CN104657746B - 一种基于车辆轨迹相似性的异常检测方法 - Google Patents
一种基于车辆轨迹相似性的异常检测方法 Download PDFInfo
- Publication number
- CN104657746B CN104657746B CN201510046984.1A CN201510046984A CN104657746B CN 104657746 B CN104657746 B CN 104657746B CN 201510046984 A CN201510046984 A CN 201510046984A CN 104657746 B CN104657746 B CN 104657746B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- vehicle
- track
- mtd
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于轨迹相似性的异常检测方法,首先提取车辆轨迹与车辆轨迹的方向角序列,然后通过计算轨迹间相似性度量进行聚类,根据方向角序列提取典型轨迹,再计算典型轨迹与该类车辆轨迹的相似性度量建立偏差统计模型,得到相似性度量的置信区间,最后计算待测轨迹与典型轨迹的相似性度量,根据置信区间判断是否异常。这种方法实现思路较为直观,容易集成到交通异常报警***;本发明使车辆轨迹正、异常区分度更加明显,使异常检测准确率更高,为进一步的异常处理提供有效的依据。
Description
技术领域
本发明属于异常行为模式识别技术领域,更为具体地讲,涉及一种基于车辆轨迹相似性的异常检测方法。
背景技术
随着社会的发展以及交通安全问题的日益突出,智能交通的概念随即产生,并且在视频监控***的快速发展与应用的情况下,人们需要识别很多特定场景的人或物体(如养老院中的老人、监狱中的犯人与交通中运动的车辆)的行为是否正确,因此,异常检测已经成为了一项十分重要的应用,而获取运动物体的运动信息是异常行为检测的基础。近年来,异常行为检测成为机器视觉和模式识别领域的研究热点,许多学者研究了适用于不同场景和满足不同需求的异常行为检测方法。
异常行为检测方法大致可以分为两类:基于局部运动特征的方法和基于轨迹的方法。前者是提取每个像素点或者某固定大小像素块的特征,然后对提取的特征建模;后者是通过技术手段跟踪在实际场景中的运动目标,然后对所获得轨迹进行分析。基于轨迹的方法以其在宏观方面的优势,在很多情况下更加适用。运动目标的运动轨迹为进一步分析其行为、异常检测与云测等提供了依据,如在交通视频的车辆轨迹,它含有丰富的特征信息,这些信息揭示了现场结构,提供了时间的发生线索,可以提取运动方向和速度,并且可以对运动目标的相关性进行推理,有效地监测违章违规行为,预防交通事故发生。
轨迹聚类是轨迹分析研究的主要内容,轨迹聚类的出发点在于根据轨迹之间的相似度自动地实现对轨迹的划分。轨迹相似度是轨迹聚类的依据所在,常用的轨迹相似度方法主要包括Euclidean距离、主成分分析(PCA)、Hausdorff距离、(最长公共序列)LCCS、动态时间规整(DTW)、隐马尔可夫模型(HMM)等。动态时间规整(Dynamic Time Wraping,DTW)是基于动态规划(DP)的思想,是一种衡量两个长度不同的时间序列的相似度的方法,主要用于模板匹配中,比如语音识别、手势识别、数据挖掘和信息检索等,DTW距离在测算轨迹间的距离时也被经常使用。在许多交通异常情况下,如只有一次大的波动而其他处均属正常行驶的情况时我们认为是正常行为,而一直蛇形行驶的情况属异常行为,在这种背景下,经典的DTW测距在测算两条轨迹距离时,这两种情况中很难得以区分,需要对该方法进行改进,并应用于实际情景中,察看效果。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于车辆轨迹相似性的异常检测方法,能够提高识别蛇形行驶中异常的准确率。
为实现上述发明目的,本发明一种基于车辆轨迹相似性的异常检测方法,其特征在于,包括以下步骤:
(1)、提取车辆轨迹
采集目标车辆的位置信息,对采集的位置信息进行高斯滤波,再对滤波完的位置信息进行特征提取,把提取的位置特征组成2n*m矩阵M,其中2n为矩阵M的行数,m为矩阵M的列数;
在矩阵M中,每两行代表一条车辆轨迹,两行中的第一行表示横坐标,第二行表示纵坐标,则矩阵M中包含n条车辆轨迹数,每条车辆轨迹中包含m个采样点;
将矩阵M的每两行组成的矩阵M′i,i=1,2,...,n,矩阵M′i再转置后得到第i条车辆轨迹的矢量序列Li={qj=(xj,yj),j=1,2,...,m},其中,qj表示第j个采样点的横、纵坐标(xj,yj);
(2)、获取车辆轨迹的方向角序列
(2.1)、提取车辆轨迹方向角βj
(2.2)、确定车辆轨迹的方向角序列
设每条车辆轨迹中最后一个采样点的方向角与前一个采样点的方向角相同,即βm=βm-1;
则每条车辆轨迹的矢量序列Li所对应的方向角序列Bi可表示为:Bi=(β1,β2,...,βm);
(3)、对车辆轨迹进行聚类
(3.1)、计算车辆轨迹间的相似性度量
利用改进后基于权重的DTW轨迹距离算法计算矩阵M中任意两条车辆轨迹间的相似性度量
其中,te是所求规整路径T上的阈值之外的第e个值;tf是所求规整路径T上的阈值之内的第f个值;we、wf分别为阈值外和阈值内的点的相似性度量的权重,且满足m1、n1分别为T上阈值之外、阈值之内点的个数;Lk、Ll为从矩阵M中任意提取的两条车辆轨迹的矢量序列,k,l=1,2,...,n;
(3.2)、获取车辆轨迹的相似性度量矩阵K
通过步骤(3.1)计算出所有车辆轨迹的相似性度量,组成n*n的相似性度量矩阵K:
