专利名称：基于谱聚类的车辆异常行为检测方法
技术领域：
本发明涉及一种运动车辆的行为检测方法，具体涉及ー种通过对运动车辆的轨迹进行模式学习，检测运动车辆的行为异常的方法，属于运动目标检测领域。
背景技术：
随着经济的快速发展，车辆的拥有量急剧增长，导致道路交通事故的増加，由此造成了人员伤亡和经济损失的逐年増加。其中，各种交通违法行为引发的交通事故占交通事故总量的80%以上。随着传感器技术和计算机技术的不断发展，利用交通视频监控装置进行交通违章
的检测、识别和处理，在实际应用中取得了较好的成效。现有技术中，利用交通视频监控装置可以实现对闯红灯、超速行驶、违章停车和逆向行驶等交通违法行为的自动检测，从而便于交通管理部门的有效管理。但是，对于车辆的其它异常行为，如违章变道、不按规定车道行驶等对于道路交通安全有着危害的行为，现有的交通视频监控装置则难以识别。运动目标的微观运动行为在时空域上的直观表现形式是轨迹，运动行为模式相同的物体在轨迹上表现出较高的相似性与重复性。通过对特定场景内多个交通个体运动轨迹的学习，可以获取轨迹数据集合的时空分布，利用模式分类等方法提取典型运动模式，从而在交通场景建模，交通行为识别与预测以及异常事件监测等方面能够进行有效的研究和应用。但是，由于在交通行为监控中，样品数据集分布具有多祥性和复杂性，采用常规的提取方法不能很好地表达轨迹之间的相似性，从而导致轨迹识别难以实际应用。
发明内容
本发明的发明目的是提供一种基于谱聚类的车辆异常行为检测方法，以获得较好的轨迹聚类结果，实现对车辆异常行为的实时监測。为达到上述发明目的，本发明采用的技术方案是一种基于谱聚类的车辆异常行为检测方法，包括下列步骤(I)获取用于轨迹学习的样本视频序列，通过对样本视频序列中的车辆对象进行跟踪，获取车辆对象的时空轨迹，对所述时空轨迹进行异常轨迹去除后，得到车辆对象的轨迹序列，车辆轨迹数η大于等于100 ；(2)对步骤(I)获得的轨迹序列进行构图，将轨迹序列中的每条轨迹作为ー个样本点，轨迹间的Hausdorff距离为样本点间的距离，首先对样本点按照局部密度进行排序，然后构建得到与轨迹序列对应的无向图，具体方法为轨迹序列的数据样本集中有η个样本点,其中第i个样本点为Vi,记样本点Vi与其前k个近邻样本点的距离之和为Di,即，Di=C^di2+…+‘+…+dik，其中dn ( di2彡…彡Clij dik，Clij表示样本点Vi和样本点乃之间的距离，k为预设值，k取5 10之间的整数；所述无向图以邻接矩阵P表示，P为η行η列的ニ维矩阵，P中各元素的初始值均为-I，对于两个样本点Vi和乃，连线操作为置Pu=I且Pji=I，不连线操作为置Pu=O且Pji=O ；对η个样本点，按下列步骤处理①分别计算获得Di,其中i为I至η的整数；②Di从小到大排序，选取最小值对应的样本点Va ；③对样本点Va和它的k个近邻样本点进行连线操作，对样本点Va和其它样本点进行不连线操作，将Da从Di序列中去除；④选取剩余Di序列中的最小值，其对应的样本点为vx，Vx的k个邻近样本点集为{vxl, 1 = 1，2---k}, Vxl表示距离点Vx第I近的点,初始化1 = 1;⑤如果Vxl已与Vx连接，I = 1+1 ;否则,如果与Vxl相连接的样本点的个数为k,则对样本点Vx与样本点Vxl进行不连线操作，I = 1+1 ;否则，对样本点vx与样本点Vxl进行连线操作，I = 1+1 ;当邻接矩阵中与样本点vx已连接的样本点的个数小于k个且I彡k时，
重复步骤⑤；⑥将ら从I < k序列中去除，重复步骤④至⑥，直至对所有样本点完成操作，获得所述无向图；(3)计算轨迹序列中各轨迹之间的相似度根据步骤⑵获得的无向图，若两条轨迹间有路径相连，则相似度值为
