[發明專利]基于詞袋模型及度量學習的車輛軌跡聚類方法

在審

• 申請號: 202110326764.X
• 申請日: 2021-03-26
• 公開（公告）號: CN113128569A
• 公開（公告）日: 2021-07-16
• 發明（設計）人: 王洪雁;伊林
• 申請（專利權）人: 浙江理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/00
• 代理公司: 大連智高專利事務所(特殊普通合伙) 21235
• 代理人: 蓋小靜

本發明公開了基于詞袋模型及度量學習的車輛軌跡聚類方法，包括：提取車輛軌跡點運動參量；基于最小描述長度原理將所述車輛軌跡劃分為多個最佳同質車輛軌跡段，并獲取各段統計特征以得到所述車輛軌跡段特征集；基于詞袋模型及非凸低秩約束度量學習方法將每個最佳同質車輛軌跡段編碼為定長向量以獲得其特征描述符；通過K?means算法及所述非凸低秩約束度量學習方法聚集所述特征描述符以實現車輛軌跡聚類。本發明引入速度、加速度及轉向角信息并對車輛軌跡進行特征編碼，進而聚集處于不同時段及區域內的車輛軌跡；此外提出基于非凸低秩約束度量學習方法以提升相似性度量性能。

技術領域

本發明涉及車輛軌跡聚類方法，具體涉及基于詞袋模型及度量學習的車輛軌跡聚類方法。

背景技術

隨著全球定位系統(GPS,Global Positioning System)、無線傳感器網絡(WSN,Wireless SensorNetwork)等相關定位技術的快速發展，對于車輛的跟蹤愈加容易，其運動軌跡可被獲取并處理以挖掘所蘊含的相關物理特性等信息。作為時空軌跡挖掘任務的重要環節，車輛軌跡的聚類聚集相似軌跡形成軌跡簇以表征車輛潛在行為特征并據此預測位置以及檢測異常，因而，其在實際應用中具有重要意義。

車輛軌跡的聚類通常基于距離度量相似軌跡以構成軌跡簇。傳統車輛軌跡相似性度量方法將車輛軌跡視為時間序列并基于諸如最長公共子序列(LCSS,Longest CommonSub-sequence)、動態時間規整(DTW,Dynamic Time Warping)等時間序列相似度算法度量車輛軌跡相似性，此類方法實現較為簡單，然而其僅可度量固定區域及時間段內車輛軌跡相似性，因而度量精度有限。針對此問題，Yao D等人提出基于表示的軌跡相似度量算法，利用序列至序列自編碼器(SA,Sequence-to-sequence Auto-encoder)將不同區域內長度及采樣率各異的軌跡編碼為固定長度的特征向量，而后基于歐式距離度量軌跡相似性，然而由于歐式度量僅考慮各特性差異，從而導致相似性度量誤差較大進而使得聚類精度下降。基于此，Deng Z H等人提出基于大間隔最近鄰(LMNN,large margin nearestneighbor)的度量學習方法，該方法充分利用樣本標簽信息構建馬氏距離度量矩陣以度量樣本相似性，然而其未考慮度量矩陣半正定約束所導致的計算復雜度顯著上升以及度量矩陣學習易過擬合等問題，從而導致該算法相似性度量性能有限。由此，Zhong G等人提出基于LMNN的低秩度量學習方法，其基于Deng Z H等人所提算法基礎上增加低秩約束以正則化學習模型從而降低計算復雜度并避免過擬合，然而由于其利用核范數近似度量矩陣秩，而核范數相較于非凸函數秩逼近性能較差，從而使得正則化模型精度下降進而導致聚類性能降低。

發明內容

針對傳統基于距離度量的車輛軌跡聚類方法的聚類效果不佳問題，本發明目的在于提供基于詞袋模型及度量學習的車輛軌跡聚類方法，其基于詞袋模型理論并根據車輛軌跡的相關物理特性對軌跡進行特征編碼，從而獲得定長的車輛軌跡特征描述符，而后利用改進K-means算法聚集所有車輛軌跡的特征描述符，進而形成不同的軌跡簇以表征車輛的行為特征，以便檢測車輛異常行為以及預測車輛位置。

為實現上述目的，本申請的技術方案為：基于詞袋模型及度量學習的車輛軌跡聚類方法，包括：

提取車輛軌跡點運動參量；

基于最小描述長度原理將所述車輛軌跡劃分為多個最佳同質車輛軌跡段，并獲取各段統計特征以得到所述車輛軌跡段特征集；

基于詞袋模型及非凸低秩約束度量學習方法將每個最佳同質車輛軌跡段編碼為定長向量以獲得其特征描述符；

通過K-means算法及所述非凸低秩約束度量學習方法聚集所述特征描述符以實現車輛軌跡聚類。

進一步的，提取車輛軌跡點運動參量，如速度、加速度及轉向角，具體為：