[發(fā)明專利]一種基于機器學習的車輛軌跡異常檢測方法

有效

• 申請?zhí)枺?/td>: 201911143276.4
• 申請日: 2019-11-20
• 公開（公告）號: CN111126144B
• 公開（公告）日: 2021-10-12
• 發(fā)明（設計）人: 高飛;李嘉達;李帥;盧書芳;陸佳煒;程振波;肖剛
• 申請（專利權）人: 浙江工業(yè)大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 杭州浙科專利事務所(普通合伙) 33213
• 代理人: 周紅芳

1.一種基于機器學習的車輛軌跡異常檢測方法，其特征在于包括如下步驟：

步驟1：樣本準備，車輛軌跡樣本數(shù)據(jù)初始化：令原始車輛軌跡樣本數(shù)據(jù)為T_i＝{(x_i,j,y_i,j)|j＝1,2,..,m_i}，i＝1,2,...,m，同時對T_i進行標注，得到標注集合Z＝{z_i|i＝1,2,...,m}，其中，(x_i,j,y_i,j)表示第i輛車的軌跡中第j個位置的車輛中心點坐標，m_i表示第i輛車的行駛軌跡坐標點數(shù)量，m表示車輛軌跡樣本數(shù)量，z_i∈{0,1}，z_i＝0表示T_i的軌跡為正常，z_i＝1表示T_i的軌跡為異常；對所有T_i進行規(guī)范化處理，得到規(guī)范化后的矩陣M_T，向量差矩陣M_V，整合為訓練模型輸入樣本矩陣X，具體步驟為：

步驟1.1：去除原始車輛軌跡樣本數(shù)據(jù)T_i中重復的坐標點，使原始車輛軌跡樣本數(shù)據(jù)T_i中存在的任意兩個坐標點不相同；

步驟1.2：進行坐標點數(shù)量規(guī)范化，具體為：設規(guī)范化后的坐標點數(shù)量為N，若車輛行駛軌跡坐標點數(shù)量m_i大于或等于N，則將原始車輛軌跡樣本數(shù)據(jù)T_i中的前m_i-N個坐標點去除；若車輛行駛軌跡坐標點數(shù)量m_i小于N，則將原始車輛軌跡樣本數(shù)據(jù)T_i中第1個坐標點復制N-m_i次并補充到T_i中第1個坐標點的前面，使所有T_i的坐標點個數(shù)均為N，記為T_i＝{(x_i,j,y_i,j)|j＝1,2,..,N}；則所有的T_i構成規(guī)范化矩陣M_T＝[(x_ij,y_ij)]_m×N，其中，所述_m×N代表矩陣M_T為m行N列矩陣；

步驟1.3：計算坐標點向量差V_i＝{(a_i,j,b_i,j)|j＝1,2,..,N-1}，i＝1,2,...,m，其中，a_i,j＝x_i,j+1-x_i,j,b_i,j＝y(tǒng)_i,j+1-y_i,j；則所有將V＝{V_i|i＝1,2,…,m}構成向量差矩陣M_V＝[(a_ij,b_ij)]_m×N-1；

步驟1.4：構造訓練模型輸入樣本矩陣X＝[BM_TM_V]，其中，B＝[1]_m×1表示偏執(zhí)單元向量；

步驟2：以X和Z作為輸入運用多元邏輯回歸的機器學習算法進行訓練，得到檢測模型θ；

步驟3：利用檢測模型θ進行待測車輛軌跡異常檢測。

2.根據(jù)權利要求1所述的一種基于機器學習的車輛軌跡異常檢測方法，其特征在于步驟3中利用檢測模型θ進行車輛軌跡異常檢測的具體過程如下：采用現(xiàn)有目標跟蹤算法得到車輛的軌跡數(shù)據(jù)T_test，采用步驟1.1-步驟1.4中的方法對T_test進行規(guī)范化，得到規(guī)范化軌跡數(shù)據(jù)X_test，并根據(jù)式(1)計算異常判斷指數(shù)p，若p＝1，則判斷T_test的軌跡異常；若p＝0，則判斷T_test的軌跡正常；異常判斷指數(shù)p的求值公式如式(1)所示：

其中，S(x)函數(shù)為Sigmoid激活函數(shù)。