CN105117737A - 一种基于车辆轨迹向量确定车辆实际方向的方法及装置 - Google Patents

Abstract

本发明实施例提出了一种基于车辆轨迹向量确定车辆实际方向的方法及装置，该方法中针对获取的每个车辆轨迹向量进行聚类，根据每个聚类中包含的车辆轨迹向量，确定每个聚类中心点对应的车辆轨迹向量，其中该聚类的数量大于预设的车辆的实际方向的数量，根据与每个聚类中心点对应的车辆轨迹向量的距离，确定待分类的车辆轨迹向量所在聚类，根据与每个聚类中心点对应的车辆轨迹向量匹配的车辆的实际方向，确定待分类的车辆轨迹向量的实际方向，保证了方向确定的准确性和鲁棒性。

Description

一种基于车辆轨迹向量确定车辆实际方向的方法及装置

技术领域

本发明涉及监控视频智能分析技术领域，特别涉及一种基于车辆轨迹向量确定车辆实际方向的方法及装置。

背景技术

在监控视频智能分析领域，通常采用计算机视觉和模式识别等方法和技术，对视频图像及图像序列采用自动或半自动的方法进行分析，从而实现场景监控、行为检测、异常报警等功能，进而辅助管理人员更有效地对场景的状态、事件进行监控和管理。交通场景，如城市道路、路口、停车场、高速公路等，是一类典型的视频监控场景，交通监控视频中，车辆运动方向的分类与识别具有很重要的应用，例如可以用于判断车辆是否违章行驶、分析车辆运行规律、预测道路拥堵状况等。这一工作通常根据车辆在监控视频中的运动轨迹进行分析和识别。

车辆轨迹是指车辆在监控视频中连续出现的位置点的集合，车辆运动方向识别是指，某一监控场景有若干已知的车辆运动方向，当通过监控视频得到一条车辆轨迹时，能够将其分类为某一运动方向。如图1所示，左图展示了针对某路口的监控场景已知的四类车辆运动方向，右图展示了一条输入车辆轨迹，根据该车辆轨迹通过识别可知该车辆轨迹的运行方向为3。该问题的一般解决思路是，首先根据大量已有的车辆轨迹数据，离线学习出该场景的运动方向模型；然后，得到新的车辆轨迹数据时，根据已有模型将该车辆轨迹识别为相应的方向类型。

现有技术在针对车辆轨迹识别其运动方向时，可以采用面向人群监控的人群运动行为识别方法。该方法采用视频的光流特征，分析监控场景中人群的运动方向。将视频序列的光流特征用隐马尔科夫模型建模，学习出场景中人群的运动模型，进而对人群运动进行分类和识别。然而，该方法关注于场景中群体运动方向的分类，无法直接应用于单一对象的运动分析，而且光流特征的计算和隐马尔科夫模型的训练都比较复杂，不适于交通场景的实时性要求。

现有技术在针对车辆轨迹识别其运动方向时，还可以采用基于非监督学习的对象运动识别方法。该方法对于复杂的监控场景，仅仅是去除噪声和长度归一化，仍无法保证识别运行方向的准确性；此外，仅采用非监督学习对于复杂的场景会产生较大的分类误差。如图2所示，将某交通场景的车辆轨迹直接进行4类k均值聚类，图中左下侧白框中的车辆轨迹和右侧白框中的车辆轨迹实际为相同运动方向的车辆轨迹，但由于车辆轨迹位置和长度的因素被聚类为两个不同的类型，而左上白框与左下白框中的车辆轨迹原本为不同运动方向却被聚类为相同类型。

现有技术在针对车辆轨迹识别其运动方向时，还可以采用基于有监督学习的对象运动识别方法。该方法将得到的对象运动轨迹或特征人工加上分类标签，然后采用有监督的方法训练多类分类器，如人工神经网络或决策树等，在输入新的样本数据时，采用训练好的分类器对输入样本进行分类和识别。但此类方法需要人工对训练样本进行分类和标记，同时要选择合适的多类分类器并选择合适的训练参数，需要较大的人工工作量。由于监控视频得到的轨迹数据通常都是没有标记的，因此无法采用有监督学习的方法进行模型学习；同时，由于监控场景的复杂性，车辆轨迹通常长短不一、包含噪声，仅采用非监督学习往往会学习出较差的模型。

