本發(fā)明屬于視頻檢測技術(shù)領(lǐng)域，具體涉及基于spectralclustering空間軌跡的聚類算法。

背景技術(shù)：

隨著經(jīng)濟(jì)的快速發(fā)展和社會的進(jìn)步，人們生活水平的提高，機(jī)動車數(shù)目有了顯著的增多，與之相對的是道路交通通行能力明顯下降，出現(xiàn)了交通擁擠、道路阻塞等一系列問題。對道路的車流量進(jìn)行檢測和統(tǒng)計(jì)，將該信息發(fā)送至監(jiān)管部門可以制定有效措施舒緩交通，到達(dá)治理交通的目的。同時(shí)長期的車流量統(tǒng)計(jì)為未來城市道路的設(shè)計(jì)及養(yǎng)護(hù)等提供了重要的依據(jù)。

基于交通場景的車輛檢測和車流量統(tǒng)計(jì)，由于具有實(shí)時(shí)檢測性能、成本低、易安裝使用等優(yōu)勢越來越受到關(guān)注。但是目前常用的車輛檢測和車流量統(tǒng)計(jì)軟件受到車流量大小、場景復(fù)雜程度等限制，往往無法得到較高的精確度，在實(shí)際場景中，更是無法達(dá)到預(yù)期效果。

技術(shù)實(shí)現(xiàn)要素：

針對上述現(xiàn)有技術(shù)中存在的問題或缺陷，本發(fā)明的目的在于，提供基于spectralclustering空間軌跡的聚類算法。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

基于spectralclustering空間軌跡的聚類算法，包括以下步驟：

步驟1，利用攝像機(jī)對道路進(jìn)行視頻圖像采集，得到視頻圖像中的每一幀圖像中的所有運(yùn)動目標(biāo)的多條運(yùn)動軌跡以及每條運(yùn)動軌跡上每個(gè)軌跡點(diǎn)在圖像坐標(biāo)系中的坐標(biāo)值；

設(shè)所有運(yùn)動目標(biāo)的運(yùn)動軌跡的數(shù)量為n，每條運(yùn)動軌跡上有r個(gè)連續(xù)的軌跡點(diǎn)；其中，n為大于等于1的自然數(shù)，r為大于等于1的自然數(shù)；

所述圖像坐標(biāo)系以視頻圖像中每一幀圖像的任一角為原點(diǎn)，以每一幀圖像的水平方向?yàn)閡軸，以每一幀圖像的豎直方向?yàn)関軸；

步驟2，利用剛體運(yùn)動約束對所有運(yùn)動目標(biāo)的n條運(yùn)動軌跡構(gòu)建相似矩陣進(jìn)行譜聚類，得到不同類別的運(yùn)動軌跡；

包括：

步驟21，以平行于道路車道標(biāo)線的方向?yàn)閥軸，以垂直于道路車道標(biāo)線的方向?yàn)閤軸，且x軸和y軸均與道路相平行，以x軸和y軸的交點(diǎn)為原點(diǎn)o，以攝像機(jī)與道路最短距離的方向?yàn)閦軸，建立世界坐標(biāo)系；

步驟22，從所有運(yùn)動目標(biāo)的多條運(yùn)動軌跡中任選兩條運(yùn)動軌跡，分別記為m和n，軌跡m的高度hm的方向?yàn)樗矫娴呢Q直方向，hm的取值范圍為1-3m，hm的取值間隔為0.1m；軌跡n的高度hn的方向?yàn)樗矫娴乃椒较?，hn的取值范圍為0-4m，hn的取值間隔為0.01m；

通過式(1)得到δd1面：

式(1)中，n(pi)表示軌跡n上的第i個(gè)軌跡點(diǎn)，m(pi)表示軌跡m上第i個(gè)軌跡點(diǎn)，m(pi+1)表示軌跡m上第i+1個(gè)軌跡點(diǎn)，n(pi+1)表示軌跡n上第i+1個(gè)軌跡點(diǎn)，i＝1,2,....,r-1；m(pi)n(pi)表示同一時(shí)刻軌跡m上的軌跡點(diǎn)pi與軌跡n上的軌跡點(diǎn)pi在世界坐標(biāo)系中的距離；

