CN104951764B - 基于二次谱聚类和hmm-rf混合模型的高速车辆行为识别方法 - Google Patents
基于二次谱聚类和hmm-rf混合模型的高速车辆行为识别方法 Download PDFInfo
- Publication number
- CN104951764B CN104951764B CN201510340131.9A CN201510340131A CN104951764B CN 104951764 B CN104951764 B CN 104951764B CN 201510340131 A CN201510340131 A CN 201510340131A CN 104951764 B CN104951764 B CN 104951764B
- Authority
- CN
- China
- Prior art keywords
- track
- model
- vehicle
- hmm
- clustering
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000003595 spectral effect Effects 0.000 title claims abstract description 31
- 230000000694 effects Effects 0.000 title abstract description 3
- 238000007637 random forest analysis Methods 0.000 claims abstract description 44
- 230000006399 behavior Effects 0.000 claims description 54
- 239000011159 matrix material Substances 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 238000007476 Maximum Likelihood Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000013139 quantization Methods 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 238000000691 measurement method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000004973 liquid crystal related substance Substances 0.000 claims 1
- 238000010276 construction Methods 0.000 abstract 1
- 238000000605 extraction Methods 0.000 abstract 1
- 230000008859 change Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Discrete Mathematics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于二次谱聚类和HMM‑RF混合模型的高速车辆行为识别方法,包括以下步骤:步骤1.高速公路车辆轨迹二次谱聚类自动分类;步骤2.基于方向角的高速公路车辆轨迹特征提取;步骤3.基于HMM的车辆行为模型的构建;步骤4.基于随机森林(RF)车辆行为模型构建;步骤5.基于HMM‑RF车辆行为混合模型识别。
Description
技术领域
本发明涉及高速车辆行为识别方法。
发明背景:
近年来,提取交通监控视频中的有用信息来分析交通行为已成为研究人员关注的热点问题之一。交通行为的学习关键是学习运动车辆的行为模式,然后识别车辆行为,甚至能对交通行为进行预测。例如,高速公路上的车辆一般都沿着固定的道路和指定的方向行驶,通过学习这些正常轨迹模型就可以自动检测出逆行、S形行驶等高速公路上的异常行驶行为。
