CN102855638B - 基于谱聚类的车辆异常行为检测方法 - Google Patents
基于谱聚类的车辆异常行为检测方法 Download PDFInfo
- Publication number
- CN102855638B CN102855638B CN201210286326.6A CN201210286326A CN102855638B CN 102855638 B CN102855638 B CN 102855638B CN 201210286326 A CN201210286326 A CN 201210286326A CN 102855638 B CN102855638 B CN 102855638B
- Authority
- CN
- China
- Prior art keywords
- track
- sample point
- point
- vehicle
- 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.)
- Expired - Fee Related
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于谱聚类的车辆异常行为检测方法,通过视频跟踪获取运动目标的时空轨迹,经过去异和预处理得到正常的轨迹,对轨迹进行构图,得到轨迹序列对应的无向图;然后计算轨迹间的相似性,从而得到相似性矩阵;对相似性矩阵进行拉普拉斯变换得到拉普拉斯矩阵,然后对其前k个最大特征值的特征向量矩阵进行聚类;对运动轨迹进行模式学习后,获得目标在正常状态下的运动模式,如果一条新的轨迹符合其中的一条常态运动模式,则说明该交通没有发生异常,否则说明车辆在进行非常态运动,即出现交通异常。本发明通过对车辆轨迹的聚类学习,实现了对车辆异常行为的监测,可以发现车辆的非正常变道,为交通管理自动化提供依据。
Description
技术领域
本发明涉及一种运动车辆的行为检测方法,具体涉及一种通过对运动车辆的轨迹进行模式学习,检测运动车辆的行为异常的方法,属于运动目标检测领域。
背景技术
随着经济的快速发展,车辆的拥有量急剧增长,导致道路交通事故的增加,由此造成了人员伤亡和经济损失的逐年增加。其中,各种交通违法行为引发的交通事故占交通事故总量的80%以上。
随着传感器技术和计算机技术的不断发展,利用交通视频监控装置进行交通违章的检测、识别和处理,在实际应用中取得了较好的成效。
现有技术中,利用交通视频监控装置可以实现对闯红灯、超速行驶、违章停车和逆向行驶等交通违法行为的自动检测,从而便于交通管理部门的有效管理。但是,对于车辆的其它异常行为,如违章变道、不按规定车道行驶等对于道路交通安全有着危害的行为,现有的交通视频监控装置则难以识别。
运动目标的微观运动行为在时空域上的直观表现形式是轨迹,运动行为模式相同的物体在轨迹上表现出较高的相似性与重复性。通过对特定场景内多个交通个体运动轨迹的学习,可以获取轨迹数据集合的时空分布,利用模式分类等方法提取典型运动模式,从而在交通场景建模,交通行为识别与预测以及异常事件监测等方面能够进行有效的研究和应用。但是,由于在交通行为监控中,样品数据集分布具有多样性和复杂性,采用常规的提取方法不能很好地表达轨迹之间的相似性,从而导致轨迹识别难以实际应用。
发明内容
本发明的发明目的是提供一种基于谱聚类的车辆异常行为检测方法,以获得较好的轨迹聚类结果,实现对车辆异常行为的实时监测。
为达到上述发明目的,本发明采用的技术方案是:一种基于谱聚类的车辆异常行为检测方法,包括下列步骤:
(1)获取用于轨迹学习的样本视频序列,通过对样本视频序列中的车辆对象进行跟踪,获取车辆对象的时空轨迹,对所述时空轨迹进行异常轨迹去除后,得到车辆对象的轨迹序列,车辆轨迹数n大于等于100;
(2)对步骤(1)获得的轨迹序列进行构图,将轨迹序列中的每条轨迹作为一个样本点,轨迹间的Hausdorff距离为样本点间的距离,首先对样本点按照局部密度进行排序,然后构建得到与轨迹序列对应的无向图,具体方法为:
轨迹序列的数据样本集中有n个样本点,其中第i个样本点为vi,记样本点vi与其前k个近邻样本点的距离之和为Di,即,Di=di1+di2+…+dij+…+dik,其中di1≤di2≤…≤dij≤…≤dik,dij表示样本点vi和样本点vj之间的距离,k为预设值,k取5~10之间的整数;所述无向图以邻接矩阵P表示,P为n行n列的二维矩阵,P中各元素的初始值均为-1,对于两个样本点vi和vj,连线操作为置pij=1且pji=1,不连线操作为置pij=0且pji=0;