通過式(2)得到δd2面：

式(2)中，n(pi)表示軌跡n上的第i個(gè)軌跡點(diǎn)，m(pi)表示軌跡m上第i個(gè)軌跡點(diǎn)，m(pi+1)表示軌跡m上第i+1個(gè)軌跡點(diǎn)，n(pi+1)表示軌跡n上第i+1個(gè)軌跡點(diǎn)，i＝1,2,....,r-1；m(pi+1)m(pi)表示軌跡m上軌跡點(diǎn)pi和pi+1在世界坐標(biāo)系中的距離；

通過式(3)將軌跡點(diǎn)pi在圖像坐標(biāo)系中的坐標(biāo)值(ui,vi)轉(zhuǎn)換為世界坐標(biāo)系下的坐標(biāo)值(xi,yi,zi)：

pi＝c3×4^-1λipi(3)

式(3)中，pi＝[ui,vi,1]^t，pi＝[xi,yi,zi,1]^t，λi為尺度因子，0≤λi≤1；c^-13×4表示攝像機(jī)的透視投影矩陣的逆矩陣；

步驟23，以hm、hn作為兩個(gè)軸構(gòu)建一個(gè)平面作為零平面，則δd1面、δd2面分別為垂直于零平面的兩個(gè)縱平面；

δd1面和δd2面分別與零平面形成兩條交線，作為δd1交線和δd2交線；設(shè)δd1交線和δd2交線之間的距離為δdiff12，且δd1交線和δd2交線之間的夾角為θ，δd1交線的斜率為k1，δd2交線的斜率為k2；

步驟24，通過式(4)得到相似矩陣a中的一個(gè)元素woq：

式(4)中，q＝1,2,...n；o＝1,2,...n；δd1ij表示當(dāng)軌跡m的高度為hmi、軌跡n的高度為hnj時(shí)的δd1值；δd2ij表示當(dāng)軌跡m的高度為hmi、軌跡n的高度為hnj時(shí)的δd2值；hmi＝1,1.1,1.2,....,2.9,3，單位為m；hnj＝0,0.01,0.02,...,3.99,4，單位為m；

步驟25，重復(fù)步驟22至步驟24，直至n條軌跡兩兩之間都被作為軌跡m和軌跡n，得到n×n的相似矩陣a，執(zhí)行步驟26；

步驟26，將相似矩陣a的特征值按照從大到小的順序排列，所有特征值的和為sn；

選取最小的k值，使得則n條運(yùn)動軌跡的聚類數(shù)目為k，執(zhí)行步驟27；其中，sk為前k個(gè)特征值的和，k為大于等于1的自然數(shù)；

步驟27，利用前k個(gè)特征值所對應(yīng)的特征向量構(gòu)建n×k維的特征向量空間，利用k-means算法對n×k維的特征向量空間進(jìn)行聚類，將n條運(yùn)動軌跡聚類為k個(gè)類別的運(yùn)動軌跡。

進(jìn)一步地，還包括：

步驟3，對步驟2得到的k個(gè)類別的運(yùn)動軌跡進(jìn)行類間合并，得到類間合并后的運(yùn)動軌跡；

包括：

步驟31，從步驟2聚類的k個(gè)類別的運(yùn)動軌跡中，任選兩個(gè)類別，分別記為ca和cb，設(shè)類別ca中軌跡pa的逆投影速度最小為va，類別cb中軌跡pb的逆投影速度最小為vb；其中，va≥0，vb≥0；

