基于車輛軌跡多特征的運(yùn)動(dòng)模式學(xué)習(xí)及異常檢測方法
【專利摘要】本發(fā)明提出了利用軌跡的多個(gè)特征信息來進(jìn)行軌跡模式學(xué)習(xí)和異常檢測的方法。首先在軌跡模式學(xué)習(xí)階段，本發(fā)明同時(shí)考慮軌跡間的運(yùn)動(dòng)方向和空間位置相似度，進(jìn)行分層的凝聚層次聚類來提取典型的軌跡運(yùn)動(dòng)模式，因此具有較高的聚類準(zhǔn)確率；通過構(gòu)造Laplacian矩陣降維大大提高了時(shí)間效率。然后在異常檢測階段，本發(fā)明先通過GMM模型學(xué)習(xí)場景起點(diǎn)分布區(qū)域，再以移動(dòng)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，建立基于方向距離和位置距離的在線分類器；通過提出的多特征異常檢測算法在線判斷軌跡的起點(diǎn)異常、全局異常和局部異常，因同時(shí)考慮軌跡的起點(diǎn)、方向和位置特征差異，又考慮全局異常和局部子段異常，因此相比傳統(tǒng)方法，本發(fā)明有更高的異常識(shí)別率。
【專利說明】基于車輛軌跡多特征的運(yùn)動(dòng)模式學(xué)習(xí)及異常檢測方法【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及的是基于車輛軌跡多特征的運(yùn)動(dòng)模式學(xué)習(xí)方法和在線異常軌跡檢測方法。首先通過由粗到細(xì)的分層聚類來提取軌跡運(yùn)動(dòng)模式，每層分別采用Bhattacharyya距離和基于線段插值的改進(jìn)Hausdorff距離衡量軌跡間運(yùn)動(dòng)方向和空間位置的相似度，并引入Laplacian映射以降低計(jì)算復(fù)雜度并自動(dòng)確定每層聚類數(shù)目。在此基礎(chǔ)上，同時(shí)考慮待測軌跡與運(yùn)動(dòng)模式在起點(diǎn)分布、位置和方向上的差異，通過學(xué)習(xí)的起點(diǎn)分布模型和基于位置距離和方向距離的分類器在線判斷起點(diǎn)、全局和局部異常。
【背景技術(shù)】
[0002]近年來，在視頻監(jiān)控系統(tǒng)的智能化研究中，基于運(yùn)動(dòng)目標(biāo)軌跡的行為分析和識(shí)別成為研究熱點(diǎn)，其中學(xué)習(xí)監(jiān)控場景軌跡分布模式和異常檢測是研究的重要內(nèi)容。尤其在智能交通監(jiān)控中，車輛的行駛軌跡蘊(yùn)含著豐富的特征信息，正常情況下車輛會(huì)沿著固定的道路和指定的方向行駛，運(yùn)動(dòng)軌跡表現(xiàn)出較高的重復(fù)性和相似性，通過與學(xué)習(xí)的正常軌跡運(yùn)動(dòng)模型比較就可以自動(dòng)的檢測出逆行、U型轉(zhuǎn)彎等異常行為，相比傳統(tǒng)的人工手動(dòng)的標(biāo)記異常，大大的提高了異常檢測效率。
[0003]在軌跡模式學(xué)習(xí)方法中，通過無監(jiān)督的聚類算法來提取典型軌跡運(yùn)動(dòng)模式的方法已得到廣泛應(yīng)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(tǒng)的軌跡分類算法只考慮利用單一軌跡特征衡量軌跡間相似性，應(yīng)用到復(fù)雜的監(jiān)控場景下，軌跡模式識(shí)別率低。
[0004]在異常檢測方法中，主要是建立正常軌跡模型，學(xué)習(xí)模型參數(shù)，將待測軌跡與模型進(jìn)行匹配來判斷是否異常。最主要的方法有兩種:基于單高斯模型的方法和基于HMM模型的方法。(I)前者是通過一系列單高斯模型學(xué)習(xí)正常軌跡的統(tǒng)計(jì)分布模式，建立貝葉斯分類器，然后通過遞增的在線異常檢測方法識(shí)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)后者是通過C-HMM建立軌跡模型，把每個(gè)正常軌跡集群分成幾個(gè)區(qū)域，用GMM學(xué)習(xí)每個(gè)HMM狀態(tài)的模型參數(shù)，設(shè)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，對于復(fù)雜的局部子段異常則很難識(shí)別。
