CN110728842B - 基于路口车辆合理行驶范围的异常行驶预警方法 - Google Patents

Abstract

基于路口车辆合理行驶范围的异常行驶预警方法，以历史监控视频数据为基础，通过层次算法、LCSS算法、DTW算法对路口车辆轨迹进行综合分析，确定路口各流向合理车辆轨迹范围，从而基于监控视频实现实时异常行驶车辆预警，有效实现违法行为的判别，同时可及时知晓路口异常，提高了交通管理效率，加强路口黑点管控强度，为路口提供安全、畅通的交通环境。

Description

基于路口车辆合理行驶范围的异常行驶预警方法

技术领域

本发明涉及车辆驾驶监测领域，具体涉及一种基于路口车辆合理行驶范围的异常行驶预警方法。

背景技术

随着城市化进程的加快，汽车保有量的不断增加，城市道路交通状况变得十分复杂。在城市路网中，交叉口作为城市交通的“咽喉”，是整个城市交通的核心，交叉路口车辆是否按序按规行驶是导致交通事故和交通拥堵问题的关键因素，因此如何对路口车辆行驶轨迹判别，实现违规车辆预警是如今缓解城区交通问题的关键点之一。

现阶段智能交通的发展，电子警察智能设备的普及为路口车辆违规行驶提供了有效的支撑条件，如发明CN201520771567.9提出一种车辆违规行驶的抓拍***，海信、大华等硬件厂商通过布设在路网的检测设备和电子警察实现逆向行驶等违规行为的非现场执法。

目前对于车辆违规行驶仅是针对“压线”、“逆向”等违规行驶进行的预警和非现场执法，但在实际车辆运行中，常发生“左转车辆利用直行车道绕行”等“钻空”违法行为或路口异常绕行行为，这些异常行驶将加剧路口拥堵问题和事故的发生。

发明内容

本发明针对上述存在的技术问题，提出一种基于路口车辆合理行驶范围的异常行驶预警方法，该方法将路口作为研究对象，基于历史监控视频数据实现路口车辆轨迹提取分析，有效判别出异常车辆轨迹实现正常车辆轨迹的提取分析，进而针对正常车辆轨迹确定路口各流向的车辆合理行驶范围，建立正常范围数据库，为实时违规车辆及路口异常行为进行预警，从而提高路口监管效率，为路***通事故和拥堵提供有效防范措施。

基于路口车辆合理行驶范围的异常行驶预警方法，包括如下步骤：

步骤1，基于路口监控历史视频确定路口各车辆轨迹，通过层次聚类和路口渠化对车辆轨迹类型模式分类；

步骤2，分别对路口各流向下车辆轨迹合理范围提取分析，实现路口车辆合理范围管理；

步骤3，根据路口实时监控视频信息对过往异常行驶车辆预警，实现路口异常情况监控管理。

进一步地，所述步骤1中，具体步骤如下：

步骤1-1，基于路口监控单位时间段历史视频，提取不同车辆ID下的原始轨迹点，记为P(f,x,y)，其中f表示帧数，x和y表示坐标数值，进而通过初始数据清洗确定不同车辆ID的单条车辆轨迹，记为TR＝{P|p_i，1≤i≤n，n为轨迹点数}；

步骤1-2，基于层次聚类算法和路口渠化信息对车辆轨迹类型模式进行分类。具体来说，对单条车辆轨迹进行特征点p_i提取，通过欧式距离或LCSS距离进行车辆轨迹层次聚类，剔除出异常车辆轨迹，按路口渠化特征实现车辆轨迹划分。

进一步地，所述步骤2中，具体包括如下步骤：

步骤2-1，提取出单一模式类型车辆轨迹TR，通过层次聚类实现该模式类型下正常车辆轨迹提取分析。

步骤2-2，基于步骤2-1筛选提取的正常车辆轨迹进行轨迹平滑，重新提取车辆轨迹特征点，确定单一方向车辆运行范围。

步骤2-3，重复步骤2-1和2-2确定路口各流向包络线轨迹，整合得到路口车辆轨迹合理行驶范围。

进一步地，所述步骤2-1中，具体包括如下分步骤：

步骤2-1-1，基于车辆轨迹TR_j特征点p_i对单一车辆轨迹的轨迹相似度λ、方差α²、弧长比σ作为特征数值求解。其中1≤i≤n，n为轨迹特征点个数；1≤j≤N，N为车辆轨迹个数；具体来说，根据车辆轨迹类型通过LCSS算法或DTW算法求解出车辆轨迹TR_j相似度λ；基于车辆轨迹TR_j的特征点p_i的帧数及特征点之间的距离确定车辆轨迹TR_j的加速度方差α²；基于车辆轨迹TR_j特征点之间的距离确定车辆轨迹TR_j弧长比σ；

