CN103473540A - 智能交通系统车辆轨迹增量式建模与在线异常检测方法 - Google Patents

Abstract

本发明提出的是一种智能交通系统车辆轨迹异常检测方法。本发明在提取了车辆的轨迹之后才进行的异常检测，对环境的要求更低，其适用性更好。在车辆轨迹的建模过程中由于初始轨迹中存在异常或者轨迹集太小，建立的轨迹模型库不准备，本发明在建模的过程中采用了增量式建模的方法，得到的轨迹模型库比较准确。本发明的异常检测结果与以往的批处理相比具有更高的检测率，更低的虚警率。满足实际应用的需要。

Description

智能交通系统车辆轨迹增量式建模与在线异常检测方法

技术领域

本发明涉及的是一种智能交通系统车辆轨迹异常检测方法，具体地说是在提取车辆轨迹之后进行异常检测，基于增量式进行轨迹建模，然后利用智能阈值法实现智能交通系统车辆轨迹异常检测的方法。

背景技术

近年来，基于车辆运动轨迹的分析和异常检测已成为智能监控的一个重要应用，也是计算机视觉的一个新兴研究方向。车辆轨迹异常检测的目标是分析与识别场景中车辆轨迹的行为模式，对其进行智能分类以及异常检测。在智能交通监控中，它的目的是从现有的车辆轨迹中自动发现潜在的异常，核心问题是怎样利用已得到的轨迹数据建立一个分类完备的轨迹模型库。

现有的异常检测系统分为两种，一种依赖于特定的场景，在这些场景中目标是已预先定义好的方式运动的。这种方法的适应性不强。只要场景变了，我们就需要重新定义运动方式。另一种方法是通过对已收集到的轨迹进行聚类，然后建立车辆轨迹的统计模型或运动模型，利用这些模型对新产生的车辆轨迹进行异常检测。这种方法对环境的适应性有所增强，但是如果场景中的运动形式改变了或者场景本身改变了就需要重新进行轨迹收集以及建立模型。同时，人们已经发现在异常轨迹存在的情况下，谱聚类得到的聚类类别数是不准确的，这不但会影响轨迹模型的建立，而且也会给后面的轨迹识别率带来了很大的影响。

本专利提出的是一种智能交通系统车辆轨迹异常检测方法。本专利在提取了车辆的轨迹之后才进行的异常检测，对环境的要求更低，其适用性更好。在车辆轨迹的建模过程中由于初始轨迹中存在异常或者轨迹集太小，建立的轨迹模型库不准备，本专利在建模的过程中采用了增量式建模的方法，得到的轨迹模型库比较准确。本专利的异常检测结果与以往的批处理相比具有更高的检测率，更低的虚警率。满足实际应用的需要。

发明内容

一种智能交通系统车辆轨迹异常检测方法，所述方法包括以下步骤：

1、轨迹分类：首先利用hausdorff距离测量初始轨迹集中的所有轨迹之间的距离，然后求轨迹之间的轨迹相似度。如果给定L条轨迹，我们可以得到一个L×L的相似性矩阵S=[s_mn]_L×L。利用谱聚类的方法将L条轨迹分成K类。

2、初始化轨迹模型库：给定K个轨迹类，利用每一类包含的样本轨迹，建立每类的HMM模型。模型结构为自左到右且无跳转类型。每个HMM包含Q个状态转移节点，每个状态转移节点的输出概率密度函数为高斯混合函数。

3、轨迹类阈值设定：初始化轨迹模型库之后，我们利用轨迹模型库和初始轨迹集来计算每一个轨迹类的阈值LLT，如下所示：

$\mathrm{LL}=\frac{1}{\left|K_i\right|}\underset{k\∈K_i}{\mathrm{\Σ}}\log P(T_k/{\mathrm{\θ}}_{\mathrm{Bi}})$

LLT=β×LL

4、增量式更新模型结构：获得了每一个轨迹模式下的轨迹模型之后，根据待测试轨迹与各模型之间的拟合程度来判断其是否为异常轨迹序列。同时，如果判断其为正常轨迹，我们对其进行识别。并用新得到的观测序列更新识别的模型类的HMM参数。增量式EM的基本思想是：当新的事件发生时，我们更新HMM参数的充分统计量。具体到本专利就是给一个新轨迹T，找到其轨迹类别k，利用T更新类别k的充分统计量S^k＝{Γ^k，Ξ^k}以及HMM参数。Γ^k是γ^k的累积概率，用来估计观测概率和初始概率。更新规则如下所示：

${\mathrm{\Γ}}_{\mathrm{new}}^k\←{\mathrm{\α}}_1{\mathrm{\Γ}}_{\mathrm{old}}^k+{\mathrm{\γ}}^k$

其中，α₁表示遗忘因子。Ξ^k是ξ^k的累积概率，用来估计状态转移概率。更新规则同Γ^k。

5、异常检测：当一个轨迹不能很好的满足正常轨迹模型时，我们考虑它为异常轨迹。为了获得鲁棒性较高的异常检测结果，我们采用智能阈值的方法进行异常检测。

当判断轨迹T是正常轨迹时，我们识别轨迹T的轨迹类为k^*。用incremental EM算法来更新轨迹类k^*的充分统计量S和参数

。根据权重的意义，我们需要进一步调整轨迹类k^*的权重，调整方法如下：

$w_{{\mathrm{nk}}^{*}}^{\left[\mathrm{new}\right]}=w_{{\mathrm{nk}}^{*}}^{\left[\mathrm{old}\right]}+{\mathrm{\α}}_2(1-w_{{\mathrm{nk}}^{*}}^{\left[\mathrm{old}\right]})$