发明内容

本发明实施例的目的是提供一种基于车辆轨迹向量确定车辆实际方向的方法及装置，用以提高车辆方向确定的准确性和鲁棒性。具体技术方案如下：

接收待分类的车辆轨迹向量；

确定该待分类的车辆轨迹向量与每个聚类的中心点对应的车辆轨迹向量的距离；

将所述待分类的车辆轨迹向量划分到该距离最小值对应的聚类中，其中根据以下方法，确定每个聚类的中心点对应的车辆轨迹向量：针对获取的每个车辆轨迹向量进行聚类，其中该聚类的数量大于预设的车辆的实际方向的数量，根据每个聚类中包含的车辆轨迹向量，确定每个聚类中心点对应的车辆轨迹向量；

根据与每个聚类中心点对应的车辆轨迹向量匹配的车辆的实际方向，确定该待分类的车辆轨迹向量对应的车辆的实际方向。

可选的，所述确定该待分类的车辆轨迹向量与每个聚类的中心点对应的车辆轨迹向量的距离包括：

根据以下公式确定该待分类的车辆轨迹向量与每个聚类的中心点对应的车辆轨迹向量的距离：

D(x,C)＝∑(x-C)²

其中，x为该待分类的车辆轨迹向量，C为聚类中心点对应的车辆轨迹向量。

可选的，所述车辆轨迹向量包括：

车辆轨迹的起始点坐标、车辆轨迹的中间点坐标、车辆轨迹的终止点坐标、车辆轨迹的终止点与起始点的坐标差；

其中，通过以下方法确定所述车辆轨迹起始点的坐标、中间点的坐标、终止点的坐标：

在所述车辆轨迹的起始位置、中间位置和终点位置，采用设定的方法，确定每个位置对应的区域；

在每个区域内选取多个点，根据选取的该多个点的坐标，确定所述车辆轨迹起始点的坐标、中间点的坐标和终止点的坐标。

可选的，所述针对获取的每个车辆轨迹向量进行聚类之前，所述方法包括：

针对获取的每个车辆轨迹向量，判断该车辆轨迹的长度是否在预设的长度范围内，如果否，则去除该车辆轨迹向量。

可选的，所述聚类的数量为预设的车辆的实际方向的数量的整数倍，该整数不小于2。

本发明实施例提供了一种基于车辆轨迹向量确定车辆实际方向的装置，所述装置包括：

接收模块，用于接收待分类的车辆轨迹向量；

第一确定模块，用于确定该待分类的车辆轨迹向量与每个聚类的中心点对应的车辆轨迹向量的距离；

聚类模块，用于将所述待分类的车辆轨迹向量划分到该距离最小值对应的聚类中；

第二确定模块，用于根据与每个聚类中心点对应的车辆轨迹向量匹配的车辆的实际方向，确定该待分类的车辆轨迹向量对应的车辆的实际方向；

所述聚类模块，还用于针对获取的每个车辆轨迹向量进行聚类，其中该聚类的数量大于预设的车辆的实际方向的数量，根据每个聚类中包含的车辆轨迹向量，确定每个聚类中心点对应的车辆轨迹向量。

可选的，所述第一确定模块，具体用于根据以下公式确定该待分类的车辆轨迹向量与每个聚类的中心点对应的车辆轨迹向量的距离：

D(x,C)＝∑(x-C)²

其中，x为该待分类的车辆轨迹向量，C为聚类中心点对应的车辆轨迹向量。

可选的，所述车辆轨迹向量包括：

车辆轨迹向量包括车辆轨迹的起始点坐标、车辆轨迹的中间点坐标、车辆轨迹的终止点坐标、车辆轨迹的终止点与起始点的坐标差：

所述第一确定模块，具体用于在所述车辆轨迹的起始位置、中间位置和终点位置，采用设定的方法，确定每个位置对应的区域；在每个区域内选取多个点，根据选取的该多个点的坐标，确定所述车辆轨迹起始点的坐标、中间点的坐标和终止点的坐标。