为了给高速车辆行为识别提供训练样本,首先要利用车辆检测和跟踪算法从高速交通视频中提取车辆轨迹数据,并对车辆轨迹进行聚类。车辆轨迹聚类的一个重要问题就是如何衡量车辆轨迹间的相似度。车辆轨迹聚类的难点在于车辆轨迹的长度是不固定的,而大多数传统的聚类算法的操作数据都建立在固定的维度空间(数据长度是固定且一致的)。现有的方法通常是直接考虑不同轨迹间的长度偏差,尝试找到不同轨迹间对应相似的部分,即LCSS轨迹相似度,对车辆跟踪环节中的噪声或者异常值有一定的鲁棒性;然后,在构建的LCSS轨迹相似度矩阵上用谱聚类算法进行车辆轨迹聚类。。但从高速交通视频中提取的车辆轨迹存在少量的超车、变道等行驶轨迹,单单采用LCSS相似度和谱聚类算法会将这些少量轨迹错误地分类到直行轨迹中。
针对高速车辆行为实时性的要求,各国的研究人员一般采用基于轨迹的车辆行为识别方法。考虑到HMM车辆轨迹建模方法对车辆行为识别率较高,但是只考虑本类型车辆轨迹的正样本的作用,而未考虑其他类型车辆轨迹负样本的影响,从而很大程度上限制了HMM车辆轨迹建模方法的分类能力,在多类别车辆轨迹识别上存在较大局限性;且仅用最大似然值进行分类,存在较高的误识别率。
技术方案:
本发明要克服现有技术的缺点,提供一种基于二次谱聚类和HMM-RF混合模型的高速车辆行为识别方法。
本发明利用轨迹曲率来识别具有曲线轨迹特征的超车轨迹,利用倾角相似度和谱聚类算法来识别非曲线轨迹中的变道轨迹,并将得到所有聚类簇用LCSS和谱聚类算法进行再聚类,从而有效地区分超车、变道以及直行轨迹等。在车辆行为识别时,该方法将不同轨迹类型HMM模型的多维概率输出作为随机森林RF模型的输入来识别多类型轨迹,用来替代最大似然值分类,提高了车辆行为识别的准确率。具体流程详见图1所示。
本发明所述的一种基于二次谱聚类和HMM-RF混合模型的高速车辆行为识别方法,包括以下步骤:
步骤1.高速公路车辆轨迹二次谱聚类自动分类,利用车辆检测和跟踪算法从交通视频中提取车辆轨迹数据集,采用轨迹曲率特征、倾角相似度以及LCSS相似度,再结合谱聚类算法对车辆轨迹进行聚类,有效区分直行、超车、变道等类型。
该方法首先采用最小二乘法拟合多项式来求解轨迹曲率,并计算轨迹中前N个最大曲率的均值作为该轨迹曲率。若大于曲率阈值T,则为曲线聚簇;反之,则为非曲线聚簇。接着对曲线聚簇构建LCSS相似度矩阵,用谱聚类进行聚类,得到曲线聚类最终结果;对非曲线聚簇用最小二乘法拟合轨迹倾角,构建轨迹倾角相似度矩阵,并用谱聚类算法进行第一次聚类,取得非曲线聚类中间结果,然后建立它的轨迹LCSS相似度矩阵,再用谱聚类对非曲线聚类中间结进行第二次聚类,获得非曲线聚簇最终结果;最后整合两个聚类结果,确定最终聚类结果。
轨迹倾角相似度,定义如下:
LCSS轨迹相似度由Vlachos等提出的,定义如下:
其中LCSS(Fp,Fq)描述轨迹Fp,Fq间的最长公共子串的长度,Tp,Tq分别表示轨迹Fp,Fq的长度。LCSS的递归定义如下:
利用动态规划高效计算LCSS相似度,ε表示两点间欧式距离的阈值,Ft={f1,…,ft}代表所有t时刻的所有样本点,ft表示t时刻某一样本点;
根据轨迹相似度度量方法,计算两两轨迹间的相似度,进而构成轨迹相似度矩阵S={sxy},1≤x,y≤n,且S是全联通图的邻接矩阵,Sxy是相似度矩阵坐标(x,y)处的值,n为轨迹数量,即矩阵大小;谱聚类算法根据轨迹相似度矩阵计算特征向量找出数据间的内在联系,将轨迹划分为不同的类簇。
步骤2.基于方向角的高速公路车辆轨迹特征提取,交通视频中不同车辆行为产生的方向信息能够较好地描述车辆行驶状态的信息,可以用来区分车辆行为模式,采用相邻轨迹点形成的方向角来表征。
假设车辆轨迹序列上t时刻的坐标为(xt,yt),t+1时刻的坐标为(xt+1,yt+1),则形成的方向角θ=arctan((yt+1-yt)/(xt+1-xt))。在兼顾识别准确率以及实时性需求,我们对方向角在16个方向进行均衡量化编码,每π/8量化到一个方向,按照逆时针顺序对每个方向区间进行编码,且依次对应于0~15的码字,如图2所示。
