CN114021629B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114021629B CN114021629B CN202111248749.4A CN202111248749A CN114021629B CN 114021629 B CN114021629 B CN 114021629B CN 202111248749 A CN202111248749 A CN 202111248749A CN 114021629 B CN114021629 B CN 114021629B
- Authority
- CN
- China
- Prior art keywords
- track
- cluster
- representing
- distance
- tracks
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012952 Resampling Methods 0.000 claims abstract description 8
- 238000000691 measurement method Methods 0.000 claims abstract description 6
- 239000000284 extract Substances 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 description 5
- 238000013145 classification model Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- 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
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Biology (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了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。该方法先对原始轨迹进行初始化和重采样,获取重采样轨迹集合;根据重采样轨迹,计算基于均值动态时间规整的轨迹间距离;基于均值动态时间规整的轨迹间距离度量方法,并运用聚类算法进行聚类,得到聚类簇集合;最后为每个簇分别提取特征运动模式,得到特征运动模式集合。本发明通过采用限定的技术,可以准确地度量相似轨迹间距离,对长序列轨迹间距离度量更精准,适用于长序列轨迹的车辆行为分析,还可以从车辆轨迹数据集中提取特征运动模式;每一条提取的特征运动模式轨迹都可以直观地反映车辆的运动模式,更易于赋予运动模式语义赋予和可视化展示。
Description
技术领域
本发明涉及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,尤其涉及运用均值动态时间规整的轨迹间距离度量方法对车辆通过十字路口时的轨迹运动模式提取的方法。
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、交通治安等问题也浮现在我们眼前;由此,对车辆轨迹进行数据清洗、挖掘、分类的方式目前已经成为一种分析车辆行为的重要手段。
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与跟踪方法。然而无论采用何种方法识别并获取的车辆轨迹,并想要挖掘轨迹中隐含的意义,则需要进行轨迹行为分析。轨迹行为分析中最常见的是通过轨迹分类器,其中包括基于DTW的分类方法、基于循环神经网络的LSTM方法、基于HMM的方法、基于序列概率高斯模型的方法等。这些常见的方法虽然可以通过训练所得的分类模型实现轨迹分类,却依旧容易丢失长序列之间的信息,无法准确度量轨迹间距离,使得相似轨迹群之间距离两两相差过大,且不易对每个类别的车辆轨迹进行可视化展示;因此本发明为克服传统分类模型存在的问题,在动态时间规整的基础上提出均值动态时间规整的轨迹间度量方法,并结合无监督聚类算法,从车辆轨迹样本中提取最能代表每个类别的轨迹,该方法解决了动态时间规整方法对长序列轨迹间距离度量的不准确性,并对每个类别的车辆轨迹进行可视化展示。
发明内容
针对现有技术中存在的上述问题,本发明的目的在于提供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。本发明根据均值动态时间规整方法度量轨迹间距离,可以准确地度量相似轨迹间距离,使得相似轨迹群之间距离两两相近,对长序列轨迹间距离度量更精准,特别适用于基于长序列轨迹的十字路口车辆行为分析,提取车辆轨迹运动模式。