对n个样本点,按下列步骤处理:
①分别计算获得Di,其中i为1至n的整数;
②Di从小到大排序,选取最小值对应的样本点va;
③对样本点va和它的k个近邻样本点进行连线操作,对样本点va和其它样本点进行不连线操作,将Da从Di序列中去除;
④选取剩余Di序列中的最小值,其对应的样本点为vx,vx的k个邻近样本点集为{vxl,l=1,2…k},vxl表示距离点vx第l近的点,初始化l=1;
⑤如果vxl已与vx连接,l=l+1;否则,如果与vxl相连接的样本点的个数为k,则对样本点vx与样本点vxl进行不连线操作,l=l+1;否则,对样本点vx与样本点vxl进行连线操作,l=l+1;当邻接矩阵中与样本点vx已连接的样本点的个数小于k个且l≤k时,重复步骤⑤;
⑥将Dx从1≤k序列中去除,重复步骤④至⑥,直至对所有样本点完成操作,获得所述无向图;
(3)计算轨迹序列中各轨迹之间的相似度:
根据步骤(2)获得的无向图,若两条轨迹间有路径相连,则相似度值为H为该两条轨迹间的Hausdorff距离值,若两条轨迹间无路径通过,则它们之间的相似度值为0;
据此计算得出任意两条轨迹间的相似度值,获得与无向图对应的相似矩阵Sij,i、j为1至n的整数;
(4)进行聚类处理;处理步骤如下:
①构造拉普拉斯矩阵L=D-1/2SD-1/2,其中D为对角度矩阵
②计算矩阵L的特征值,并对特征值从大到小排序,计算相邻特征值间的差值,获得差值序列,差值序列中第一个极大值所在位置为c,取c为最终类别数;
③采用从大到小排序的前c个特征值对应的特征向量t1,t2,...,tc,构造矩阵T=[t1,t2,…,tc],对矩阵T中的每一行进行单位化处理,得到矩阵Y,即:
④把矩阵Y的每一行看成c维空间中的点,利用聚类算法将其聚成c类;
⑤如果Y的第i行属于第j类,则将原数据点xi也划分到第j类,由此实现对原轨迹序列的聚类;
(5)车辆异常行为检测:
对运动的车辆对象进行视频跟踪,获得该车辆的运动轨迹;如果该运动轨迹符合步骤(4)中的其中一类聚类,则车辆行为正常,否则发出车辆行为异常的信号,由此实现车辆异常行为的检测。
上述技术方案中,所述对时空轨迹进行异常轨迹去除是指去除不符合常规运动模式的轨迹,通常采用人工识别方式进行去除。
步骤(4)中,所述聚类算法可以采用现有技术中常规使用的各种聚类算法,优选地,所述聚类算法为K-means算法。
步骤(5)的检测方法为:
实时获取的车辆运动轨迹点为ai,i为1至m的整数,m为获取的实时运动轨迹点个数,对这些运动轨迹点分别进行如下操作:
①对于轨迹点ai,计算其与样本轨迹序列中每条轨迹的Hausdorff距离,并对Hausdorff距离进行升序排列,取前r个距离所对应的运动轨迹,作为轨迹点ai的r邻近轨迹,r为预先设定的10~20之间的整数;
②记录其r邻近轨迹分别属于的轨迹聚类,计算r个轨迹中分别属于每个聚类的比例,即为该轨迹点属于该聚类的概率;
重复上述操作,获得所有m个运动轨迹点分别属于某轨迹聚类的概率。
如果车辆运动轨迹点属于各轨迹聚类的概率有明显的变化,则发出车辆行为异常的信号。
由于上述技术方案运用,本发明与现有技术相比具有下列优点:
1、本发明通过对车辆轨迹的聚类学习,实现了对车辆异常行为的监测,可以发现车辆的非正常变道,为交通管理自动化提供依据。
2、本发明在进行运动轨迹空间模式划分时,创造性地引入了基于局部密度的构图方法,与直接利用数据点在样本空间中的欧氏距离特性完成聚类过程相比,可以充分利用聚类样本分布的先验知识,提高车辆轨迹之间相似性度量的准确性,从而保证聚类类数计算的正确性和提高聚类的正确率。该环节的引入可使同类轨迹之间的相似度增加,不同类轨迹之间的相似度为零,从而使不同类轨迹有效分开,同类轨迹相互连通。
附图说明
图1是实施例中视频跟踪采集的源图像,用于提取轨迹;
图2是实施例中经过去异和预处理得到的轨迹图;
图3是采用基于局部密度构图方法对图2的轨迹进行构图的结果图;
图4是对运动轨迹的聚类结果;
图5是测试轨迹点在三个常态运动模式上的分布图;
图6是测试轨迹点属于三个常态运动模式的概率分布图;
图7是整个技术方案流程图;
图8是基于局部密度的构图方法的流程图。
具体实施方式
下面结合附图及实施例对本发明作进一步描述:
实施例:一种基于谱聚类的车辆异常行为检测方法,通过视频跟踪能够自动获取运动目标的时空轨迹,经过异常轨迹去除后得到正常的轨迹,对轨迹进行构图,得到轨迹序列对应的无向图;然后计算轨迹间的相似性,从而得到相似性矩阵;对相似性矩阵进行拉普拉斯变换得到拉普拉斯矩阵,然后对其前k个最大特征值的特征向量矩阵进行聚类;对运动轨迹进行模式学习后,获得目标在正常状态下的运动模式,如果一条新的轨迹符合其中的一条常态运动模式,则说明该交通没有发生异常。否则说明车辆在进行非常态运动,即出现交通异常。用KNN分类算法对轨迹进行处理,以实现对运动车辆的实时检测。
对正常的车辆运动轨迹,参见附图7和附图8,按如下步骤处理:
(1)采用基于局部密度的构图方法对车辆轨迹序列进行构图
为了叙述方便,作如下规定:将轨迹序列看成一个个样本点,对轨迹构图即是对点构图,轨迹间的相似性即是点间的相似性。下面所述点间的距离是指轨迹间的Hausdorff距离。为了提高点间相似性度量的准确性,我们充分考虑样本点集的局部密度,首先对样本点按照局部密度进行排序,然后依照一定的连接策略完成无向图的构造。记数据点vi与其k近邻点的距离之和为Di,用Di表示数据点vi的局部密度,Di定义如下:Di=di1+di2+…+dij+…+dik,其中di1≤di2≤...≤dij≤…≤dik,dij表示vi和vj之间的距离。对于数据样本集中的n(n≥100)个点,分别按下列步骤处理:
[1-1]求点vi到其k近邻点距离之和Di(i=1……n);
[1-2]对Di(i=1……n)从小到大排序,选取最小值D(n)对应的顶点vi,并记num=1;
[1-3]对vi进行操作,即与k近邻点连线;对应邻接矩阵P中,初始邻接矩阵Pinitial中值都为-1,如果点vi和vj相连,则置pij=1且pji=1;若两点不连,则置pij=0且pji=0;顶点自身一直为-1。
[1-4]选取剩余{Dx,x=1,2…n-num}中的最小值D(n-num)(下标n-num表示未进行k邻近点连线操作的点的个数),其对应的点为vx;统计出vx一行对应邻接矩阵中1的个数q,然后将与k-q个邻近点连线。可知vx的k邻近点集{vxl,l=1,2...k},vxl表示距离点vx第l近的点,初始化l=1,count=0。
[1-5]当l<=k时,进行如下判断:
[1-5-1]如果vxl已与vx连接,l=l+1,重新执行[1-5];如果vxl的度已饱和(即度为k),则点vx不与点vxl相连,即邻接矩阵中置0,l=l+1;否则,连接两点,对应邻接矩阵中置1,且count=count+1,l=l+1。
[1-5-2]如果count>k-q,转向[1-6],否则重新执行[1-5]。
[1-6]当num<n时,num=num+1,重复执行[1-4]-[1-5];否则,结束。
(2)轨迹空间相似性度量
得到轨迹对应的无向图后,需要计算轨迹之间的相似度。我们采用如下步骤处理:
[2-1]若两条轨迹间有路径相连,用(其中H代表Hausdorff距离值)作为它们之间的相似度值;
[2-2]若两条序列间无路径通过,则它们之间的相似度值为0。
经过上述两个步骤,可以计算得出任意两条轨迹间的相似度值,从而得到了无向图对应的相似矩阵。
(3)对相似性矩阵进行拉普拉斯变换得到拉普拉斯矩阵,然后对其前k个最大特征值的特征向量矩阵进行聚类;处理步骤如下:
[3-1]构造Laplacian矩阵L=D-1/2SD-1/2,其中D为对角度矩阵
[3-2]计算矩阵L的特征值,并对特征值从大到小排序,计算相邻特征值间的差值,获得差值序列,差值序列中第一个极大值所在位置为c,取c为最终类别数;
[3-3]计算c个最大特征值对应的特征向量t1,t2,…,tc,构造矩阵T=[t1,t2,…,tc],对矩阵T中的每一行进行单位化处理,得到矩阵Y,即:
[3-4]把矩阵Y的每一行看成c维空间中的点,利用传统的聚类算法,如K-means算法,将其聚成c类。
[3-5]如果Y的第i行属于第j类,则将原数据点xi也划分到第j类。
(4)实时检测车辆运行情况
对运动轨迹进行模式学习后,获得目标在正常状态下的运动模式。如果对一条新的轨迹符合其中的一条常态运动模式,则说明该交通没有发生异常。否则说明车辆在进行非常态运动,即出现交通异常。我们用KNN分类算法对测试轨迹进行检测,KNN分类算法就是对测试轨迹点的K邻近轨迹所在的常态运动模式的比例来计算测试轨迹点属于每个常态运动模式的概率,这样就可以实现对运动车辆的实时检测。