可选的，所述装置还包括：

去噪模块，用于针对获取的每个车辆轨迹向量，判断该车辆轨迹的长度是否在预设的长度范围内，如果否，则去除该车辆轨迹向量。

可选的，所述聚类的数量为预设的车辆的实际方向的数量的整数倍，该整数不小于2。

可见，本发明实施例中，提出了一种基于车辆轨迹向量确定车辆实际方向的方法及装置，该方法中针对获取的每个车辆轨迹向量进行聚类，根据每个聚类中包含的车辆轨迹向量，确定每个聚类中心点对应的车辆轨迹向量，其中该聚类的数量大于预设的车辆的实际方向的数量，根据与每个聚类中心点对应的车辆轨迹向量的距离，确定待分类的车辆轨迹向量所在聚类，根据与每个聚类中心点对应的车辆轨迹向量匹配的车辆的实际方向，确定待分类的车辆轨迹向量的实际方向。由于本发明实施例中根据车辆的实际方向的数量，确定聚类的数量，其中聚类的数量大于预设的车辆的实际方向的数量，并且确定了每个聚类的中心点对应的车辆的实际方向，在对待分类的车辆轨迹向量进行方向确定时，根据其所在聚类中心点对应的车辆轨迹向量匹配的车辆的实际方向，确定该待分类的车辆轨迹向量的实际方向，保证了方向确定的准确性和鲁棒性。当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为现有技术提供的车辆运动方向识别示意图；

图2为现有技术提供的车辆轨迹非监督聚类结果示意图；

图3为本发明实施例提供的一种基于车辆轨迹向量确定车辆实际方向的方法的流程示意图；

图3A为本发明实施例提供的车辆轨迹向量示意图；

图3B为本发明实施例提供的训练向量集合X＝{X_i}示意图；

图3C为本发明实施例提供的训练向量相应的聚类示意图；

图3D为本发明实施例提供的用车辆轨迹向量的起止点组成的方向向量简化每一车辆轨迹示意图；

图3E为本发明实施例提供的预设的车辆的实际方向N_d＝4示意图；

图3F为本发明实施例提供的聚类得到的k＝2×N_d＝8个聚类中心点对应的车辆轨迹向量经函数F(·)重分类后的，与聚类中心点对应的车辆轨迹向量匹配的车辆的实际方向示意图；

图3G为本发明实施例提供的测试向量的聚类结果；

图3H为确定的每个测量向量的车辆的实际方向；

图4为本发明实施例提供的一种车辆轨迹向量聚类方法的流程示意图；

图5为待分类的车辆轨迹向量对应的车辆的实际方向的示意图；

图6为基准方法对训练向量直接进行N_d类的k-均值聚类的结果示意图；

图7为基准方法对训练向量直接进行N_d类的k-均值聚类得到聚类中心点对应的车辆轨迹向量示意图；

图8为基准方法对测试向量进行分类并确定其实际车辆方向的结果示意图；

图9为本发明实施例提供的10次交叉验证的准确率结果示意图；

图10为本发明实施例提供的一种基于车辆轨迹向量确定车辆实际方向的装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面通过具体实施例，本发明进行详细说明。

图3为本发明实施例提供的一种基于车辆轨迹向量确定车辆实际方向的方法的流程示意图，所述方法包括如下步骤：

S301：接收待分类的车辆轨迹向量。

在本发明实施例中为了实现对车辆轨迹向量的分类，接收待分类的车辆轨迹向量。

具体的，车辆轨迹向量包括：

车辆轨迹的起始点坐标、车辆轨迹的中间点坐标、车辆轨迹的终止点坐标、车辆轨迹的终止点与起始点的坐标差，即车辆轨迹的一个8维特征向量：

$f=\{x_0,y_0,x_{\frac{n}{2}},y_{\frac{n}{2}},x_{n-1},y_{n-1},x_{n-1}-x_0,y_{n-1}-y_0\}$

其中x₀,y₀为车辆轨迹的起始点坐标，为车辆轨迹的中点坐标，x_n-1,y_n-1为车辆轨迹的终止点坐标，x_n-1-x₀,y_n-1-y₀为车辆轨迹的终止点与起始点的坐标差，n为车辆轨迹点的数目，如图3A所示。