所述的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,其特征在于包括如下步骤:
步骤1:样本准备:令原始车辆轨迹样本数据集合为T={Ti|i=1,2,...,m},其中,Ti={(xij,yij)|j=1,2,...,mi}表示第i条原始车辆轨迹,(xij,yij)表示第i条原始车辆轨迹中车辆在第j个位置时的中心点坐标,mi表示第i条原始车辆轨迹的中点点坐标数量,m表示车辆轨迹样本数量;对于所有Ti以相同间隔δ重采样为Fi={fis|s=1,2,…,ei},其中,δ表示重采样的轨迹点间隔,Fi表示第i条轨迹的重采样轨迹,表示第i条轨迹的第s个重采样轨迹坐标,重采样坐标/>表示第i条轨迹的第ps个坐标,ps公式如式(1)所示,其中ei表示第i条轨迹的重采样坐标数量;
步骤2:输入重采样轨迹Fi,计算基于均值动态时间规整的轨迹间距离,具体为:为度量轨迹Ti与轨迹Tj之间的距离,Ti∈T,Tj∈T,j≠i,首先构建距离矩阵和数量矩阵/>且/>其中a=1,2,…,ei,b=1,2,…,ej,且表示轨迹点fia和fjb之间的距离,/>表示轨迹Ti从fi1到fia的子序列与轨迹Tj从fj1到fjb的子序列中纳入DTW计算的点的次数;对Dij和Oij进行初始化,即对所有/>进行置零操作,并根据公式(2)的a'和b'记录/>中最小值的下标;然后根据公式(3)遍历计算Dij中所有元素/>的结果;再根据公式(4)遍历计算Oij中所有元素/>的结果;最后根据公式(5)的均值动态时间规整度量函数输出dis(Ti,Tj)作为轨迹Ti与Tj的轨迹间距离;
步骤3:基于均值动态时间规整的轨迹间距离度量方法,并运用DBSCAN聚类算法进行聚类,得到聚类簇集合C,具体为:
步骤3.1:根据步骤2的轨迹间距离度量,并运用DBSCAN算法进行聚类,得到聚类结果集合label={labeli|i=1,2,…,m},其中labeli表示轨迹Ti的聚类结果且labeli∈{-1,1,2,…,K},K表示簇个数,若labeli=-1,则表示轨迹Ti为离群轨迹;若labeli=k,则表示轨迹Ti属于第k个簇,其中k=1,2,…,K;
步骤3.2:根据聚类结果集合label和样本集合T构建聚类簇集合C={Ck|k=1,2,…,K},其中,簇表示第k个簇的轨迹集合,/>表示第i条车辆轨迹Ti,且该轨迹属于簇Ck;
步骤4:为簇集合C={Ck}中的每个簇分别提取特征运动模式CTk,得到特征运动模式集合CT={CTk|k=1,2,…,K},其中,CTk表示第k个簇的特征运动模式,具体为:对任意的簇Ck,遍历所有属于该簇的轨迹Ti k,计算其到该簇其他所有轨迹的平均距离,最终选取平均距离最小的轨迹作为该类的特征运动模式其具体公式如式(6)所示,其中nk表示簇Ck中的轨迹数量;再对C中所有集群提取特征运动模式后,得到特征运动模式集合CT。
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:
本发明的一种基于均值动态时间规整的车辆轨迹运动模式提取方法,使用均值动态时间规整方法度量车辆轨迹间距离,准确地度量相似轨迹间距离,使得相似轨迹群之间距离两两相近,对长序列轨迹间距离度量更精准,同时运用聚类方法在对离群轨迹剔除的同时完成聚类,使得每个集群内的轨迹密度较高,能代表一种轨迹的运动模式,在提取集群中的特征运动模式,达到运动模式的可视化展示和易于赋予语义的优点,特别适用基于轨迹的十字路口车辆行为分析。
附图说明
图1为本发明实例的轨迹样本集示意图;
图2为图1中轨迹分类后各簇的可视化示意图;
图3为本发明实例的从轨迹样本数据集中提取的轨迹运动模式示意图。
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。
本发明公开的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,它是根据均值动态时间规整方法度量轨迹间距离,可以准确地度量相似轨迹间距离,使得相似轨迹群之间距离两两相近,对长序列轨迹间距离度量更精准,特别适用于基于长序列轨迹的十字路口车辆行为分析,提取车辆轨迹运动模式;本发明实施例所准备的车辆轨迹样本数据可视化如图1所示,通过本发明方法提取特征运动模式的结果如图3所示,该实施例中,基于均值动态时间规整的车辆轨迹运动模式提取方法,具体包括如下步骤:
步骤1:样本准备令原始车辆轨迹样本数据集合为T={Ti|i=1,2,...,m},其中,Ti={(xij,yij)|j=1,2,...,mi}表示第i条原始车辆轨迹,(xij,yij)表示第i条原始车辆轨迹中车辆在第j个位置时的中心点坐标,mi表示第i条原始车辆轨迹的中点点坐标数量,m表示车辆轨迹样本数量,在本发明实例中m=492条;对于所有Ti以相同间隔δ重采样为Fi={fis|s=1,2,…,ei},其中,δ表示重采样的轨迹点间隔,Fi表示第i条轨迹的重采样轨迹,表示第i条轨迹的第s个重采样轨迹坐标,重采样坐标/>表示第i条轨迹的第ps个坐标,ps公式如式(1)所示,
其中ei表示第i条轨迹的重采样坐标数量;
步骤2:输入重采样轨迹Fi,计算基于均值动态时间规整的轨迹间距离,具体为:为度量轨迹Ti与轨迹Tj之间的距离,Ti与Tj均是T中的元素,即Ti∈T,Tj∈T,j≠i,首先构建距离矩阵和数量矩阵/>且/> 其中a=1,2,…,ei,b=1,2,…,ej,且/>表示轨迹点fia和fjb之间的距离,/>表示轨迹Ti从fi1到fia的子序列与轨迹Tj从fj1到fjb的子序列中纳入DTW计算的点的次数;对Dij和Oij进行初始化,即对所有/> 进行置零操作,并根据公式(2)的a'和b'记录/>中最小值的下标;然后根据公式(3)遍历计算Dij中所有元素/>的结果;再根据公式(4)遍历计算Oij中所有元素/>的结果;最后根据公式(5)的均值动态时间规整度量函数输出dis(Ti,Tj)作为轨迹Ti与Tj的轨迹间距离;
步骤3:基于均值动态时间规整的轨迹间距离度量方法,并运用DBSCAN聚类算法进行聚类,得到聚类簇集合C,具体为:
步骤3.1:根据步骤2的轨迹间距离度量,并运用DBSCAN算法进行聚类,得到聚类结果集合label={labeli|i=1,2,…,m},其中labeli表示轨迹Ti的聚类结果且labeli∈{-1,1,2,…,K},K表示簇个数,在本发明实例中,聚类得到簇个数K=9,轨迹分类后各簇的轨迹如图2所示,若labeli=-1,则表示轨迹Ti为离群轨迹;若labeli=k,则表示轨迹Ti属于第k个簇,其中k=1,2,…,K;
步骤3.2:根据聚类结果集合label和样本数据集合T构建聚类簇集合C={Ck|k=1,2,…,K},其中,簇表示第k个簇的轨迹集合,/>表示第i条车辆轨迹Ti,且该轨迹属于簇Ck;
步骤4:为聚类簇集合C={Ck}中的每个簇分别提取特征运动模式CTk,得到特征运动模式集合CT={CTk|k=1,2,…,K},其中,CTk表示第k个簇的特征运动模式,具体为:对任意的簇Ck,遍历所有属于该簇的车辆轨迹计算其到该簇其他所有轨迹的平均距离,最终选取平均距离最小的轨迹作为该类的特征运动模式/>其具体公式如式(6)所示,其中nk表示簇Ck中的轨迹数量;
再对聚类簇集合C中所有集群提取特征运动模式后,得到特征运动模式集合CT。
实施本发明后,可以准确地度量相似轨迹间距离,对长序列轨迹间距离度量更精准,适用于长序列轨迹的车辆行为分析,还可以从车辆轨迹数据集中提取特征运动模式;每一条提取的特征运动模式轨迹都可以直观地反映车辆的运动模式,更易于赋予运动模式语义赋予和可视化展示;本实例中,使用该发明方法提取的轨迹特征运动模式如图3所示,无疑为车辆运动模式提供易于运动模式语义赋予和可视化展示的功能。
Claims (2)
1.一种基于均值动态时间规整的车辆轨迹运动模式提取方法,其特征在于包括如下步骤:
步骤1:样本准备令原始车辆轨迹样本数据集合为T={Ti|i=1,2,...,m},其中,Ti={(xij,yij)|j=1,2,...,mi}表示第i条原始车辆轨迹,(xij,yij)表示第i条原始车辆轨迹中车辆在第j个位置时的中心点坐标,mi表示第i条原始车辆轨迹的中点点坐标数量,m表示车辆轨迹样本数量;对于所有Ti以相同间隔δ重采样为Fi={fis|s=1,2,…,ei},其中,δ表示重采样的轨迹点间隔,Fi表示第i条轨迹的重采样轨迹,表示第i条轨迹的第s个重采样轨迹坐标,重采样坐标/>表示第i条轨迹的第ps个坐标,ps的计算公式如式(1)所示;
其中ei表示第i条轨迹的重采样坐标数量;
步骤2:输入重采样轨迹Fi,计算基于均值动态时间规整的轨迹间距离,具体为:为度量原始车辆轨迹Ti与轨迹Tj之间的距离,Ti∈T,Tj∈T,j≠i,首先构建距离矩阵和数量矩阵/>且/>其中a=1,2,…,ei,b=1,2,…,ej,且表示轨迹点fia和fjb之间的距离,/>表示轨迹Ti从fi1到fia的子序列与轨迹Tj从fj1到fjb的子序列中纳入DTW计算的点的次数;对Dij和Oij进行初始化,即对所有/> 进行置零操作,并根据公式(2)的a'和b'记录/>中最小值的下标;然后根据公式(3)遍历计算Dij中所有元素/>的结果;再根据公式(4)遍历计算Oij中所有元素/>的结果;最后根据公式(5)的均值动态时间规整度量函数输出dis(Ti,Tj)作为轨迹Ti与Tj的轨迹间距离;