其中,σ为尺度参数,用于控制Kkl随Lk和Ll距离增加而衰减的速度,Kkl为矩阵K中第k行第l列的元素;
(3.3)、对车辆轨迹进行聚类
先确定谱聚类算法的聚类个数,即聚为ζ类,将n*n的相似性度量矩阵K作为谱聚类算法输入,将所有的车辆轨迹聚为ζ类;
(4)、提取车辆轨迹的典型轨迹和偏差统计建模
将聚类后的第τ类车辆轨迹按照纵坐标进行区间划分,τ=1,2,…,ζ,初始区间长度设为sx,计算该类车辆轨迹在各个区间内方向角的方差,并设定方差阈值η和区间合并阈值ε;
(4.1)、如果在某个区间内,任意一条车辆轨迹的方差大于η,则在步骤(4.2)中计算方向角均值时,舍弃该区间内该条车辆轨迹的方向角;
(4.2)、根据方向角序列Bi计算每个区间的方向角均值αi,t为合并前区间个数;
如果两相邻区间的方向角均值之差大于等于ε,则两相邻区间保持不变;
如果两相邻区间的方向角均值之差小于ε,则合并这两个区间,并计算合并后的区间的方向角均值s为合并后区间个数,合并操作直至最后不能合并区间为止;
然后分别计算每个区间所有点的横、纵坐标均值得到该区间所有点的中值c,再由方向角均值算出斜率
得到斜率为且过点c的直线,即为该类车辆轨迹在该区间的典型轨迹再将各个区间的典型轨迹连接起来得到该类车辆轨迹的典型轨迹Lcτ;
(4.3)、建立轨迹偏差统计模型
根据步骤(3.1)中车辆轨迹相似性度量计算公式,计算出第τ类中所有轨迹与典型轨迹Lcτ的相似性度量,得到第τ类车辆轨迹的相似性度量序列Dτr,r表示第τ类车辆轨迹的条数;
在第τ类车辆轨迹中,对每条车辆轨迹的每个采样点根据典型轨迹Lcτ求对应纵坐标下的横坐标xpq,p=1,2,…,r;q=1,2,…,m,xpq表示第p条车辆轨迹的第q个采样点的纵坐标在典型轨迹上的横坐标;将每个采样点的横坐标减去对应的xpq,再分别统计每条车辆轨迹横坐标的正负,正数多则计算的相似性度量为正,负数多则计算的相似性度量为负,则Dτr成为D'τr;
对D'τr中所有相似性度量进行高斯建模,且服从N(uτ,στ 2),即Dτ~N(uτ,στ 2)
其中Dτr'(p)表示在第τ类车辆轨迹中,第p条车辆轨迹与典型轨迹Lcτ的相似性度量;
设置置信度为1-α,则置信区间为
其中,nτ为第τ类车辆轨迹中轨迹条数,
(5)、车辆轨迹的异常检测
根据步骤(3.1)中车辆轨迹相似性度量计算公式,计算待测车辆轨迹与每类典型轨迹的相似性度量,如果任意一相似性度量在置信区间内,则该车辆轨迹正常,否则该车辆轨迹异常。
本发明的发明目的是这样实现的:
本发明基于轨迹相似性的异常检测方法,首先提取车辆轨迹与车辆轨迹的方向角序列,然后通过计算轨迹间相似性度量进行聚类,根据方向角序列提取典型轨迹,再计算典型轨迹与该类车辆轨迹的相似性度量建立偏差统计模型,得到相似性度量的置信区间,最后计算待测轨迹与典型轨迹的相似性度量,根据置信区间判断是否异常。这种方法实现思路较为直观,容易集成到交通异常报警***;本发明使车辆轨迹正、异常区分度更加明显,使异常检测准确率更高,为进一步的异常处理提供有效的依据。
附图说明
图1是本发明基于车辆轨迹相似性的异常检测方法的流程图;
图2是车辆轨迹聚类示意图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
图1是本发明基于车辆轨迹相似性的异常检测方法的流程图。
在本实施例中,如图1所示,本发明一种基于车辆轨迹相似性的异常检测方法,主要包括三大部分:轨迹提取阶段、聚类阶段和异常检测阶段。
下面针对三个阶段进行详细说明,具体如下:
S1、轨迹提取阶段
S1.1、获取车辆位置信息
采集目标车辆的位置信息,对采集的位置信息进行高斯滤波,再对滤波完的位置信息进行特征提取,把提取的位置特征组成2n*m矩阵M,其中2n为矩阵M的行数,m为矩阵M的列数;在本实施例中,如表1所示,n=6,m=16;
表1是矩阵M;
3 | 9 | 12 | 19 | 24 | 30 | 36 | 44 | 51 | 54 | 64 | 69 | 78 | 80 | 84 | 88 |
126 | 118 | 110 | 105 | 98 | 90 | 82 | 70 | 62 | 58 | 45 | 38 | 26 | 20 | 18 | 13 |
40 | 44 | 48 | 51 | 54 | 58 | 61 | 66 | 63 | 70 | 76 | 77 | 79 | 82 | 85 | 90 |
135 | 127 | 117 | 110 | 103 | 95 | 82 | 90 | 81 | 75 | 61 | 55 | 50 | 43 | 35 | 25 |
56 | 57 | 62 | 64 | 67 | 71 | 73 | 75 | 76 | 77 | 78 | 79 | 80 | 84 | 86 | 92 |
125 | 119 | 108 | 101 | 95 | 90 | 85 | 72 | 65 | 61 | 59 | 55 | 50 | 43 | 34 | 27 |
153 | 159 | 162 | 169 | 174 | 180 | 186 | 194 | 201 | 204 | 214 | 219 | 228 | 230 | 234 | 238 |
126 | 117 | 110 | 105 | 98 | 90 | 82 | 70 | 62 | 58 | 45 | 38 | 26 | 22 | 17 | 12 |
175 | 175 | 175 | 175 | 175 | 175 | 175 | 175 | 175 | 175 | 175 | 175 | 175 | 175 | 175 | 175 |
126 | 118 | 110 | 105 | 98 | 90 | 82 | 70 | 62 | 58 | 45 | 38 | 26 | 22 | 17 | 12 |
