基于多维特征的目标行为模式在线分类方法与流程

本发明涉及数据挖掘中的在线分类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：

在预警监视领域，随着目标探测技术和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，形成不断更新的目标航迹。大量的历史航迹数据在预警监视领域的各种目标情报处理系统中存储和积累。利用数据挖掘和轨迹数据挖掘中的聚类分析技术，可以把目标航迹分为不同的类别，从而挖掘出目标的行为规律。目标的行为模式是指当前观测目标属于的目标行为规律的类别，对于不断更新的目标航迹数据，可以利用数据挖掘中的在线分类技术，将当前目标航迹分到对应的类中，实现对目标行为模式的在线分类，这对于态势评估、威胁估计和指挥决策都具有非常重要的意义。国内外很多学者对轨迹分类问题进行了研究，但是现有方法主要考虑了目标的位置特征和形状特征，没有充分利用目标的位置、速度和航向特征，而且现有方法主要用于离线分类，对于情报处理实时性要求很高的预警监视领域是不能适用的。

技术实现要素：

本发明提供了一种基于多维特征的目标行为模式在线分类方法，充分利用目标的位置、速度和航向特征，通过对多维航迹数据的在线学习和序贯分类，实现对目标行为模式的在线分类判别。具体包括以下步骤：

步骤一：定义相关变量：

1)需要考虑的近邻数量k；

2)训练航迹数据集其中l₁+…+l_t+…+l_m＝l，1,2,…,m为训练航迹数据集中的航迹对应的目标的行为模式类别标签，l为训练样本总数；

3)多因素定向Hausdorff距离矩阵M1,M2,…,Mm，其中矩阵M1的每个元素M1_i,j:i＝1,…,l₁,j＝1,…,k表示z_1i到样本集第j近的样本之间的多因素定向Hausdorff距离，M2,…,Mm中的每个元素同理；

4)空的优先序列Q1,…,Qt,…,Qm；

5)测试航迹z_l+1＝{x₁∪x₂∪…∪x_L}，其中x_i∩x_j＝φ:i,j＝1,…,L∧j≠i，x_j为多维航迹点；

6)距离向量(m₁,…,m_l)，其中m_i:i＝1,…,l表示z_l+1到z_i的多因素定向Hausdorff距离：

7)距离向量(m'₁,…,m'_l)，其中m'_i:i＝1,…,l表示z_i到z_l+1的多因素定向Hausdorff距离：

8)类别指示变量其中为对子航迹在线分类得出的类别，为对航迹{x₁∪x₂∪…∪x_L}＝z_l+1在线分类得出的类别；

步骤二：对测试航迹z_l+1＝{x₁∪x₂∪…∪x_L}中的子航迹{x₁∪…∪x_j}，j＝1,…,L和训练航迹数据集中的z_1i:i＝1,…,l₁重复进行如下分类过程：

1)计算多因素定向Hausdorff距离矩阵M1_i,1,...,M1_i,k-1的和，并对距离m_i赋零初值；

2)根据多因素定向Hausdorff距离的定义对m_i的取值进行更新；

3)对Q1内的元素进行更新；

4)根据多因素定向Hausdorff距离的定义对m'_i的取值进行更新；

5)根据距离m'_i与距离M1_i,k的取值大小，对不一致度量α_1i的取值进行更新；

6)从Q1中提取当前的k个距离值，并通过对这k个距离值的求和对不一致度量的取值进行更新；

7)计算的取值；

步骤三：对测试航迹z_l+1＝{x₁∪x₂∪…∪x_L}中的子航迹{x₁∪…∪x_j}，j＝1,…,L和训练航迹数据集中的z_ti:i＝1,…,l_t，2≤t≤m，用Mt替换M1，用Qt替换Q1，重复进行如步骤二所示的分类过程，计算的取值；

