CN105893621B - 基于多维航迹聚类的目标行为规律挖掘方法 - Google Patents

Abstract

本发明公开了一种基于多维航迹聚类的目标行为规律挖掘方法，所述方法包括：步骤1，设置目标的属性和类型标签；步骤2，计算目标航迹间的相似性度量；步骤3，选取每条航迹的近邻航迹；步骤4，把当前核心航迹分配到簇中；步骤5，把当前核心航迹的近邻中不属于其他簇的航迹分配的当前簇中；步骤6，把当前核心航迹的近邻中分配到当前簇的航迹中的核心航迹添加到当前核心航迹的近邻中；步骤7，重复步骤4，5，6；步骤8，设置目标行为规律编标签；步骤9，将目标行为规律可视化。该方法充分利用目标的属性、类型、位置、速度和航向信息，参数设置简单，准确率高，工程易实现，在模式识别和智能情报处理领域有广阔的应用前景。

Description

基于多维航迹聚类的目标行为规律挖掘方法

技术领域

本发明涉及数据挖掘中的聚类分析技术和信息融合中的高层融合技术，属于模式识别和智能情报处理领域。

背景技术

随着目标探测手段的不断丰富和多传感器信息融合技术的不断完善，各种各样的目标被检测、跟踪和识别，乃至形成连续稳定的目标航迹。海量的目标航迹数据在各种目标情报处理系统、预警监视系统、航行管制系统和视频监控系统中存储和积累，这些航迹数据中蕴含着大量的信息和知识。数据挖掘技术依靠跨学科的特点已经在各个领域得到了广泛应用，轨迹数据挖掘技术也成为数据挖掘领域的一个热点。在信息融合领域，基于电子信息系统中积累的大量历史航迹数据，利用数据挖掘技术中的无监督聚类技术，可以通过挖掘目标的多维特征来发现目标的行为规律，进而对其行为和意图进行分析和预测，这对于目标任务分类、异常情报检测、态势评估和指挥决策都具有非常重要的意义。

通过对目标航迹进行聚类分析，可以挖掘目标的行为规律。现有目标航迹聚类方法没有充分利用目标的属性、类型、位置、速度和航向等多维特征，只能反映目标空间位置变化的规律，在挖掘目标行为规律时具有局限性。

发明内容

本发明针对现有目标航迹聚类方法的局限性，提供了一种基于多维航迹聚类的目标行为规律挖掘方法。利用目标的属性、类型、位置、速度和航向信息，通过对多维航迹数据的聚类分析，实现对目标行为规律的挖掘。具体包括以下步骤：

步骤1，设置目标的属性和类型标签。本方法通过设置目标属性、类型和簇号标签来组成目标行为规律标签，从而表示目标的规律行为。在预警监视领域，将目标的属性分为我方，敌方和友方，分别用标签1，2和3表示，将目标类型分为军用飞机、民用飞机、军舰和民船等，分别用标签1，2，3和4等来表示。

步骤2，利用多维航迹数据中的位置、速度和航向信息，计算目标航迹间的多因素Hausdorff距离，作为目标航迹间的相似性度量，并存放在距离矩阵M中。

步骤3，输入近邻阈值ε，计算每条航迹TR_i的ε近邻N_ε(TR_i)。

步骤4，设置簇号clusterId＝1，输入最小近邻航迹数量MinTRs，从目标航迹数据库TD中随意选取一条航迹TR_i，如果航迹TR_i的ε近邻数量|N_ε(TR_i)|≥MinTRs，则该航迹为核心航迹，把它分配到簇C_clusterId中。

步骤5，判断当前核心航迹的ε近邻N_ε(TR_i)中的航迹属不属于其他簇，将不属于其他簇的航迹分配到簇C_clusterId中。

步骤6，判断当前核心航迹的ε近邻N_ε(TR_i)中分配到簇C_clusterId中的航迹是不是核心航迹，如果是核心航迹，则把它添加到N_ε(TR_i)中。

步骤7，重复步骤5和步骤6，直到C_clusterId不能再扩展。然后，令C_clusterId＝C_clusterId+1，选择另外一条未分配到簇中的目标航迹进行步骤4，步骤5和步骤6。以此类推，直到C不能再扩展。