其中，通过以下方法确定所述车辆轨迹起始点的坐标、中间点的坐标、终止点的坐标：

在所述车辆轨迹的起始位置、中间位置和终点位置，采用设定的方法，确定每个位置对应的区域；

在每个区域内选取多个点，根据选取的该多个点的坐标，确定所述车辆轨迹起始点的坐标、中间点的坐标和终止点的坐标。

在本发明实施例中，所述采用设定的方法，确定每个位置对应的区域可以为：以每个位置为中心，以一定距离为半径确定一个对应的圆形区域，将每个对应的圆形区域确定为每个位置对应的区域。

在每个区域内，对选取的多个点的坐标取均值，将该均值作为所述车辆轨迹起始点的坐标、中间点的坐标和终止点的坐标。

S302：确定该待分类的车辆轨迹向量与每个聚类的中心点对应的车辆轨迹向量的距离。

每个聚类中心点对应有一个车辆轨迹向量，采用k-均值聚类算法可以确定两个车辆轨迹向量之间的距离。

具体的，根据以下公式确定该待分类的车辆轨迹向量与每个聚类的中心点对应的车辆轨迹向量的距离：

D(x_j,μ_i)＝∑(x_j-μ_i)²

其中，x_j为该待分类的车辆轨迹向量，μ_i为聚类中心点对应的车辆轨迹向量。

S303：将所述待分类的车辆轨迹向量划分到该距离最小值对应的聚类中。

其中，根据以下方法，确定每个聚类的中心点对应的车辆轨迹向量：针对获取的每个车辆轨迹向量进行聚类，其中该聚类的数量大于预设的车辆的实际方向的数量，根据每个聚类中包含的车辆轨迹向量，确定每个聚类中心点对应的车辆轨迹向量。

在本发明实施例中，对于获取的每个车辆轨迹向量作为训练向量集合X＝{X_i}，对于待分类的每个车辆轨迹向量作为测试向量集合X＝{X_j}。

k-均值聚类算法是一种最基本的聚类算法，输入k，即车辆轨迹向量的聚类数量，然后将n个车辆轨迹向量划分为k个聚类，以使得所获得的k个聚类满足：同一聚类中的车辆轨迹向量之间距离较小，而不同聚类中的车辆轨迹向量之间距离较大，该距离通常为车辆轨迹向量之间的欧氏(Euclidean)距离或距离的平方。