步骤四：比较的大小，选出最大的p值则当前子航迹{x₁∪…∪x_j}对应的目标行为模式类别为c，即：

步骤五：当测试航迹z_l+1的每个子航迹{x₁∪…∪x_j}，j＝1,…,L对应的目标行为模式都分类完成后，输出类别指示变量和距离向量，查找最多的子航迹段对应的类别c，将z_l+1添加到该类别对应的训练航迹数据集中，组成新的训练航迹数据集

步骤六：对多因素定向Hausdorff距离矩阵Mc进行更新；

步骤七：用更新后的训练航迹数据集和更新后的多因素定向Hausdorff距离矩阵Mc代替原来的和Mc，对测试航迹z_l+2对应的目标行为模式进行在线分类。

本发明的有益效果在于：本发明提供的一种基于多维特征的目标行为模式在分类方法，综合利用了目标的位置、速度和航向特征，并且具有参数设置简单、准确率高、能够在线分类的优点，能够实现对预警监视领域目行为模式的在线分类判别。

附图说明

附图1是本发明所述的基于多维特征的目标行为模式在线分类方法的整体流程图。

具体实施方式

下面结合附图对本发明的实施方式加以详细说明。

步骤一：定义相关变量：

1)需要考虑的近邻数量k；

2)训练航迹数据集其中l₁+…+l_t+…+l_m＝l，1,2,…,m为训练航迹数据集中的航迹对应的目标的行为模式类别标签，l为训练样本总数；

3)多因素定向Hausdorff距离矩阵M1,M2,…,Mm，其中矩阵M1的每个元素M1_i,j:i＝1,…,l₁,j＝1,…,k表示z_1i到样本集第j近的样本之间的多因素定向Hausdorff距离，M2,…,Mm中的每个元素同理，多因素定向Hausdorff距离的具体定义如下：

(1)考虑两个目标的位置特征、速度特征和航向特征，两个目标点a、b之间的多因素距离定义为：

mfdist(a,b)＝w_d·dist(a,b)+w_v·dist(v_a,v_b)+w_θ·dist(θ_a,θ_b) (1)

其中v_a，v_b表示点a与点b的速度，θ_a，θ_b表示点a与点b的航向，dist(a,b)表示点a与点b之间位置特征的欧式距离，dist(v_a,v_b)表示点a与点b之间速度特征的欧式距离，dist(θ_a,θ_b)表示点a与点b之间航向特征的欧式距离，w_d表示位置特征的权重因子，w_v表示速度特征的权重因子，w_θ表示航向特征的权重因子，权重因子的取值取决于多因素距离的应用场景；

(2)基于两个目标点之间的多因素距离mfdist(a,b)，目标航迹A到目标航迹B的多因素定向Hausdorff距离定义为:

$\stackrel{\→}{{\mathrm{\δ}}_M}(A,B)=\underset{a\∈A}{\max }\left\{\underset{b\∈B}{\min }\right\{mfdist(a,b)\left\}\right\}---\left(2\right)$

A与B为两条目标航迹；

4)空的优先序列Q1,…,Qt,…,Qm；

5)测试航迹z_l+1＝{x₁∪x₂∪…∪x_L}，其中x_i∩x_j＝φ:i,j＝1,…,L∧j≠i，x_j为多维航迹点；

6)距离向量(m₁,…,m_l)，其中m_i:i＝1,…,l表示z_l+1到z_i的多因素定向Hausdorff距离：

7)距离向量(m'₁,…,m'_l)，其中m'_i:i＝1,…,l表示z_i到z_l+1的多因素定向Hausdorff距离：

8)类别指示变量其中为对子航迹在线分类得出的类别，为对航迹{x₁∪x₂∪…∪x_L}＝z_l+1在线分类得出的类别；

步骤二：对测试航迹z_l+1＝{x₁∪x₂∪…∪x_L}中的子航迹{x₁∪…∪x_j}，j＝1,…,L和训练航迹数据集中的z_1i:i＝1,…,l₁重复进行如下分类过程：

