[发明专利]基于有向截尾均值距离的轨迹聚类方法

说明书

技术领域

本发明一种基于有向截尾均值距离(DTMD，Directional Trimmed MeanDistance)的轨迹聚类方法(以下简称基于DTMD的轨迹聚类方法)，涉及一种运动物体的轨迹聚类方法，特别是一种基于有向截尾均值Hausdorff距离的轨迹聚类方法。

背景技术

视频监控的任务是监视一个场景中的物体运动。随着视频监控技术的发展，视频监控已经从简单的低级的检测和跟踪，发展到了对运动物体的分类，并逐步延伸到利用场景知识结构对高级的行为分析。也就是说利用场景知识通过物体间空间和时间等的交互关系对行为进行描述，如车辆离开公路，行人等公车等，进而对目标物体的行为进行理解和监督。

自动识别及跟踪车辆的轨迹行为是目标行为特征的主要表现方式之一，是理解目标物体运动行为的基础。在许多场合下通过对目标运动轨迹的分析就可以提取出目标的行为模式。例如，在智能交通监控中，自动完成各种目标轨迹的分类、识别、行为理解，并进一步实现异常检测。

因此，基于轨迹的行为分析方法引起了国内外学者的广泛关注和兴趣，并已提出了多种方法，如基于轨迹之间不同距离度量的聚类方法、基于轨迹特征表示的聚类方法、基于轨迹分布建模的模型聚类法和基于轨迹序列模式挖掘的方法等。其中，比较有代表性的有基于欧氏距离、最长公共子序列和Hausdorff距离来度量不同轨迹之间差异的无监督聚类学习方法。

基于欧氏距离的轨迹差异度量，对流矢量的时序变化非常敏感，容易受跟踪噪声的影响。基于最长公共子序列的轨迹聚类方法中，时、空误差阈值参数的确定比较困难，没有有效的选择依据可供参考，且这些阈值均为固定常数，缺乏自适应性。而传统的Hausdorff距离虽然在计算上容易实现，但在求解过程中，要对每条轨迹上的每个点和其他所有的轨迹上的每个点的距离进行比较，才能最后得出两条轨迹之间的距离，这使得传统Hausdorff距离的计算量较大；其对噪声和遮挡也十分敏感，出格点存在时常会造成误判；而且由于传统Hausdorff距离是判断任意两个集合间距离的一种方法，因此不涉及方向性。而在轨迹的聚类中，轨迹都是有方向的，如两个轨迹线段运动轨迹的线条形状基本一直且距离很近，但方向相反，在使用传统Hausdorff距离进行聚类时，经常会被聚到同一类中，那么在之后利用聚类结果进行分类时可能会产生严重的错误，如车道中逆行的车辆会分到同一类中。

发明内容

本发明的技术解决问题：克服现有技术的不足，提出一种基于有向截尾均值Hausdorff距离的轨迹聚类方法，能够在轨迹聚类中可能出现的运动方向不同而轨迹形状相似情况下仍有很好的分辨能力，能够修正可能出现的错误轨迹点对聚类结果的影响，自适应性较强，并且减小了计算复杂度和计算量，使轨迹聚类有更好的方向敏感性和抗噪效果。

本发明的技术解决方案：基于有向截尾均值Hausdorff距离的轨迹聚类方法(简称基于DTMD的轨迹聚类方法)包括以下步骤：

(1)轨迹提取：利用运动跟踪算法从原始动态视频序列中提取轨迹；

(2)轨迹预处理：对提取的轨迹进行处理，减少由于目标跟踪过程中可能伴随有失跟、误跟及遮挡等问题造成轨迹不完整或有噪点污染等情况对后续处理的影响；

(3)相似度计算：利用DTMD相似度公式计算轨迹之间的相似度，构造相似度矩阵；

(4)谱图聚类：将轨迹及其相似关系转换成一个加权图，图的顶点代表轨迹，边代表相邻点对应轨迹之间的相似度，利用拉普拉斯方程计算相似度矩阵特征根和特征向量，利用Fielder值对图进行分割；

(5)得到聚类结果：利用(4)中得到的图的分割结果，转换成轨迹的分类，标记原始轨迹，输出轨迹聚类结果。

其中，所述步骤1轨迹提取包括：

1)利用运动跟踪方法如MeanShift，Kalman，AdaBoost等等，对轨迹进行跟踪，提取得到轨迹的坐标。

其中，所述步骤2轨迹预处理步骤如下：

1)轨迹长度滤波，先统计每条轨迹上坐标点的个数N，设定一个轨迹长度阈值T1。如果N≥T1，则保留该轨迹，并记录其相应轨迹的下标，否则丢弃该轨迹，从而滤掉跟踪过程中的一部分没有跟踪完整的轨迹。

2)方差滤波，在轨迹长度有效的基础上，计算每条轨迹上所有点横坐标的方差V_x与纵坐标的方差V_y，并设定两个阈值T2、T3。如果V_x＞T2，或者V_y＞T3，则认为该条轨迹是有效的；否则是无效的，从而滤掉错跟目标的运动轨迹。