采用k-均值聚类方法确定聚类中心点对应的车辆轨迹向量：

输入车辆轨迹向量聚类数k，训练向量集合X＝{X_i}，最大迭代次数I或者收敛条件ε；

从训练向量集合X＝{X_i}中任意选择k个车辆轨迹向量作为聚类中心点对应的车辆轨迹向量μ₀,μ₁,…,μ_k-1；

对于训练向量集合X＝{X_i}中的车辆轨迹向量x_i，根据其到每个聚类中心点对应的车辆轨迹向量的欧式距离，将其分配给与其最近邻的车辆轨迹向量μ_i所在聚类中；

针对每个聚类，根据该聚类中所有车辆轨迹向量的均值，重新计算聚类中心点对应的车辆轨迹向量μ′_i；

不断对训练向量聚类直到满足车辆轨迹向量x_i与聚类中心点对应的车辆轨迹向量μ′_i的距离变化值小于ε，或者达到最大迭代次数I为止；

得到训练向量相应的聚类集合L＝{l_i}，聚类中心点对应的车辆轨迹向量的集合C＝{μ′₀,μ′₁,·,μ′_k-1}。

根据每个聚类中心点对应的车辆轨迹向量，确定与该聚类中心点对应的车辆轨迹向量匹配的车辆的实际方向。

在上述实施例中确定聚类的数量时，该聚类的数量只要大于预设的车辆的实际方向的数量即可，例如预设的车辆的实际方向为4，则聚类的数量可以为5、7、10等。

在本发明的另一实施例中，聚类的数量为预设的车辆的实际方向的数量的整数倍，该整数不小于2。

假设预设的车辆的实际方向为N_d，则聚类的数量为k＝2×N_d或k＝3×N_d等。

下面以一个具体的实施例进行说明。

例如：预设的车辆的实际方向为N_d＝4，车辆轨迹向量聚类数k＝2×N_d＝8，训练向量集合X＝{X_i}，最大迭代次数I＝30或者收敛条件ε＝0.01。

训练向量集合X＝{X_i}，如图3B所示，其中车辆轨迹一端的空心圆表示车辆轨迹的起始点，实心圆点表示车辆轨迹的终止点。得到的车辆轨迹向量相应的聚类结果如图3C所示，其中相同灰度值的车辆轨迹其对应的车辆轨迹向量划分到一个聚类中。为更直观地显示结果，用车辆轨迹向量的起止点组成的方向向量简化每一车辆轨迹，如图3D所示，其中较粗的车辆轨迹表示每一聚类的聚类中心点所对应的车辆轨迹向量所对应的车辆轨迹，上面的数字表示车辆轨迹向量聚类类别编号，分别为0-7。

得到训练向量相应的聚类集合L＝{l_i}，聚类中心点对应的车辆轨迹向量的集合C＝{μ′₀,μ′₁,…,μ′_k-1}。

对于测试向量集合X＝{X_j}，计算测试向量集合X＝{X_j}中每个待分类的车辆轨迹向量X_j与每个聚类的中心点对应的车辆轨迹向量μ_i的距离，选择其距离最小值，将该距离最小值对应的中心点对应的车辆轨迹向量所在的聚类，确定为该待分类车辆轨迹向量的所在的聚类l_j，即：

$l_j=\underset{i}{\mathrm{argmin}}\left|\right|x_j-{\mathrm{\μ}}_i^{\′}\left|\right|$

得到测试向量对应的每个车辆轨迹向量的聚类集合L＝{l_j}。

S304：根据与每个聚类中心点对应的车辆轨迹向量匹配的车辆的实际方向，确定该待分类的车辆轨迹向量对应的车辆的实际方向。

根据对监控视频的预先观察，可以获得监控视频中车辆的实际方向，包括每一类的大致方向及全部种类的数目。

例如：如图3E所示，我们预先观察得到某监控视频中车辆的实际方向为4类，即预设的车辆的实际方向N_d＝4。

基于预设的车辆的实际方向，将聚类得到的k＝2×N_d＝8个聚类中心点对应的车辆轨迹向量l_j，确定与每个聚类中心点对应的车辆轨迹向量匹配的车辆的实际方向：

$F(\·)=\left\{\begin{array}{cccc}0& if& input& 0,2\\ 1& if& input& 1,4,7\\ 2& if& input& 3\\ 3& if& input& 5,6\end{array}\right.$

图3F为聚类得到的k＝2×N_d＝8个聚类中心点对应的车辆轨迹向量经函数F(·)重分类后的，与聚类中心点对应的车辆轨迹向量匹配的车辆的实际方向，由此，得到离散的映射函数c＝F(·)。

根据映射函数c＝F(·)，确定l_j对应的测试向量X＝{X_j}的车辆的实际方向c_j，即针对每个测量向量，将与该测量向量距离最近的聚类中心点对应的车辆轨迹向量匹配的车辆的实际方向，确定为该测量向量的车辆的实际方向。如图3G所示为对测试向量的聚类结果，不同的灰度值表示不同的聚类，图3H为，不同的灰度值表示不同的实际方向。

通过本发明实施例提供的上述实现方案可以确定车辆实际方向。

为了实现车辆轨迹向量的聚类，在本发明实施例中需要对获取的每个车辆轨迹向量进行去噪处理，所述针对获取的每个车辆轨迹向量进行聚类之前，所述方法还包括：

对获取的每个车辆轨迹向量进行去噪处理。

图4为本发明实施例提供的一种车辆轨迹向量聚类方法的流程示意图，所述方法包括如下步骤：

S401：对获取的每个车辆轨迹向量进行去噪处理。

在本发明实施例中，针对每个车辆轨迹向量，判断该车辆轨迹的长度是否在预设的长度范围内，如果否，则去除该车辆轨迹向量，如果是，则保留该车辆轨迹向量，以便进行后续处理。