步骤3:基于均值动态时间规整的轨迹间距离度量方法,并运用DBSCAN聚类算法进行聚类,得到聚类簇集合C;
步骤4:为簇集合C={Ck}中的每个簇分别提取特征运动模式CTk,得到特征运动模式集合CT={CTk|k=1,2,…,K},其中,CTk表示第k个簇的特征运动模式,具体为:对任意的簇Ck,遍历所有属于该簇的轨迹Ti k,计算其到该簇其他所有轨迹的平均距离,最终选取平均距离最小的轨迹作为该类的特征运动模式其计算公式如式(6)所示,再对C中所有集群提取特征运动模式后,得到特征运动模式集合CT,
其中nk表示簇Ck中的轨迹数量。
2.根据权利要求1所述的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,其特征在于步骤3中基于均值动态时间规整的轨迹间距离度量方法,并运用DBSCAN聚类算法进行聚类,得到聚类簇集合包括:
步骤3.1:根据步骤2的均值动态时间规整距离度量,并运用DBSCAN算法进行聚类,得到聚类结果集合label={labeli|i=1,2,…,m},其中labeli表示轨迹Ti的聚类结果且labeli∈{-1,1,2,…,K},K表示簇个数,若labeli=-1,则表示轨迹Ti为离群轨迹;若labeli=k,则表示轨迹Ti属于第k个簇,其中k=1,2,…,K;
步骤3.2:根据聚类结果集合label和样本集合T构建聚类簇集合C={Ck|k=1,2,…,K},其中,簇表示第k个簇的轨迹集合,Ti k表示第i条车辆轨迹Ti,且该轨迹属于簇Ck。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111248749.4A CN114021629B (zh) | 2021-10-26 | 2021-10-26 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111248749.4A CN114021629B (zh) | 2021-10-26 | 2021-10-26 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114021629A CN114021629A (zh) | 2022-02-08 |
CN114021629B true CN114021629B (zh) | 2024-04-05 |
Family
ID=80057676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111248749.4A Active CN114021629B (zh) | 2021-10-26 | 2021-10-26 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114021629B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117592003B (zh) * | 2024-01-18 | 2024-05-24 | 之江实验室 | 基于多模态双线性池化的运动模式识别方法、装置及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110399686A (zh) * | 2019-07-30 | 2019-11-01 | 中国民航大学 | 一种基于轮廓系数的参数无关航空器飞行轨迹聚类方法 |
CN110570658A (zh) * | 2019-10-23 | 2019-12-13 | 江苏智通交通科技有限公司 | 基于层次聚类的路口异常车辆轨迹识别分析方法 |
CN111986226A (zh) * | 2020-08-25 | 2020-11-24 | 浙江工业大学 | 一种目标轨迹异常检测方法 |
CN111986235A (zh) * | 2020-08-25 | 2020-11-24 | 浙江工业大学 | 一种提取车辆轨迹特征运动模式的方法 |
WO2021077760A1 (zh) * | 2019-10-23 | 2021-04-29 | 江苏智通交通科技有限公司 | 基于路口车辆合理行驶范围的异常行驶预警方法 |
-
2021
- 2021-10-26 CN CN202111248749.4A patent/CN114021629B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110399686A (zh) * | 2019-07-30 | 2019-11-01 | 中国民航大学 | 一种基于轮廓系数的参数无关航空器飞行轨迹聚类方法 |