步骤2-1-2，将车辆轨迹TR_j的相似度λ、加速度方差α²、弧长比σ_j作为特征数据进行车辆轨迹层次聚类，划分为异常行驶轨迹、异常行为轨迹和正常车辆轨迹三类，进而剔除异常行驶轨迹和异常行为轨迹，实现正常车辆轨迹数据提取；具体来说，整合各车辆轨迹TR_j的相似度λ_j、加速度方差

弧长比σ_j数值作为特征值，以层次聚类算法划分为三组数据，根据各组数据的数据量和离散程度ε确定异常行驶轨迹、异常行为轨迹和正常车辆轨迹。其中，将数据量最小且该组数量与总数比值小于异常阈值的那组数据默认为异常轨迹，将离散程度ε较大那组数据默认为异常行为轨迹；

步骤2-1-3，基于DTW算法下对步骤2-1-2的正常车辆轨迹再次层次聚类，基于聚类后各簇的轨迹数目和离散程度ε判别划分出正常车辆轨迹和离群轨迹，提取出正常车辆轨迹。

进一步地，所述步骤2-2中，具体包括如下分步骤：

步骤2-2-1，对筛选提取的正常车辆轨迹TR_j下的轨迹点p_i，实现车辆轨迹平滑，根据平滑后的车辆轨迹点等分选取确定车辆轨迹的新特征点p′_i；

步骤2-2-2，基于所有车辆轨迹TR_j及其新特征点p′_i确定车辆运行的主曲线；具体来说，基于各条车辆轨迹选取的特征点p′_i，将其一一对应，同一阶段i下确定阶段i中心点，得到主曲线TR^mid，即：

式中，TR^mid表示车辆轨迹主曲线；P_i ^mid表示第i阶段轨迹特征点的中心点，其中1≤i≤n，n表示选取的特征点个数；p′_ji表示第j条车辆轨迹的第i阶段轨迹新特征点，其中1≤j≤N，N表示车辆轨迹总数；

同时基于各阶段与中心点距离的数值分布情况，确定各阶段的离群点，即：

式中，dist(p'_ji,P_i ^mid)表示j条轨迹i特征点与i阶段中心点之间的距离；

对i阶段内所有轨迹点距离数值进行分析，通过正态分布分析，将其大于正态分布(μ+2σ)的数值对应轨迹阶段点默认为离群点；

步骤2-2-3，根据主曲线TR^mid及主曲线上阶段点P_i ^mid确定各阶段包络线点Q_i，进而平滑得到两条包络线，确定车辆轨迹合理行驶范围；

进一步地，所述步骤2-2-3中，具体包括如下分步骤：

步骤2-2-3-1，根据主曲线上阶段点P_i ^mid确定同一阶段内车辆轨迹点p′_ji与主曲线TR^mid的距离，其中若轨迹点到主曲线最近的点不在主曲线TR^mid上，则说明该阶段车辆轨迹点发生了偏移，将其剔除，否则转到下一步骤；

步骤2-2-3-2，将同一阶段未发生偏离的各车辆轨迹上轨迹点p′_ji与主曲线TR^mid的距离dist(p'_ji,TR^mid)进行排序，选取80％-90％中位数数值作为该阶段主曲线对应包络线的半径距离，记为r_i；

步骤2-2-3-3，基于主曲线上阶段点P_i ^mid确定同一阶段包络线点坐标Q_i，记为(x′_i,y′_i)，具体来说，

y′_i＝k_ix′_i+b_i

式中，x′_i和y′_i表示i阶段上包络线的点坐标，记为Q_i，

和

表示i阶段上的主曲线坐标，记为P_i ^mid；k_i表示第i阶段下包络线的斜率，b_i表示i阶段下包络线与主曲线相交线截距；

步骤2-2-3-4，根据上一步骤求解的包络线坐标判断其与主曲线之间的位置关系；具体来说，根据本阶段主曲线点P_i ^mid以及下一阶段主曲线点

得到包络线阈值ξ，即：

式中，x′_i和y′_i表示i阶段上包络线的点坐标；

和

表示i阶段上的主曲线坐标；

若ξ＜0则x′_i和y′_i表示的包络线点在主曲线左侧，ξ＞0表示x′_i和y′_i包络线点在主曲线右侧，反之则在包络线与主曲线相交的直线上；

步骤2-2-3-5，将所有阶段点包络线点坐标Q_i整合，对包络线轨迹进行平滑，得到新的包络线特征点q_s(i)，从而确定包络线轨迹TR^q，两条包括线组成的范围即为该模式下车辆轨迹合理行驶范围。