178 | 177 | 176 | 175 | 174 | 173 | 172 | 171 | 170 | 169 | 168 | 167 | 166 | 165 | 162 | 160 |
126 | 118 | 110 | 105 | 98 | 90 | 82 | 70 | 62 | 58 | 45 | 38 | 26 | 22 | 17 | 12 |
表1
在矩阵M中,每两行代表一条车辆轨迹,两行中的第一行表示横坐标,第二行表示纵坐标,则矩阵M中包含6条车辆轨迹数,每条车辆轨迹中包含m个采样点;
将矩阵M的每两行组成的矩阵Mi',i=1,2,...,6,矩阵Mi'再转置后得到第i条车辆轨迹的矢量序列Li={qj=(xj,yj),j=1,2,...,16},其中,qj表示第j个采样点的横、纵坐标(xj,yj);
S1.2、获取车辆轨迹的方向角序列
1)、提取车辆轨迹方向角βj
2)、确定车辆轨迹的方向角序列
设每条车辆轨迹中最后一个采样点的方向角与前一个采样点的方向角相同,即βm=βm-1;在本实施例中,以矩阵M中第一条车辆轨迹为例,第15个采样点(84,18)和第16个采样点(88,13)的方向角相同,即β16=β15;
则每条车辆轨迹的矢量序列Li所对应的方向角序列Bi可表示为:Bi=(β1,β2,...,βm);
S2、聚类阶段
S2.1、计算车辆轨迹间的相似性度量
在本实施例中,先对DTW距离算法作简单介绍,具体如下:
DTW是一种基于动态规划理论(DP)提出的模式匹配方法,该算法将时间规整和距离测度计算相结合,通过搜寻2条轨迹间的相似特征来进行压缩、扩张或转换某些向量,以便其特征量与标准模式对应。其原理如下:
设T(t×N)和R(r×N)为2条多元轨迹,分别代表测试批次和参考批次,其中t和r为采样次数,N为变量个数。DTW运用动态规划原理,非线性地错位2条轨迹,排列相似事件,使其中一条轨迹的各向量与另一条轨迹的各向量相对应,以获得两条轨迹间的最短距离。设it和jt分别为Lk和Ll轨迹上的关于时间的坐标,1≤it≤t,1≤jt≤r。DTW在t×r网格中建立P个点的F*序列:
F*={c(1),c(2),...,c(p),...,c(P)},
其中max(t,r)≤P≤t+r,c(p)=[i(p)j(p)]。
在DTW算法中,F*序列可看作使两轨迹之间标准距离最短的一条处于t×r网格中的最优路径。设d(it,jt)为代表T(t×N)和R(r×N)分别在it和jt时刻的欧氏距离值:
其中,wc为各个变量的权值,反映各被测变量的相对重要性。构造一个相似度矩阵DA,用来描述两条轨迹间的差异度。用动态规划的算法可以由d(it,jt)得到DA(i,j),应用Itakura提出的局部约束可以得到如下的递推式:
式中DA(1,1)=d(1,1)。
在此基础上定义轨迹的DTW距离公式如下:
其中,φ是规整路径上点的个数,是所求规整路径T上的第个值。
在本发明中,对DTW距离算法作进一步的改进,得到改进后基于权重的DTW轨迹距离算法,即:
其中,te是所求规整路径T上的阈值之外的第e个值;tf是所求规整路径T上的阈值之内的第f个值;we、wf分别为阈值外和阈值内的点的相似性度量的权重,且满足m1、n1分别为T上阈值之外、阈值之内点的个数;Lk、Ll为从矩阵M中任意提取的两条车辆轨迹的矢量序列,k,l=1,2,...,n;
再利用改进后基于权重的DTW轨迹距离算法,计算矩阵M中任意两条车辆轨迹间的相似性度量;
S2.2、获取车辆轨迹的相似性度量矩阵K
通过步骤S2.1中基于权重的DTW轨迹距离算法,计算出所有车辆轨迹的相似性度量,组成n*n的相似性度量矩阵K:
其中,σ为尺度参数,用于控制Kkl随Lk和Ll距离增加而衰减的速度,Kkl为矩阵K中第k行第l列的元素;
S2.3、对车辆轨迹进行聚类
所谓聚类就是将数据点划分为若干个类或簇,使得同一类中的数据点之间具有较高的相似度,而不同类之间具有较高的相异度。谱聚类的算法思想起源于谱图划分理论,它将输入特征矢量作为图中的定点,将特征矢量间的相似度作为连接顶点的边,通过寻找图的最优化分来实现输入特征矢量的分类。
先确定谱聚类算法的聚类个数,即聚为ζ类,再将n*n的相似性度量矩阵K作为谱聚类算法输入,将所有的车辆轨迹聚为ζ类;
在本实施例中,谱聚类算法采用k均值聚类;如图2所示,6条车辆轨迹聚为2类,即TR1、TR2、TR3聚为了一类,TR4、TR5、TR6聚为了另一类。
S3、异常检测阶段
将聚类后的第τ类车辆轨迹按照纵坐标进行区间划分,τ=1,2,…,ζ,初始区间长度设为sx,计算该类车辆轨迹在各个区间内方向角的方差,并设定方差阈值η和区间合并阈值ε;
在本实施例中,以TR1、TR2、TR3这一类的三条车辆轨迹为例,初始区间长度sx=20,方差阈值η=0.5,区间合并阈值ε=0.1;
S3.1、如果在某个区间内,任意一条车辆轨迹的方差大于η,则在步骤S3.2中计算方向角均值时,舍弃该区间内该条车辆轨迹的方向角;
表2是车辆轨迹在各个区间内方向角的方差统计表;
表2
在表2中,车辆轨迹TR2在区间[60,80]和区间[80,100]的方差大于η=0.5,所以舍弃该区间内该条车辆轨迹的方向角;
S3.2、根据方向角序列Bi计算每个区间的方向角均值αi,t为合并前区间个数;
如果两相邻区间的方向角均值之差大于等于ε,则两相邻区间保持不变;
如果两相邻区间的方向角均值之差小于ε,则合并这两个区间,并计算合并后的区间的方向角均值s为合并后区间个数,合并操作直至最后不能合并区间为止;
表3是各区间的轨迹方向角均值统计表
区间 | [0,20] | [20,40] | [40,60] | [60,80] | [80,100] | [100,120] | [120,140] |
均值 | 1.919 | 1.996 | 2.001 | 2.332 | 1.936 | 2.123 | 2.055 |