S402：针对获取的每个车辆轨迹向量进行聚类，其中该聚类的数量大于预设的车辆的实际方向的数量，根据每个聚类中包含的车辆轨迹向量，确定每个聚类中心点对应的车辆轨迹向量。

S403：基于车辆实际方向，确定聚类中心点对应的车辆轨迹向量匹配的车辆的实际方向。

本发明实施例中，提出了一种基于车辆轨迹向量确定车辆实际方向的方法，该方法中针对获取的每个车辆轨迹向量进行聚类，根据每个聚类中包含的车辆轨迹向量，确定每个聚类中心点对应的车辆轨迹向量，其中该聚类的数量大于预设的车辆的实际方向的数量，根据与每个聚类中心点对应的车辆轨迹向量的距离，确定待分类的车辆轨迹向量所在聚类，根据与每个聚类中心点对应的车辆轨迹向量匹配的车辆的实际方向，确定待分类的车辆轨迹向量的实际方向。由于本发明实施例中根据车辆的实际方向的数量，确定聚类的数量，其中聚类的数量大于预设的车辆的实际方向的数量，并且确定了每个聚类的中心点对应的车辆的实际方向，在对待分类的车辆轨迹向量进行方向确定时，根据其所在聚类中心点对应的车辆轨迹向量匹配的车辆的实际方向，确定该待分类的车辆轨迹向量的实际方向，保证了方向确定的准确性和鲁棒性。

下面结合一个具体实施例对本发明实施例所提供的一种基于车辆轨迹向量确定车辆实际方向的方法进行介绍。

在某一真实路口监控场景采集了时长为24小时的高清监控视频，选取其中从16:00:00至16:59:59的约1小时长度的监控视频作为车辆轨迹向量集合。然后采用已有的背景差分方法和对象跟踪算法提取了该视频中约1200车辆轨迹向量，经过简单去噪后，随机选择了1000个车辆轨迹向量作为最终的车辆轨迹向量集合。

采用10-倍交叉验证的方法，将车辆轨迹向量集合平均分为10份，每份100个车辆轨迹向量，每次实验选取其中9份作为训练向量，1份作为测试向量，共进行10次实验。预设的车辆的实际方向N_d＝4，车辆轨迹向量聚类数k＝2×N_d＝8，车辆轨迹向量集合X，最大迭代次数I＝30或者收敛条件ε＝0.01。

对车辆轨迹向量集合中的训练向量进行k＝2×N_d＝8类的k-均值聚类，得到聚类中心点对应的车辆轨迹向量，基于车辆实际方向，确定聚类中心点对应的车辆轨迹向量匹配的车辆的实际方向。

确定车辆轨迹向量集合中的测试向量中的待分类车辆轨迹向量与每个聚类的中心点对应的车辆轨迹向量的距离，将所述待分类车辆轨迹向量划分到该距离最小值对应的聚类中；

根据与每个聚类中心点对应的车辆轨迹向量匹配的车辆的实际方向N_d＝4，确定该待分类的车辆轨迹向量对应的车辆的实际方向，如图5所示。

为了说明本发明方法的有效性，采用基准方法与本发明方法进行比较：

所述基准方法包括：

基于预设的车辆的实际方向N_d，对车辆轨迹向量集合中的训练向量直接进行N_d类的k-均值聚类得到聚类中心点对应的车辆轨迹向量；

确定车辆轨迹向量集合中的测试向量中的待分类车辆轨迹向量与每个聚类的中心点对应的车辆轨迹向量的距离，将所述待分类车辆轨迹向量划分到该距离最小值对应的聚类中。

图6为基准方法对训练向量直接进行N_d类的k-均值聚类的结果。图7为基准方法对训练向量直接进行N_d类的k-均值聚类得到聚类中心点对应的车辆轨迹向量。图8为基准方法对测试向量进行分类并确定其实际车辆方向的结果。

由图6和图7可看出基准方法对训练向量直接进行N_d类聚类将原本属于同一类的皆为从上向下方向的待分类车辆轨迹向量分为了2类，并且将从上向左方向的待分类车辆轨迹与部分从上向下方向的待分类车辆轨迹分为了同一类。因此，导致图8中的待分类车辆轨迹中从上向下的待分类车辆轨迹出现大量分类错误以至于确定车辆实际方向出现错误。将根据图8(基准方法)与图5(本发明的方法)确定的车辆的实际方向的准确率相比较，如表1所示：