H为该两条轨迹间的Hausdorff距离值，若两条轨迹间无路径通过，则它们之间的相似度值为O ;据此计算得出任意两条轨迹间的相似度值，获得与无向图对应的相似矩阵Su，i、j为I至η的整数；(4)进行聚类处理；处理步骤如下①构造拉普拉斯矩阵L = D_1/2SD_1/2，其中D为对角度矩阵A,· =E59 ;②计算矩阵L的特征值，并对特征值从大到小排序，计算相邻特征值间的差值，获得差值序列，差值序列中第一个极大值所在位置为C，取c为最终类别数；③采用从大到小排序的前c个特征值对应的特征向量^ t2，. . .，t。，构造矩阵T=[t1； t2,…，t。]，对矩阵T中的每一行进行单位化处理，得到矩阵Y，即、= ( J、丄⑴
(ΣΛり2④把矩阵Y的每一行看成c维空间中的点，利用聚类算法将其聚成c类；⑤如果Y的第i行属于第j类，则将原数据点Xi也划分到第j类，由此实现对原轨迹序列的聚类；(5)车辆异常行为检测对运动的车辆对象进行视频跟踪，获得该车辆的运动轨迹；如果该运动轨迹符合步骤(4)中的其中一类聚类，则车辆行为正常，否则发出车辆行为异常的信号，由此实现车辆异常行为的检测。上述技术方案中，所述对时空轨迹进行异常轨迹去除是指去除不符合常规运动模式的轨迹，通常采用人工识别方式进行去除。
步骤(4)中，所述聚类算法可以采用现有技术中常规使用的各种聚类算法，优选地，所述聚类算法为K-means算法。步骤(5)的检测方法为实时获取的车辆运动轨迹点为Bi，i为I至！]!的整数，m为获取的实时运动轨迹点个数，对这些运动轨迹点分别进行如下操作①对于轨迹点ai;计算其与样本轨迹序列中姆条轨迹的HausdorfT距离，并对Hausdorff距离进行升序排列，取前r个距离所对应的运动轨迹，作为轨迹点Bi的r邻近轨迹，r为预先设定的10 20之间的整数；②记录其r邻近轨迹分别属于的轨迹聚类，计算r个轨迹中分别属于每个聚类的比例，即为该轨迹点属于该聚类的概率；重复上述操作，获得所有m个运动轨迹点分别属于某轨迹聚类的概率。如果车辆运动轨迹点属于各轨迹聚类的概率有明显的变化，则发出车辆行为异常的信号。由于上述技术方案运用，本发明与现有技术相比具有下列优点I、本发明通过对车辆轨迹的聚类学习，实现了对车辆异常行为的监测，可以发现车辆的非正常变道，为交通管理自动化提供依据。2、本发明在进行运动轨迹空间模式划分时，创造性地引入了基于局部密度的构图方法，与直接利用数据点在样本空间中的欧氏距离特性完成聚类过程相比，可以充分利用聚类样本分布的先验知识，提高车辆轨迹之间相似性度量的准确性，从而保证聚类类数计算的正确性和提高聚类的正确率。该环节的引入可使同类轨迹之间的相似度増加，不同类轨迹之间的相似度为零，从而使不同类轨迹有效分开，同类轨迹相互连通。
图I是实施例中视频跟踪采集的源图像，用于提取轨迹；图2是实施例中经过去异和预处理得到的轨迹图；图3是采用基于局部密度构图方法对图2的轨迹进行构图的结果图；图4是对运动轨迹的聚类结果；图5是测试轨迹点在三个常态运动模式上的分布图；图6是测试轨迹点属于三个常态运动模式的概率分布图；图7是整个技术方案流程图；图8是基于局部密度的构图方法的流程图。
具体实施例方式下面结合附图及实施例对本发明作进ー步描述实施例一种基于谱聚类的车辆异常行为检测方法，通过视频跟踪能够自动获取运动目标的时空轨迹，经过异常轨迹去除后得到正常的轨迹，对轨迹进行构图，得到轨迹序列对应的无向图；然后计算轨迹间的相似性，从而得到相似性矩阵；对相似性矩阵进行拉普拉斯变换得到拉普拉斯矩阵，然后对其前k个最大特征值的特征向量矩阵进行聚类；对运动轨迹进行模式学习后，获得目标在正常状态下的运动模式，如果一条新的轨迹符合其中的一条常态运动模式，则说明该交通没有发生异常。否则说明车辆在进行非常态运动，即出现交通异常。用KNN分类算法对轨迹进行处理，以实现对运动车辆的实时检測。对正常的车辆运动轨迹，參见附图7和附图8，按如下步骤处理(I)采用基于局部密度的构图方法对车辆轨迹序列进行构图为了叙述方便，作如下规定将轨迹序列看成一个个样本点，对轨迹构图即是对点构图，轨迹间的相似性即是点间的相似性。