表3
在本实施例中,区间合并阈值ε=0.1,则可知将区间[0,20]、[20,40]、[40,60]合并,[100,120]、[120,140]合并,具体如表4所示;
表4是区间合并后的轨迹方向角均值统计表
区间 | [0,60] | [60,80] | [80,100] | [100,140] |
均值 | 1.972 | 2.332 | 1.936 | 2.089 |
表4
然后分别计算每个区间所有点的横、纵坐标均值得到该区间所有点的中值c,再由方向角均值算出斜率
得到斜率为且过点c的直线,即为该类车辆轨迹在该区间的典型轨迹再将各个区间的典型轨迹连接起来得到该类车辆轨迹的典型轨迹Lcτ;
S3.3、建立轨迹偏差统计模型
根据步骤S2.1中基于权重的DTW轨迹距离算法,计算出第τ类中所有轨迹与典型轨迹的相似性度量,得到第τ类车辆轨迹的相似性度量序列Dτr,r表示第τ类车辆轨迹的条数;
在第τ类车辆轨迹中,对每条车辆轨迹的每个采样点根据典型轨迹Lcτ求对应纵坐标下的横坐标xpq,p=1,2,…,r;q=1,2,…,m,xpq表示第p条车辆轨迹的第q个采样点的纵坐标在典型轨迹上的横坐标;将每个采样点的横坐标减去对应的xpq,再分别统计每条车辆轨迹横坐标的正负,正数多则计算的相似性度量为正,负数多则计算的相似性度量为负,则Dτr成为D'τr;
在本实施例中,设qq=(xq,yq)为轨迹Lq上采样点,则xpq为yq代入典型轨迹Lcτ中计算的横坐标。由于相似性度量值本身不为负数,假设Dτr=(d1,d2,d3),d1,d2,d3≥0,即表示第τ类轨迹中Lcτ1、Lcτ2、Lcτ33条轨迹分别与典型轨迹Lcτ计算的相似性度量为1、2、1,此时若Lcτ1轨迹上所有采样点横坐标xq减去xpq,为负者居多,而Lcτ2、Lcτ3为正者多,则D'τr=(-d1,d2,d3)。
对D'τr中所有相似性度量进行高斯建模,且服从N(uτ,στ 2),即Dτ~N(uτ,στ 2)
其中Dτr'(p)表示在第τ类车辆轨迹中,第p条车辆轨迹与典型轨迹Lcτ的相似性度量;
设置置信度为1-α,则置信区间为
其中,nτ为第τ类车辆轨迹中轨迹条数,
在本实施例中,置信度1-α>90%。
S3.4、车辆轨迹的异常检测
根据步骤S2.1中基于权重的DTW轨迹距离算法,计算待测车辆轨迹与每类典型轨迹的相似性度量,如果任意一相似性度量在置信区间内,则该车辆轨迹正常,否则该车辆轨迹异常。
实例
将本发明应用于车辆轨迹的异常行为检测中,采集的数据为42条正常轨迹,每条轨迹采集25个位置点信息,采取的轨迹数据为84*25,每两行代表一条轨迹,每条轨迹的每两列代表一个位置信息。在对42条正常轨迹进行相似性度量和谱聚类以后,分为了两类,再提取出典型轨迹作为参考模板,最后取10条正常轨迹和10条异常轨迹,让此20条待测轨迹分别应用于改进前和改进后的方法,其结果如表5所示,改进后的DTW算法能够明显提高检测的精准度。
表5是改进前后异常检测实验结果对比表
轨迹类别 | 实际条数 | 改进前检出条数 | 改进后检出条数 |
正常 | 10 | 7 | 9 |
异常 | 10 | 13 | 11 |
表5
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (2)
1.一种基于车辆轨迹相似性的异常检测方法,其特征在于,包括以下步骤:
(1)、提取车辆轨迹
采集目标车辆的位置信息,对采集的位置信息进行高斯滤波,再对滤波完的位置信息进行特征提取,把提取的位置特征组成2n*m矩阵M,其中2n为矩阵M的行数,m为矩阵M的列数;
在矩阵M中,每两行代表一条车辆轨迹,两行中的第一行表示横坐标,第二行表示纵坐标,则矩阵M中包含n条车辆轨迹数,每条车辆轨迹中包含m个采样点;
将矩阵M中代表一条车辆轨迹的两行组成的矩阵Mi',i=1,2,...,n,矩阵Mi'再转置后得到第i条车辆轨迹的矢量序列Li={qj=(xj,yj),j=1,2,...,m},其中,qj表示第j个采样点的横、纵坐标(xj,yj);
(2)、获取车辆轨迹的方向角序列
(2.1)、提取车辆轨迹方向角βj
<mrow>
<msub>
<mi>&beta;</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>arctan</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>y</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>></mo>
<mn>0</mn>
<mo>,</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo>&NotEqual;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>arctan</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>y</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>&pi;</mi>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo><</mo>
<mn>0</mn>