轮次	1	2	3	4	5	6	7	8	9	10	平均
												基准方法	84	79	85	81	80	78	76	78	76	70	78.7
本发明的方法	95	99	98	96	97	91	94	96	95	94	95.5

表1

图9为根据上述表1绘制的准确率柱状图，可以表1及图10直观地可以看出，本发明实施例所提供的方案确定车辆的实际方向更加的准确。

图10为本发明实施例提供的一种基于车辆轨迹向量确定车辆实际方向的装置的结构示意图，与图3所示的流程相对应，所述装置包括接收模块1001、第一确定模块1002、聚类模块1003、第二确定模块1004和去噪模块1005。

接收模块1001，用于接收待分类的车辆轨迹向量；

第一确定模块1002，用于确定该待分类的车辆轨迹向量与每个聚类的中心点对应的车辆轨迹向量的距离；

聚类模块1003，用于将所述待分类的车辆轨迹向量划分到该距离最小值对应的聚类中；

第二确定模块1004，用于根据与每个聚类中心点对应的车辆轨迹向量匹配的车辆的实际方向，确定该待分类的车辆轨迹向量对应的车辆的实际方向；

所述聚类模块1003，还用于针对获取的每个车辆轨迹向量进行聚类，其中该聚类的数量大于预设的车辆的实际方向的数量，根据每个聚类中包含的车辆轨迹向量，确定每个聚类中心点对应的车辆轨迹向量。

所述第一确定模块，具体用于根据以下公式确定该待分类的车辆轨迹向量与每个聚类的中心点对应的车辆轨迹向量的距离：

D(x,C)＝∑(x-C)²

其中，x为该待分类的车辆轨迹向量，C为聚类中心点对应的车辆轨迹向量。

所述车辆轨迹向量包括：

车辆轨迹向量包括车辆轨迹的起始点坐标、车辆轨迹的中间点坐标、车辆轨迹的终止点坐标、车辆轨迹的终止点与起始点的坐标差：

所述第一确定模块，具体用于在所述车辆轨迹的起始位置、中间位置和终点位置，采用设定的方法，确定每个位置对应的区域；在每个区域内选取多个点，根据选取的该多个点的坐标，确定所述车辆轨迹起始点的坐标、中间点的坐标和终止点的坐标。

所述装置还包括：

去噪模块1005，用于针对获取的每个车辆轨迹向量，判断该车辆轨迹的长度是否在预设的长度范围内，如果否，则去除该车辆轨迹向量。

所述聚类的数量为预设的车辆的实际方向的数量的整数倍，该整数不小于2。

本发明实施例中，提出了一种基于车辆轨迹向量确定车辆实际方向的方法及装置，该方法中针对获取的每个车辆轨迹向量进行聚类，根据每个聚类中包含的车辆轨迹向量，确定每个聚类中心点对应的车辆轨迹向量，其中该聚类的数量大于预设的车辆的实际方向的数量，根据与每个聚类中心点对应的车辆轨迹向量的距离，确定待分类的车辆轨迹向量所在聚类，根据与每个聚类中心点对应的车辆轨迹向量匹配的车辆的实际方向，确定待分类的车辆轨迹向量的实际方向。由于本发明实施例中根据车辆的实际方向的数量，确定聚类的数量，其中聚类的数量大于预设的车辆的实际方向的数量，并且确定了每个聚类的中心点对应的车辆的实际方向，在对待分类的车辆轨迹向量进行方向确定时，根据其所在聚类中心点对应的车辆轨迹向量匹配的车辆的实际方向，确定该待分类的车辆轨迹向量的实际方向，保证了方向确定的准确性和鲁棒性。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种基于车辆轨迹向量确定车辆实际方向的方法，其特征在于，应用于终端，所述方法包括步骤：

