CN111126144B - 一种基于机器学习的车辆轨迹异常检测方法 - Google Patents
一种基于机器学习的车辆轨迹异常检测方法 Download PDFInfo
- Publication number
- CN111126144B CN111126144B CN201911143276.4A CN201911143276A CN111126144B CN 111126144 B CN111126144 B CN 111126144B CN 201911143276 A CN201911143276 A CN 201911143276A CN 111126144 B CN111126144 B CN 111126144B
- Authority
- CN
- China
- Prior art keywords
- track
- vehicle
- vehicle track
- machine learning
- matrix
- 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
Images
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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/48—Matching video sequences
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Traffic Control Systems (AREA)
- Machines For Laying And Maintaining Railways (AREA)
Abstract
本发明涉及一种基于机器学习的车辆轨迹异常检测方法,尤其涉及在车辆通过十字路口时的轨迹运用机器学习进行轨迹异常检测的方法。本发明方法通过输入车辆运行轨迹数据集,并使用机器学习的方法训练得到异常检测模型,并以此为依据进行车辆轨迹异常检测,判断待测车辆轨迹是否可靠,通过对车辆轨迹点的规范化处理,同时结合机器学习的中多元逻辑回归的方法完成异常判断模型θ的训练;它实现了根据异常判断模型θ判断轨迹是否异常,不仅准确率达到要求,同时运用矩阵点积和简易的多元逻辑回归算法,它实现了轨迹异常判断耗时非常少,效率高,非常适用于获取车辆轨迹后实行车辆轨迹异常检测步骤,对车辆目标检测具有重大意义。
Description
技术领域
本发明涉及一种基于机器学习的车辆轨迹异常检测方法,尤其涉及运用机器学习方法对车辆通过十字路口时的轨迹进行轨迹异常检测的方法。
背景技术
随着中国经济飞速发展,交通愈发发达,随之一同显现的交通问题也层出不穷。车辆拥堵,车辆违规违纪,交通治安问题也浮现在我们眼前,由此,根据车辆轨迹来进行行为分析已经成为目前重要的车辆行为分析手段。而车辆轨迹是否正确将决定了分析结果的正确与否。
车辆轨迹获取方式众多,其中包括较早且较成熟的帧间差分的方法、基于光流场的方法、基于背景差的方法,更有新兴的基于深度学习的目标检测方法。然而无论使用哪种方法识别并获取车辆轨迹,在进行车辆轨迹分析前都要保证所获取的车辆轨迹有效可靠,避免异常轨迹存在;若存在目标跟踪丢失或者目标跟踪错误的情况,将会严重影响后续的车辆行为判断,因此本发明不对轨迹获取的方法进行优化,而是根据车辆轨迹数据是否存在异常情况进行轨迹过滤,以获取正常的轨迹;如有异常情况则舍弃该异常轨迹,为后续的车辆行为检测与判断提供可靠优秀的车辆数据轨迹。在车辆检测领域,与准确率的要求相较,速度同样尤为重要,因此需要一种效果好、耗时短的车辆轨迹异常检测方法克服以上问题。
发明内容
本发明要解决的技术问题是提供一种基于机器学习的车辆轨迹异常检测方法,不仅可以检测出异常车辆轨迹,而且其耗时少效率高,特别适用于车辆轨迹获取后车辆轨迹异常检测。
所述的一种基于机器学习的车辆轨迹异常检测方法,其特征在于包括如下步骤:
步骤1:样本准备,数据初始化:令原始车辆轨迹样本数据为Ti={(xi,j,yi,j)|j=1,2,..,mi},i=1,2,...,m,同时对Ti进行标注,得到标注集合Z={zi|i=1,2,...,m},其中,(xi,j,yi,j)表示第i辆车的轨迹中第j个位置的车辆中心点坐标,mi表示第i辆车的行驶轨迹坐标点数量,m表示车辆轨迹样本数量,zi∈{0,1},zi=0表示Ti的轨迹为正常,zi=1表示Ti的轨迹为异常;对所有Ti进行规范化处理,得到规范化后的矩阵MT,向量差矩阵MV,最后,整合为训练模型输入样本矩阵X;
步骤2:以X和Z作为输入并运用多元逻辑回归的机器学习算法进行训练得到检测模型θ;
步骤3:利用检测模型θ进行车辆轨迹异常检测。
所述的一种基于机器学习的车辆轨迹异常检测方法,其特征在于步骤1中的训练模型输入样本矩阵X的规范化处理过程如下:
步骤1.1:去除Ti中重复的坐标点,使Ti中存在的任意两个坐标点不相同;
步骤1.2:进行坐标点数量规范化,具体为:设规范化后的坐标点数量为N,若mi大于或等于N,则将Ti中的前mi-N个坐标点去除;若mi小于N,则将Ti中第1个坐标点复制N-mi次并补充到Ti中第1个坐标点的前面;至此,所有Ti的坐标点个数均为N,记为Ti={(xi,j,yi,j)|j=1,2,..,N};则所有的Ti构成规范化矩阵MT=[(xij,yij)]m×N,其中,所述m×N代表矩阵MT为m行N列矩阵;
步骤1.3:计算坐标点向量差Vi={(ai,j,bi,j)|j=1,2,..,N-1},i=1,2,...,m,其中,ai,j=xi,j+1-xi,j,bi,j=yi,j+1-yi,j;则所有将V={Vi|i=1,2,…,m}构成向量差矩阵MV=[(aij,bij)]m×N-1;