步驟32，若va小于vb，則將ca作為參考類別，軌跡pa作為參考類別的特征點(diǎn)，將cb作為待合并類別，軌跡pb作為待合并類別的特征點(diǎn)；若vb小于va，則將cb作為參考類別，軌跡pb作為參考類別的特征點(diǎn)，將ca作為待合并類別，軌跡pa作為待合并類別的特征點(diǎn)；

通過式(5)得到待合并類別的特征點(diǎn)的高度hp：

式(5)中，v為運(yùn)動目標(biāo)的速度，v＝min(va,vb)；vp為待合并類別的最小逆投影速度；hc為攝像機(jī)在世界坐標(biāo)系中的高度；

通過式(6)得到待合并類別的特征點(diǎn)在世界坐標(biāo)系中的坐標(biāo)值：

p′＝c3×4^-1λip′(6)

式(6)中，p′＝[ui′,vi′,1]^t；p′＝[xi′,yi′,zi′,1]^t；ui′，vi′為待合并類別的特征點(diǎn)在圖像坐標(biāo)系中的坐標(biāo)值；xi′,yi′,zi′為待合并類別的特征點(diǎn)在世界坐標(biāo)系中的坐標(biāo)值；λi為尺度因子，0≤λi≤1；c^-13×4表示攝像機(jī)的透視投影矩陣的逆矩陣；

通過式(7)得到參考類別的特征點(diǎn)在世界坐標(biāo)系中的坐標(biāo)值：

p″＝c3×4^-1λip″(7)

式(7)中，p″＝[ui″,vi″,1]^t；p″＝[xi″,yi″，0,1]^t；ui″，vi″為參考類別的特征點(diǎn)在圖像坐標(biāo)系中的坐標(biāo)值；xi″,yi″,0為參考類別的特征點(diǎn)在世界坐標(biāo)系中的坐標(biāo)值；λi為尺度因子，0≤λi≤1；c^-13×4表示攝像機(jī)的透視投影矩陣的逆矩陣；

步驟33，通過式(8)得到待合并類別的特征點(diǎn)與參考類別的特征點(diǎn)在世界坐標(biāo)系中的絕對距離δx,δy,δz：

步驟34，若δx＝x′,δy＝y(tǒng)′,δz＝z′，則待合并類別和參考類別合并為一個(gè)類別；否則，執(zhí)行步驟35；

步驟35，重復(fù)步驟31至步驟34，直至k個(gè)類別的運(yùn)動軌跡都被作為合并類別和待合并類別，得到類間合并后的運(yùn)動軌跡。

進(jìn)一步地，通過式(9)得到所述攝像機(jī)的透視投影矩陣的逆矩陣c^-13×4：

c3×4^-1＝{k[r3×3|t3×1]}^-1(9)

式(9)中，k表示攝像機(jī)的內(nèi)參數(shù)矩陣，r3×3表示攝像機(jī)坐標(biāo)系與世界坐標(biāo)系之間的旋轉(zhuǎn)矩陣，t3×1表示攝像機(jī)坐標(biāo)系與世界坐標(biāo)系之間的平移矩陣；

所述攝像機(jī)坐標(biāo)系是以攝像機(jī)的光心oc為坐標(biāo)系原點(diǎn)，xc與圖像坐標(biāo)系的u軸方向一致，yc與圖像坐標(biāo)系的v軸方向一致，zc軸垂直于圖像坐標(biāo)系構(gòu)成的平面，而zc軸與圖像平面的交點(diǎn)稱為攝像機(jī)的主點(diǎn)。

進(jìn)一步地，所述圖像坐標(biāo)系以視頻圖像中每一幀圖像的左上角為原點(diǎn)，以每一幀圖像的水平方向?yàn)閡軸，以每一幀圖像的豎直方向?yàn)関軸。

與現(xiàn)有技術(shù)相比，本發(fā)明具有以下技術(shù)效果：

本發(fā)明所提到的方法不受工程應(yīng)用上各類環(huán)境的影響和限制，并且易于實(shí)現(xiàn)，能有效的對車輛進(jìn)行實(shí)時(shí)精確的檢測，因此具有很廣的應(yīng)用前景。