最后利用依次获得的所有方向角序列θ1,θ2,…,θn-1构成了车辆轨迹的新特征值序列Lθ={θ1,θ2,…,θn-1}。
步骤3.基于HMM的车辆行为模型的构建,根据量化编码后的车辆轨迹特征序列,对同一类型的车辆轨迹建立对应的基于HMM的车辆行为模型;将特征序列样本对初始模型不断迭代,直到模型收敛。
假设随机观察序列为O=o1,o2,…,oN,HMM可定义为三元组λ={π,A,B},且有M(通常为3~8)个马尔可夫状态:
(a)模型初始化
初始矩阵π={πk},用于描述观察序列在初始状态t=1时的概率πk=P(q1=sk),sk表示第k个隐马尔科夫状态,q1表示t=1时刻的分布,1≤k≤M,且状态转移矩阵A={akl},用于描述状态之间转移的概率akl=P(qt=sl|qt-1=sk),1≤k,l≤M,而观察概率矩阵bl(u)=P,用于描述状态l对应观察值的输出概率:bl(u)=P{Ot=Vu|qt=sl},1≤l≤M,1≤u≤N,而M是状态数,N是编码符号的总数;
(b)模型的更新
利用新的车辆轨迹数据,采用Baum-Welch算法重新估计λ三元组;接着用forward算法计算更新前后模型的最大似然值,直到前后模型的最大似然值的差值在阈值之内,停止迭代。
步骤4.基于随机森林(RF)车辆行为模型构建,用特征序列经由对应HMM车辆行为模型的多维概率的输出作为随机森林模型的输入矢量,确立随机森林车辆行为模型,最后组合构成基于HMM-RF车辆行为识别混合模型。
HMM模型良好的车辆轨迹建模能力和RF模型的强分类能力,提出了一种基于HMM-HF混合模型的车辆轨迹行为识别方法。具体的思路就是将HMM作为车辆轨迹模型的一部分和RF模型共同组成车辆轨迹模型,以HMM模型作为车辆轨迹模型的前缀,以此来对用于RF模型的多类车辆轨迹数据有区分性的特征变换。
车辆轨迹混合模型训练具体过程如下:
1)利用聚类好的不同类轨迹数据,重新采样到统一长度N的范围内,提取方向角特征,构建新的特征序列
2)通过Baum-Welch算法来分别迭代训练与车辆行为对应的HMM模型,如变道、直行、停车、逆行、异常转弯等模型。
3)将特征序列再次经过已训练得到的对应类型的HMM模型,得到N-1多维概率输出作为随机森林RF模型的输入矢量,进行模型训练,确定最终的HMM-RF混合模型。显然,属于此类HMM模型的轨迹经过该模型后的概率输出较大,而不属于此类HMM模型的轨迹经过该模型后的输出概率则比较小,因此可以提高分类能力。
步骤5.基于HMM-RF车辆行为混合模型识别,将实时采集的车辆轨迹数据,重采样到统一长度N,接着对车辆轨迹按照方向角量化编码(0~15),在兼顾识别准确率以及实时性需求,提取车辆轨迹特征到N-1维特征,且特征维度在20~30;这样每条车辆轨迹样本经过HMM模型之后就变成了一个N-1维的概率特征矢量,将此作为随机森林RF模型的输入矢量,进行二次分类识别。
HMM-RF车辆行为混合模型识别具体过程如下:
1)将实时采集到新的车辆轨迹,重新采样到统一长度N的范围内,提取方向角特征,构建新的特征序列
2)经过T个不同的HMM模型(变道、直行、停车、逆行、异常转弯等模型),得到T个不同模型的输出N-1多维概率
3)将T个不同模型的N-1个多维概率输入到随机森林模型中,比较所有树中预测概率总和最大,确定车辆轨迹类型。
本发明的优点是:
1.该方法可以在高速公路监控视频中变道、超车等轨迹数据较少的情况下,通过采用二次谱聚类算法实现对变道、超车、直行等车辆轨迹的有效聚类;
2.该方法还可以将聚类得到的不同类型轨迹数据通过Baum-Welch算法来训练与目标轨迹对应的HMM模型,并将HMM模型的多维概率输出作为随机森林(RF)模型的训练样本输入进行分类识别,具有更高的准确率和鲁棒性。
附图说明
图1是本发明的流程图
图2是本发明的方向角的量化编码示意图
具体实施方式
参照附图1、2,进一步说明本发明。
本发明所述的一种基于二次谱聚类和HMM-RF混合模型的高速车辆行为识别方法,包括以下步骤:
步骤1.高速公路车辆轨迹二次谱聚类自动分类,利用车辆检测和跟踪算法从交通视频中提取车辆轨迹数据集,采用轨迹曲率特征、倾角相似度以及LCSS相似度,再结合谱聚类算法对车辆轨迹进行聚类,有效区分直行、超车、变道等类型。
该方法首先采用最小二乘法拟合多项式来求解轨迹曲率,并计算轨迹中前N个最大曲率的均值作为该轨迹曲率。若大于曲率阈值T,则为曲线聚簇;反之,则为非曲线聚簇。接着对曲线聚簇构建LCSS相似度矩阵,用谱聚类进行聚类,得到曲线聚类最终结果;对非曲线聚簇用最小二乘法拟合轨迹倾角,构建轨迹倾角相似度矩阵,并用谱聚类算法进行第一次聚类,取得非曲线聚类中间结果,然后建立它的轨迹LCSS相似度矩阵,再用谱聚类对非曲线聚类中间结进行第二次聚类,获得非曲线聚簇最终结果;最后整合两个聚类结果,确定最终聚类结果。
轨迹倾角相似度,定义如下:
LCSS轨迹相似度由Vlachos等提出的,定义如下:
其中LCSS(Fp,Fq)描述轨迹Fp,Fq间的最长公共子串的长度,Tp,Tq分别表示轨迹Fp,Fq的长度。LCSS的递归定义如下:
利用动态规划高效计算LCSS相似度,ε表示两点间欧式距离的阈值,Ft={f1,…,ft}代表所有t时刻的所有样本点,ft表示t时刻某一样本点;
根据轨迹相似度度量方法,计算两两轨迹间的相似度,进而构成轨迹相似度矩阵S={sxy},1≤x,y≤n,且S是全联通图的邻接矩阵,Sxy是相似度矩阵坐标(x,y)处的值,n为轨迹数量,即矩阵大小;谱聚类算法根据轨迹相似度矩阵计算特征向量找出数据间的内在联系,将轨迹划分为不同的类簇。
步骤2.基于方向角的高速公路车辆轨迹特征提取,交通视频中不同车辆行为产生的方向信息能够较好地描述车辆行驶状态的信息,可以用来区分车辆行为模式,采用相邻轨迹点形成的方向角来表征。
假设车辆轨迹序列上t时刻的坐标为(xt,yt),t+1时刻的坐标为(xt+1,yt+1),则形成的方向角θ=arctan((yt+1-yt)/(xt+1-xt))。在兼顾识别准确率以及实时性需求,我们对方向角在16个方向进行均衡量化编码,每π/8量化到一个方向,按照逆时针顺序对每个方向区间进行编码,且依次对应于0~15的码字,如图2所示。
最后利用依次获得的所有方向角序列θ1,θ2,…,θn-1构成了车辆轨迹的新特征值序列Lθ={θ1,θ2,…,θn-1}。
步骤3.基于HMM的车辆行为模型的构建,根据量化编码后的车辆轨迹特征序列,对同一类型的车辆轨迹建立对应的基于HMM的车辆行为模型;将特征序列样本对初始模型不断迭代,直到模型收敛。
假设随机观察序列为O=o1,o2,…,oN,HMM可定义为三元组λ={π,A,B},且有M(通常为3~8)个马尔可夫状态:
(a)模型初始化
初始矩阵π={πk},用于描述观察序列在初始状态t=1时的概率πk=P(q1=sk),sk表示第k个隐马尔科夫状态,q1表示t=1时刻的分布,1≤k≤M,且状态转移矩阵A={akl},用于描述状态之间转移的概率akl=P(qt=sl|qt-1=sk),1≤k,l≤M,而观察概率矩阵bl(u)=P,用于描述状态l对应观察值的输出概率:bl(u)=P{Ot=Vu|qt=sl},1≤l≤M,1≤u≤N,而M是状态数,N是编码符号的总数;
(b)模型的更新
利用新的车辆轨迹数据,采用Baum-Welch算法重新估计λ三元组;接着用forward算法计算更新前后模型的最大似然值,直到前后模型的最大似然值的差值在阈值之内,停止迭代。
步骤4.基于随机森林(RF)车辆行为模型构建,用特征序列经由对应HMM车辆行为模型的多维概率的输出作为随机森林模型的输入矢量,确立随机森林车辆行为模型,最后组合构成基于HMM-RF车辆行为识别混合模型。
HMM模型良好的车辆轨迹建模能力和RF模型的强分类能力,提出了一种基于HMM-HF混合模型的车辆轨迹行为识别方法。具体的思路就是将HMM作为车辆轨迹模型的一部分和RF模型共同组成车辆轨迹模型,以HMM模型作为车辆轨迹模型的前缀,以此来对用于RF模型的多类车辆轨迹数据有区分性的特征变换。
车辆轨迹混合模型训练具体过程如下:
1)利用聚类好的不同类轨迹数据,重新采样到统一长度N的范围内,提取方向角特征,构建新的特征序列