步骤1.4:构造训练模型输入样本矩阵X=[BMTMV],其中,B=[1]m×1表示偏执单元向量。
所述的一种基于机器学习的车辆轨迹异常检测方法,其特征在于步骤3中利用检测模型θ进行车辆轨迹异常检测的具体过程如下:采用现有目标跟踪算法得到车辆的轨迹数据Ttest,采用步骤1.1-1.4中的方法对Ttest进行规范化,得到规范化轨迹数据Xtest,并根据式(1)计算异常判断指数p,若p=1,则判断Ttest的轨迹异常;若p=0,则判断Ttest的轨迹正常;异常判断指数p的求值公式如式(1)所示:
其中,S(x)函数为Sigmoid激活函数。
通过采用上述检测,与现有技术相比,本发明的有益效果如下:
本发明的一种基于机器学习的车辆轨迹异常判断算法,通过对车辆轨迹点的规范化处理,同时结合机器学习的中多元逻辑回归的方法完成异常判断模型θ的训练;它实现了根据异常判断模型θ判断轨迹是否异常,不仅准确率达到要求,同时运用矩阵点积和简易的多元逻辑回归算法,它实现了轨迹异常判断耗时非常少,非常适合车辆轨迹获取后车辆轨迹异常检测步骤。
附图说明
图1为本发明实施例的车辆轨迹异常判断实践结果图;
图1中:“22”代表车辆编号;CarID代表为车辆唯一识别码,与车辆编号一一对应,predict为预判结果,1代表车辆轨迹正常,0代表车辆轨迹异常;
图2为本发明的异常判断模型对车辆轨迹可视化,图中:深色轨迹代表正常轨迹,浅色轨迹代表异常轨迹;
图3为图2中筛选出的正常车辆轨迹中例举出的五条正常轨迹;
图4为图2中筛选出的异常车辆轨迹中例举出的八条异常轨迹。
具体实施方式
下面结合说明书附图和实施例,对本发明进行进一步的说明。应当理解,此处所描述的具体实施例仅用于解释本发明,并不用于限定本发明。
如图1所示,本发明的一种基于机器学习的车辆轨迹异常检测方法,包括样本准备、判断模型训练及车辆轨迹判断三个步骤,经过车辆轨迹异常判断流程即可实现轨迹判断,所准备车辆轨迹样本数据可视化后如图2所示,具体实施包括如下步骤:
步骤1:样本准备,车辆轨迹样本数据初始化:令原始车辆轨迹样本数据为Ti={(xi,j,yi,j)|j=1,2,..,mi},i=1,2,...,m,同时对Ti进行标注,得到标注集合Z={zi|i=1,2,...,m},其中,(xi,j,yi,j)表示第i辆车的轨迹中第j个位置的车辆中心点坐标,mi表示第i辆车的行驶轨迹坐标点数量,m表示车辆轨迹样本数量,在本发明实例中,m=1320,zi∈{0,1},zi=0表示Ti的轨迹为正常,否则,zi=1表示Ti的轨迹为异常;对所有Ti,按如下步骤进行规范化处理,得到规范化后的矩阵MT,向量差矩阵MV,最后,整合为训练模型输入样本矩阵X;
步骤1.1:去除原始车辆轨迹样本数据Ti中重复的坐标点,使原始车辆轨迹样本数据Ti中存在的任意两个坐标点不相同;
步骤1.2:进行坐标点数量规范化,具体为:设规范化后的坐标点数量为N,本发明实例中N=120,若车辆行驶轨迹坐标点数量mi大于或等于N,则将原始车辆轨迹样本数据Ti中的前mi-N个坐标点去除;否则,若车辆行驶轨迹坐标点数量mi小于N,则将原始车辆轨迹样本数据Ti中第1个坐标点复制N-mi次并补充到原始车辆轨迹样本数据Ti中第1个坐标点的前面;至此,所有原始车辆轨迹样本数据Ti的坐标点个数均为N,记为Ti={(xi,j,yi,j)|j=1,2,..,N};则所有的Ti构成规范化矩阵MT=[(xij,yij)]m×N,其中,所述m×N代表矩阵MT为m行N列矩阵;
步骤1.3:计算坐标点向量差Vi={(ai,j,bi,j)|j=1,2,..,N-1},i=1,2,...,m,其中,ai,j=xi,j+1-xi,j,bi,j=yi,j+1-yi,j;则所有将V={Vi|i=1,2,…,m}构成向量差矩阵MV=[(aij,bij)]m×N-1;
步骤1.4:构造训练模型输入样本矩阵X=[BMTMV],其中,B=[1]m×1表示偏执单元向量;
步骤2:以训练模型输入样本矩阵X和标注集合Z作为输入并运用多元逻辑回归的机器学习算法进行训练得到检测模型θ,在本发明实例中,训练迭代次数1500次,学习率为0.3;
步骤3:利用模型θ进行车辆轨迹异常判断,具体为:采用现有目标跟踪算法得到车辆的轨迹数据Ttest,采用步骤1.1-1.4中的方法对Ttest进行规范化,得到规范化轨迹数据Xtest,并根据式(1)计算异常判断指数p,若p=1,则判断Ttest的轨迹异常;若p=0,则判断Ttest的轨迹正常;其中,S(x)函数为Sigmoid激活函数;本发明实施例的判断结果如图1所示,预判结果predict(即p)为1,轨迹异常。
实施本发明后,可实现车辆轨迹异常判断,不仅可以解决车辆目标跟踪轨迹异常与丢失的情况,同时为车辆行为分析提供可靠有效的数据依据,本实例中,图3中例举出五条轨迹皆为正常轨迹,图4中所例举出八条轨迹皆为异常轨迹,另一方面对每一条轨迹判断时间远小于0.1毫秒,无疑为车辆目标跟踪的正确性有所提升与帮助。
Claims (2)
1.一种基于机器学习的车辆轨迹异常检测方法,其特征在于包括如下步骤:
步骤1:样本准备,车辆轨迹样本数据初始化:令原始车辆轨迹样本数据为Ti={(xi,j,yi,j)|j=1,2,..,mi},i=1,2,...,m,同时对Ti进行标注,得到标注集合Z={zi|i=1,2,...,m},其中,(xi,j,yi,j)表示第i辆车的轨迹中第j个位置的车辆中心点坐标,mi表示第i辆车的行驶轨迹坐标点数量,m表示车辆轨迹样本数量,zi∈{0,1},zi=0表示Ti的轨迹为正常,zi=1表示Ti的轨迹为异常;对所有Ti进行规范化处理,得到规范化后的矩阵MT,向量差矩阵MV,整合为训练模型输入样本矩阵X,具体步骤为:
步骤1.1:去除原始车辆轨迹样本数据Ti中重复的坐标点,使原始车辆轨迹样本数据Ti中存在的任意两个坐标点不相同;
步骤1.2:进行坐标点数量规范化,具体为:设规范化后的坐标点数量为N,若车辆行驶轨迹坐标点数量mi大于或等于N,则将原始车辆轨迹样本数据Ti中的前mi-N个坐标点去除;若车辆行驶轨迹坐标点数量mi小于N,则将原始车辆轨迹样本数据Ti中第1个坐标点复制N-mi次并补充到Ti中第1个坐标点的前面,使所有Ti的坐标点个数均为N,记为Ti={(xi,j,yi,j)|j=1,2,..,N};则所有的Ti构成规范化矩阵MT=[(xij,yij)]m×N,其中,所述m×N代表矩阵MT为m行N列矩阵;
步骤1.3:计算坐标点向量差Vi={(ai,j,bi,j)|j=1,2,..,N-1},i=1,2,...,m,其中,ai,j=xi,j+1-xi,j,bi,j=yi,j+1-yi,j;则所有将V={Vi|i=1,2,…,m}构成向量差矩阵MV=[(aij,bij)]m×N-1;
步骤1.4:构造训练模型输入样本矩阵X=[BMTMV],其中,B=[1]m×1表示偏执单元向量;
步骤2:以X和Z作为输入运用多元逻辑回归的机器学习算法进行训练,得到检测模型θ;
步骤3:利用检测模型θ进行待测车辆轨迹异常检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911143276.4A CN111126144B (zh) | 2019-11-20 | 2019-11-20 | 一种基于机器学习的车辆轨迹异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911143276.4A CN111126144B (zh) | 2019-11-20 | 2019-11-20 | 一种基于机器学习的车辆轨迹异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111126144A CN111126144A (zh) | 2020-05-08 |
CN111126144B true CN111126144B (zh) | 2021-10-12 |
Family
ID=70495879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911143276.4A Active CN111126144B (zh) | 2019-11-20 | 2019-11-20 | 一种基于机器学习的车辆轨迹异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111126144B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743815A (zh) * | 2021-09-13 | 2021-12-03 | 一汽出行科技有限公司 | 运营车辆的风险监控方法、装置、存储介质及计算机设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106314438A (zh) * | 2016-08-15 | 2017-01-11 | 西北工业大学 | 一种司机驾驶轨迹中异常轨迹的检测方法和*** |
CN106875424A (zh) * | 2017-01-16 | 2017-06-20 | 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 |
CN107293117A (zh) * | 2017-07-04 | 2017-10-24 | 清华大学 | 一种公路异常事件的判断方法 |
CN109903045A (zh) * | 2019-01-24 | 2019-06-18 | 平安科技(深圳)有限公司 | 行为轨迹监控方法、装置、计算机设备和介质 |
WO2019145018A1 (en) * | 2018-01-23 | 2019-08-01 | Siemens Aktiengesellschaft | System, device and method for detecting abnormal traffic events in a geographical location |
CN110428604A (zh) * | 2019-07-30 | 2019-11-08 | 山东交通学院 | 一种基于gps轨迹数据和地图数据的出租车违规停车监测与预警方法 |
CN110472496A (zh) * | 2019-07-08 | 2019-11-19 | 长安大学 | 一种基于目标检测与跟踪的交通视频智能分析方法 |
-
2019
- 2019-11-20 CN CN201911143276.4A patent/CN111126144B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106314438A (zh) * | 2016-08-15 | 2017-01-11 | 西北工业大学 | 一种司机驾驶轨迹中异常轨迹的检测方法和*** |
CN106875424A (zh) * | 2017-01-16 | 2017-06-20 | 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 |
