基于二次譜聚類和hmm-rf混合模型的高速車輛行為識別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及高速車輛行為識別方法。
[000引發(fā)明背景：
[0003] 近年來，提取交通監(jiān)控視頻中的有用信息來分析交通行為已成為研究人員關(guān)注的 熱點問題之一。交通行為的學(xué)習(xí)關(guān)鍵是學(xué)習(xí)運動車輛的行為模式，然后識別車輛行為，甚至 能對交通行為進(jìn)行預(yù)測。例如，高速公路上的車輛一般都沿著固定的道路和指定的方向行 駛，通過學(xué)習(xí)該些正常軌跡模型就可W自動檢測出逆行、S形行駛等高速公路上的異常行駛 行為。
[0004] 為了給高速車輛行為識別提供訓(xùn)練樣本，首先要利用車輛檢測和跟蹤算法從高速 交通視頻中提取車輛軌跡數(shù)據(jù)，并對車輛軌跡進(jìn)行聚類。車輛軌跡聚類的一個重要問題就 是如何衡量車輛軌跡間的相似度。車輛軌跡聚類的難點在于車輛軌跡的長度是不固定的， 而大多數(shù)傳統(tǒng)的聚類算法的操作數(shù)據(jù)都建立在固定的維度空間（數(shù)據(jù)長度是固定且一致 的）?，F(xiàn)有的方法通常是直接考慮不同軌跡間的長度偏差，嘗試找到不同軌跡間對應(yīng)相似的 部分，即LCSS軌跡相似度，對車輛跟蹤環(huán)節(jié)中的噪聲或者異常值有一定的魯椿性；然后，在 構(gòu)建的LCSS軌跡相似度矩陣上用譜聚類算法進(jìn)行車輛軌跡聚類。。但從高速交通視頻中提 取的車輛軌跡存在少量的超車、變道等行駛軌跡，單單采用LCSS相似度和譜聚類算法會將 該些少量軌跡錯誤地分類到直行軌跡中。
[0005] 針對高速車輛行為實時性的要求，各國的研究人員一般采用基于軌跡的車輛行為 識別方法。考慮到HMM車輛軌跡建模方法對車輛行為識別率較高，但是只考慮本類型車輛 軌跡的正樣本的作用，而未考慮其他類型車輛軌跡負(fù)樣本的影響，從而很大程度上限制了 HMM車輛軌跡建模方法的分類能力，在多類別車輛軌跡識別上存在較大局限性；且僅用最 大似然值進(jìn)行分類，存在較高的誤識別率。
[0006] 技術(shù)方案：
[0007] 本發(fā)明要克服現(xiàn)有技術(shù)的缺點，提供一種基于二次譜聚類和HMM-RF混合模型的 高速車輛行為識別方法。
[000引本發(fā)明利用軌跡曲率來識別具有曲線軌跡特征的超車軌跡，利用傾角相似度和譜 聚類算法來識別非曲線軌跡中的變道軌跡，并將得到所有聚類簇用LCSS和譜聚類算法進(jìn) 行再聚類，從而有效地區(qū)分超車、變道W及直行軌跡等。在車輛行為識別時，該方法將不同 軌跡類型HMM模型的多維概率輸出作為隨機(jī)森林RF模型的輸入來識別多類型軌跡，用來替 代最大似然值分類，提高了車輛行為識別的準(zhǔn)確率。具體流程詳見圖1所示。
[0009] 本發(fā)明所述的一種基于二次譜聚類和HMM-RF混合模型的高速車輛行為識別方 法，包括W下步驟：
[0010] 步驟1.高速公路車輛軌跡二次譜聚類自動分類，利用車輛檢測和跟蹤算法從交 通視頻中提取車輛軌跡數(shù)據(jù)集，采用軌跡曲率特征、傾角相似度W及LCSS相似度，再結(jié)合 譜聚類算法對車輛軌跡進(jìn)行聚類，有效區(qū)分直行、超車、變道等類型。
[0011] 該方法首先采用最小二乘法擬合多項式來求解軌跡曲率，并計算軌跡中前N個最 大曲率的均值作為該軌跡曲率。若大于曲率闊值T，則為曲線聚簇；反之，則為非曲線聚簇。 接著對曲線聚簇構(gòu)建LCSS相似度矩陣，用譜聚類進(jìn)行聚類，得到曲線聚類最終結(jié)果；對非 曲線聚簇用最小二乘法擬合軌跡傾角，構(gòu)建軌跡傾角相似度矩陣，并用譜聚類算法進(jìn)行第 一次聚類，取得非曲線聚類中間結(jié)果，然后建立它的軌跡LCSS相似度矩陣，再用譜聚類對 非曲線聚類中間結(jié)進(jìn)行第二次聚類，獲得非曲線聚簇最終結(jié)果；最后整合兩個聚類結(jié)果，確 定最終聚類結(jié)果。
[0012] 軌跡傾角相似度，定義如下：
[0013]
(1)
[0014] 其中
對第i條軌跡的傾角，dem"=max(|目目jl)為 最大的傾角差值，n為軌跡數(shù)量。而
為軌跡的傾斜 率，其中Tm(x)，Tm(y)表示第m個軌跡點的X，y軸坐標(biāo)值，1為軌跡長度。
[0015] LCSS軌跡相似度由Vlachos等提出的，定義如下；