2)通过Baum-Welch算法来分别迭代训练与车辆行为对应的HMM模型,如变道、直行、停车、逆行、异常转弯等模型。
3)将特征序列再次经过已训练得到的对应类型的HMM模型,得到N-1多维概率输出作为随机森林RF模型的输入矢量,进行模型训练,确定最终的HMM-RF混合模型。显然,属于此类HMM模型的轨迹经过该模型后的概率输出较大,而不属于此类HMM模型的轨迹经过该模型后的输出概率则比较小,因此可以提高分类能力。
步骤5.基于HMM-RF车辆行为混合模型识别,将实时采集的车辆轨迹数据,重采样到统一长度N,接着对车辆轨迹按照方向角量化编码(0~15),在兼顾识别准确率以及实时性需求,提取车辆轨迹特征到N-1维特征,且特征维度在20~30;这样每条车辆轨迹样本经过HMM模型之后就变成了一个N-1维的概率特征矢量,将此作为随机森林RF模型的输入矢量,进行二次分类识别。
HMM-RF车辆行为混合模型识别具体过程如下:
1)将实时采集到新的车辆轨迹,重新采样到统一长度N的范围内,提取方向角特征,构建新的特征序列
2)经过T个不同的HMM模型(变道、直行、停车、逆行、异常转弯等模型),得到T个不同模型的输出N-1多维概率
3)将T个不同模型的N-1个多维概率输入到随机森林模型中,比较所有树中预测概率总和最大,确定车辆轨迹类型。
Claims (1)
1.一种基于二次谱聚类和HMM-RF混合模型的高速车辆行为识别方法,包括以下步骤:
步骤1.高速公路车辆轨迹二次谱聚类自动分类,利用车辆检测和跟踪算法从交通视频中提取车辆轨迹数据集,采用轨迹曲率特征、倾角相似度以及LCSS相似度,再结合谱聚类算法对车辆轨迹进行聚类,有效区分直行、超车、变道的类型;
该方法首先采用最小二乘法拟合多项式来求解轨迹曲率,并计算轨迹中前N个最大曲率的均值作为该轨迹曲率;若大于曲率阈值T,则为曲线聚簇;反之,则为非曲线聚簇;接着对曲线聚簇构建LCSS相似度矩阵,用谱聚类进行聚类,得到曲线聚类最终结果;对非曲线聚簇用最小二乘法拟合轨迹倾角,构建轨迹倾角相似度矩阵,并用谱聚类算法进行第一次聚类,取得非曲线聚类中间结果,然后建立它的轨迹LCSS相似度矩阵,再用谱聚类对非曲线聚类中间结进行第二次聚类,获得非曲线聚簇最终结果;最后整合两个聚类结果,确定最终聚类结果;
轨迹倾角相似度,定义如下:
其中为第i条轨迹的倾角,dθmax=max(|θi-θj|)为最大的倾角差值,n为轨迹数量;而为轨迹的倾斜率,其中Tm(x),Tm(y)表示第m个轨迹点的x,y轴坐标值,l为轨迹长度;
LCSS轨迹相似度由Vlachos等提出的,定义如下:
其中LCSS(Fp,Fq)描述轨迹Fp,Fq间的最长公共子串的长度,Tp,Tq分别表示轨迹Fp,Fq的长度,LCSS的递归定义如下:
其中,表示长度为Tp-1,Tq-1的轨迹Fp,Fq,fp,fq是轨迹Fp,Fq上的样本点,dE(fp,Tp,fq,Tq)表示fp,fq样本点之间的欧式距离,ε表示两点间欧式距离的阈值;根据轨迹相似度度量方法,计算两两轨迹间的相似度,进而构成轨迹相似度矩阵S={sxy},1≤x,y≤n,且S是全联通图的邻接矩阵,Sxy是相似度矩阵坐标(x,y)处的值,n为轨迹数量,即矩阵大小;谱聚类算法根据轨迹相似度矩阵计算特征向量找出数据间的内在联系,将轨迹划分为不同的类簇;
步骤2.基于方向角的高速公路车辆轨迹特征提取,交通视频中不同车辆行为产生的方向信息能够较好地描述车辆行驶状态的信息,可以用来区分车辆行为模式,采用相邻轨迹点形成的方向角来表征;
假设车辆轨迹序列上t时刻的坐标为(xt,yt),t+1时刻的坐标为(xt+1,yt+1),则形成的方向角θ=arctan((yt+1-yt)/(xt+1-xt));为兼顾识别准确率以及实时性需求,我们对方向角在16个方向进行均衡量化编码,每π/8量化到一个方向,按照逆时针顺序对每个方向区间进行编码,且依次对应于0~15的码字;
最后利用依次获得的所有方向角序列θ1,θ2,L,θn-1构成了车辆轨迹的新特征值序列Lθ={θ1,θ2,L,θn-1};
步骤3.基于HMM的车辆行为模型的构建,根据量化编码后的车辆轨迹特征序列,对同一类型的车辆轨迹建立对应的基于HMM的车辆行为模型;将特征序列样本对初始模型不断迭代,直到模型收敛;