[0005]本專利對以上問題，本專利提出了利用軌跡的多個(gè)特征信息來進(jìn)行軌跡模式學(xué)習(xí)和異常檢測的方法。首先在軌跡模式學(xué)習(xí)階段，本專利同時(shí)考慮軌跡間的運(yùn)動(dòng)方向和空間位置相似度，進(jìn)行分層的凝聚層次聚類來提取典型的軌跡運(yùn)動(dòng)模式，因此具有較高的聚類準(zhǔn)確率；通過構(gòu)造Laplacian矩陣降維大大提高了時(shí)間效率。然后在異常檢測階段，本專利先通過GMM模型學(xué)習(xí)場景起點(diǎn)分布區(qū)域，再以移動(dòng)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，建立基于方向距離和位置距離的在線分類器；通過提出的多特征異常檢測算法在線判斷軌跡的起點(diǎn)異常、全局異常和局部異常，因同時(shí)考慮軌跡的起點(diǎn)、方向和位置特征差異，又考慮全局異常和局部子段異常，因此相比傳統(tǒng)方法，本專利有更高的異常識(shí)別率。
【發(fā)明內(nèi)容】

[0006]本專利主要包括兩方面:首先發(fā)明了一種無監(jiān)督的多特征軌跡模式學(xué)習(xí)方法來提取典型的軌跡運(yùn)動(dòng)模式；然后在此基礎(chǔ)上發(fā)明了一種在線多特征異常檢測方法來同時(shí)檢測軌跡的起點(diǎn)異常、局部異常、全局異常。
[0007]一、無監(jiān)督的多特征軌跡模式學(xué)習(xí)方法
[0008]本發(fā)明首先提供一種基于軌跡多特征的模式學(xué)習(xí)方法，通過同時(shí)考慮軌跡間的運(yùn)動(dòng)方向和空間位置來衡量軌跡間的相似度，進(jìn)行分層的凝聚層次聚類來提取典型的軌跡運(yùn)動(dòng)模式，并通過引入Laplacian矩陣來提高層次聚類算法效率。具體模式學(xué)習(xí)框架如圖1所示。
[0009]本發(fā)明的具體實(shí)現(xiàn)步驟如下:
[0010]1、多特征提取和軌跡間相似度測量
[0011]本發(fā)明充分利用軌跡位置和方向特征信息來衡量軌跡間的相似度，分別采用IMHD距離和Bhattacharyya距離計(jì)算軌跡間的相似度。預(yù)處理后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(gè)采樣點(diǎn)，Ni表示軌跡長度。(Xj，Yj)表示第j采樣點(diǎn)在圖像平面的二維位置坐標(biāo)。
[0014]1)軌跡運(yùn)動(dòng)方向相似度測量
[0015]軌跡方向特征提取如圖2所示,定義mj= (Xj+1-Xj, yj+1-yj)，表示相鄰采樣點(diǎn)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(gè)采樣點(diǎn)方向角可表示為:
[0016]
【權(quán)利要求】
1.一種無監(jiān)督的多特征軌跡模式學(xué)習(xí)方法，所述方法包括以下步驟: a.多特征提取和軌跡間相似度測量 分別采用IMHD距離和Bhattacharyya距離計(jì)算軌跡間的相似度，預(yù)處理后的有效軌跡可表不為:
2.一種在線多特征異常檢測方法，所述方法包括以下步驟: a.在線多特征異常檢測 首先通過GMM模型來學(xué)習(xí)場景起點(diǎn)位置分布，然后設(shè)定一個(gè)長度為k的移動(dòng)窗作為基本比較單元，在線學(xué)習(xí)聚類后的每個(gè)運(yùn)動(dòng)模式匕的空間位置和運(yùn)動(dòng)方向的分布，建立基于位置距離和方向距離分類器，學(xué)習(xí)模型參數(shù)；在線多特征異常檢測階段，從起點(diǎn)、位置和方向三個(gè)層次衡量待測軌跡與正常軌跡運(yùn)動(dòng)模式之間差異，判斷是否是異常軌跡，判斷是起點(diǎn)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(diǎn)分布模型: 通過二維GMM模型學(xué)習(xí)場景中正常軌跡集群起點(diǎn)位置分布，建立起點(diǎn)位置分布模型；首先對訓(xùn)練軌跡的起點(diǎn)集{?，幻^用K均值聚類獲取GMM模型的初始參數(shù)，再利用EM算法學(xué)習(xí)GMM的每個(gè)高斯成分參數(shù)(P17U1, Σ χ)，則進(jìn)入場景軌跡起點(diǎn)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(yōu)先權(quán)日:2013年9月11日
【發(fā)明者】湯春明, 韓旭, 王金海, 苗長云, 肖志濤 申請人:天津工業(yè)大學(xué)