附圖說明

圖1為實(shí)施例1中視頻圖像中的一幀圖像；

圖2為實(shí)施例1中圖像坐標(biāo)系的示意圖；

圖3為實(shí)施例1中提取運(yùn)動目標(biāo)的特征點(diǎn)結(jié)果圖；

圖4為實(shí)施例1中車輛運(yùn)動軌跡跟蹤結(jié)果；

圖5為實(shí)施例1中世界坐標(biāo)系的示意圖；

圖6(a)為實(shí)施例1中2號軌跡和3號軌跡繪制的δd1面和δd2面；圖6(b)為δd1交線和δd2交線；

圖7(a)為實(shí)施例1中0號軌跡和2號軌跡跡繪制的δd1面和δd2面；圖7(b)為δd1交線和δd2交線；

圖8為從實(shí)施例1中選取的4條運(yùn)動軌跡；

圖9為實(shí)施例1中一部分運(yùn)動軌跡的聚類結(jié)果圖；

圖10攝像機(jī)成像模型及三種坐標(biāo)系的關(guān)系。

具體實(shí)施方式

下面通過附圖和實(shí)施例對本發(fā)明作進(jìn)一步說明。

實(shí)施例1

本實(shí)施例提供了基于spectralclustering空間軌跡的聚類算法，包括以下步驟：

步驟1，利用攝像機(jī)對道路進(jìn)行視頻圖像采集，對視頻圖像中的每一幀圖像中的所有運(yùn)動目標(biāo)采用orb算法提取特征點(diǎn)，然后利用基于雙向加權(quán)可逆性約束的klt跟蹤算法對特征點(diǎn)進(jìn)行跟蹤，得到所有運(yùn)動目標(biāo)的多條運(yùn)動軌跡以及每條運(yùn)動軌跡上每個(gè)軌跡點(diǎn)在圖像坐標(biāo)系中的坐標(biāo)值；

其中，orb算法來自于rubleee.,rabaudv.,konoligek.,bradskig.orb:anefficientalternativetosiftorsurf[j].proc.ofieeeconf.oncomputervision,2011:2564-2571.

klt跟蹤算法來自于klt跟蹤算法來自于宋琳,程詠梅,劉楠等.采用多重約束的無人機(jī)導(dǎo)航klt視覺跟蹤算法[j].紅外與激光工程，2013.42(10):2828-2835.

設(shè)所有運(yùn)動目標(biāo)的運(yùn)動軌跡的數(shù)量為n，每條運(yùn)動軌跡上有r個(gè)連續(xù)的軌跡點(diǎn)；其中，n為大于等于1的自然數(shù)，r為大于等于1的自然數(shù)；

所述圖像坐標(biāo)系以視頻圖像中每一幀圖像的任一角為原點(diǎn)，以每一幀圖像的水平方向?yàn)閡軸，以每一幀圖像的豎直方向?yàn)関軸；

所述圖像坐標(biāo)系以視頻圖像中每一幀圖像的左下角為原點(diǎn)，以每一幀圖像的水平方向?yàn)閡軸，以每一幀圖像的豎直方向?yàn)関軸，如圖2所示。

本實(shí)施例采用的交通視頻均為720×288的灰度圖像，如圖1所示為其中一幀圖像，圖3為對圖1圖像中的運(yùn)動目標(biāo)采用orb算法提取的特征點(diǎn)，圖4為圖1圖像中的多條運(yùn)動軌跡，每條軌跡有相應(yīng)的編號，共33條，其中0～1號軌跡為同一輛車的軌跡，2～9號軌跡為同一輛車的軌跡，10～16與19～32號軌跡為同一輛車的軌跡，17～18號軌跡為同一輛車的軌跡。

