[发明专利]基于词袋模型及度量学习的车辆轨迹聚类方法

权利要求书

1.基于词袋模型及度量学习的车辆轨迹聚类方法，其特征在于，包括：

提取车辆轨迹点运动参量；

基于最小描述长度原理将所述车辆轨迹划分为多个最佳同质车辆轨迹段，并获取各段统计特征以得到所述车辆轨迹段特征集；

基于词袋模型及非凸低秩约束度量学习方法将每个最佳同质车辆轨迹段编码为定长向量以获得其特征描述符；

通过K-means算法及所述非凸低秩约束度量学习方法聚集所述特征描述符以实现车辆轨迹聚类。

2.根据权利要求1所述基于词袋模型及度量学习的车辆轨迹聚类方法，其特征在于，提取车辆轨迹点运动参量，具体为：

给定车辆轨迹数据集其中n_tr为车辆轨迹数目；车辆轨迹Tr_i由有限个位置矢量构成，表示为其中为欧式空间t_k时刻第i个车辆的位置；各车辆轨迹点基于时间戳及位置信息获得相应运动参量，即：速度加速度以及转向角分别为：

设定各车辆轨迹首个轨迹点转向角

3.根据权利要求1所述基于词袋模型及度量学习的车辆轨迹聚类方法，其特征在于，基于最小描述长度原理将所述车辆轨迹划分为多个最佳同质车辆轨迹段，并获取各段统计特征以得到所述车辆轨迹段特征集，具体为：

1)随机选取若干样本车辆轨迹基准点代表性特征点，并在所述基准点邻域内产生若干连续车辆轨迹段；

2)依据最小失真及最大压缩分段特性构造基于MDL原理的代价函数，并最小化所述代价函数调整车辆轨迹段边界；

3)迭代更新基准点位置及数目并执行步骤1)-2)，直至获得最佳同质车辆轨迹段。

4.根据权利要求3所述基于词袋模型及度量学习的车辆轨迹聚类方法，其特征在于，经过分段处理将产生若干最佳同质车辆轨迹段，各车辆轨迹段具有若干轨迹点；基于所述轨迹点运动参量抽取各段统计特征，即：最小值、最大值、平均值、中位数、标准差，以获取车辆轨迹段全局特征；然后各车辆轨迹由相应段特征表示。

5.根据权利要求4所述基于词袋模型及度量学习的车辆轨迹聚类方法，其特征在于，车辆轨迹数据集X_tr中所有车辆轨迹经过分段及统计特征提取后得到相应特征集其中L_i为第i条轨迹特征；TS中每条轨迹L_i划分段数各异，各轨迹段构成段特征集LD＝{C_ij}，其中C_ij为第i条轨迹的第j个段统计特征，i＝1,…,n_tr，而各轨迹j的取值范围各异，将依据其对应轨迹段数而定。

6.根据权利要求1所述基于词袋模型及度量学习的车辆轨迹聚类方法，其特征在于，基于词袋模型及非凸低秩约束度量学习方法将每个最佳同质车辆轨迹段编码为定长向量以获得其特征描述符，具体包括：词典生成过程和轨迹特征量化过程。

7.根据权利要求6所述基于词袋模型及度量学习的车辆轨迹聚类方法，其特征在于，所述词典生成过程，包括：

1)基于车辆轨迹段特征集LD，利用非凸低秩约束度量学习方法获取适于LD的度量矩阵；

2)随机选取LD部分样本作为初始词典，即初始聚类质心；

3)基于所述度量矩阵获取其他样本到词典单词的马氏距离，并基于最小距离原则将其划分至单词所代表簇，从而得到若干簇；

4)重新获取各簇质心并作为单词；

5)将各簇样本到簇质心的距离平方和即簇内误差平方和，若其小于设定阈值则组合各簇单词以构建词典，否则重复步骤2)-4)。