步骤8，设置目标行为规律标签。在预警监视领域，对敌方军用飞机的多维航迹数据聚类后得到的簇集为C＝{C₁,C₂,…,C_m}，则目标行为规律的标签可以依次设置为211,213，...，21m。

步骤9，将目标行为规律可视化。为了直观的表示出目标的行为规律，我们可以选取每个簇中ε近邻数量最多的航迹作为行为规律的特征航迹。在可视化显示时只画出特征航迹，并且标出特征航迹对应的目标行为规律标签，用箭头表示出目标航向，用相邻航迹点间隔的长短表示目标的速度大小。

本发明的有益效果在于：本发明提供的一种基于多维航迹聚类的目标行为规律挖掘方法，充分利用了目标的属性、类型、位置、速度和航向信息，可以对不同属性、类型的目标行为规律进行区分，不仅可以挖掘出运动位置相近的目标行为规律，还可以区分速度和航向差异较大的目标行为。

附图说明

图1为一个人为构造的数据集中的目标航迹示意图。

图2为目标行为规律示意图。

具体实施方式

下面以一个人为构建的多维航迹数据集为例，根据附图详细阐述本发明，使本发明的技术路线和操作步骤更加清晰。

数据集：这个人为构建的多维航迹数据集包括代表8种目标行为规律的1200条航迹数据和300条不规律的航迹数据，TD＝{TR₁,TR₂,…,TR₁₅₀₀}，目标航迹的顺序是随机的。多维航迹数据包含目标的属性、类型、位置、速度和航向信息。假设目标为敌方军用飞机。图1为数据集中的目标航迹示意图。

步骤1，设置目标的属性和类型标签。因为假设目标为敌方军用飞机，所以将属性标签设置为2，类型标签设置为1。

步骤2，利用多维航迹数据中的位置、速度和航向信息，计算目标航迹间的多因素Hausdorff距离，作为目标航迹间的相似性度量，并存放在距离矩阵M中，M为对称矩阵，并且其中的元素M_i,j代表第i条航迹TR_i与第j条航迹TR_j的相似性度量。多因素Hausdorff距离的具体计算方法如下：

1)考虑两个目标的位置信息、速度信息和运动方向信息，两个目标之间的多因素距离为：

其中表示点P_a与点P_a的速度信息，表示点P_a与点P_a的航向信息，w_d表示位置信息的权重因子，w_v表示速度信息的权重因子，w_θ表示运动方向信息的权重因子，权重因子的取值取决于多因素距离的应用场景，满足w_d≥0,w_v≥0,w_θ≥0和w_d+w_v+w_θ＝1。

2)基于多因素距离mfdist(P_a,P_b)，航迹TR_i到TR_j的定向多因素Hausdorff距离为:

3)基于定向多因素Hausdorff距离，航迹TR_i与TR_j之间的多因素Hausdorff距离为:

步骤3，输入近邻阈值ε＝0.03，计算每条航迹TR_i的ε近邻N_ε(TR_i)。

N_ε(TR_i)＝{TR_j∈TD|δ_M(TR_i,TR_j)≤ε} (4)

步骤4，设置簇号clusterId＝1，输入最小近邻航迹数量MinTRs＝4，从目标航迹数据库TD中随意选取一条航迹TR_i，如果航迹TR_i的ε近邻数量|N_ε(TR_i)|≥4，则该航迹为核心航迹，把它分配到簇C_clusterId中。

步骤5，判断当前核心航迹的ε近邻N_ε(TR_i)中的航迹属不属于其他簇，将不属于其他簇的航迹分配到簇C_clusterId中。

步骤6，判断当前核心航迹的ε近邻N_ε(TR_i)中的分配到簇C_clusterId中的航迹是不是核心航迹，如果是核心航迹，则把它添加到N_ε(TR_i)中。

步骤7，重复步骤5和步骤6，直到C_clusterId不能再扩展。然后，令C_clusterId＝C_clusterId+1，选择另外一条未分配到簇中的目标航迹进行步骤4，步骤5和步骤6。以此类推，直到C不能再扩展。

