基于車輛軌跡多特征的聚類分析及異常檢測方法的研究.pdf

1、隨著智能交通監(jiān)控技術(shù)的不斷發(fā)展，基于運動目標軌跡的行為分析和識別已成為研究熱點，其中聚類分析和異常檢測是研究的重點內(nèi)容。通過對運動目標的軌跡進行聚類，可以自動的獲取監(jiān)控場景的典型軌跡運動模式并了解場景結(jié)構(gòu)；而異常檢測的目標是能實時的自動的檢測出監(jiān)控場景中的異常行為，并及時的報警異常，是實現(xiàn)智能化監(jiān)控的關(guān)鍵步驟。本文對智能交通監(jiān)控領(lǐng)域中的軌跡聚類分析和異常檢測這兩個關(guān)鍵技術(shù)中存在的問題進行了深入的研究，充分利用了軌跡的不同特征信息，提出了

2、切實可行的改進方法，主要工作體現(xiàn)在以下幾個方面：
　　在聚類分析方面，針對傳統(tǒng)聚類方法只利用軌跡的單一特征信息進行聚類，聚類準確率低的問題，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 Hausdorff距離衡量軌跡間運動方向和空間位置的相似度，通過由粗到細的分層聚類來提取軌跡運動模式。為了提高聚類的效率，在每層的凝聚層次聚類中引入Laplacian映射以降低計算復雜度并同時

3、自動確定每層的聚類數(shù)目。
　　在異常檢測方面，首先對異常行為進行了全新的描述。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、異常類型定義模糊等問題。然后針對傳統(tǒng)的異常檢測方法只考慮了軌跡的空間位置異常而忽略方向異常，或只能粗略檢測差異較大的軌跡異常而忽略軌跡局部子段異常等問題，提出了基于軌跡多特征的在線異常檢測方法。該方法先通過GM

4、M模型學習監(jiān)控場景的軌跡起點位置分布模式，建立軌跡起點分布模型；再以移動窗作為基本比較單元，學習聚類后的每個正常軌跡參考類的空間位置模式和運動方向模式，建立基于位置距離和方向距離的分類器。最后在異常檢測階段，結(jié)合本文定義的異常類型，通過提出的在線多特征異常檢測算法從起點分布、空間位置和運動方向三個層次來衡量待測軌跡和正常軌跡模式之間的差異，判斷軌跡是否異常；并通過滑動移動窗口的方式，實現(xiàn)了對動態(tài)遞增軌跡數(shù)據(jù)的在線檢測。
　　最后，