步驟2，利用剛體運(yùn)動約束對所有運(yùn)動目標(biāo)的n條運(yùn)動軌跡構(gòu)建相似矩陣進(jìn)行譜聚類，得到不同類別的運(yùn)動軌跡；

包括：

步驟21，如圖5，以平行于道路車道標(biāo)線的方向?yàn)閥軸，以垂直于道路車道標(biāo)線的方向?yàn)閤軸，且x軸和y軸均與道路相平行，以x軸和y軸的交點(diǎn)為原點(diǎn)o，以攝像機(jī)與道路最短距離的方向?yàn)閦軸，建立世界坐標(biāo)系；

步驟22，本實(shí)施例的聚類方法所采用的原理為：剛體在其運(yùn)動過程中，具有兩個(gè)特點(diǎn)：1、剛體上任意的兩個(gè)點(diǎn)之間的連線在剛體做平動過程中是平行且相等的；2、剛體上的任意質(zhì)元之間的位置矢量是不同的，他們之間相差一個(gè)恒矢量，但是各個(gè)質(zhì)元的位移、速度以及加速度是完全相同的。

從所有運(yùn)動目標(biāo)的多條運(yùn)動軌跡中任選兩條運(yùn)動軌跡，分別記為m和n，設(shè)每條軌跡上有r個(gè)連續(xù)的軌跡點(diǎn)，軌跡m的高度hm的方向?yàn)樗矫娴呢Q直方向，hm的取值范圍為1-3m，hm的取值間隔為0.1m；軌跡n的高度hn的方向?yàn)樗矫娴乃椒较?，hn的取值范圍為0-4m，hn的取值間隔為0.01m；

通過式(1)得到δd1面：

式(1)中，n(pi)表示軌跡n上的第i個(gè)軌跡點(diǎn)，m(pi)表示軌跡m上第i個(gè)軌跡點(diǎn)，m(pi+1)表示軌跡m上第i+1個(gè)軌跡點(diǎn)，n(pi+1)表示軌跡n上第i+1個(gè)軌跡點(diǎn)，i＝1,2,....,r-1；m(pi)n(pi)表示同一時(shí)刻軌跡m上的軌跡點(diǎn)pi與軌跡n上的軌跡點(diǎn)pi在世界坐標(biāo)系中的距離；

通過式(2)得到δd2面：

式(2)中，n(pi)表示軌跡n上的第i個(gè)軌跡點(diǎn)，m(pi)表示軌跡m上第i個(gè)軌跡點(diǎn)，m(pi+1)表示軌跡m上第i+1個(gè)軌跡點(diǎn)，n(pi+1)表示軌跡n上第i+1個(gè)軌跡點(diǎn)，i＝1,2,....,r-1；m(pi+1)m(pi)表示軌跡m上軌跡點(diǎn)pi和pi+1在世界坐標(biāo)系中的距離；

通過式(3)將軌跡點(diǎn)pi在圖像坐標(biāo)系中的坐標(biāo)值(ui,vi)轉(zhuǎn)換為世界坐標(biāo)系下的坐標(biāo)值(xi,yi,zi)：

p＝c3×4^-1λip(3)

式(3)中，p＝[ui,vi,1]^t，p＝[xi,yi,zi,1]^t，λi為尺度因子，0≤λi≤1；c^-13×4表示攝像機(jī)的透視投影矩陣的逆矩陣；

步驟23，以hm、hn作為兩個(gè)軸構(gòu)建一個(gè)平面作為零平面，則δd1、δd2分別為垂直于零平面的兩個(gè)縱平面，分別作為δd1面和δd2面；

δd1面和δd2面分別與零平面形成兩條交線，作為δd1交線和δd2交線；設(shè)δd1交線和δd2交線之間的距離為δdiff12，且δd1交線和δd2交線之間的夾角為θ，δd1交線的斜率為k1，δd2交線的斜率為k2；