对于实时获取的车辆运动轨迹点进行记录为vi(i=1,…n),对这些运动轨迹点进行KNN分类,具体的步骤如下:
由以上步骤得到c个正常状态下的运动模式。
[4-1]对于轨迹点vi,计算其与常态运动模式下的轨迹的Hausdorff距离,并对Hausdorff距离进行升序排列,取前r个距离所对应的运动轨迹,就是轨迹点vi的r邻近轨迹。
[4-2]记录其r邻近轨迹分别属于的轨迹模式,设属于第j(j=1,…,m)个常态运动模式的r邻近点有mj(0≤mj≤r)个,则测试轨迹点vi属于第j个常态运动模式的概率是mj/r。依次计算vi属于每个常态运动模式的概率。
[4-3]按照步骤(1)和(2)依次对测试轨迹点进行处理,直到所有的测试轨迹点都计算完毕,算法结束。
如果测试轨迹点在正常状态下的运行模式上的概率有明显的变化,说明该车辆在运行过程中有进行变道行驶,属于非正常状态下的运动。这样就达到了对交通异常行为检测的目的。
以附图2所示轨迹为例作进一步说明,轨迹分3类,共134条轨迹线,分别按如下步骤处理:
[1]求任意两条轨迹间的Hausdorff距离,计算每条轨迹的k(k=10)邻近轨迹的Hausdorff距离之和并按升序排列。初始轨迹序列号为1—134,排序后轨迹的序列号会发生变化,这里以前10个k近邻Hausdorff距离之和最小的轨迹为例进行描述:
[2]按照局部密度构图方法对轨迹构图,为最密集处的轨迹即序号为69的轨迹进行k近邻连线,此处k=10,序号为69的10个近邻轨迹序号为1、13、25、29、31、44、72、94、103、112,则邻接矩阵中将对应处置1,其余为0,自身为-1;
[3]为剩余最密集处的轨迹即序号为31的轨迹进行k近邻连线,该行邻接矩阵中已有一个1(因69号轨迹与其相连),则找其9个近邻轨迹,序号分别为1、13、25、29、44、66、72、103、112,这9个近邻轨迹既没有和31号轨迹相连且度没饱和,所以都应与31相连,则邻接矩阵中将对应处置1,其余为0,自身为-1;
[4]依次对剩余的轨迹按构图流程完成操作,直至最后一条轨迹,得到最终的邻接矩阵,由于数据较多,在此不一一列举,构图结果如图3所示。
[5]根据邻接矩阵计算任意两条轨迹的相似度,仍以69号轨迹为例,69号轨迹与1、13、25、29、31、44、72、94、103、112号轨迹直接相连,则直接用[2-1]中公式计算它们之间的相似度值;69号轨迹与4、21、23、24、26、38、41、42、50、53、55、61、66、67、76、78、79、83、85、89、102、108、109、120、122、131、132、134号轨迹间有存在路径,则也用[2-1]中公式计算它们之间的相似度值;69号轨迹与其与各轨迹的相似度值都为0。剩余轨迹类似计算从而得到轨迹对应的相似性矩阵。
[6]对相似性矩阵进行拉普拉斯变换得到拉普拉斯矩阵,然后对其前c(此处c=3)个最大特征值的特征向量矩阵进行聚类;仍以[1]中的10条轨迹为例,得到聚类结果如下:
轨迹聚类结果如图4所示。
[7]随机选取检测轨迹中的5个点,进行简述KNN分类算法的步骤。
4 | 8 | 13 | 20 | 24 | |
1 | 472.581 | 482.258 | 478.111 | 469.816 | 476.728 |
2 | 421.784 | 379.386 | 296.053 | 160.088 | 56.287 |
这5个测试轨迹点的15邻近轨迹分别是:
由于第4个测试轨迹点的15邻近轨迹都属于第2类,所以第4个测试轨迹点属于第2类的概率为1.0,属于第1类和第3类的概率都为0。同理可得,第8个测试轨迹点属于第2类的概率为1.0,属于第1类和第3类的概率都为0;第13个测试轨迹点属于第2类的概率为0.4,属于第3类的概率是0.6,属于第1类的概率是0;第20个和24个测试轨迹点属于第3类的概率为1.0,属于第1类和第2类的概率都为0,用表格表示如下:
属于第1类的概率 | 属于第2类的概率 | 属于第3类的概率 | |
4 | 0 | 1.0 | 0 |
8 | 0 | 1.0 | 0 |
13 | 0 | 0.4 | 0.6 |
20 | 0 | 0 | 1.0 |
24 | 0 | 0 | 1.0 |
测试轨迹点如图5所示,对所有测试轨迹点进行测试的结果如图6所示。
Claims (2)
1.一种基于谱聚类的车辆异常行为检测方法,包括下列步骤:
(1)获取用于轨迹学习的样本视频序列,通过对样本视频序列中的车辆对象进行跟踪,获取车辆对象的时空轨迹,对所述时空轨迹进行异常轨迹去除后,得到车辆对象的轨迹序列,车辆对象的轨迹序列的轨迹数n大于等于100;
(2)对步骤(1)获得的轨迹序列进行构图,将轨迹序列中的每条轨迹作为一个样本点,轨迹间的Hausdorff距离为样本点间的距离,首先对样本点按照局部密度进行排序,然后构建得到与轨迹序列对应的无向图,具体方法为:
轨迹序列的数据样本集中有n个样本点,其中第i个样本点为v i ,记样本点v i 与其前k个近邻样本点的距离之和为D i ,即, ,其中,表示样本点v i 和样本点v y 之间的距离, k为预设值,k取5~10之间的整数;所述无向图以邻接矩阵P表示,P为n行n列的二维矩阵,P中各元素的初始值均为-1,对于两个样本点v i 和v j ,连线操作为置且,不连线操作为置且;
对n个样本点,按下列步骤处理:
① 分别计算获得D i ,其中i为1至n的整数;
② 对D i 从小到大排序,选取最小值对应的样本点v a ;
③ 对样本点v a 和它的k个近邻样本点进行连线操作,对样本点v a 和其它样本点进行不连线操作,将D a 从D i 序列中去除;
④ 选取剩余D i 序列中的最小值,其对应的样本点为v x ,v x 的k个邻近样本点集为,v xl 表示距离点v x 第l近的点,初始化l=1;
⑤ 如果v xl 已与v x 连接,l= l+1;否则,如果与v xl 相连接的样本点的个数为k,则对样本点v x 与样本点v xl 进行不连线操作,l= l+1;否则,对样本点v x 与样本点v xl 进行连线操作,l= l+1;当邻接矩阵中与样本点v x 已连接的样本点的个数小于k个且时,重复步骤⑤;
⑥将D x 从D i 序列中去除,重复步骤④至⑥,直至对所有样本点完成操作,获得所述无向图;
(3)计算轨迹序列中各轨迹之间的相似度:
根据步骤(2)获得的无向图,若两条轨迹间有路径相连,则相似度值为,H为该两条轨迹间的Hausdorff距离值,若两条轨迹间无路径通过,则它们之间的相似度值为0;
据此计算得出任意两条轨迹间的相似度值,获得与无向图对应的相似矩阵S ij ,i、j为1至n的整数;
(4)进行聚类处理;处理步骤如下:
①构造拉普拉斯矩阵,其中D为对角度矩阵;
②计算矩阵L的特征值,并对特征值从大到小排序,计算相邻特征值间的差值,获得差值序列,差值序列中第一个极大值所在位置为c,取c为最终类别数;
③采用从大到小排序的前c个特征值对应的特征向量,构造矩阵,对矩阵T中的每一行进行单位化处理,得到矩阵Y,即:
(1)
④把矩阵Y的每一行看成c维空间中的点,利用聚类算法将其聚成c类;
⑤如果Y的第i行属于第q类,则将原数据点x i 也划分到第q类,由此实现对原轨迹序列的聚类;
(5)车辆异常行为检测:
对运动的车辆对象进行视频跟踪,获得该车辆的运动轨迹;实时获取的车辆运动轨迹点为a p ,p为1至m的整数,m是实时运动轨迹点的个数,对这些运动轨迹点分别进行如下操作:
① 对于轨迹点a p ,计算其与样本轨迹序列中每条轨迹的Hausdorff距离,并对Hausdorff距离进行升序排列,取前r个距离所对应的运动轨迹,作为轨迹点a p 的r邻近轨迹,r为预先设定的10~20之间的整数;
② 记录其r邻近轨迹分别属于的轨迹聚类,计算r个轨迹中分别属于每个聚类的比例,即为该轨迹点属于该聚类的概率;
重复上述操作,获得所有m个运动轨迹点分别属于某轨迹聚类的概率;
如果车辆运动轨迹点属于某轨迹聚类的概率有明显的变化,说明该车辆在运行过程中有进行变道行驶,属于非正常状态下的运动,则发出车辆行为异常的信号。
2.根据权利要求1所述的基于谱聚类的车辆异常行为检测方法,其特征在于:步骤(4)中,所述聚类算法为K-means算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210286326.6A CN102855638B (zh) | 2012-08-13 | 2012-08-13 | 基于谱聚类的车辆异常行为检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210286326.6A CN102855638B (zh) | 2012-08-13 | 2012-08-13 | 基于谱聚类的车辆异常行为检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102855638A CN102855638A (zh) | 2013-01-02 |