进一步地，所述步骤3中，包括如下分步骤：

步骤3-1，根据实时监控视频分析确定车辆运行方向及轨迹信息；

步骤3-2，将步骤3-1得到的车辆轨迹路径与步骤2得到的路口车辆轨迹合理行驶范围进行对比；若车辆超出行驶范围，则进行预警，并将车辆信息下发至非现场执法***；

步骤3-3，若单位时间内运行流向下预警车辆数与过车总数之间的比值大于异常情况阈值，则将该路口流向进行预警，同时可关联至交通态势监控***或视频监控***，实现路口异常状况报警，对路口异常情况进行监控。

本发明达到的有益效果为：对比传统GPS车辆轨迹聚类异常分析模式，本发明以历史视频数据为基础，通过层次聚类算法实现路口车辆轨迹的提取分析，有效将异常车辆轨迹、异常行为轨迹、离群轨迹等车辆轨迹识别，提取出正确车辆轨迹。对比传统路口违法异常预警方式，本发明对正确车辆轨迹提取分析，确定路口各流向车辆合理行驶范围，对比原有的路口轨迹区间更小和更合理，有效对异常违规行驶车辆预警，提高了非现场执法效率，减少了人工审核的工作量，为智能识别提供参考指标；同时基于多辆车辆异常判别路口异常状况，实现远程联动监控，提高了路***通的监管效率。

附图说明

图1为本发明所述异常行驶预警方法的步骤示意图。

图2为本发明实施例中利用层次聚类划分出车辆轨迹模式示意图。

图3为本发明实施例中单一路口车辆轨迹提取后的轨迹示意图。

具体实施方式

下面结合说明书附图对本发明的技术方案做进一步的详细说明。

基于路口车辆合理行驶范围的异常行驶预警方法，包括如下步骤：

步骤1，基于路口监控历史视频确定路口各车辆轨迹，通过层次聚类和路口渠化对车辆轨迹类型模式分类。

步骤1-1，基于路口监控单位时间段历史视频，提取不同车辆ID下的原始轨迹点，记为P(f,x,y)，其中f表示帧数，x和y表示坐标数值，进而通过初始数据清洗确定不同车辆ID的单条车辆轨迹，记为TR＝{P|p_i，1≤i≤n，n为轨迹点数}；一般情况下，单位时间段取5min。

步骤1-2，基于层次聚类算法和路口渠化信息对车辆轨迹类型模式进行分类。具体来说，对单条车辆轨迹进行特征点p_i提取，通过欧式距离或LCSS距离进行车辆轨迹层次聚类，剔除出异常车辆轨迹(如在路口停留，反向行驶等车辆行驶轨迹)，按路口渠化特征实现车辆轨迹划分。一般来说，以十字路口为例，其车辆轨迹类型包括东、南、西、北四个方向的左转、直行、右转，共12种类型。

步骤2，分别对路口各流向下车辆轨迹合理范围提取分析，实现路口车辆合理范围管理。

步骤2-1，提取出单一模式类型车辆轨迹TR，通过层次聚类算法对该类型下所有轨迹分析，实现正常车辆轨迹提取。

步骤2-1-1，基于车辆轨迹TR_j特征点p_i对单一车辆轨迹的轨迹相似度λ、方差α²、弧长比σ作为特征数值求解。其中1≤i≤n，n为轨迹特征点个数；1≤j≤N，N为车辆轨迹个数。

具体来说，根据车辆轨迹类型通过LCSS算法或DTW算法求解出车辆轨迹TR_j相似度λ；基于车辆轨迹TR_j的特征点p_i的帧数及特征点之间的距离确定车辆轨迹TR_j的加速度方差α²；基于车辆轨迹TR_j特征点之间的距离确定车辆轨迹TR_j弧长比σ。