[0016]
C2)
[0017] 其中LCSS(Fp，F(xiàn)。）描述軌跡Fp，F(xiàn)。間的最長公共子串的長度，Tp，T。分別表示軌跡 Fp，F(xiàn)。的長度。LCSS的遞歸定義如下；
[001 引
[0019] 利用動態(tài)規(guī)劃高效計算LCSS相似度，e表示兩點間歐式距離的闊值，護(hù)二{fl，… ，fj代表所有t時刻的所有樣本點，ft表不t時刻某一樣本點；
[0020] 根據(jù)軌跡相似度度量方法，計算兩兩軌跡間的相似度，進(jìn)而構(gòu)成軌跡相似度矩陣S ={Sxy}，1《X，y《n，且S是全聯(lián)通圖的鄰接矩陣，Sq是相似度矩陣坐標(biāo)（X，y)處的值，n 為軌跡數(shù)量，即矩陣大??；譜聚類算法根據(jù)軌跡相似度矩陣計算特征向量找出數(shù)據(jù)間的內(nèi) 在聯(lián)系，將軌跡劃分為不同的類簇。
[0021] 步驟2.基于方向角的高速公路車輛軌跡特征提取，交通視頻中不同車輛行為產(chǎn) 生的方向信息能夠較好地描述車輛行駛狀態(tài)的信息，可W用來區(qū)分車輛行為模式，采用相 鄰軌跡點形成的方向角來表征。
[0022]假設(shè)車輛軌跡序列上t時刻的坐標(biāo)為（X。yt)，t+1時刻的坐標(biāo)為（Xw，心1)，則形 成的方向角0 =arctan((yt+i-yt)/(Xt+i-Xt))。在兼顧識別準(zhǔn)確率W及實時性需求，我們對 方向角在16個方向進(jìn)行均衡量化編碼，每31/8量化到一個方向，按照逆時針順序?qū)γ總€方 向區(qū)間進(jìn)行編碼，且依次對應(yīng)于0~15的碼字，如圖2所示。
[0023] 最后利用依次獲得的所有方向角序列0 1，0 2,…，0。_1構(gòu)成了車輛軌跡的新特征 值序列Le= (0。02,…，0n-lK
[0024] 步驟3.基于HMM的車輛行為模型的構(gòu)建，根據(jù)量化編碼后的車輛軌跡特征序列， 對同一類型的車輛軌跡建立對應(yīng)的基于HMM的車輛行為模型；將特征序列樣本對初始模型 不斷迭代，直到模型收斂。
[0025] 假設(shè)隨機(jī)觀察序列為0 = 〇1,〇2,…，〇n，HMM可定義為S元組A= {>，A，B}，且有 M(通常為3~8)個馬爾可夫狀態(tài)；
[0026] (a)模型初始化
[0027] 初始矩陣31 = {>J，用于描述觀察序列在初始狀態(tài)t= 1時的概率31k=P(ql= Sk)，Sk表示第k個隱馬爾科夫狀態(tài)，ql表示t= 1時刻的分布，1《k《M，且
狀態(tài) 轉(zhuǎn)移矩陣A= {Ski},用于描述狀態(tài)之間轉(zhuǎn)移的概率3ki二P(Qt二SiQt-i二Sk)，l《k,l《M, 而
觀察概率矩陣bi(u) =P，用于描述狀態(tài)1對應(yīng)觀察值的輸出概率；bi(u) =P{Ot =化I Qt= s i}，1《1《M，1《u《N，而
M是狀態(tài)數(shù)，N是編碼符號的總數(shù)；
[00測 （b)模型的更新
[0029] 利用新的車輛軌跡數(shù)據(jù)，采用Baum-Welch算法重新估計A=元組；接著用 化rward算法計算更新前后模型的最大似然值，直到前后模型的最大似然值的差值在闊值 之內(nèi)，停止迭代。
[0030] 步驟4.基于隨機(jī)森林（R巧車輛行為模型構(gòu)建，用特征序列經(jīng)由對應(yīng)HMM車輛行 為模型的多維概率的輸出作為隨機(jī)森林模型的輸入矢量，確立隨機(jī)森林車輛行為模型，最 后組合構(gòu)成基于HMM-RF車輛行為識別混合模型。
[0031] HMM模型良好的車輛軌跡建模能力和RF模型的強(qiáng)分類能力，提出了一種基于 HMM-HF混合模型的車輛軌跡行為識別方法。具體的思路就是將HMM作為車輛軌跡模型的一 部分和RF模型共同組成車輛軌跡模型，WHMM模型作為車輛軌跡模型的前綴，W此來對用 于RF模型的多類車輛軌跡數(shù)據(jù)有區(qū)分性的特征變換。
[0032] 車輛軌跡混合模型訓(xùn)練具體過程如下：
[0033] 1)利用聚類好的不同類軌跡數(shù)據(jù)，重新采樣到統(tǒng)一長度N的范圍內(nèi)，提取方向角 特征，構(gòu)建新的特征序列
[0034] 2)通過Baum-Welch算法來分別迭代訓(xùn)練與車輛行為