[发明专利]一种基于隐马尔科夫模型的车辆异常行为检测方法

权利要求书

1.一种基于隐马尔科夫模型的车辆异常行为检测方法，其特征在于，包括以下步骤：

a、采集视频图像，利用跨于道路上方或立于道路两侧的摄像头进行视频图像采集；

b、获得轨迹，通过采集到的视频图像对场景内的车辆目标进行提取和跟踪以获得车辆的轨迹；

c、离线训练环节，将上述轨迹的生长方向特征进行聚类，并通过误差筛查处理得到典型轨迹群，对相同生长方向的轨迹进行隐马尔科夫模型的学习，获得场景内的常态行为模式；

d、实时检测环节，提取新轨迹，并计算新轨迹与常态行为模式的最大匹配概率值，若得到的最大匹配概率值小于所设定的阈值，则车辆发生异常行为。

2.根据权利要求1所述的基于隐马尔科夫模型的车辆异常行为检测方法，其特征在于，所述的步骤c中所述的离线训练环节，具体包括以下步骤：

（1）对车辆跟踪获得的轨迹分别进行起止方向向量提取：

其中，（x(0)，y(0)）代表该条轨迹的开始坐标，（x(t)，y(t)）代表该条轨迹的终止坐标；

（2）用高斯混合模型来描述获得的轨迹生长方向向量，其中，一个高斯函数代表方向向量的一个聚类，高斯混合模型的个数就是聚类的类别数；

（3）对获得的聚类的类别数进行误差筛查：

首先进行基于方差矩阵行列式的虚假类去除：逐个计算各个高斯分布的方差矩阵行列式，若某一分类的方差矩阵行列式大于其余所有分类之和的两倍，则认为该类别为虚假类，予以去除；

其次进行过分割筛查：在巴氏距离基础上构造误差公式：

 ，           

其中，E为两个类别之间的分类误差，b为描述重叠样本相似度的巴氏距离,当设定巴氏距离最大不超过1.5时，获得的分类误差为5%，当两个类别之间的巴氏距离b＜T_b=1.5时，两个分类将被合并，

最后进行孤立噪声筛查：采用基于最大最小峰值系数的自适应均值、方差估计法将聚类的类别中存在离均值较远孤立点的误差进行筛查处理得到典型轨迹群；

（4）在上述步骤（1）-（3）获得的聚类结果基础上，对具有相同生长方向的一轨迹群，利用轨迹点的位置及速度信息进行隐马尔科夫模型学习：首先将轨迹群中各条轨迹的长度利用状态延长法进行统一，其次对其进行离散的隐马尔科夫模型学习，对每个聚类子集都进行一次隐马尔科夫模型学习，得到场景内的常态行为模式的K个模型集。

3.根据权利要求2所述的基于隐马尔科夫模型的车辆异常行为检测方法，其特征在于，所述的步骤d中所述的实时检测环节，具体包括以下步骤：

（1）设一条新轨迹为，则待识别的轨迹序列，其中（x_i，y_i）为车辆在第i个采样点上的图像位置，（δx_i，δy_i）为运行速度；

(2)对模型集中的每个模型，按如下公式计算O相对于模型集中每个模型的条件概率：

，其中N为选取的状态数目，                             

                               

；                                      

（3）把条件概率最大的轨迹模式类作为该轨迹序列的类别，识别结果为，                                   

根据上述得到与新轨迹最匹配的模式类别，若最大匹配概率值小于设定的阈值T_p，则车辆发生了异常行为。

4.根据权利要求2所述的基于隐马尔科夫模型的车辆异常行为检测方法，其特征在于，所述的离线训练环节的步骤（2）中高斯混合模型的参数通过期望最大化（Expectation Maximization，EM）算法进行求解。

5.根据权利要求1所述的基于隐马尔科夫模型的车辆异常行为检测方法，其特征在于，所述的离线训练环节的步骤（4）中状态延长法为用最后一个有效状态将轨迹填补。

6.根据权利要求4所述的基于隐马尔科夫模型的车辆异常行为检测方法，其特征在于，所述的实时检测环节的步骤（3）中的阈值T_p在离线训练环节进行设定。