基于二次谱聚类和hmm-rf混合模型的高速车辆行为识别方法
【技术领域】
[0001] 本发明设及高速车辆行为识别方法。
[000引发明背景：
[0003] 近年来，提取交通监控视频中的有用信息来分析交通行为已成为研究人员关注的 热点问题之一。交通行为的学习关键是学习运动车辆的行为模式，然后识别车辆行为，甚至 能对交通行为进行预测。例如，高速公路上的车辆一般都沿着固定的道路和指定的方向行 驶，通过学习该些正常轨迹模型就可W自动检测出逆行、S形行驶等高速公路上的异常行驶 行为。
[0004] 为了给高速车辆行为识别提供训练样本，首先要利用车辆检测和跟踪算法从高速 交通视频中提取车辆轨迹数据，并对车辆轨迹进行聚类。车辆轨迹聚类的一个重要问题就 是如何衡量车辆轨迹间的相似度。车辆轨迹聚类的难点在于车辆轨迹的长度是不固定的， 而大多数传统的聚类算法的操作数据都建立在固定的维度空间（数据长度是固定且一致 的）。现有的方法通常是直接考虑不同轨迹间的长度偏差，尝试找到不同轨迹间对应相似的 部分，即LCSS轨迹相似度，对车辆跟踪环节中的噪声或者异常值有一定的鲁椿性；然后，在 构建的LCSS轨迹相似度矩阵上用谱聚类算法进行车辆轨迹聚类。。但从高速交通视频中提 取的车辆轨迹存在少量的超车、变道等行驶轨迹，单单采用LCSS相似度和谱聚类算法会将 该些少量轨迹错误地分类到直行轨迹中。
[0005] 针对高速车辆行为实时性的要求，各国的研究人员一般采用基于轨迹的车辆行为 识别方法。考虑到HMM车辆轨迹建模方法对车辆行为识别率较高，但是只考虑本类型车辆 轨迹的正样本的作用，而未考虑其他类型车辆轨迹负样本的影响，从而很大程度上限制了 HMM车辆轨迹建模方法的分类能力，在多类别车辆轨迹识别上存在较大局限性；且仅用最 大似然值进行分类，存在较高的误识别率。
[0006] 技术方案：
[0007] 本发明要克服现有技术的缺点，提供一种基于二次谱聚类和HMM-RF混合模型的 高速车辆行为识别方法。
[000引本发明利用轨迹曲率来识别具有曲线轨迹特征的超车轨迹，利用倾角相似度和谱 聚类算法来识别非曲线轨迹中的变道轨迹，并将得到所有聚类簇用LCSS和谱聚类算法进 行再聚类，从而有效地区分超车、变道W及直行轨迹等。在车辆行为识别时，该方法将不同 轨迹类型HMM模型的多维概率输出作为随机森林RF模型的输入来识别多类型轨迹，用来替 代最大似然值分类，提高了车辆行为识别的准确率。具体流程详见图1所示。
[0009] 本发明所述的一种基于二次谱聚类和HMM-RF混合模型的高速车辆行为识别方 法，包括W下步骤：
[0010] 步骤1.高速公路车辆轨迹二次谱聚类自动分类，利用车辆检测和跟踪算法从交 通视频中提取车辆轨迹数据集，采用轨迹曲率特征、倾角相似度W及LCSS相似度，再结合 谱聚类算法对车辆轨迹进行聚类，有效区分直行、超车、变道等类型。
[0011] 该方法首先采用最小二乘法拟合多项式来求解轨迹曲率，并计算轨迹中前N个最 大曲率的均值作为该轨迹曲率。若大于曲率阔值T，则为曲线聚簇；反之，则为非曲线聚簇。 接着对曲线聚簇构建LCSS相似度矩阵，用谱聚类进行聚类，得到曲线聚类最终结果；对非 曲线聚簇用最小二乘法拟合轨迹倾角，构建轨迹倾角相似度矩阵，并用谱聚类算法进行第 一次聚类，取得非曲线聚类中间结果，然后建立它的轨迹LCSS相似度矩阵，再用谱聚类对 非曲线聚类中间结进行第二次聚类，获得非曲线聚簇最终结果；最后整合两个聚类结果，确 定最终聚类结果。
[0012] 轨迹倾角相似度，定义如下：
[0013]
(1)
[0014] 其中
对第i条轨迹的倾角，dem"=max(|目目jl)为 最大的倾角差值，n为轨迹数量。而
为轨迹的倾斜 率，其中Tm(x)，Tm(y)表示第m个轨迹点的X，y轴坐标值，1为轨迹长度。
