[发明专利]一种基于KD树结构的MDLOF异常航迹检测方法、系统、设备及介质

说明书

一种基于KD树结构的MDLOF异常航迹检测方法、系统、设备及介质；方法包括：先设置近邻数k、异常阈值ε、构建KD树并计算当前航迹与近邻航迹的多因素定向Hausdorff距离，再计算每条航迹TRsubgt;i/subgt;的多因素近邻边界距离δsubgt;Mborder/subgt;(TRsubgt;i/subgt;,k)及每条航迹到它近邻航迹的多因素可达距离δsubgt;Mreach/subgt;(TRsubgt;i/subgt;,TRsubgt;j/subgt;,k)以及自身近邻密度ρ(TRsubgt;i/subgt;,k)，最后计算每条航迹的多维度局部异常因子MDLOF(TRsubgt;i/subgt;,k)并与异常阈值ε进行比较，进行异常航迹检测；系统、设备及介质，用于实现一种基于KD树结构的MDLOF异常航迹检测方法；本发明具有异常检测种类多样、查询效率高的特点。

技术领域

本发明涉及目标追踪技术领域，具体涉及一种基于KD树结构的MDLOF异常航迹检测方法、系统、设备及介质。

背景技术

现有的MDLOF异常检测算法，通过多因素定向Hausdorff距离构建了多维度异常因子，可以有效的度量目标行为之间的差异程度，但是由于算法中需要暴力求解目标航迹的K近邻航迹集，具有耗时长的缺点。

名称为“基于多维特征的目标异常行为检测方法”，公开号为[CN106022372A]的发明专利申请,提供了一种基于多维特征的目标异常行为检测方法。该方法充分利用目标的属性、类型、位置、速度和航向特征，通过对多维航迹数据的异常检测，实现对目标异常行为的挖掘，具体包括：步骤1，输入目标的多维航迹数据集，设置目标的属性和类型标签；步骤2，计算目标航迹间的多因素定向Hausdorff距离；步骤3，确定每条航迹的近邻航迹；步骤4，计算每条航迹的近邻密度；步骤5，计算每条航迹的多维度局部异常因子；步骤6，对每条航迹进行异常检测判决；步骤7，设置目标异常行为标签。所述方法参数设置简单，准确率高，工程易实现，在模式识别和智能情报处理领域有广阔的应用前景。由于该发明中采用的是暴力遍历的方式来查询每条航迹的K近邻航迹，具有耗时高的缺点。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种基于KD树结构的MDLOF异常航迹检测方法、系统、设备及介质，先设置近邻数k和异常阈值ε并根据多维航迹数据集构建KD树，再计算目标航迹与其临近航迹间的多因素定向Hausdorff距离、每条航机的多因素近邻边界距离及每条航迹到与之临近航迹的多因素科大距离和自身的近邻密度，最后结合MDLOF算法计算局部异常因子，并通过与异常阈值ε进行比较进行异常航迹的检测，具有异常检测种类多样、查询效率高的特点。

为了实现上述目的，本发明采用的技术方案是：

一种基于KD树结构的MDLOF异常航迹检测方法，包括以下步骤：

步骤1、设置近邻数为k、异常阈值为ε，根据多维航迹数据集TD＝{TR₁,TR₂,...,TR_n}构建KD树；

步骤2、利用步骤1中的KD树的查询流程得出当前航迹的k个近邻航迹；

步骤3、利用k个近邻航迹分别计算当前航迹与近邻航迹的多因素定向Hausdorff距离δ_M(TR_i,TR_j)，并利用多因素定向Hausdorff距离δ_M(TR_i,TR_j)计算每条航迹TR_i的多因素近邻边界距离δ_Mborder(TR_i,k)；