假设随机观察序列为O=o1,o2,L,oN,HMM可定义为三元组λ={π,A,B},且有M个马尔可夫状态,M为3~8:
(a)模型初始化
初始矩阵π={πk},用于描述观察序列在初始状态t=1时的概率πk=P(q1=sk),sk表示第k个隐马尔科夫状态,q1表示t=1时刻的分布,1≤k≤M,且状态转移矩阵A={akl},用于描述状态之间转移的概率,其中akl=P(qt=sl|qt-1=sk),1≤k,l≤M,而观察概率矩阵bl(u)=P,用于描述状态l对应观察值的输出概率:bl(u)=P{Ot=Vu|qt=sl},1≤l≤M,1≤u≤N,而M是状态数,N是编码符号的总数;
(b)模型的更新
利用新的车辆轨迹数据,采用Baum-Welch算法重新估计λ三元组;接着用forward算法计算更新前后模型的最大似然值,直到前后模型的最大似然值的差值在阈值之内,停止迭代;
步骤4.基于随机森林(RF)车辆行为模型构建,用特征序列经由对应HMM车辆行为模型的多维概率的输出作为随机森林模型的输入矢量,确立随机森林车辆行为模型,最后组合构成基于HMM-RF车辆行为识别混合模型;
基于HMM模型良好的车辆轨迹建模能力和RF模型的强分类能力,提出了一种基于HMM-HF混合模型的车辆轨迹行为识别方法;具体的思路就是将HMM作为车辆轨迹模型的一部分和RF模型共同组成车辆轨迹模型,以HMM模型作为车辆轨迹模型的前缀,以此来对用于RF模型的多类车辆轨迹数据有区分性的特征变换;
车辆轨迹混合模型训练具体过程如下:
1)利用聚类好的不同类轨迹数据,重新采样到统一长度N的范围内,提取方向角特征,构建新的特征序列;
2)通过Baum-Welch算法来分别迭代训练与车辆行为对应的HMM模型,包括变道、直行、停车、逆行、异常转弯的模型;
3)将特征序列再次经过已训练得到的对应类型的HMM模型,得到N-1多维概率输出作为随机森林RF模型的输入矢量,进行模型训练,确定最终的HMM-RF混合模型;显然,属于此类HMM模型的轨迹经过该模型后的概率输出较大,而不属于此类HMM模型的轨迹经过该模型后的输出概率则比较小,因此可以提高分类能力;
步骤5.基于HMM-RF车辆行为混合模型识别,将实时采集的车辆轨迹数据,重采样到统一长度N,接着对车辆轨迹按照方向角量化编码,编码码字是0~15,为兼顾识别准确率以及实时性需求,提取车辆轨迹特征到N-1维特征,且特征维度在20~30;这样每条车辆轨迹样本经过HMM模型之后就变成了一个N-1维的概率特征矢量,将此作为随机森林RF模型的输入矢量,进行二次分类识别;
HMM-RF车辆行为混合模型识别具体过程如下:
1)将实时采集到新的车辆轨迹,重新采样到统一长度N的范围内,提取方向角特征,构建新的特征序列;
2)经过T个不同的HMM模型,得到T个不同模型的输出N-1多维概率;
3)将T个不同模型的N-1个多维概率输入到随机森林模型中,比较所有树中预测概率总和,取最大值,确定车辆轨迹类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510340131.9A CN104951764B (zh) | 2015-06-17 | 2015-06-17 | 基于二次谱聚类和hmm-rf混合模型的高速车辆行为识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510340131.9A CN104951764B (zh) | 2015-06-17 | 2015-06-17 | 基于二次谱聚类和hmm-rf混合模型的高速车辆行为识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104951764A CN104951764A (zh) | 2015-09-30 |
CN104951764B true CN104951764B (zh) | 2018-08-21 |
Family