[0015] LCSS轨迹相似度由Vlachos等提出的，定义如下；
[0016]
C2)
[0017] 其中LCSS(Fp，F。）描述轨迹Fp，F。间的最长公共子串的长度，Tp，T。分别表示轨迹 Fp，F。的长度。LCSS的递归定义如下；
[001 引
[0019] 利用动态规划高效计算LCSS相似度，e表示两点间欧式距离的阔值，护二{fl，… ，fj代表所有t时刻的所有样本点，ft表不t时刻某一样本点；
[0020] 根据轨迹相似度度量方法，计算两两轨迹间的相似度，进而构成轨迹相似度矩阵S ={Sxy}，1《X，y《n，且S是全联通图的邻接矩阵，Sq是相似度矩阵坐标（X，y)处的值，n 为轨迹数量，即矩阵大小；谱聚类算法根据轨迹相似度矩阵计算特征向量找出数据间的内 在联系，将轨迹划分为不同的类簇。
[0021] 步骤2.基于方向角的高速公路车辆轨迹特征提取，交通视频中不同车辆行为产 生的方向信息能够较好地描述车辆行驶状态的信息，可W用来区分车辆行为模式，采用相 邻轨迹点形成的方向角来表征。
[0022]假设车辆轨迹序列上t时刻的坐标为（X。yt)，t+1时刻的坐标为（Xw，心1)，则形 成的方向角0 =arctan((yt+i-yt)/(Xt+i-Xt))。在兼顾识别准确率W及实时性需求，我们对 方向角在16个方向进行均衡量化编码，每31/8量化到一个方向，按照逆时针顺序对每个方 向区间进行编码，且依次对应于0~15的码字，如图2所示。
[0023] 最后利用依次获得的所有方向角序列0 1，0 2,…，0。_1构成了车辆轨迹的新特征 值序列Le= (0。02,…，0n-lK
[0024] 步骤3.基于HMM的车辆行为模型的构建，根据量化编码后的车辆轨迹特征序列， 对同一类型的车辆轨迹建立对应的基于HMM的车辆行为模型；将特征序列样本对初始模型 不断迭代，直到模型收敛。
[0025] 假设随机观察序列为0 = 〇1,〇2,…，〇n，HMM可定义为S元组A= {>，A，B}，且有 M(通常为3~8)个马尔可夫状态；
[0026] (a)模型初始化
[0027] 初始矩阵31 = {>J，用于描述观察序列在初始状态t= 1时的概率31k=P(ql= Sk)，Sk表示第k个隐马尔科夫状态，ql表示t= 1时刻的分布，1《k《M，且
状态 转移矩阵A= {Ski},用于描述状态之间转移的概率3ki二P(Qt二SiQt-i二Sk)，l《k,l《M, 而
观察概率矩阵bi(u) =P，用于描述状态1对应观察值的输出概率；bi(u) =P{Ot =化I Qt= s i}，1《1《M，1《u《N，而
M是状态数，N是编码符号的总数；
[00測 （b)模型的更新
[0029] 利用新的车辆轨迹数据，采用Baum-Welch算法重新估计A=元组；接着用 化rward算法计算更新前后模型的最大似然值，直到前后模型的最大似然值的差值在阔值 之内，停止迭代。
[0030] 步骤4.基于随机森林（R巧车辆行为模型构建，用特征序列经由对应HMM车辆行 为模型的多维概率的输出作为随机森林模型的输入矢量，确立随机森林车辆行为模型，最 后组合构成基于HMM-RF车辆行为识别混合模型。
[0031] HMM模型良好的车辆轨迹建模能力和RF模型的强分类能力，提出了一种基于 HMM-HF混合模型的车辆轨迹行为识别方法。具体的思路就是将HMM作为车辆轨迹模型的一 部分和RF模型共同组成车辆轨迹模型，WHMM模型作为车辆轨迹模型的前缀，W此来对用 于RF模型的多类车辆轨迹数据有区分性的特征变换。
[0032] 车辆轨迹混合模型训练具体过程如下：
[0033] 1)利用聚类好的不同类轨迹数据，重新采样到统一长度N的范围内，提取方向角 特征，构建新的特征序列
[0034] 2)通过Baum-Welch算法来分别迭代训练与车辆行为