步骤8，设置目标行为规律标签。对多维航迹数据聚类后得到的簇集为C＝{C₁,C₂,…,C₈}，则目标行为规律标签可依次设置为211，212，213，214，215，216，217，218。

步骤9，将目标行为规律可视化。为了直观的表示出目标的行为规律，选取每个簇中ε近邻数量最多的航迹作为行为规律的特征航迹。在可视化显示时只画出特征航迹，并且标出特征航迹对应的目标行为规律标签，用箭头表示出目标航向，用相邻航迹点间隔的长短表示目标的速度大小。图2为目标行为规律示意图。

Claims (3)

1.一种基于多维航迹聚类的目标行为规律挖掘方法，其特征在于，包括以下步骤：

步骤1，设置目标的属性和类型标签；

步骤2，利用多维航迹数据中的位置、速度和航向信息，计算目标航迹间的相似性度量，并存放在距离矩阵M中；

步骤3，输入近邻阈值ε，计算每条航迹TR_i的ε近邻N_ε(TR_i)；

步骤4，设置簇号clusterId＝1，输入最小近邻航迹数量MinTRs，从目标航迹数据库TD中随意选取一条航迹TR_i，如果航迹TR_i的ε近邻数量|N_ε(TR_i)|≥MinTRs，则该航迹为核心航迹，把它分配到簇C_clusterId中；

步骤5，判断当前核心航迹的ε近邻N_ε(TR_i)中的航迹属不属于其他簇，将不属于其他簇的航迹分配到簇C_clusterId中；

步骤6，判断当前核心航迹的ε近邻N_ε(TR_i)中分配到簇C_clusterId中的航迹是不是核心航迹，如果是核心航迹，则把该分配到簇C_clusterId中的航迹的ε近邻添加到N_ε(TR_i)中；

步骤7，重复步骤5和步骤6，直到C_clusterId不能再扩展，然后，令clusterId＝clusterId+1，选择另外一条未分配到簇中的目标航迹进行步骤4，步骤5和步骤6，以此类推，直到簇集C不能再扩展；

步骤8，设置目标行为规律标签；

步骤9，将目标行为规律可视化；

所述步骤2中目标航迹间相似性度量的具体计算方法如下：

1)考虑两个目标的位置信息、速度信息和运动方向信息，两个目标之间的多因素距离为：

其中表示点P_a与点P_b的速度信息，表示点P_a与点P_b的航向信息，w_d表示位置信息的权重因子，w_v表示速度信息的权重因子，w_θ表示运动方向信息的权重因子，权重因子的取值取决于多因素距离的应用场景，满足w_d≥0,w_v≥0,w_θ≥0和w_d+w_v+w_θ＝1；

2)基于多因素距离mfdist(P_a,P_b)，航迹TR_i到TR_j的定向多因素Hausdorff距离为：

3)基于定向多因素Hausdorff距离，航迹TR_i与TR_j之间的多因素Hausdorff距离为：

将δ_M(TR_i,TR_j)作为航迹TR_i与TR_j之间的相似性度量。

2.根据权利要求1所述的基于多维航迹聚类的目标行为规律挖掘方法，其特征在于，步骤3中航迹TR_i的ε近邻N_ε(TR_i)的计算方法为：

N_ε(TR_i)＝{TR_j∈TD|δ_M(TR_i,TR_j)≤ε}

TD＝{TR₁,TR₂,…,TR_n}为目标多维航迹数据集。

3.根据权利要求1所述的基于多维航迹聚类的目标行为规律挖掘方法，其特征在于，步骤9中将目标规律可视化的具体方法为：

选取每个簇中ε近邻数量最多的航迹作为行为规律的特征航迹，在可视化显示时只画出特征航迹，并且标出特征航迹对应的目标行为规律标签，用箭头表示出目标航向，用相邻航迹点间隔的长短表示目标的速度大小。