<mo>,</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo><</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>arctan</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>y</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&pi;</mi>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo><</mo>
<mn>0</mn>
<mo>,</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo>></mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mfrac>
<mi>&pi;</mi>
<mn>2</mn>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo><</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mi>&pi;</mi>
<mn>2</mn>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo>></mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>y</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
(2.2)、确定车辆轨迹的方向角序列
设每条车辆轨迹中最后一个采样点的方向角与前一个采样点的方向角相同,即βm=βm-1;
则每条车辆轨迹的矢量序列Li所对应的方向角序列Bi可表示为:Bi=(β1,β2,...,βm);
(3)、对车辆轨迹进行聚类
(3.1)、计算车辆轨迹间的相似性度量
利用改进后基于权重的DTW轨迹距离算法计算矩阵M中任意两条车辆轨迹间的相似性度量
<mrow>
<msub>
<mi>D</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
<mi>p</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>L</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>L</mi>
<mi>l</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>e</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>m</mi>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>w</mi>
<mi>e</mi>
</msub>
<msub>
<mi>t</mi>
<mi>e</mi>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>f</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>n</mi>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>w</mi>
<mi>f</mi>
</msub>
<msub>
<mi>t</mi>
<mi>f</mi>
</msub>
</mrow>
其中,te是所求规整路径T上的阈值之外的第e个值;tf是所求规整路径T上的阈值之内的第f个值;we、wf分别为阈值外和阈值内的点的相似性度量的权重,且满足m1、n1分别为T上阈值之外、阈值之内点的个数;Lk、Ll为从矩阵M中任意提取的两条车辆轨迹的矢量序列,k,l=1,2,...,n;
(3.2)、获取车辆轨迹的相似性度量矩阵K
通过步骤(3.1)计算出所有车辆轨迹的相似性度量,组成n*n的相似性度量矩阵K:
<mrow>
<msub>
<mi>K</mi>
<mrow>
<mi>k</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mi>l</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<msub>
<mi>D</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
<mi>p</mi>
</mrow>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>L</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>L</mi>
<mi>l</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>/</mo>
<mo>(</mo>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>k</mi>
<mo>&NotEqual;</mo>
<mi>l</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,σ为尺度参数,用于控制Kkl随Lk和Ll距离增加而衰减的速度,Kkl为矩阵K中第k行第l列的元素;
(3.3)、对车辆轨迹进行聚类
先确定谱聚类算法的聚类个数,即聚为ζ类,将n*n的相似性度量矩阵K作为谱聚类算法输入,将所有的车辆轨迹聚为ζ类;
(4)、提取车辆轨迹的典型轨迹和偏差统计建模
将聚类后的第τ类车辆轨迹按照纵坐标进行区间划分,τ=1,2,…,ζ,初始区间长度设为sx,计算该类车辆轨迹在各个区间内方向角的方差,并设定方差阈值η和区间合并阈值ε;