CN102855638B true CN102855638B (zh) | 2015-02-11 |
Family
ID=47402200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210286326.6A Expired - Fee Related CN102855638B (zh) | 2012-08-13 | 2012-08-13 | 基于谱聚类的车辆异常行为检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102855638B (zh) |
Families Citing this family (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150901B (zh) * | 2013-02-05 | 2015-02-18 | 长安大学 | 一种基于车辆运动矢量场分析的异常交通状况检测方法 |
CN103605362B (zh) * | 2013-09-11 | 2016-03-02 | 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 |
CN103473540B (zh) * | 2013-09-11 | 2016-06-22 | 天津工业大学 | 智能交通系统车辆轨迹增量式建模与在线异常检测方法 |
CN103886749B (zh) | 2014-03-14 | 2016-02-03 | 深圳市锐明视讯技术有限公司 | 一种检测车辆频繁变道行驶的方法及系统 |
CN103914563A (zh) * | 2014-04-18 | 2014-07-09 | 中国科学院上海微系统与信息技术研究所 | 一种时空轨迹的模式挖掘方法 |
DE102014208524A1 (de) * | 2014-05-07 | 2015-11-12 | Robert Bosch Gmbh | Ortsgebundene verkehrsanalyse mit erkennung eines verkehrspfads |
CN104657746B (zh) * | 2015-01-29 | 2017-09-12 | 电子科技大学 | 一种基于车辆轨迹相似性的异常检测方法 |
CN104778355B (zh) * | 2015-04-03 | 2017-06-13 | 东南大学 | 基于广域分布交通系统的异常轨迹检测方法 |
CN105335703B (zh) * | 2015-10-13 | 2018-06-08 | 西北工业大学 | 基于运动重构技术的交通场景异常检测方法 |
CN106611494A (zh) * | 2015-10-21 | 2017-05-03 | 北京计算机技术及应用研究所 | 检测机动车异常群组的方法 |
CN105654733B (zh) * | 2016-03-08 | 2019-05-21 | 新智认知数据服务有限公司 | 一种基于视频检测的前后车牌识别方法及装置 |
CN105894014B (zh) * | 2016-03-29 | 2020-03-10 | 中国人民解放军海军航空大学 | 基于多因素不一致度量的异常行为序贯检测方法 |
CN105812280B (zh) * | 2016-05-05 | 2019-06-04 | 四川九洲电器集团有限责任公司 | 一种分类方法及电子设备 |
GB201711408D0 (en) * | 2016-12-30 | 2017-08-30 | Maxu Tech Inc | Early entry |
CN106781699A (zh) * | 2017-03-20 | 2017-05-31 | 中南大学 | 汽车安全行驶辅助系统及其数据处理方法 |
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系统 |
CN107169414B (zh) * | 2017-04-13 | 2019-07-30 | 南京邮电大学 | 一种基于稠密轨迹小片段的异常行为检测方法 |