下面所述点间的距离是指轨迹间的HausdorfT距离。为了提高点间相似性度量的准确性，我们充分考虑样本点集的局部密度，首先对样本点按照局部密度进行排序，然后依照一定的连接策略完成无向图的构造。记数据点Vi与其k近邻点的距离之和为Di,用Di表示数据点Vi的局部密度，Di定义如下巩=‘+‘+…+、.+…+dik，其中dn彡di2彡..·彡Clij dik，Clij表示Vi和Vj之间的距离。对于数据样本集中的η (η彡100)个点，分别按下列步骤处理[1-1]求点Vi到其k近邻点距离之和DiQ=I......η)；[1-2]对DiQ = I......η)从小到大排序，选取最小值D(n)对应的顶点Vi,并记
num=l ；[ト3]对Vi进行操作，即与k近邻点连线；对应邻接矩阵P中，初始邻接矩阵Pinitial中值都为-I，如果点Vi和Vj相连,则置Pij=I且Pji=I ;若两点不连,则置Pij=O且Pji=O ;顶点自身一直为-I。[1-4]选取剩余{Dx, χ=1, 2···η-ηιιηι}中的最小值D(n_num)(下标n_num表示未进行k邻近点连线操作的点的个数)，其对应的点为Vx ;统计出Vx—行对应邻接矩阵中I的个数q，然后将与k_q个邻近点连线。可知Vx的k邻近点集{vxl, I = l，2...k}，Vxl表示距离点vx第I近的点，初始化1 = 1，Count=O。[1-5]当l〈=k时，进行如下判断[1-5-1]如果Vxl已与￥!￡连接，1=1+1,重新执行[1-5];如果Vxl的度已饱和(即度为k)，则点Vx不与点Vxl相连，即邻接矩阵中置0，I = 1+1 ;否则，连接两点，对应邻接矩阵中置 I，且 count=count+l, I = 1+1。[1-5-2]如果 count>k_q,转向[1-6],否则重新执行[1-5]。[1-6]当 num〈n 时，num=num+l,重复执行[1_4]-[1_5];否则，结束。(2)轨迹空间相似性度量得到轨迹对应的无向图后，需要计算轨迹之间的相似度。我们采用如下步骤处理[2-1]若两条轨迹间有路径相连，用s =A(其中H代表Hausdorff距离值)作为它们之间的相似度值；[2-2]若两条序列间无路径通过，则它们之间的相似度值为O。经过上述两个步骤，可以计算得出任意两条轨迹间的相似度值，从而得到了无向图对应的相似矩阵。(3)对相似性矩阵进行拉普拉斯变换得到拉普拉斯矩阵，然后对其前k个最大特征值的特征向量矩阵进行聚类；处理步骤如下[3-1]构造 Laplacian 矩阵 L=D-1/2SD-1/2，其中 D 为对角度矩阵=ΥΛ °
[3-2]计算矩阵L的特征值，并对特征值从大到小排序，计算相邻特征值间的差值，获得差值序列，差值序列中第一个极大值所在位置为C，取c为最终类别数；[3-3]计算c个最大特征值对应的特征向量t” t2, ...，tc,构造矩阵T=Lt1, t2,...，t。]，对矩阵T中的每一行进行单位化处理，得到矩阵Y，即
权利要求
1.一种基于谱聚类的车辆异常行为检测方法，包括下列步骤 (1)获取用于轨迹学习的样本视频序列，通过对样本视频序列中的车辆对象进行跟踪，获取车辆对象的时空轨迹，对所述时空轨迹进行异常轨迹去除后，得到车辆对象的轨迹序列，车辆轨迹数η大于等于100 ； (2)对步骤(I)获得的轨迹序列进行构图，将轨迹序列中的每条轨迹作为一个样本点，轨迹间的Hausdorff距离为样本点间的距离，首先对样本点按照局部密度进行排序，然后构建得到与轨迹序列对应的无向图，具体方法为 轨迹序列的数据样本集中有η个样本点，其中第i个样本点为Vi，记样本点Vi与其前k个近邻样本点的距离之和为Di, S卩，Di=CliJdi2+…+Clij+…+dik，其中dn ( di2 Clij (…(dik, Clij表示样本点Vi和样本点Vj之间的距离，k为预设值，k取5 