ID=54166406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510340131.9A Active CN104951764B (zh) | 2015-06-17 | 2015-06-17 | 基于二次谱聚类和hmm-rf混合模型的高速车辆行为识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104951764B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875424B (zh) * | 2017-01-16 | 2019-09-24 | 西北工业大学 | 一种基于机器视觉的城市环境行驶车辆行为识别方法 |
CN106740829B (zh) * | 2017-03-23 | 2018-04-10 | 吉林大学 | 基于聚类分析双半挂汽车行驶稳定性自动识别与预警*** |
CN108932462B (zh) | 2017-05-27 | 2021-07-16 | 华为技术有限公司 | 驾驶意图确定方法及装置 |
CN108647618A (zh) * | 2018-05-02 | 2018-10-12 | 深圳市唯特视科技有限公司 | 一种基于动态行人代理混合模型的轨迹语义分割方法 |
CN109086808B (zh) * | 2018-07-16 | 2021-09-17 | 江苏智通交通科技有限公司 | 基于随机森林算法的交通高危人员识别方法 |
CN109557533B (zh) * | 2018-11-28 | 2019-09-27 | 中国人民解放军国防科技大学 | 一种基于模型的联合跟踪与识别方法 |
CN109871513B (zh) * | 2019-01-28 | 2023-03-31 | 重庆首讯科技股份有限公司 | 一种高速公路车辆通行行为相似度计算方法及*** |
CN110182217B (zh) * | 2019-04-23 | 2020-11-10 | 吉林大学 | 一种面向复杂超车场景的行驶任务复杂度量化评估方法 |
CN110288032B (zh) * | 2019-06-27 | 2021-08-17 | 武汉中海庭数据技术有限公司 | 一种车辆行驶轨迹类型检测方法及装置 |
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 |
JP7162919B2 (ja) * | 2020-12-04 | 2022-10-31 | 肇▲慶▼学院 | Hmm-rfハイブリッドモデルに基づく大型車両横転警告方法 |
CN112560995A (zh) * | 2020-12-26 | 2021-03-26 | 浙江天行健智能科技有限公司 | 一种基于gm-hmm的停车意图辨别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103235933A (zh) * | 2013-04-15 | 2013-08-07 | 东南大学 | 一种基于隐马尔科夫模型的车辆异常行为检测方法 |
CN103605362A (zh) * | 2013-09-11 | 2014-02-26 | 天津工业大学 | 基于车辆轨迹多特征的运动模式学习及异常检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7026979B2 (en) * | 2003-07-03 | 2006-04-11 | Hrl Labortories, Llc | Method and apparatus for joint kinematic and feature tracking using probabilistic argumentation |
-
2015
- 2015-06-17 CN CN201510340131.9A patent/CN104951764B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103235933A (zh) * | 2013-04-15 | 2013-08-07 | 东南大学 | 一种基于隐马尔科夫模型的车辆异常行为检测方法 |
