[发明专利]基于层次聚类的路口异常车辆轨迹识别分析方法

权利要求书

1.基于层次聚类的路口异常车辆轨迹识别分析方法，其特征在于：包括如下步骤：

步骤1，采集路口渠化信息，提取路口监控视频数据完成数据清洗；

步骤2，针对不同车辆ID实现单条轨迹分析，提取数据特征点，确定车辆轨迹；

步骤3，基于LCSS算法和层次聚类算法实现路口车辆轨迹聚类，划分出车辆轨迹模式类型，识别出正常车辆轨迹和异常车辆轨迹；

所述步骤3中，控制相似度阈值，确定簇数的范围，基于层次聚类算法确定相似度阈值下最佳聚类簇数以及其聚类结果；重复步骤，调整相似度阈值，重复求解出不同相似度阈值下的最佳聚类簇数；基于最佳聚类簇数求解出不同相似度阈值的组内均方差和组间均方差，确定最优阈值及其最优组数；基于最佳阈值和最优聚类簇数，确定车辆轨迹的聚类结果，识别出车辆轨迹模式类型，确定正常车辆轨迹和异常车辆轨迹；

步骤4，基于步骤3模式分析的车辆轨迹类型提取出单一模式正常车辆轨迹，进一步对单一模式车辆轨迹分析，识别出单一模式下异常车辆轨迹和正常车辆轨迹；

所述步骤4中，提取出单一模式下正常车辆轨迹，基于正常车辆轨迹的轨迹特征点数值，以轨迹的轨迹相似度、加速度方差、弧长比作为特征数值进行层次聚类，划分出异常行驶轨迹、异常行为轨迹和正常车辆轨迹；整合正常车辆轨迹再次进行层次聚类，判别出正常车辆轨迹和离群轨迹；重复步骤，对路口各模式下车辆轨迹分析，划分各流向中异常行驶轨迹、异常行为轨迹、离群轨迹和正常车辆轨迹，其中将异常行驶轨迹、异常行为轨迹和离群轨迹均默认为异常车辆轨迹；

步骤5，基于步骤3和4中的异常车辆轨迹，对路口状况进行分析。

2.根据权利要求1所述的基于层次聚类的路口异常车辆轨迹识别分析方法，其特征在于：所述步骤1中，具体包括如下分步骤：

步骤1-1，对路口类型及其渠化信息进行采集；

步骤1-2，基于单位时间段内路口监控视频根据不同车辆ID提取出原始轨迹点，记为P(f，x，y)，其中f表示帧数，x和y表示轨迹点坐标数值；

步骤1-3，基于原始轨迹点P在二维坐标内绘制出车辆原始轨迹点，从中确定缺失重要特征数据和不正确数据并进行剔除，实现原始轨迹点清洗；其中缺失重要特征数据为偏离数据，其可组成短路径但偏离线路走向，不正确数据即无法平滑连接的密集散点集，其无法构成路径轨迹。

3.根据权利要求1所述的基于层次聚类的路口异常车辆轨迹识别分析方法，其特征在于：所述步骤2中，具体包括如下分步骤：

步骤2-1，基于同一车辆ID下的原始轨迹数据P进行分析，在统计时间段T内对单位时间提取定量数据实现轨迹特征点提取；

步骤2-2，基于提取的特征点进行轨迹绘制，根据f帧数大小排列，确定车辆轨迹，记为TR＝{P|p_i，1≤i≤n，n为轨迹点数}。

4.根据权利要求1所述的基于层次聚类的路口异常车辆轨迹识别分析方法，其特征在于：所述步骤3中，具体包括如下分步骤：

步骤3-1，控制相似度阈值γ，确定簇数K的范围，基于层次聚类算法确定相似度阈值γ下最佳聚类簇数K_opi以及其聚类结果；

步骤3-2，重复步骤3-1，调整相似度阈值γ，重复求解出不同相似度阈值γ下的最佳聚类簇数K_opi，记为其中l表示相似度阈值序号，其中相似度阈值γ_l数值取整数；同时各下含有最优簇数的组内距均值和组内距

步骤3-3，基于求解出不同相似度阈值γ_l的组内均方差和组间均方差根据组内均方差和组间均方差确定最优阈值γ_opi及其最优组数K_opi；

步骤3-4，基于最佳阈值γ_opi和最优聚类簇数K_opi，确定车辆轨迹的聚类结果，识别出车辆轨迹模式类型，确定正常车辆轨迹和异常车辆轨迹；

基于步骤3-3确定的最佳阈值γ_opi和最优聚类簇数K_opi进行车辆轨迹层次聚类，根据步骤1的路口渠化信息，对聚类的车辆轨迹模式进行分类，将根据路口渠化流向下划分以外的车辆轨迹默认为异常车辆轨迹，其余则为正常车辆轨迹。