其中，以LCSS算法为例，车辆轨迹TR_j的相似度λ公式为：

式中TR₁和TR₂分别为两条长度为m、n的轨迹；

其中p_i和q_j分别代表轨迹特征点坐标，

同理

其中1≤i≤m，1≤j≤n，

表示轨迹为空；dist(p_i,q_j)表示两个坐标点的欧氏距离，γ为相似度阈值；LCSS(TR₁,TR₂)表示TR₁和TR₂两条轨迹的最长公共子序列长度；D_LCSS(TR₁,TR₂)为轨迹TR₁和TR₂的相似度距离；min(len_TR1,len_TR2)表示轨迹TR₁长度和TR₂长度的较小值；D_LCSS(TR₁,TR_l)表示TR₁和TR_l之间的最长公共子序列相似度距离，N表示车辆轨迹数目；λ₁表示TR₁车辆轨迹的相似度值。

车辆轨迹TR_j的加速度方差α²为：

式中，α_i+1表示特征点i+1的加速度，其中f_i和f_i+1表示帧数，

表示特征点i与特征点i+1之间的欧式距离，p_i和p_i+1表示特征点。

车辆轨迹TR_j的轨迹弧长比σ为：

式中，p₁、p_i、p_i+1、p_n均表示车辆轨迹TR_j内的特征点；

表示车辆轨迹特征点i和特征点i+1之间的欧式距离；

表示车辆根轨迹特征点n与特征点1之间的欧式距离；n表示车辆轨迹内特征点个数，1≤i≤n。

步骤2-1-2，将车辆轨迹TR_j的相似度λ、加速度方差α²、弧长比σ_j作为特征数据进行车辆轨迹层次聚类，划分为异常行驶轨迹、异常行为轨迹和正常车辆轨迹三类，进而剔除异常行驶轨迹和异常行为轨迹，实现正常车辆轨迹数据提取。

具体来说，整合各车辆轨迹TR_j的相似度λ_j、加速度方差

弧长比σ_j数值作为特征值，以层次聚类算法划分为三组数据，根据各组数据的数据量和离散程度ε确定异常行驶轨迹、异常行为轨迹和正常车辆轨迹。其中，将数据量最小且该组数量与总数比值小于异常阈值(一般取30％)的那组数据默认为异常轨迹，将离散程度ε较大那组数据默认为异常行为，其中离散程度ε如下：

式中，n'为划分的组内所有车辆轨迹特征点的总个数；p_i为特征点，

为簇中心点，即划分的该组数据的组中心；

表示p_i点到簇中心点距离。

步骤2-1-3，在DTW算法下对上一步骤的正常车辆轨迹再次进行层次聚类，划分判别出正常车辆轨迹和离群轨迹。

具体来说，提取出上一步骤中的正常车辆轨迹，基于DTW算法确定两两轨迹之间的相似度，列出相似度矩阵S[a][b]，通过层次聚类将车辆轨迹划分为两类，包括正常轨迹和离群轨迹，其中基于轨迹数目或离散程度ε确定离群轨迹，从而提取出正常车辆轨迹。

一般情况下，若两组车辆轨迹A和B中，其中一组轨迹数目小于另一组数目且数目与总数的比值小于异常阈值(一般取30％)，则将该组数据默认为异常离群轨迹，另一组为正常轨迹；否则，分别求解出两组数据的离散程度ε，将数值大的那组数据默认为异常离群轨迹。

步骤2-2，基于步骤2-1筛选提取的车辆轨迹进行轨迹平滑，重新提取车辆轨迹特征点，确定单一方向车辆运行范围。

步骤2-2-1，对上一步骤筛选提取的正常车辆轨迹TR_j下的轨迹点p_i，实现车辆轨迹平滑，分析确定车辆轨迹平滑后的新特征点p′_i。

具体来说，可以用滑动平均、加权滑动平均和指数滑动平均等方法。本发明选取滑动平均平滑法，具体如下：

式中p_s(i)表示平滑后的车辆轨迹点：ω为平滑指数，根据所有轨迹中最短轨迹的轨迹点个数和需要选取的特征点个数来确定，本发明因为重新选取10个特征点，所以ω取值为5。

进一步车辆轨迹等分重新选取新的特征点，记为车辆轨迹TR＝{P′|p′_i，1≤i≤n，n为轨迹特征点个数}，一般情况下，重新选取十个特征点。

步骤2-2-2，基于所有车辆轨迹TR_j及其特征点p′_i确定车辆运行的主曲线。具体来说，基于各条车辆轨迹选取的特征点p′_i，将其一一对应，同一阶段i下确定阶段i中心点，得到主曲线TR^mid，即：