CN103605362A (zh) * | 2013-09-11 | 2014-02-26 | 天津工业大学 | 基于车辆轨迹多特征的运动模式学习及异常检测方法 |
Non-Patent Citations (1)
Title |
---|
基于HMM的车辆行驶状态实时判别方法研究;王相海,从志环,方玲玲,秦钜鳌;《自动化学报》;20131231;第39卷(第12期);2131-2142 * |
Also Published As
Publication number | Publication date |
---|---|
CN104951764A (zh) | 2015-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104951764B (zh) | 基于二次谱聚类和hmm-rf混合模型的高速车辆行为识别方法 | |
CN103605362B (zh) | 基于车辆轨迹多特征的运动模式学习及异常检测方法 | |
CN111310583B (zh) | 一种基于改进的长短期记忆网络的车辆异常行为识别方法 | |
CN110097755B (zh) | 基于深度神经网络的高速公路交通流量状态识别方法 | |
Siam et al. | Fast-SeqSLAM: A fast appearance based place recognition algorithm | |
CN109800692B (zh) | 一种基于预训练卷积神经网络的视觉slam回环检测方法 | |
CN111291790B (zh) | 一种基于轨迹相似度的转向路径提取及路网拓扑变化检测框架方法 | |
CN110569793A (zh) | 一种无监督相似性判别学习的目标跟踪方法 | |
CN109409252A (zh) | 一种基于改进型ssd网络的车辆行人多目标检测方法 | |
CN109544914B (zh) | 一种基于历史gps轨迹的共享单车逆行行为识别方法 | |
CN110288627B (zh) | 一种基于深度学习和数据关联的在线多目标跟踪方法 | |
CN109284705B (zh) | 一种交通监控视频的异常检测方法 | |
CN112052802B (zh) | 一种基于机器视觉的前方车辆行为识别方法 | |
CN108492298B (zh) | 基于生成对抗网络的多光谱图像变化检测方法 | |
CN103473540B (zh) | 智能交通***车辆轨迹增量式建模与在线异常检测方法 | |
CN113486822A (zh) | 一种基于驾驶意图的周围车辆轨迹预测方法及*** | |
CN101719220A (zh) | 基于有向截尾均值距离的轨迹聚类方法 | |
CN109886304B (zh) | 一种基于hmm-svm双层改进模型的复杂路况下周边车辆行为识别方法 | |
CN110991475A (zh) | 一种基于多维距离度量的移动对象轨迹聚类方法 | |
CN105654139A (zh) | 一种采用时间动态表观模型的实时在线多目标跟踪方法 | |
CN105117737A (zh) | 一种基于车辆轨迹向量确定车辆实际方向的方法及装置 | |
CN110728694A (zh) | 一种基于持续学习的长时视觉目标跟踪方法 | |
CN113033899A (zh) | 无人驾驶邻近车辆轨迹预测方法 | |
Han et al. | A novel loop closure detection method with the combination of points and lines based on information entropy | |
CN116279484A (zh) | 一种融合演化博弈与机器学习的多风格驾驶者强制换道预测方法 |
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 |