(4.1)、如果在某个区间内,任意一条车辆轨迹的方差大于η,则在步骤(4.2)中计算方向角均值时,舍弃该区间内该条车辆轨迹的方向角;
(4.2)、根据方向角序列Bi计算每个区间的方向角均值 t为合并前区间个数;
如果两相邻区间的方向角均值之差大于等于ε,则两相邻区间保持不变;
如果两相邻区间的方向角均值之差小于ε,则合并这两个区间,并计算合并后的区间的方向角均值 s为合并后区间个数,合并操作直至最后不能合并区间为止;
然后分别计算每个区间所有点的横、纵坐标均值得到该区间所有点的中值c,再由方向角均值算出斜率
<mrow>
<msub>
<mi>k</mi>
<msup>
<mi>i</mi>
<mo>*</mo>
</msup>
</msub>
<mo>=</mo>
<mi>t</mi>
<mi>a</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mover>
<mi>&alpha;</mi>
<mo>~</mo>
</mover>
<msup>
<mi>i</mi>
<mo>*</mo>
</msup>
</msub>
<mo>&CenterDot;</mo>
<mi>&pi;</mi>
</mrow>
<mn>180</mn>
</mfrac>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
得到斜率为且过点c的直线,即为该类车辆轨迹在该区间的典型轨迹再将各个区间的典型轨迹连接起来得到该类车辆轨迹的典型轨迹Lcτ;
(4.3)、建立轨迹偏差统计模型
根据步骤(3.1)中车辆轨迹相似性度量计算公式,计算出第τ类中所有轨迹与典型轨迹Lcτ的相似性度量,得到第τ类车辆轨迹的相似性度量序列Dτr,r表示第τ类车辆轨迹的条数;
在第τ类车辆轨迹中,对每条车辆轨迹的每个采样点根据典型轨迹Lcτ求对应纵坐标下的横坐标xpq,p=1,2,…,r;q=1,2,…,m,xpq表示第p条车辆轨迹的第q个采样点的纵坐标在典型轨迹上的横坐标;将每个采样点的横坐标减去对应的xpq,再分别统计每条车辆轨迹横坐标的正负,正数多则计算的相似性度量为正,负数多则计算的相似性度量为负,则Dτr成为D'τr;
对D'τr中所有相似性度量进行高斯建模,且服从N(uτ,στ 2),即Dτ~N(uτ,στ 2)
<mrow>
<msub>
<mi>u</mi>
<mi>&tau;</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>r</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>r</mi>
</munderover>
<msup>
<msub>
<mi>D</mi>
<mrow>
<mi>&tau;</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msup>
<msub>
<mi>&sigma;</mi>
<mi>&tau;</mi>
</msub>
<mn>2</mn>
</msup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>r</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>r</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msup>
<msub>
<mi>D</mi>
<mrow>
<mi>&tau;</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>&prime;</mo>
</msup>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>u</mi>
<mi>&tau;</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
其中Dτr'(p)表示在第τ类车辆轨迹中,第p条车辆轨迹与典型轨迹Lcτ的相似性度量;
设置置信度为1-α,则置信区间为
<mrow>
<mo>&lsqb;</mo>
<msub>
<mover>
<mi>D</mi>
<mo>&OverBar;</mo>
</mover>
<mi>&tau;</mi>
</msub>
<mo>-</mo>
<mfrac>
<msub>
<mi>&sigma;</mi>
<mi>&tau;</mi>
</msub>
<msqrt>
<msub>
<mi>n</mi>
<mi>&tau;</mi>
</msub>
</msqrt>
</mfrac>
<msub>
<mi>z</mi>
<mrow>
<mi>&alpha;</mi>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mover>
<mi>D</mi>
<mo>&OverBar;</mo>
</mover>
<mi>&tau;</mi>
</msub>
<mo>+</mo>
<mfrac>
<msub>
<mi>&sigma;</mi>
<mi>&tau;</mi>
</msub>
<msqrt>
<msub>
<mi>n</mi>
<mi>&tau;</mi>
</msub>
</msqrt>
</mfrac>
<msub>
<mi>z</mi>
<mrow>
<mi>&alpha;</mi>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msub>
<mo>&rsqb;</mo>
</mrow>