式中，TR^mid表示车辆轨迹主曲线；P_i ^mid表示第i阶段轨迹特征点的中心点，其中1≤i≤n，n表示选取的特征点个数(一般情况下，n取值为10)；p′_ji表示第j条车辆轨迹的第i阶段轨迹新特征点，其中1≤j≤N，N表示车辆轨迹总数。

同时基于各阶段与中心点距离的数值分布情况，确定各阶段的离群点，即：

式中，dist(p'_ji,P_i ^mid)表示j条轨迹i特征点与i阶段中心点之间的距离。

进一步对i阶段内所有轨迹点距离数值进行分析，通过正态分布分析，将其大于正态分布(μ+2σ)的数值对应轨迹阶段点默认为离群点。

步骤2-2-3，根据上一步骤的主曲线TR^mid及主曲线上阶段点P_i ^mid确定各阶段包络线点Q_i，进而平滑得到包络线。

步骤2-2-3-1，根据主曲线上阶段点P_i ^mid确定同一阶段内车辆轨迹点p′_ji与主曲线TR^mid的距离，其中若轨迹点到主曲线最近的点不在主曲线TR^mid上，则说明该阶段车辆轨迹点发生了偏移，将其剔除，否则转到下一步骤。

步骤2-2-3-2，将同一阶段未发生偏离的各车辆轨迹上轨迹点p′_ji与主曲线TR^mid的距离dist(p'_ji,TR^mid)进行排序，选取80％-90％中位数数值作为该阶段主曲线对应包络线的半径距离，记为r_i。

步骤2-2-3-3，基于主曲线上阶段点P_i ^mid确定同一阶段包络线点坐标Q_i，记为(x′_i,y′_i)。具体来说：

y′_i＝k_ix′_i+b_i

式中，x′_i和y′_i表示i阶段上包络线的点坐标，记为Q_i，

和

表示i阶段上的主曲线坐标，记为P_i ^mid；k_i表示第i阶段下包络线的斜率，b_i表示i阶段下包络线与主曲线相交线截距。

步骤2-2-3-4，根据上一步骤求解的包络线坐标判断其与主曲线之间的位置关系。具体来说，根据本阶段主曲线点P_i ^mid以及下一阶段主曲线点

得到包络线阈值ξ，即：

式中，x′_i和y′_i表示i阶段上包络线的点坐标；

和

表示i阶段上的主曲线坐标。

若ξ＜0则x′_i和y′_i表示的包络线点在主曲线左侧，ξ＞0表示x_i和y_i包络线点在主曲线右侧，反之则在包络线与主曲线相交的直线上。

步骤2-2-3-5，将所有阶段点包络线点坐标Q_i整合，对包络线轨迹进行平滑，得到新的包络线特征点q_s(i)，从而确定包络线轨迹TR^q，即为该模式(方向)下车辆轨迹合理行驶范围。

步骤2-3，重复步骤2-1和2-2确定路口各流向包络线轨迹(车辆合理行驶范围)，整合得到路口车辆轨迹合理行驶范围。

具体来说，以常规十字路口为例，分别确定四个方向上左转、直行和右转的车辆轨迹的车辆合理行驶范围。

步骤3，根据路口实时监控视频信息对过往异常行驶车辆预警，实现路口异常情况监控管理。

步骤3-1，根据实时监控视频分析确定车辆运行方向及轨迹信息。

步骤3-2，将步骤3-1得到的车辆轨迹路径与步骤2得到的路口车辆轨迹合理行驶范围进行对比；若车辆超出行驶范围，则进行预警，并将车辆信息下发至非现场执法***。

步骤3-2，若单位时间内运行流向下预警车辆数与过车总数之间的比值大于异常情况阈值(一般取50％左右，该数值可根据路口实际状况选取)，则将该路口流向进行预警，同时可关联至交通态势监控***或视频监控***，实现路口异常状况报警，对路口异常情况进行监控。

以下通过具体示例进行说明：

选取某十字路口进行研究，提取其路口5min内监控视频，根据轨迹点确定车辆轨迹，利用层次聚类划分出车辆轨迹模式，具体如图2所示。

进一步对单一路口车辆轨迹提取分析，以南进口道左转为例，提取出车辆异常轨迹，根据正常车辆轨迹及其特征点确定主曲线和包络线，具体如图3所示。即图中包络线1和包络线2之间的区间为南进口左转合理行驶范围。

