基于车辆轨迹多特征的聚类分析及异常检测方法的研究-通信与信息系统专业论文.docxVIP

万方数据 万方数据 分类号： 密级： U D C ： 编号： 工学硕士学位论文 基于车辆轨迹多特征的聚类分析及异常检测 方法的研究 硕士研究生 ：韩 旭 指 导 教 师 ：汤春明 教授 学 位 级 别 ：工学硕士 学科、专业 ：通信与信息系统 所 在 单 位 ：信息与通信工程学院 论文提交日期 ：2014 年 1 月 13 日 论文答辩日期 ：2014 年 3 月 11 日 学位授予单位 ：哈尔滨工程大学 Classified Index: U.D.C: A Dissertation for the Degree of M. Eng Research on Cluster Analysis and Anomaly Detection Based on Multi-Feature Vehicle Trajectory Candidate: Han Xu Supervisor: Prof. Tang Chunming Academic Degree Applied for: Master of Engineering Specialty: Communication and Information System Date of Submission: Jan. 13, 2013 Date of Oral Examination: Mar.11, 2013 University: Harbin Engineering University 哈尔滨工程大学 学位论文原创性声明 本人郑重声明：本论文的所有工作，是在导师的指导下，由作者本人 独立完成的。有关观点、方法、数据和文献的引用已在文中指出，并与参 考文献相对应。除文中已注明引用的内容外，本论文不包含任何其他个人 或集体已经公开发表的作品成果。对本文的研究做出重要贡献的个人和集 体，均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本 人承担。 作者（签字）： 日期： 年 月 日 哈尔滨工程大学 学位论文授权使用声明 本人完全了解学校保护知识产权的有关规定，即研究生在校攻读学位 期间论文工作的知识产权属于哈尔滨工程大学。哈尔滨工程大学有权保留 并向国家有关部门或机构送交论文的复印件。本人允许哈尔滨工程大学将 论文的部分或全部内容编入有关数据库进行检索，可采用影印、缩印或扫 描等复制手段保存和汇编本学位论文，可以公布论文的全部内容。同时本 人保证毕业后结合学位论文研究课题再撰写的论文一律注明作者第一署名 单位为哈尔滨工程大学。涉密学位论文待解密后适用本声明。 本论文（□在授予学位后即可 □在授予学位 12 个月后 □解密后） 由哈尔滨工程大学送交有关部门进行保存、汇编等。 作者（签字）： 导师（签字）： 日期： 年 月 日 年 月 日 基于车辆轨迹多特征的聚类分析及异常检测方法的研究 摘 要 随着智能交通监控技术的不断发展，基于运动目标轨迹的行为分析和识别已成为研 究热点，其中聚类分析和异常检测是研究的重点内容。通过对运动目标的轨迹进行聚类， 可以自动的获取监控场景的典型轨迹运动模式并了解场景结构；而异常检测的目标是能 实时的自动的检测出监控场景中的异常行为，并及时的报警异常，是实现智能化监控的 关键步骤。本文对智能交通监控领域中的轨迹聚类分析和异常检测这两个关键技术中存 在的问题进行了深入的研究，充分利用了轨迹的不同特征信息，提出了切实可行的改进 方法，主要工作体现在以下几个方面： 在聚类分析方面，针对传统聚类方法只利用轨迹的单一特征信息进行聚类，聚类准 确率低的问题，提出了基于轨迹多特征的分层聚类算法。该方法分别采用 Bhattacharyya 距离和基于线段插值的改进 Hausdorff 距离衡量轨迹间运动方向和空间位置的相似度， 通过由粗到细的分层聚类来提取轨迹运动模式。为了提高聚类的效率，在每层的凝聚层 次聚类中引入 Laplacian 映射以降低计算复杂度并同时自动确定每层的聚类数目。 在异常检测方面，首先对异常行为进行了全新的描述。根据异常轨迹偏离正常模式 的程度和性质的不同，定义了三种常见的异常类型，分别为起点异常、全局异常和局部 异常，有效解决了传统的异常描述方法通用性不强、异常类型定义模糊等问题。然后针 对传统的异常检测方法只考虑了轨迹的空间位置异常而忽略方向异常，或只能粗略检测 差异较大的轨迹异常而忽略轨迹局部子段异常等问题，提出了基于轨迹多特征的在线异 常检测方法。该方法先通过 GMM 模型学习监控场景的轨迹起点位置分布模式，建立轨 迹起点分布模型；再以移动窗作为基本比较单元，学习聚类后的每个正常轨迹参考类的 空间位置模式和运动方向模式，建立基于位置距离和方向距离的分类器。最后在异常检 测阶段，结合本文定义的异常类型，通过提出的在线多特