CN102855638B - 基于谱聚类的车辆异常行为检测方法 - Google Patents

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

基于谱聚类的车辆异常行为检测方法

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，D_i=d_i1+d_i2+…+d_ij+…+d_ik，其中d_i1≤d_i2≤…≤d_ij≤…≤d_ik，d_ij表示样本点v_i和样本点v_j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p_ij=1且p_ji=1，不连线操作为置p_ij=0且p_ji=0；

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；

②D_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,l＝1,2…k}，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l≤k时，重复步骤⑤；

⑥将D_x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,...,t_c，构造矩阵T=[t₁,t₂,…,t_c]，对矩阵T中的每一行进行单位化处理，得到矩阵Y，即：

$Y_{\mathrm{ij}}=\frac{T_{\mathrm{ij}}}{{\left({\mathrm{\Σ}}_j{T}_{\mathrm{ij}}^2\right)}^{\frac{1}{2}}}---\left(1\right)$

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x_i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a_i,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a_i，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_i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v_i与其k近邻点的距离之和为D_i，用D_i表示数据点v_i的局部密度，D_i定义如下：D_i=d_i1+d_i2+…+d_ij+…+d_ik，其中d_i1≤d_i2≤...≤d_ij≤…≤d_ik，d_ij表示v_i和v_j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v_i到其k近邻点距离之和D_i(i=1……n)；

[1-2]对D_i(i＝1……n)从小到大排序，选取最小值D_(n)对应的顶点v_i，并记num=1；

[1-3]对v_i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P_initial中值都为-1，如果点v_i和v_j相连，则置p_ij=1且p_ji=1；若两点不连，则置p_ij=0且p_ji=0；顶点自身一直为-1。

[1-4]选取剩余{D_x,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v_x；统计出v_x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v_x的k邻近点集{v_xl,l＝1,2...k}，v_xl表示距离点v_x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v_xl已与v_x连接，l=l+1，重新执行[1-5]；如果v_xl的度已饱和（即度为k），则点v_x不与点v_xl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,…,t_c，构造矩阵T=[t₁,t₂,…,t_c]，对矩阵T中的每一行进行单位化处理，得到矩阵Y，即：

$Y_{\mathrm{ij}}=\frac{T_{\mathrm{ij}}}{{\left({\mathrm{\&Sigma;}}_j{T}_{\mathrm{ij}}^2\right)}^{\frac{1}{2}}}---\left(1\right)$

[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x_i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v_i(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v_i，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v_i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m_j(0≤m_j≤r)个，则测试轨迹点v_i属于第j个常态运动模式的概率是m_j/r。依次计算v_i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。