CN110570658A (zh) * | 2019-10-23 | 2019-12-13 | 江苏智通交通科技有限公司 | 基于层次聚类的路口异常车辆轨迹识别分析方法 |
WO2021077760A1 (zh) * | 2019-10-23 | 2021-04-29 | 江苏智通交通科技有限公司 | 基于路口车辆合理行驶范围的异常行驶预警方法 |
WO2021077761A1 (zh) * | 2019-10-23 | 2021-04-29 | 江苏智通交通科技有限公司 | 基于层次聚类的路口异常车辆轨迹识别分析方法 |
CN111986226A (zh) * | 2020-08-25 | 2020-11-24 | 浙江工业大学 | 一种目标轨迹异常检测方法 |
CN111986235A (zh) * | 2020-08-25 | 2020-11-24 | 浙江工业大学 | 一种提取车辆轨迹特征运动模式的方法 |
Non-Patent Citations (2)
Title |
---|
一种改进的航迹聚类方法;张勇;张建伟;韩云祥;;现代计算机;20200625(第18期);全文 * |
基于轨迹段核密度的旅游车辆轨迹聚类算法;汪祖云;张道航;刘文平;董婉青;侯彩霞;陈荔;;测控技术;20200918(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114021629A (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070074B (zh) | 一种构建行人检测模型的方法 | |
Kim et al. | Gaussian process regression flow for analysis of motion trajectories | |
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 | |
CN102609735B (zh) | 一种字符书写规范度评测的方法和装置 | |
CN110120218A (zh) | 基于gmm-hmm的高速公路大型车辆识别方法 | |
CN110909788B (zh) | 一种基于统计聚类的轨迹数据中道路交叉口位置识别方法 | |
CN103390278B (zh) | 一种视频异常行为检测*** | |
CN109410586A (zh) | 一种基于多元数据融合的交通状态检测方法 | |
CN113378891B (zh) | 基于轨迹分布表示的城市区域关系可视分析方法 | |
CN107103326A (zh) | 基于超像素聚类的协同显著性检测方法 | |
US11721130B2 (en) | Weakly supervised video activity detection method and system based on iterative learning | |
CN105788274A (zh) | 基于时空轨迹大数据的城市交叉口车道级结构提取方法 | |
CN105788273A (zh) | 基于低精度时空轨迹数据的城市交叉口自动识别的方法 | |
CN103854027A (zh) | 一种人群行为识别方法 | |
CN108415975A (zh) | 基于bdch-dbscan的出租车载客热点识别方法 | |
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 | |
CN103473540B (zh) | 智能交通***车辆轨迹增量式建模与在线异常检测方法 | |
CN104318263A (zh) | 一种实时高精度人流计数方法 | |
CN106570490B (zh) | 一种基于快速聚类的行人实时跟踪方法 | |
CN111986235A (zh) | 一种提取车辆轨迹特征运动模式的方法 | |
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 | |
CN111949896A (zh) | 基于轨迹大数据的轨迹异常检测方法 | |
CN113256690B (zh) | 一种基于视频监控的行人多目标跟踪方法 | |
CN109284705A (zh) | 一种交通监控视频的异常检测方法 | |
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 |
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 |