当南进口左转车辆在行驶过车中超出合理行驶范围，则进行预警，若单位时间段(1小时)内预警次数超过过车记录的50％，则自动提示关联，实现该路口远程监控。

以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (6)

1.基于路口车辆合理行驶范围的异常行驶预警方法，其特征在于：包括如下步骤：

步骤1，基于路口监控历史视频确定路口各车辆轨迹，通过层次聚类算法和路口渠化信息对车辆轨迹类型模式进行分类；

步骤2，分别对路口各流向下车辆轨迹合理行驶范围提取分析，实现路口车辆合理范围管理；所述步骤2具体包括：

步骤2-1，提取出单一模式类型车辆轨迹，通过层次聚类实现该模式类型下正常车辆轨迹提取分析；

步骤2-2，基于步骤2-1筛选提取的正常车辆轨迹进行轨迹平滑，重新提取车辆轨迹特征点，确定单一方向车辆轨迹合理行驶范围；

步骤2-3，重复步骤2-1和2-2确定路口各流向包络线轨迹，整合得到路口车辆轨迹合理行驶范围；

所述步骤2-1具体包括：

步骤2-1-1：基于车辆轨迹TR_j特征点p_i对单一车辆轨迹的轨迹相似度λ_j、加速度方差

弧长比σ_j作为特征数据求解；其中1≤i≤n,n为轨迹特征点个数；1≤j≤N,N为车辆轨迹个数；

步骤2-1-2：将车辆轨迹TR_j的轨迹相似度λ_j、加速度方差

弧长比σ_j作为特征数据进行车辆轨迹层次聚类，划分为异常行驶轨迹、异常行为轨迹和正常车辆轨迹三类，进而剔除异常行驶轨迹和异常行为轨迹，实现正常车辆轨迹数据提取；

步骤2-1-3：对步骤2-1-2的正常车辆轨迹再次层次聚类，基于聚类后各簇的轨迹数目和离散程度判别划分出正常车辆轨迹和离群轨迹，提取出正常车辆轨迹；

步骤3，根据路口实时监控视频信息对过往异常行驶车辆预警，实现路口异常情况监控管理。

2.根据权利要求1所述的基于路口车辆合理行驶范围的异常行驶预警方法，其特征在于：所述步骤1中，具体步骤如下：

步骤1-1，基于路口监控单位时间段历史视频，提取不同车辆ID下的原始轨迹点，记为P(f,x,y)，其中f表示帧数，x和y表示坐标数值，进而通过初始数据清洗确定不同车辆ID的单条车辆轨迹；

步骤1-2，基于层次聚类算法和路口渠化信息对车辆轨迹类型模式进行分类；具体来说，对单条车辆轨迹进行特征点p_i提取，通过欧式距离或LCSS距离进行车辆轨迹层次聚类，剔除出异常车辆轨迹，按路口渠化特征实现车辆轨迹划分。

3.根据权利要求1所述的基于路口车辆合理行驶范围的异常行驶预警方法，其特征在于：

步骤2-1-1具体为：根据车辆轨迹类型通过LCSS算法或DTW算法求解出车辆轨迹TR_j的轨迹相似度λ_j；基于车辆轨迹TR_j特征点p_i的帧数及特征点之间的距离确定车辆轨迹TR_j的加速度方差

基于车辆轨迹TR_j特征点之间的距离确定车辆轨迹TR_j弧长比σ_j；

步骤2-1-2具体为：整合各车辆轨迹TR_j的轨迹相似度λ_j、加速度方差

弧长比σ_j数值作为特征值，以层次聚类算法划分为三组数据，根据各组数据的数据量和离散程度ε确定异常行驶轨迹、异常行为轨迹和正常车辆轨迹；其中，将数据量最小且数量与总数比值小于异常阈值的那组数据默认为异常行驶轨迹，将离散程度ε较大那组数据默认为异常行为轨迹；