其中,nτ为第τ类车辆轨迹中轨迹条数,
(5)、车辆轨迹的异常检测
根据步骤(3.1)中车辆轨迹相似性度量计算公式,计算待测车辆轨迹与每类典型轨迹的相似性度量,如果任意一相似性度量在置信区间内,则该车辆轨迹正常,否则该车辆轨迹异常。
2.根据权利要求1所述的基于车辆轨迹相似性的异常检测方法,其特征在于,所述的步骤(3.3)中,谱聚类算法采用k均值聚类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510046984.1A CN104657746B (zh) | 2015-01-29 | 2015-01-29 | 一种基于车辆轨迹相似性的异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510046984.1A CN104657746B (zh) | 2015-01-29 | 2015-01-29 | 一种基于车辆轨迹相似性的异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104657746A CN104657746A (zh) | 2015-05-27 |
CN104657746B true CN104657746B (zh) | 2017-09-12 |
Family
ID=53248845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510046984.1A Expired - Fee Related CN104657746B (zh) | 2015-01-29 | 2015-01-29 | 一种基于车辆轨迹相似性的异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104657746B (zh) |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106055665B (zh) * | 2016-06-02 | 2020-03-17 | 兰州大学 | 基于异常值剔除的情境感知Web服务推荐方法和*** |
GB201711408D0 (en) * | 2016-12-30 | 2017-08-30 | Maxu Tech Inc | Early entry |
CN111699519A (zh) * | 2018-01-23 | 2020-09-22 | 西门子交通有限责任公司 | 用于检测地理位置中的异常交通事件的***、设备和方法 |
CN108387932B (zh) * | 2018-01-29 | 2019-10-18 | 成都承义科技有限公司 | 一种地震信号的识别方法及装置 |
CN108680174B (zh) * | 2018-05-10 | 2019-05-10 | 长安大学 | 一种基于机器学习算法改进地图匹配异常点的方法 |
CN110688435B (zh) * | 2018-07-04 | 2022-04-05 | 北京嘀嘀无限科技发展有限公司 | 一种相似轨迹搜索方法和*** |
CN111328403B (zh) | 2018-10-16 | 2023-09-29 | 华为技术有限公司 | 基于使用加权置信度值允许的质量指标改进的轨迹匹配 |
CN111079776A (zh) * | 2018-10-22 | 2020-04-28 | 百度在线网络技术(北京)有限公司 | 障碍车轨迹异常的判别方法和装置 |
CN109726737B (zh) * | 2018-11-27 | 2020-11-10 | 武汉极意网络科技有限公司 | 基于轨迹的异常行为检测方法及装置 |
CN109858517B (zh) * | 2018-12-25 | 2021-03-30 | 中国石油大学(华东) | 一种以运动方向为主导的轨迹相似性度量方法 |
CN110443288B (zh) * | 2019-07-19 | 2021-09-28 | 浙江大学城市学院 | 一种基于排序学习的轨迹相似性计算方法 |
US11443184B2 (en) | 2019-08-19 | 2022-09-13 | Toyota Research Institute, Inc. | Methods and systems for predicting a trajectory of a road agent based on an intermediate space |
CN110990678B (zh) * | 2019-10-29 | 2022-05-10 | 浙江大学城市学院 | 基于增强型循环神经网络的轨迹相似性计算方法 |
CN111046942A (zh) * | 2019-12-09 | 2020-04-21 | 交控科技股份有限公司 | 一种道岔故障判断方法及装置 |
CN111159254B (zh) * | 2019-12-30 | 2023-07-25 | 武汉长江通信产业集团股份有限公司 | 一种基于大数据处理的车辆与人员的关联方法 |
CN111768430B (zh) * | 2020-06-23 | 2023-08-11 | 重庆大学 | 一种基于多特征级联匹配的高速公路外场车辆跟踪方法 |
CN112230253B (zh) * | 2020-10-13 | 2021-07-09 | 电子科技大学 | 基于公共切片子序列的轨迹特征异常检测方法 |
CN113158415B (zh) * | 2021-02-23 | 2023-09-08 | 电子科技大学长三角研究院(衢州) | 一种基于误差分析的车辆轨迹相似度评估方法 |