接收待分类的车辆轨迹向量；

确定该待分类的车辆轨迹向量与每个聚类的中心点对应的车辆轨迹向量的距离；

将所述待分类的车辆轨迹向量划分到该距离最小值对应的聚类中，其中根据以下方法，确定每个聚类的中心点对应的车辆轨迹向量：针对获取的每个车辆轨迹向量进行聚类，其中该聚类的数量大于预设的车辆的实际方向的数量，根据每个聚类中包含的车辆轨迹向量，确定每个聚类中心点对应的车辆轨迹向量；

根据与每个聚类中心点对应的车辆轨迹向量匹配的车辆的实际方向，确定该待分类的车辆轨迹向量对应的车辆的实际方向。

2.根据权利要求1所述的方法，其特征在于，所述确定该待分类的车辆轨迹向量与每个聚类的中心点对应的车辆轨迹向量的距离包括：

根据以下公式确定该待分类的车辆轨迹向量与每个聚类的中心点对应的车辆轨迹向量的距离：

D(x,C)＝∑(x-C)²

其中，x为该待分类的车辆轨迹向量，C为聚类中心点对应的车辆轨迹向量。

3.根据权利要求1所述的方法，其特征在于，所述车辆轨迹向量包括：

车辆轨迹的起始点坐标、车辆轨迹的中间点坐标、车辆轨迹的终止点坐标、车辆轨迹的终止点与起始点的坐标差；

其中，通过以下方法确定所述车辆轨迹起始点的坐标、中间点的坐标、终止点的坐标：

在所述车辆轨迹的起始位置、中间位置和终点位置，采用设定的方法，确定每个位置对应的区域；

在每个区域内选取多个点，根据选取的该多个点的坐标，确定所述车辆轨迹起始点的坐标、中间点的坐标和终止点的坐标。

4.根据权利要求1所述的方法，其特征在于，所述针对获取的每个车辆轨迹向量进行聚类之前，所述方法包括：

针对获取的每个车辆轨迹向量，判断该车辆轨迹的长度是否在预设的长度范围内，如果否，则去除该车辆轨迹向量。

5.根据权利要求1所述的方法，其特征在于，所述聚类的数量为预设的车辆的实际方向的数量的整数倍，该整数不小于2。

6.一种基于车辆轨迹向量确定车辆实际方向的装置，其特征在于，所述装置包括：

接收模块，用于接收待分类的车辆轨迹向量；

第一确定模块，用于确定该待分类的车辆轨迹向量与每个聚类的中心点对应的车辆轨迹向量的距离；

聚类模块，用于将所述待分类的车辆轨迹向量划分到该距离最小值对应的聚类中；

第二确定模块，用于根据与每个聚类中心点对应的车辆轨迹向量匹配的车辆的实际方向，确定该待分类的车辆轨迹向量对应的车辆的实际方向；

所述聚类模块，还用于针对获取的每个车辆轨迹向量进行聚类，其中该聚类的数量大于预设的车辆的实际方向的数量，根据每个聚类中包含的车辆轨迹向量，确定每个聚类中心点对应的车辆轨迹向量。

7.根据权利要求6所述的装置，其特征在于，所述第一确定模块，具体用于根据以下公式确定该待分类的车辆轨迹向量与每个聚类的中心点对应的车辆轨迹向量的距离：

D(x,C)＝∑(x-C)²

其中，x为该待分类的车辆轨迹向量，C为聚类中心点对应的车辆轨迹向量。

8.根据权利要求6所述的装置，其特征在于，所述车辆轨迹向量包括：

车辆轨迹向量包括车辆轨迹的起始点坐标、车辆轨迹的中间点坐标、车辆轨迹的终止点坐标、车辆轨迹的终止点与起始点的坐标差：

所述第一确定模块，具体用于在所述车辆轨迹的起始位置、中间位置和终点位置，采用设定的方法，确定每个位置对应的区域；在每个区域内选取多个点，根据选取的该多个点的坐标，确定所述车辆轨迹起始点的坐标、中间点的坐标和终止点的坐标。

9.根据权利要求6所述的装置，其特征在于，所述装置还包括：

去噪模块，用于针对获取的每个车辆轨迹向量，判断该车辆轨迹的长度是否在预设的长度范围内，如果否，则去除该车辆轨迹向量。

10.根据权利要求6所述的装置，其特征在于，所述聚类的数量为预设的车辆的实际方向的数量的整数倍，该整数不小于2。