步骤2-1-3具体为基于DTW算法下对步骤2-1-2的正常车辆轨迹再次层次聚类。

4.根据权利要求1所述的基于路口车辆合理行驶范围的异常行驶预警方法，其特征在于：所述步骤2-2中，具体包括如下分步骤：

步骤2-2-1，对筛选提取的正常车辆轨迹TR1_m下的特征点p_i，实现车辆轨迹平滑，根据平滑后的车辆特征点等分选取确定正常车辆轨迹的新特征点；

步骤2-2-2，基于所有正常车辆轨迹TR1_m及其新特征点确定车辆运行的主曲线；具体来说，基于各条正常车辆轨迹选取的新特征点，将其一一对应，同一阶段k下确定阶段k中心点，得到车辆轨迹主曲线TR^mid，即：

式中，TR^mid表示车辆轨迹主曲线；

表示第k阶段轨迹新特征点的中心点，其中1≤k≤K，K表示选取的新特征点个数；p'_mk表示第m条正常车辆轨迹的第k阶段轨迹新特征点，其中1≤m≤M，M表示正常车辆轨迹个数；

同时基于各阶段与中心点距离的数值分布情况，确定各阶段的离群点，即：

式中，

表示第m条正常车辆轨迹的第k阶段轨迹新特征点与第k阶段轨迹新特征点的中心点之间的距离；

对第k阶段内所有轨迹新特征点距离数值进行分析，通过正态分布分析，将其大于正态分布的数值对应轨迹阶段点默认为离群点；

步骤2-2-3，根据车辆轨迹主曲线TR^mid及第k阶段轨迹新特征点的中心点

确定各阶段包络线点坐标Q_k，进而平滑得到两条包络线，确定车辆轨迹合理行驶范围。

5.根据权利要求4所述的基于路口车辆合理行驶范围的异常行驶预警方法，其特征在于：所述步骤2-2-3中，具体包括如下分步骤：

步骤2-2-3-1，根据第k阶段轨迹新特征点的中心点

确定第m条正常车辆轨迹的第k阶段轨迹新特征点p'_mk与车辆轨迹主曲线TR^mid的距离，其中若轨迹新特征点到车辆轨迹主曲线最近的点不在车辆轨迹主曲线TR^mid上，则说明该阶段车辆轨迹新特征点发生了偏移，将其剔除，否则转到下一步骤；

步骤2-2-3-2，将同一阶段未发生偏离的各车辆轨迹上轨迹新特征点与车辆轨迹主曲线TR^mid的距离dist(p'_mk,TR^mid)进行排序，选取80％-90％中位数数值作为该阶段车辆轨迹主曲线对应包络线的半径距离，记为r_k；

步骤2-2-3-3，基于第k阶段轨迹新特征点的中心点

确定同一阶段包络线点坐标Q_k，记(x'_k,y'_k)为，具体来说，

y′_k＝K_kx′_k+b_k

式中，x'_k和y'_k表示第k阶段上包络线的点坐标，记为，

和

表示第k阶段轨迹新特征点的中心点

的坐标；K_k表示第k阶段下包络线的斜率，b_k表示第k阶段下包络线与车辆轨迹主曲线相交线截距；

步骤2-2-3-4，根据步骤2-2-3-3求解的包络线坐标判断其与车辆轨迹主曲线之间的位置关系；具体来说，根据第k阶段轨迹新特征点的中心点

以及第k+1阶段轨迹新特征点的中心点

得到包络线阈值ξ，即：

若ξ<0则x'_k和y'_k表示的包络线点在车辆轨迹主曲线左侧，ξ>0表示x'_k和y'_k包络线点在车辆轨迹主曲线右侧，反之则在包络线与车辆轨迹主曲线相交的直线上；

步骤2-2-3-5，将所有阶段包络线点坐标Q_k整合，对包络线轨迹进行平滑，得到新的包络线特征点，从而确定包络线轨迹TR^q，两条包络线组成的范围即为车辆轨迹合理行驶范围。

6.根据权利要求1所述的基于路口车辆合理行驶范围的异常行驶预警方法，其特征在于：所述步骤3中，包括如下分步骤：

步骤3-1，根据路口实时监控视频分析确定车辆运行方向及轨迹信息；

步骤3-2，将步骤3-1得到的车辆运行方向及轨迹信息与步骤2得到的路口各流向下车辆轨迹合理行驶范围进行对比；若车辆超出车辆轨迹合理行驶范围，则进行预警，并将车辆信息下发至非现场执法***；

步骤3-3，若单位时间内运行流向下预警车辆数与过车总数之间的比值大于异常情况阈值，则将该路口流向进行预警，同时可关联至交通态势监控***或视频监控***，实现路口异常状况报警，对路口异常情况进行监控。

Images