CN113204914B (zh) * | 2021-04-12 | 2022-06-17 | 哈尔滨工业大学 | 一种基于多架次飞行数据表征建模的飞行数据异常判读方法 |
CN113992399A (zh) * | 2021-10-22 | 2022-01-28 | 安徽江淮汽车集团股份有限公司 | 基于移动行为的车联网Sybil工具检测方法 |
CN114372382B (zh) * | 2022-03-22 | 2022-06-10 | 交通运输部公路科学研究所 | 车辆轨迹可靠度评测方法、设备和存储介质 |
CN115859129B (zh) * | 2023-02-27 | 2023-07-14 | 南昌工程学院 | 基于稀疏卫星定位的车辆行驶轨迹相似性度量方法及*** |
CN117523382B (zh) * | 2023-07-19 | 2024-06-04 | 石河子大学 | 一种基于改进gru神经网络的异常轨迹检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855638A (zh) * | 2012-08-13 | 2013-01-02 | 苏州大学 | 基于谱聚类的车辆异常行为检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI430212B (zh) * | 2010-06-08 | 2014-03-11 | Gorilla Technology Inc | 利用多特徵自動集群法之異常行為偵測系統與方法 |
-
2015
- 2015-01-29 CN CN201510046984.1A patent/CN104657746B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855638A (zh) * | 2012-08-13 | 2013-01-02 | 苏州大学 | 基于谱聚类的车辆异常行为检测方法 |
Non-Patent Citations (2)
Title |
---|
A Novel Approach for Clustering Similarity Trajectories Using Averaging Method in Video Surveillance;Hui Qing See等;《IEEE》;20111231;第29-33页 * |
基于Hausdorff距离的视觉监控轨迹分类算法;曲琳 等;《吉林大学学报》;20091130;第39卷(第6期);第1618-1624页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104657746A (zh) | 2015-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104657746B (zh) | 一种基于车辆轨迹相似性的异常检测方法 | |
CN105279365B (zh) | 用于学习异常检测的样本的方法 | |
CN103164706B (zh) | 基于视频信号分析的对象计数方法与装置 | |
US8682824B2 (en) | Method and device for monitoring the state of a facility | |
CN110084292A (zh) | 基于DenseNet和多尺度特征融合的目标检测方法 | |
CN104931960B (zh) | 动向报文与雷达目标态势信息全航迹段数据关联方法 | |
CN105069408A (zh) | 一种复杂场景下基于人脸识别的视频人像跟踪方法 | |
CN102609720B (zh) | 一种基于位置校正模型的行人检测方法 | |
CN103473540B (zh) | 智能交通***车辆轨迹增量式建模与在线异常检测方法 | |
US20130318011A1 (en) | Method for Detecting Anomalies in Multivariate Time Series Data | |
KR101538843B1 (ko) | 제조 설비의 센서 데이터를 활용한 수율 분석 시스템 및 방법 | |
CN109657592A (zh) | 一种智能挖掘机的人脸识别***及方法 | |
CN103761748A (zh) | 异常行为检测方法和装置 | |
CN103605362A (zh) | 基于车辆轨迹多特征的运动模式学习及异常检测方法 | |
CN108009690A (zh) | 一种基于模块度最优化的地面公交扒窃团体自动检测方法 | |
CN112990545B (zh) | 一种高速公路交织区交通安全状态预测方法 | |
CN104992453A (zh) | 基于极限学习机的复杂背景下目标跟踪方法 | |
CN103034860A (zh) | 基于sift特征的违章建筑检测方法 | |
KR20190072652A (ko) | 정보 처리 장치 및 정보 처리 방법 | |
CN106682573A (zh) | 一种单摄像头的行人跟踪方法 | |
CN112766301B (zh) | 一种采油机示功图相似性判断方法 | |
CN106023499A (zh) | 一种光纤安防信号双重识别方法及*** | |
CN105469380A (zh) | 对于对象的遮挡进行检测的方法和装置 | |
CN105976398A (zh) | 一种白天火灾视频检测方法 | |
CN104732248A (zh) | 基于Omega形状特征的人体目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170912 Termination date: 20200129 |