6、由于聚类算法本身的局限以及异常轨迹的影响，我们需要更新模型结构。对于Mn中的某一个轨迹类k，在新轨迹的异常检测以及识别过程中如果只有很少的轨迹被识别为类别k，k的权重w_nk会逐渐的减小。当w_nk小于阈值Th_w1时，则认为轨迹类k表示的是异常轨迹。合并这个类到Ma中。

附图说明

图1轨迹分布模式提取过程

图2异常检测结果的ROC曲线

a实验一ROC曲线图。分别用40、110初始化轨迹模型库，然后用增量式轨迹建模和批处理建模来进行异常检测时得到的ROC曲线

b实验二ROC曲线图。总共用150条轨迹来建立轨迹模型库，分别选择直接用批处理方法和增量式轨迹建模时得到的ROC曲线

具体实施方式

利用本发明的异常检测方法实现异常检测。本专利采用错误报警率(FAR)和异常检测率(TPR)作为评价标准。错误报警率是将正常轨迹判为异常轨迹的错误率。异常检测率是检测出来的异常轨迹的概率。测试视频为户外实际场景的监控记录，目标运动轨迹由二维目标跟踪算法对运动目标跟踪获得。数据集中仅包含车辆的运动轨迹，共300条。此次实验数据中共包含10个正常轨迹类和13个异常轨迹类。异常检测结果如图2(a)和图2(b)所示。

可以看到增量式轨迹建模算法的性能要优于batch-mode算法。N＝40时，batch-mode的实验结果是最不好的。从图中我们发现，即使使用相同的轨迹来建立轨迹模型，增量式建模方法在异常检测方面的性能还是要优于batch-mode算法。

实验结果表明：本文发明的方法基于无监督的增量式轨迹建模和在线异常检测。相比与经典的batch-mode方法，增量式轨迹建模在异常检测方面有更高的检测率和更低的虚警率，经过户外实际场景的监控记录的实验结果表明，此方法对于初始轨迹的选择不是很敏感，而且运算速度会更快。

Claims (1)

1.一种车辆轨迹增量式建模与在线异常检测方法，所述方法包括以下步骤：

a、轨迹分类：首先利用hausdorff距离测量初始轨迹集中的所有轨迹之间的距离，然后求轨迹之间的轨迹相似度，如果给定L条轨迹，我们可以得到一个L×L的相似性矩阵S=[s_mn]_L×L，利用谱聚类的方法将L条轨迹分成K类；

b、初始化轨迹模型库：给定K个轨迹类，利用每一类包含的样本轨迹，建立每类的HMM模型，模型结构为自左到右且无跳转类型，每个HMM包含Q个状态转移节点，每个状态转移节点的输出概率密度函数为高斯混合函数；

c、轨迹类阈值设定：初始化轨迹模型库之后，我们利用轨迹模型库和初始轨迹集来计算每一个轨迹类的阈值LLT，如下所示：

$\mathrm{LL}=\frac{1}{\left|K_i\right|}\underset{k\∈K_i}{\mathrm{\Σ}}\log P(T_k/{\mathrm{\θ}}_{\mathrm{Bi}})$

LLT=β×LL

d、增量式更新模型结构：获得了每一个轨迹模式下的轨迹模型之后，根据待测试轨迹与各模型之间的拟合程度来判断其是否为异常轨迹序列，同时，如果判断其为正常轨迹，我们对其进行识别，并用新得到的观测序列更新识别的模型类的HMM参数；增量式EM的基本思想是：当新的事件发生时，我们更新HMM参数的充分统计量，具体到本专利就是给一个新轨迹T，找到其轨迹类别k，利用T更新类别k的充分统计量S^k＝{Γ^k，Ξ^k}以及HMM参数，Γ^k是γ^k的累积概率，用来估计观测概率和初始概率，更新规则如下所示：

${\mathrm{\Γ}}_{\mathrm{new}}^k\←{\mathrm{\α}}_1{\mathrm{\Γ}}_{\mathrm{old}}^k+{\mathrm{\γ}}^k$

其中，α₁表示遗忘因子。Ξ^k是ξ^k的累积概率，用来估计状态转移概率，更新规则同Γ^k；

e、异常检测：当一个轨迹不能很好的满足正常轨迹模型时，我们考虑它为异常轨迹，为了获得鲁棒性较高的异常检测结果，我们采用智能阈值的方法进行异常检测：

当判断轨迹T是正常轨迹时，我们识别轨迹T的轨迹类为k^·，用incremental EM算法来更新轨迹类k^*的充分统计量S和参数

，根据权重的意义，我们需要进一步调整轨迹类k^*的权重，调整方法如下：

$w_{{\mathrm{nk}}^{*}}^{\left[\mathrm{new}\right]}=w_{{\mathrm{nk}}^{*}}^{\left[\mathrm{old}\right]}+{\mathrm{\α}}_2(1-w_{{\mathrm{nk}}^{*}}^{\left[\mathrm{old}\right]})$

f、由于聚类算法本身的局限以及异常轨迹的影响，我们需要更新模型结构：对于Mn中的某一个轨迹类k，在新轨迹的异常检测以及识别过程中如果只有很少的轨迹被识别为类别k，k的权重w_nk会逐渐的减小；当w_nk小于阈值Th_w1时，则认为轨迹类k表示的是异常轨迹，合并这个类到Ma中。

Images