1)计算距离矩阵M1_i,1,...,M1_i,k-1的和并对距离m_i赋零初值m_i＝0；

2)根据多因素定向Hausdorff距离的定义，对m_i的取值进行更新：

$m_i=max\{\stackrel{\→}{{\mathrm{\δ}}_M}(x_j,z_{1i}),m_i\}---\left(3\right)$

3)对Q1内的元素进行更新：

如果Q1内的元素个数小于近邻数量k，则将当前的m_i取值插入到Q1中；如果Q1内存有k个距离值，并且当前的m_i小于Q1中的最大距离值，则删除Q1中的最大距离值，将当前m_i取值插入到Q1中；

4)根据多因素定向Hausdorff距离的定义，对m'_i的取值进行更新：

${m^{\′}}_i=\stackrel{\→}{{\mathrm{\δ}}_M}(z_{1i},\{x_1\∪...\∪x_j\left\}\right)---\left(4\right)$

5)根据距离m'_i与距离M1_i,k的取值大小，对不一致度量α_1i的取值进行更新：

如果：m'_i＜M1_i,k，

α_1i＝v_i+m'_i (5)

否则，

α_1i＝v_i+M1_i,k (6)

α_i的具体定义为：给定一个样本序列{z₁,...,z_n}，代表空间R^d中的一个非空点集，样本z_i到集合{z₁,...,z_n}\z_i的多因素不一致度量α_i可以定义为：

${\mathrm{\α}}_i=\underset{j=1}{\overset{k}{\Σ}}\stackrel{\→}{{\mathrm{\δ}}_M}(z_i,NN(z_i,\{z_1,\mathrm{...},z_n\}\backslash z_i,j\left)\right)---\left(7\right)$

其中NN(z_i,{z₁,...,z_n}\z_i,j)∈{z₁,...,z_n}\z_i表示根据定义的多因素定向Hausdorff距离计算得出的距离z_i第j近的样本；

6)从Q1中提取当前的k个距离值，对不一致度量的取值进行更新：

${\mathrm{\α}}_{1(l_1+1)}=sum\{m_1^{*},\mathrm{...},m_k^{*}\}---\left(8\right)$

7)计算取值：

$p_{1(l_1+1)}=\frac{\left|\right\{i=1,...,l_1+1:{\mathrm{\α}}_{1i}\≥{\mathrm{\α}}_{1(l_1+1)}\left\}\right|}{l_1+1}---\left(9\right)$

表示集合中元素的数量。

步骤三：对测试航迹z_l+1＝{x₁∪x₂∪…∪x_L}中的子航迹{x₁∪…∪x_j}，j＝1,…,L和训练航迹数据集2≤t≤m中的z_ti:i＝1,…,l_t，用Mt替换M1，用Qt替换Q1，重复进行如步骤二所示的分类过程，计算的取值；

步骤四：比较的大小，选出最大的p值则当前子航迹{x₁∪…∪x_j}对应的目标行为模式类别为c，即：

步骤五：当测试航迹z_l+1的每个子航迹{x₁∪…∪x_j}，j＝1,…,L对应的目标行为模式都分类完成后，输出类别指示变量和距离向量，查找最多的多维航迹点对应的类别c，将z_l+1添加到该类别对应的训练航迹数据集中，组成新的训练航迹数据集

步骤六：对多因素定向Hausdorff距离矩阵Mc进行更新：

1)多因素定向Hausdorff距离矩阵Mc的第1行到第l_c行，根据距离向量(m'₁,…,m'_lc)进行更新；

2)将输出的距离向量作为最后一行增加到多因素定向Hausdorff距离矩阵Mc中。

步骤七：用更新后的训练航迹数据集和更新后的多因素定向Hausdorff距离矩阵Mc代替原来的和Mc，对测试航迹z_l+2对应的目标行为模式进行在线分类。