10之间的整数；所述无向图以邻接矩阵P表示，P为η行η列的二维矩阵，P中各元素的初始值均为-1，对于两个样本点Vi和Vj,连线操作为置Pu=I且Pji=I,不连线操作为置Pu=O且Pji=O ； 对η个样本点，按下列步骤处理 ①分别计算获得Di,其中i为I至η的整数； ②对Di从小到大排序，选取最小值对应的样本点Va； ③对样本点Va和它的k个近邻样本点进行连线操作，对样本点Va和其它样本点进行不连线操作，将Da从Di序列中去除； ④选取剩余Di序列中的最小值，其对应的样本点为vx，Vx的k个邻近样本点集为{vxl，I=I, 2. . . k}, vxl表示距离点Vx第I近的点,初始化1 = 1; ⑤如果Vxl已与Vx连接，I= 1+1 ;否则，如果与Vxl相连接的样本点的个数为k,则对样本点Vx与样本点Vxl进行不连线操作，I = 1+1 ;否则，对样本点vx与样本点Vxl进行连线操作，I = 1+1 ;当邻接矩阵中与样本点Vx已连接的样本点的个数小于k个且I ( k时，重复步骤⑤； ⑥将DxWDi序列中去除，重复步骤④至⑥，直至对所有样本点完成操作，获得所述无向图； (3)计算轨迹序列中各轨迹之间的相似度 根据步骤(2)获得的无向图，若两条轨迹间有路径相连，则相似度值为S = & H为该两条轨迹间的Hausdorff距离值，若两条轨迹间无路径通过，则它们之间的相似度值为O ; 据此计算得出任意两条轨迹间的相似度值，获得与无向图对应的相似矩阵Su，i、j为I至η的整数； (4)进行聚类处理；处理步骤如下 ①构造拉普拉斯矩阵L= D_"2SD_V2，其中D为对角度矩阵洱= Χ 5 J=I ②计算矩阵L的特征值，并对特征值从大到小排序，计算相邻特征值间的差值，获得差值序列，差值序列中第一个极大值所在位置为c，取c为最终类别数； ③采用从大到小排序的前c个特征值对应的特征向量^t2，…，t。，构造矩阵T=[t1； t2,…，t。]，对矩阵T中的每一行进行单位化处理，得到矩阵Y，即
2.根据权利要求I所述的基于谱聚类的车辆异常行为检测方法，其特征在于步骤(4)中，所述聚类算法为K-means算法。
3.根据权利要求I所述的基于谱聚类的车辆异常行为检测方法，其特征在于步骤(5)的检测方法为 实时获取的车辆运动轨迹点为a” i为I至m的整数，m是实时运动轨迹点的个数，对这些运动轨迹点分别进行如下操作 ①对于轨迹点ai;计算其与样本轨迹序列中每条轨迹的HausdorfT距离，并对HausdorfT距离进行升序排列，取前r个距离所对应的运动轨迹，作为轨迹点％的r邻近轨迹，r为预先设定的10 20之间的整数； ②记录其r邻近轨迹分别属于的轨迹聚类，计算r个轨迹中分别属于每个聚类的比例，即为该轨迹点属于该聚类的概率； 重复上述操作，获得所有m个运动轨迹点分别属于某轨迹聚类的概率； 如果车辆前后运动轨迹点分别属于不同的轨迹聚类，则发出车辆行为异常的信号。
全文摘要
本发明公开了一种基于谱聚类的车辆异常行为检测方法，通过视频跟踪获取运动目标的时空轨迹，经过去异和预处理得到正常的轨迹，对轨迹进行构图，得到轨迹序列对应的无向图；然后计算轨迹间的相似性，从而得到相似性矩阵；对相似性矩阵进行拉普拉斯变换得到拉普拉斯矩阵，然后对其前k个最大特征值的特征向量矩阵进行聚类；对运动轨迹进行模式学习后，获得目标在正常状态下的运动模式，如果一条新的轨迹符合其中的一条常态运动模式，则说明该交通没有发生异常，否则说明车辆在进行非常态运动，即出现交通异常。本发明通过对车辆轨迹的聚类学习，实现了对车辆异常行为的监测，可以发现车辆的非正常变道，为交通管理自动化提供依据。
文档编号G06T7/20GK102855638SQ20121028632
公开日2013年1月2日 申请日期2012年8月13日 优先权日2012年8月13日
发明者吴健, 崔志明, 时玉杰, 李承超 申请人:苏州大学