基于車輛軌跡多特征的聚類分析及異常檢測(cè)方法的研究.pdf

1、隨著智能交通監(jiān)控技術(shù)的不斷發(fā)展，基于運(yùn)動(dòng)目標(biāo)軌跡的行為分析和識(shí)別已成為研究熱點(diǎn)，其中聚類分析和異常檢測(cè)是研究的重點(diǎn)內(nèi)容。通過(guò)對(duì)運(yùn)動(dòng)目標(biāo)的軌跡進(jìn)行聚類，可以自動(dòng)的獲取監(jiān)控場(chǎng)景的典型軌跡運(yùn)動(dòng)模式并了解場(chǎng)景結(jié)構(gòu)；而異常檢測(cè)的目標(biāo)是能實(shí)時(shí)的自動(dòng)的檢測(cè)出監(jiān)控場(chǎng)景中的異常行為，并及時(shí)的報(bào)警異常，是實(shí)現(xiàn)智能化監(jiān)控的關(guān)鍵步驟。本文對(duì)智能交通監(jiān)控領(lǐng)域中的軌跡聚類分析和異常檢測(cè)這兩個(gè)關(guān)鍵技術(shù)中存在的問(wèn)題進(jìn)行了深入的研究，充分利用了軌跡的不同特征信息，提出了

2、切實(shí)可行的改進(jìn)方法，主要工作體現(xiàn)在以下幾個(gè)方面：
　　在聚類分析方面，針對(duì)傳統(tǒng)聚類方法只利用軌跡的單一特征信息進(jìn)行聚類，聚類準(zhǔn)確率低的問(wèn)題，提出了基于軌跡多特征的分層聚類算法。該方法分別采用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，通過(guò)由粗到細(xì)的分層聚類來(lái)提取軌跡運(yùn)動(dòng)模式。為了提高聚類的效率，在每層的凝聚層次聚類中引入Laplacian映射以降低計(jì)算復(fù)雜度并同時(shí)

3、自動(dòng)確定每層的聚類數(shù)目。
　　在異常檢測(cè)方面，首先對(duì)異常行為進(jìn)行了全新的描述。根據(jù)異常軌跡偏離正常模式的程度和性質(zhì)的不同，定義了三種常見的異常類型，分別為起點(diǎn)異常、全局異常和局部異常，有效解決了傳統(tǒng)的異常描述方法通用性不強(qiáng)、異常類型定義模糊等問(wèn)題。然后針對(duì)傳統(tǒng)的異常檢測(cè)方法只考慮了軌跡的空間位置異常而忽略方向異常，或只能粗略檢測(cè)差異較大的軌跡異常而忽略軌跡局部子段異常等問(wèn)題，提出了基于軌跡多特征的在線異常檢測(cè)方法。該方法先通過(guò)GM

4、M模型學(xué)習(xí)監(jiān)控場(chǎng)景的軌跡起點(diǎn)位置分布模式，建立軌跡起點(diǎn)分布模型；再以移動(dòng)窗作為基本比較單元，學(xué)習(xí)聚類后的每個(gè)正常軌跡參考類的空間位置模式和運(yùn)動(dòng)方向模式，建立基于位置距離和方向距離的分類器。最后在異常檢測(cè)階段，結(jié)合本文定義的異常類型，通過(guò)提出的在線多特征異常檢測(cè)算法從起點(diǎn)分布、空間位置和運(yùn)動(dòng)方向三個(gè)層次來(lái)衡量待測(cè)軌跡和正常軌跡模式之間的差異，判斷軌跡是否異常；并通過(guò)滑動(dòng)移動(dòng)窗口的方式，實(shí)現(xiàn)了對(duì)動(dòng)態(tài)遞增軌跡數(shù)據(jù)的在線檢測(cè)。
　　最后，