CN107315994B (zh) * | 2017-05-12 | 2020-08-18 | 长安大学 | 基于Spectral Clustering空间轨迹的聚类方法 |
CN107316308A (zh) * | 2017-06-27 | 2017-11-03 | 苏州大学 | 一种基于改进的多路谱聚类算法的清洁机器人地图分割方法 |
CN107480722B (zh) * | 2017-08-22 | 2020-03-17 | 中国人民解放军海军航空大学 | 基于归纳式一致性多类分类的目标行为模式在线分类方法 |
CN107395640B (zh) * | 2017-08-30 | 2020-05-12 | 信阳师范学院 | 一种基于划分和特征变化的入侵检测系统及方法 |
CN107808518B (zh) * | 2017-10-26 | 2020-02-18 | 东南大学 | 一种基于多路谱聚类理论的交通小区划分方法 |
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系统、设备和方法 |
CN108416611B (zh) * | 2018-01-31 | 2020-12-04 | 佛山市顺德区中山大学研究院 | 一种超市路径推荐系统及其方法 |
CN108320512B (zh) * | 2018-03-30 | 2020-12-29 | 江苏智通交通科技有限公司 | 基于拉普拉斯谱分析的宏观道路安全分析单元选取方法 |
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 |
CN108764111B (zh) * | 2018-05-23 | 2022-03-01 | 长安大学 | 一种车辆异常驾驶行为的检测方法 |
CN109359690B (zh) * | 2018-10-19 | 2021-10-22 | 江苏智通交通科技有限公司 | 基于卡口数据的车辆出行轨迹识别方法 |
CN109544914B (zh) * | 2018-11-09 | 2021-08-03 | 西南交通大学 | 一种基于历史gps轨迹的共享单车逆行行为识别方法 |
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系统 |
CN112101071A (zh) * | 2019-06-18 | 2020-12-18 | 富士通株式会社 | 停车检测方法、停车检测装置和电子设备 |
CN110490264A (zh) * | 2019-08-23 | 2019-11-22 | 中国民航大学 | 基于时间序列的多维距离聚类异常检测方法及系统 |
CN110827544B (zh) * | 2019-11-11 | 2022-09-02 | 重庆邮电大学 | 一种基于图卷积循环神经网络的短时交通流控制方法 |
CN111310583B (zh) * | 2020-01-19 | 2023-02-10 | 中国科学院重庆绿色智能技术研究院 | 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 |
CN111476191B (zh) * | 2020-04-15 | 2020-12-04 | 蘑菇车联信息科技有限公司 | 基于智慧交通的人工智能图像处理方法及大数据云服务器 |
CN111524350B (zh) * | 2020-04-16 | 2021-06-22 | 廊坊师范学院 | 车路协同异常行驶状况检测方法、系统、终端设备及介质 |
CN111949896B (zh) * | 2020-07-30 | 2023-09-15 | 安徽师范大学 | 基于轨迹大数据的轨迹异常检测方法 |
CN112085077B (zh) * | 2020-08-28 | 2023-10-31 | 东软集团股份有限公司 | 车辆变道的确定方法、装置、存储介质和电子设备 |
CN112508225B (zh) * | 2020-10-27 | 2024-07-19 | 宁波工程学院 | 基于谱聚类算法的多细节交通小区划分方法及系统 |
CN114613124B (zh) * | 2020-12-03 | 2023-02-10 | 中国科学院深圳先进技术研究院 | 交通信息处理方法、装置、终端及计算机可读存储介质 |
