌跡作為模型的輸入來判斷軌跡異常,該方法只能粗略檢測差異較大的異常,對於複雜的局部子段異常則很難識別。
[0005]本專利對以上問題,本專利提出了利用軌跡的多個特徵信息來進行軌跡模式學習和異常檢測的方法。首先在軌跡模式學習階段,本專利同時考慮軌跡間的運動方向和空間位置相似度,進行分層的凝聚層次聚類來提取典型的軌跡運動模式,因此具有較高的聚類準確率;通過構造Laplacian矩陣降維大大提高了時間效率。然後在異常檢測階段,本專利先通過GMM模型學習場景起點分布區域,再以移動窗作為基本比較單元,定義位置距離和方向距離衡量待測軌跡在位置和方向上的差異,建立基於方向距離和位置距離的在線分類器;通過提出的多特徵異常檢測算法在線判斷軌跡的起點異常、全局異常和局部異常,因同時考慮軌跡的起點、方向和位置特徵差異,又考慮全局異常和局部子段異常,因此相比傳統方法,本專利有更高的異常識別率。
【發明內容】
[0006]本專利主要包括兩方面:首先發明了一種無監督的多特徵軌跡模式學習方法來提取典型的軌跡運動模式;然後在此基礎上發明了一種在線多特徵異常檢測方法來同時檢測軌跡的起點異常、局部異常、全局異常。
[0007]一、無監督的多特徵軌跡模式學習方法
[0008]本發明首先提供一種基於軌跡多特徵的模式學習方法,通過同時考慮軌跡間的運動方向和空間位置來衡量軌跡間的相似度,進行分層的凝聚層次聚類來提取典型的軌跡運動模式,並通過引入Laplacian矩陣來提高層次聚類算法效率。具體模式學習框架如圖1所示。
[0009]本發明的具體實現步驟如下:
[0010]1、多特徵提取和軌跡間相似度測量
[0011]本發明充分利用軌跡位置和方向特徵信息來衡量軌跡間的相似度,分別採用IMHD距離和Bhattacharyya距離計算軌跡間的相似度。預處理後的有效軌跡可表示為:
[0012]T1, ={t1,t2,...,tj,...,tN1}={(x1,y1),(x2,y2),...,(x,yj),...(xN1,yN1)}
[0013]其中tj表示軌跡Ti的第j個採樣點,Ni表示軌跡長度。(Xj,Yj)表示第j採樣點在圖像平面的二維位置坐標。
[0014]1)軌跡運動方向相似度測量
[0015]軌跡方向特徵提取如圖2所示,定義mj= (Xj+1-Xj, yj+1-yj),表示相鄰採樣點間方向向量;m0=(1,O),表示方向水平向右的單位向量。軌跡Ti第j個採樣點方向角可表示為:
[0016]
【權利要求】
1.一種無監督的多特徵軌跡模式學習方法,所述方法包括以下步驟: a.多特徵提取和軌跡間相似度測量 分別採用IMHD距離和Bhattacharyya距離計算軌跡間的相似度,預處理後的有效軌跡可表不為:
2.一種在線多特徵異常檢測方法,所述方法包括以下步驟: a.在線多特徵異常檢測 首先通過GMM模型來學習場景起點位置分布,然後設定一個長度為k的移動窗作為基本比較單元,在線學習聚類後的每個運動模式匕的空間位置和運動方向的分布,建立基於位置距離和方向距離分類器,學習模型參數;在線多特徵異常檢測階段,從起點、位置和方向三個層次衡量待測軌跡與正常軌跡運動模式之間差異,判斷是否是異常軌跡,判斷是起點異常、局部異常和全局異常三者中的哪種類型; b.建立軌跡起點分布模型: 通過二維GMM模型學習場景中正常軌跡集群起點位置分布,建立起點位置分布模型;首先對訓練軌跡的起點集{?,幻^用K均值聚類獲取GMM模型的初始參數,再利用EM算法學習GMM的每個高斯成分參數(P17U1, Σ χ),則進入場景軌跡起點Z=(Xpy1)T符合GMM模型分布的概率為:
【文檔編號】G05D1/02GK103605362SQ201310413447
【公開日】2014年2月26日 申請日期:2013年9月11日 優先權日:2013年9月11日
【發明者】湯春明, 韓旭, 王金海, 苗長雲, 肖志濤 申請人:天津工業大學