步驟24，通過式(4)得到相似矩陣a中的一個(gè)元素woq：

式(4)中，q＝1,2,...n；o＝1,2,...n；δd1ij表示當(dāng)軌跡m的高度為hmi、軌跡n的高度為hnj時(shí)的δd1值；δd2ij表示當(dāng)軌跡m的高度為hmi、軌跡n的高度為hnj時(shí)的δd2值；hmi＝1,1.1,1.2,....,2.9,3，單位為m；hnj＝0,0.01,0.02,...,3.99,4，單位為m；

步驟25，重復(fù)步驟22至步驟24，直至n條軌跡兩兩之間都被作為軌跡m和軌跡n，得到n×n的相似矩陣a，執(zhí)行步驟26；

步驟26，將相似矩陣a的特征值按照從大到小的順序排列，所有特征值的和為sn；

選取最小的k值，使得則n條運(yùn)動軌跡的聚類數(shù)目為k，執(zhí)行步驟27；其中，sk為前k個(gè)特征值的和，k為大于等于1的自然數(shù)；

本實(shí)施例中，δ＝95％；

步驟27，利用前k個(gè)特征值所對應(yīng)的特征向量構(gòu)建n×k維的特征向量空間，利用k-means算法對n×k維的特征向量空間進(jìn)行聚類，將n條運(yùn)動軌跡聚類為k個(gè)類別的運(yùn)動軌跡；

本實(shí)施例中，如圖6(a)所示為2號軌跡和3號軌跡繪制的δd1面和δd2面，圖6(b)為δd1交線和δd2交線，由圖6(a)、圖6(b)中可以看出2號軌跡和3號軌跡的δd1交線和δd2交線之間的高度差異δdiff12很小，并且兩條直線之間的夾角θ很小，在閾值范圍內(nèi)，屬于同一輛車的運(yùn)動軌跡，所以為一個(gè)類別；

如圖7(a)所示為0號軌跡和2號軌跡跡繪制的δd1面和δd2面，圖7(b)δd1交線和δd2交線，由圖7(a)、圖7(b)中可以看出0號軌跡和2號軌跡的δd1交線和δd2交線之間的高度差異δdiff12和兩條交線之間的夾角θ都超過了閾值范圍，不屬于同一輛車的運(yùn)動軌跡，所以屬于兩個(gè)類別；

圖8為從圖4張選取的4條運(yùn)動軌跡圖，分別記為0號、1號、2號、3號運(yùn)動軌跡；

表1為圖8中4個(gè)軌跡得到的軌跡兩兩對比計(jì)算得到的δdiff12和θ結(jié)果；

表1

根據(jù)表1中的數(shù)據(jù)可得到相似矩陣a為

本實(shí)施例的聚類結(jié)果圖，如圖9所示為一部分運(yùn)動軌跡的聚類結(jié)果圖。

實(shí)施例2

本實(shí)施例在實(shí)施例1的基礎(chǔ)上，為了使聚類的精度更高，還包括：

步驟3，對步驟2得到的k個(gè)類別的運(yùn)動軌跡進(jìn)行類間合并，得到類間合并后的運(yùn)動軌跡。

包括：

步驟31，從步驟2聚類的k個(gè)類別的運(yùn)動軌跡中，任選兩個(gè)類別，分別記為ca和cb，設(shè)類別ca中軌跡pa的逆投影速度最小為va，類別cb中軌跡pb的逆投影速度最小為vb；

步驟32，若va小于vb，則ca為參考類別，軌跡pa為參考類別的特征點(diǎn)，cb為待合并類別，軌跡pb為特征點(diǎn)；若vb小于va，則cb為參考類別，軌跡pb為參考類別的特征點(diǎn)，ca為待合并類別，軌跡pa為待合并類別的特征點(diǎn)；

通過式(5)得到待合并類別的特征點(diǎn)的高度hp：

式(5)中，v為運(yùn)動目標(biāo)的速度，v＝min(va,vb)；vp為待合并類別的最小逆投影速度；hc為攝像機(jī)在世界坐標(biāo)系中的高度；