CN107293117A (zh) * | 2017-07-04 | 2017-10-24 | 清华大学 | 一种公路异常事件的判断方法 |
WO2019145018A1 (en) * | 2018-01-23 | 2019-08-01 | Siemens Aktiengesellschaft | System, device and method for detecting abnormal traffic events in a geographical location |
CN109903045A (zh) * | 2019-01-24 | 2019-06-18 | 平安科技(深圳)有限公司 | 行为轨迹监控方法、装置、计算机设备和介质 |
CN110472496A (zh) * | 2019-07-08 | 2019-11-19 | 长安大学 | 一种基于目标检测与跟踪的交通视频智能分析方法 |
CN110428604A (zh) * | 2019-07-30 | 2019-11-08 | 山东交通学院 | 一种基于gps轨迹数据和地图数据的出租车违规停车监测与预警方法 |
Non-Patent Citations (1)
Title |
---|
融合ViBe与帧差法的交叉路口多车辆检测方法;高飞等;《计算机测量与控制》;20171231;第25卷(第10期);第35-38页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111126144A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Lane-change detection from steering signal using spectral segmentation and learning-based classification | |
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 | |
CN108764137A (zh) | 基于语义分割的车辆行驶车道定位方法 | |
CN102289686B (zh) | 一种基于迁移学习的运动目标分类识别方法 | |
CN107204114A (zh) | 一种车辆异常行为的识别方法及装置 | |
CN111310583A (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 | |
CN103390278B (zh) | 一种视频异常行为检测*** | |
CN111986226A (zh) | 一种目标轨迹异常检测方法 | |
Wang et al. | Joint deep neural network modelling and statistical analysis on characterizing driving behaviors | |
Lin et al. | MOHA: A multi-mode hybrid automaton model for learning car-following behaviors | |
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 | |
CN111310737B (zh) | 一种车道线检测方法及装置 | |
Lee et al. | Uncertainty-aware soft sensor using Bayesian recurrent neural networks | |
CN111949896A (zh) | 基于轨迹大数据的轨迹异常检测方法 | |
CN102254428A (zh) | 一种基于视频处理的交通拥塞检测方法 | |
CN111126144B (zh) | 一种基于机器学习的车辆轨迹异常检测方法 | |
CN114882069A (zh) | 基于lstm网络和注意力机制的出租车轨迹异常检测方法 | |
Bando et al. | Automatic drive annotation via multimodal latent topic model | |
Attal et al. | Powered two-wheeler riding pattern recognition using a machine-learning framework | |
Martin et al. | Object of fixation estimation by joint analysis of gaze and object dynamics | |
CN113076235B (zh) | 一种基于状态融合的时序异常检测方法 | |
Li et al. | A Deep Learning Framework to Explore Influences of Data Noises on Lane-Changing Intention Prediction | |
CN114021629B (zh) | 一种基于均值动态时间规整的车辆轨迹运动模式提取方法 | |
Li et al. | MV-TAL: Mulit-view temporal action localization in naturalistic driving | |
CN107145835A (zh) | 基于图像识别的驾驶员负荷检测车载装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |