智能交通系統(tǒng)車輛軌跡增量式建模與在線異常檢測(cè)方法
【專利摘要】本發(fā)明提出的是一種智能交通系統(tǒng)車輛軌跡異常檢測(cè)方法。本發(fā)明在提取了車輛的軌跡之后才進(jìn)行的異常檢測(cè)，對(duì)環(huán)境的要求更低，其適用性更好。在車輛軌跡的建模過(guò)程中由于初始軌跡中存在異?；蛘哕壽E集太小，建立的軌跡模型庫(kù)不準(zhǔn)備，本發(fā)明在建模的過(guò)程中采用了增量式建模的方法，得到的軌跡模型庫(kù)比較準(zhǔn)確。本發(fā)明的異常檢測(cè)結(jié)果與以往的批處理相比具有更高的檢測(cè)率，更低的虛警率。滿足實(shí)際應(yīng)用的需要。
【專利說(shuō)明】智能交通系統(tǒng)車輛軌跡增量式建模與在線異常檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及的是一種智能交通系統(tǒng)車輛軌跡異常檢測(cè)方法，具體地說(shuō)是在提取車輛軌跡之后進(jìn)行異常檢測(cè)，基于增量式進(jìn)行軌跡建模，然后利用智能閾值法實(shí)現(xiàn)智能交通系統(tǒng)車輛軌跡異常檢測(cè)的方法。
【背景技術(shù)】
[0002]近年來(lái)，基于車輛運(yùn)動(dòng)軌跡的分析和異常檢測(cè)已成為智能監(jiān)控的一個(gè)重要應(yīng)用，也是計(jì)算機(jī)視覺(jué)的一個(gè)新興研究方向。車輛軌跡異常檢測(cè)的目標(biāo)是分析與識(shí)別場(chǎng)景中車輛軌跡的行為模式，對(duì)其進(jìn)行智能分類以及異常檢測(cè)。在智能交通監(jiān)控中，它的目的是從現(xiàn)有的車輛軌跡中自動(dòng)發(fā)現(xiàn)潛在的異常，核心問(wèn)題是怎樣利用已得到的軌跡數(shù)據(jù)建立一個(gè)分類完備的軌跡模型庫(kù)。
[0003]現(xiàn)有的異常檢測(cè)系統(tǒng)分為兩種，一種依賴于特定的場(chǎng)景，在這些場(chǎng)景中目標(biāo)是已預(yù)先定義好的方式運(yùn)動(dòng)的。這種方法的適應(yīng)性不強(qiáng)。只要場(chǎng)景變了，我們就需要重新定義運(yùn)動(dòng)方式。另一種方法是通過(guò)對(duì)已收集到的軌跡進(jìn)行聚類，然后建立車輛軌跡的統(tǒng)計(jì)模型或運(yùn)動(dòng)模型，利用這些模型對(duì)新產(chǎn)生的車輛軌跡進(jìn)行異常檢測(cè)。這種方法對(duì)環(huán)境的適應(yīng)性有所增強(qiáng)，但是如果場(chǎng)景中的運(yùn)動(dòng)形式改變了或者場(chǎng)景本身改變了就需要重新進(jìn)行軌跡收集以及建立模型。同時(shí)，人們已經(jīng)發(fā)現(xiàn)在異常軌跡存在的情況下，譜聚類得到的聚類類別數(shù)是不準(zhǔn)確的，這不但會(huì)影響軌跡模型的建立，而且也會(huì)給后面的軌跡識(shí)別率帶來(lái)了很大的影響。
[0004]本專利提出的是一種智能交通系統(tǒng)車輛軌跡異常檢測(cè)方法。本專利在提取了車輛的軌跡之后才進(jìn)行的異常檢測(cè)，對(duì)環(huán)境的要求更低，其適用性更好。在車輛軌跡的建模過(guò)程中由于初始軌跡中存在異?；蛘哕壽E集太小，建立的軌跡模型庫(kù)不準(zhǔn)備，本專利在建模的過(guò)程中采用了增量式建模的方法，得到的軌跡模型庫(kù)比較準(zhǔn)確。本專利的異常檢測(cè)結(jié)果與以往的批處理相比具有更高的檢測(cè)率，更低的虛警率。滿足實(shí)際應(yīng)用的需要。

【發(fā)明內(nèi)容】

[0005]一種智能交通系統(tǒng)車輛軌跡異常檢測(cè)方法，所述方法包括以下步驟:
[0006]1、軌跡分類:首先利用hausdorff距離測(cè)量初始軌跡集中的所有軌跡之間的距離，然后求軌跡之間的軌跡相似度。如果給定L條軌跡，我們可以得到一個(gè)LXL的相似性矩陣SKsJup利用譜聚類的方法將L條軌跡分成K類。
[0007]2、初始化軌跡模型庫(kù):給定K個(gè)軌跡類，利用每一類包含的樣本軌跡，建立每類的HMM模型。模型結(jié)構(gòu)為自左到右且無(wú)跳轉(zhuǎn)類型。每個(gè)HMM包含Q個(gè)狀態(tài)轉(zhuǎn)移節(jié)點(diǎn)，每個(gè)狀態(tài)轉(zhuǎn)移節(jié)點(diǎn)的輸出概率密度函數(shù)為高斯混合函數(shù)。
[0008]3、軌跡類閾值設(shè)定:初始化軌跡模型庫(kù)之后，我們利用軌跡模型庫(kù)和初始軌跡集來(lái)計(jì)算每一個(gè)軌跡類的閾值LLT，如下所示:
【權(quán)利要求】
1.一種車輛軌跡增量式建模與在線異常檢測(cè)方法，所述方法包括以下步驟: a、軌跡分類:首先利用hausdorff距離測(cè)量初始軌跡集中的所有軌跡之間的距離,然后求軌跡之間的軌跡相似度，如果給定L條軌跡，我們可以得到一個(gè)LXL的相似性矩陣S= [s Jlxl,利用譜聚類的方法將L條軌跡分成K類； b、初始化軌跡模型庫(kù):給定K個(gè)軌跡類，利用每一類包含的樣本軌跡，建立每類的HMM模型，模型結(jié)構(gòu)為自左到右且無(wú)跳轉(zhuǎn)類型，每個(gè)HMM包含Q個(gè)狀態(tài)轉(zhuǎn)移節(jié)點(diǎn)，每個(gè)狀態(tài)轉(zhuǎn)移節(jié)點(diǎn)的輸出概率密度函數(shù)為高斯混合函數(shù)； C、軌跡類閾值設(shè)定:初始化軌跡模型庫(kù)之后，我們利用軌跡模型庫(kù)和初始軌跡集來(lái)計(jì)算每一個(gè)軌跡類的閾值LLT，如下所示:
【文檔編號(hào)】G06K9/20GK103473540SQ201310413340
【公開(kāi)日】2013年12月25日 申請(qǐng)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, 浩歡飛, 王金海, 苗長(zhǎng)云, 肖志濤 申請(qǐng)人:天津工業(yè)大學(xué)