通過式(6)得到待合并類別的特征點(diǎn)在世界坐標(biāo)系中的坐標(biāo)值：

p′＝c3×4^-1λip′(6)

式(6)中，p′＝[ui′,vi′,1]^t；p′＝[xi′,yi′,zi′,1]^t；ui′，vi′為待合并類別的特征點(diǎn)在圖像坐標(biāo)系中的坐標(biāo)值；xi′,yi′,zi′為待合并類別的特征點(diǎn)在世界坐標(biāo)系匯總的；λi為尺度因子，0≤λi≤1；c^-13×4表示攝像機(jī)的透視投影矩陣的逆矩陣；

本實(shí)施例中，c3×4^-1＝{k[r3×3|t3×1]}^-1，k表示的攝像機(jī)的內(nèi)參數(shù)矩陣，該參數(shù)對于該攝像機(jī)是固定的3×3矩陣，r3×3表示攝像機(jī)坐標(biāo)系與世界坐標(biāo)系之間的旋轉(zhuǎn)矩陣，t3×1表示攝像機(jī)坐標(biāo)系與世界坐標(biāo)系之間的平移矩陣；

攝像機(jī)坐標(biāo)系是以攝像機(jī)的光心oc為坐標(biāo)系原點(diǎn)，xc與圖像坐標(biāo)系的u軸方向一致，yc與圖像坐標(biāo)系的v軸方向一致，zc軸垂直于圖像坐標(biāo)系構(gòu)成的平面，而zc軸與圖像平面的交點(diǎn)稱為攝像機(jī)的主點(diǎn)。如圖10。

通過式(7)得到參考類別的特征點(diǎn)在世界坐標(biāo)系中的坐標(biāo)值：

p″＝c3×4^-1λip″(7)

式(7)中，p″＝[ui″,vi″,1]^t；p″＝[xi″,yi″,0,1]^t；ui″，vi″為參考類別的特征點(diǎn)在圖像坐標(biāo)系中的坐標(biāo)值；xi″,yi″,0為參考類別的特征點(diǎn)在世界坐標(biāo)系中的坐標(biāo)值；λi為尺度因子，0≤λi≤1；c^-13×4表示攝像機(jī)的透視投影矩陣的逆矩陣；

本實(shí)施例中，c3×4^-1＝{k[r3×3|t3×1]}^-1，k表示的攝像機(jī)的內(nèi)參數(shù)矩陣，該參數(shù)對于該攝像機(jī)是固定的3×3矩陣，r3×3表示攝像機(jī)坐標(biāo)系與世界坐標(biāo)系之間的旋轉(zhuǎn)矩陣，t3×1表示攝像機(jī)坐標(biāo)系與世界坐標(biāo)系之間的平移矩陣；

攝像機(jī)坐標(biāo)系是以攝像機(jī)的光心oc為坐標(biāo)系原點(diǎn)，xc、yc軸平行于二維圖像平面，xc與圖像坐標(biāo)系的u軸方向一致，yc與圖像坐標(biāo)系的v軸方向一致，zc軸垂直于圖像坐標(biāo)系構(gòu)成的平面，而zc軸與圖像平面的交點(diǎn)稱為攝像機(jī)的主點(diǎn)。如圖10。

步驟33，通過式(8)得到待合并類別的特征點(diǎn)與參考類別的特征點(diǎn)在世界坐標(biāo)系中的絕對距離δx,δy,δz：

步驟34，若δx＝x′,δy＝y(tǒng)′,δz＝z′，則待合并類別和參考類別合并為一個(gè)類別；否則，執(zhí)行步驟35；

步驟35，重復(fù)步驟31至步驟34，直至k個(gè)類別的運(yùn)動軌跡都被作為合并類別和待合并類別，得到類間合并后的運(yùn)動軌跡。