[发明专利]基于Spectral Clustering空间轨迹的聚类方法

摘要

本发明公开了基于Spectral Clustering空间轨迹的聚类算法，包括利用摄像机对道路进行视频图像采集，对视频图像中的每一帧图像中的所有运动目标采用ORB算法提取特征点，然后利用基于双向加权可逆性约束的KLT跟踪算法对特征点进行跟踪，得到所有运动目标的多条运动轨迹以及每条运动轨迹上每个轨迹点在图像坐标系中的坐标值；利用刚体运动约束对所有运动目标的n条运动轨迹构建相似矩阵进行谱聚类，得到不同类别的运动轨迹；对不同类别的运动轨迹进行类间合并，得到类间合并后的运动轨迹；本发明所提到的方法不受工程应用上各类环境的影响和限制，并且易于实现，能有效的对车辆进行实时精确的检测，因此具有很广的应用前景。

主权项

基于Spectral Clustering空间轨迹的聚类算法，其特征在于，包括以下步骤：步骤1，利用摄像机对道路进行视频图像采集，得到视频图像中的每一帧图像中的所有运动目标的多条运动轨迹以及每条运动轨迹上每个轨迹点在图像坐标系中的坐标值；设所有运动目标的运动轨迹的数量为n，每条运动轨迹上有r个连续的轨迹点；其中，n为大于等于1的自然数，r为大于等于1的自然数；所述图像坐标系以视频图像中每一帧图像的任一角为原点，以每一帧图像的水平方向为u轴，以每一帧图像的竖直方向为v轴；步骤2，利用刚体运动约束对所有运动目标的n条运动轨迹构建相似矩阵进行谱聚类，得到不同类别的运动轨迹；包括：步骤21，以平行于道路车道标线的方向为Y轴，以垂直于道路车道标线的方向为X轴，且X轴和Y轴均与道路相平行，以X轴和Y轴的交点为原点O，以摄像机与道路最短距离的方向为Z轴，建立世界坐标系；步骤22，从所有运动目标的多条运动轨迹中任选两条运动轨迹，分别记为M和N，轨迹M的高度hM的方向为水平面的竖直方向，hM的取值范围为1‑3m，hM的取值间隔为0.1m；轨迹N的高度hN的方向为水平面的水平方向，hN的取值范围为0‑4m，hN的取值间隔为0.01m；通过式(1)得到ΔD1面：ΔD1=Σi=1r-1|M(Pi+1)N(Pi+1)-M(Pi)N(Pi)|---(1)]]>式(1)中，N(Pi)表示轨迹N上的第i个轨迹点，M(Pi)表示轨迹M上第i个轨迹点，M(Pi+1)表示轨迹M上第i+1个轨迹点，N(Pi+1)表示轨迹N上第i+1个轨迹点，i＝1,2,....,r‑1；M(Pi)N(Pi)表示同一时刻轨迹M上的轨迹点Pi与轨迹N上的轨迹点Pi在世界坐标系中的距离；通过式(2)得到ΔD2面：ΔD2=Σi=1r-1|M(Pi+1)M(Pi)-N(Pi+1)N(Pi)|---(2)]]>式(2)中，N(Pi)表示轨迹N上的第i个轨迹点，M(Pi)表示轨迹M上第i个轨迹点，M(Pi+1)表示轨迹M上第i+1个轨迹点，N(Pi+1)表示轨迹N上第i+1个轨迹点，i＝1,2,....,r‑1；M(Pi+1)M(Pi)表示轨迹M上轨迹点Pi和Pi+1在世界坐标系中的距离；通过式(3)将轨迹点Pi在图像坐标系中的坐标值(ui,vi)转换为世界坐标系下的坐标值(xi,yi,zi)：Pi＝C3×4‑1λipi  (3)式(3)中，pi＝[ui,vi,1]T，Pi＝[xi,yi,zi,1]T，λi为尺度因子，0≤λi≤1；C‑13×4表示摄像机的透视投影矩阵的逆矩阵；步骤23，以hM、hN作为两个轴构建一个平面作为零平面，则ΔD1面、ΔD2面分别为垂直于零平面的两个纵平面；ΔD1面和ΔD2面分别与零平面形成两条交线，作为ΔD1交线和ΔD2交线；设ΔD1交线和ΔD2交线之间的距离为ΔDiff12，且ΔD1交线和ΔD2交线之间的夹角为θ，ΔD1交线的斜率为k1，ΔD2交线的斜率为k2；步骤24，通过式(4)得到相似矩阵A中的一个元素woq：式(4)中，q＝1,2,...n；o＝1,2,...n；ΔD1IJ表示当轨迹M的高度为hMI、轨迹N的高度为hNJ时的ΔD1值；ΔD2IJ表示当轨迹M的高度为hMI、轨迹N的高度为hNJ时的ΔD2值；hMI＝1,1.1,1.2,....,2.9,3，单位为m；hNJ＝0,0.01,0.02,...,3.99,4，单位为m；步骤25，重复步骤22至步骤24，直至n条轨迹两两之间都被作为轨迹M和轨迹N，得到n×n的相似矩阵A，执行步骤26；步骤26，将相似矩阵A的特征值按照从大到小的顺序排列，所有特征值的和为Sn；选取最小的k值，使得则n条运动轨迹的聚类数目为k，执行步骤27；其中，Sk为前k个特征值的和，k为大于等于1的自然数；步骤27，利用前k个特征值所对应的特征向量构建n×k维的特征向量空间，利用K‑means算法对n×k维的特征向量空间进行聚类，将n条运动轨迹聚类为k个类别的运动轨迹。