CN113392874B (zh) * | 2021-05-13 | 2022-12-13 | 中车唐山机车车辆有限公司 | 轨道车辆异常状态诊断方法、装置及终端设备 |
CN114692080B (zh) * | 2022-06-01 | 2022-09-06 | 南京城建隧桥智慧管理有限公司 | 基于主动预测的轨迹数据异常检测及修正方法 |
Family Cites Families (2)
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 |
CN102521983B (zh) * | 2011-12-23 | 2013-10-16 | 北京易华录信息技术股份有限公司 | 一种基于高清视频技术的车辆违章检测系统及方法 |
-
2012
- 2012-08-13 CN CN201210286326.6A patent/CN102855638B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102855638A (zh) | 2013-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102855638B (zh) | 基于谱聚类的车辆异常行为检测方法 | |
Huttunen et al. | Car type recognition with deep neural networks | |
CN103235933B (zh) | 一种基于隐马尔科夫模型的车辆异常行为检测方法 | |
CN105279365B (zh) | 用于学习异常检测的样本的方法 | |
CN102568200B (zh) | 车辆行驶状态实时判别的方法 | |
CN104077613A (zh) | 一种基于级联多级卷积神经网络的人群密度估计方法 | |
CN106384092A (zh) | 面向监控场景的在线低秩异常视频事件检测方法 | |
CN105335716A (zh) | 一种基于改进udn提取联合特征的行人检测方法 | |
CN107315998B (zh) | 基于车道线的车辆种类划分方法和系统 | |
CN101901354B (zh) | 基于特征点分类的监控录像中实时多目标检测与跟踪方法 | |
CN102488518B (zh) | 一种利用波动指数和提升训练的脑电检测方法和装置 | |
CN104050681A (zh) | 一种基于视频图像的道路消失点检测方法 | |
CN109190444A (zh) | 一种基于视频的收费车道车辆特征识别系统的实现方法 | |
CN104268599A (zh) | 一种基于车辆轨迹时空特征分析的黑车智能发现方法 | |
CN104657717A (zh) | 一种基于分层核稀疏表示的行人检测方法 | |
CN104951764A (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 | |
CN101738998B (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
CN103345842A (zh) | 一种道路车辆分型系统及方法 | |
CN103902966A (zh) | 基于序列时空立方体特征的视频交互事件分析方法及装置 | |
CN107092884A (zh) | 一种快速粗精级联行人检测方法 | |
CN105261148A (zh) | 一种基于天网监控系统的踩踏事件预警疏散方法 | |
CN104634603A (zh) | 一种复杂设备早期故障诊断方法 | |
CN101964061B (zh) | 一种基于二类核函数支持向量机的车型识别方法 | |
CN103793704A (zh) | 一种监督邻域保持嵌入人脸识别方法和系统及人脸识别器 | |
CN104408472A (zh) | 基于Wishart和SVM的极化SAR图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150211 Termination date: 20170813 |
|
CF01 | Termination of patent right due to non-payment of annual fee |