[发明专利]一种基于机器学习的车辆轨迹异常检测方法有效
申请号: | 201911143276.4 | 申请日: | 2019-11-20 |
公开(公告)号: | CN111126144B | 公开(公告)日: | 2021-10-12 |
发明(设计)人: | 高飞;李嘉达;李帅;卢书芳;陆佳炜;程振波;肖刚 | 申请(专利权)人: | 浙江工业大学 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06K9/62 |
代理公司: | 杭州浙科专利事务所(普通合伙) 33213 | 代理人: | 周红芳 |
地址: | 310006 浙江省*** | 国省代码: | 浙江;33 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 机器 学习 车辆 轨迹 异常 检测 方法 | ||
本发明涉及一种基于机器学习的车辆轨迹异常检测方法,尤其涉及在车辆通过十字路口时的轨迹运用机器学习进行轨迹异常检测的方法。本发明方法通过输入车辆运行轨迹数据集,并使用机器学习的方法训练得到异常检测模型,并以此为依据进行车辆轨迹异常检测,判断待测车辆轨迹是否可靠,通过对车辆轨迹点的规范化处理,同时结合机器学习的中多元逻辑回归的方法完成异常判断模型θ的训练;它实现了根据异常判断模型θ判断轨迹是否异常,不仅准确率达到要求,同时运用矩阵点积和简易的多元逻辑回归算法,它实现了轨迹异常判断耗时非常少,效率高,非常适用于获取车辆轨迹后实行车辆轨迹异常检测步骤,对车辆目标检测具有重大意义。
技术领域
本发明涉及一种基于机器学习的车辆轨迹异常检测方法,尤其涉及运用机器学习方法对车辆通过十字路口时的轨迹进行轨迹异常检测的方法。
背景技术
随着中国经济飞速发展,交通愈发发达,随之一同显现的交通问题也层出不穷。车辆拥堵,车辆违规违纪,交通治安问题也浮现在我们眼前,由此,根据车辆轨迹来进行行为分析已经成为目前重要的车辆行为分析手段。而车辆轨迹是否正确将决定了分析结果的正确与否。
车辆轨迹获取方式众多,其中包括较早且较成熟的帧间差分的方法、基于光流场的方法、基于背景差的方法,更有新兴的基于深度学习的目标检测方法。然而无论使用哪种方法识别并获取车辆轨迹,在进行车辆轨迹分析前都要保证所获取的车辆轨迹有效可靠,避免异常轨迹存在;若存在目标跟踪丢失或者目标跟踪错误的情况,将会严重影响后续的车辆行为判断,因此本发明不对轨迹获取的方法进行优化,而是根据车辆轨迹数据是否存在异常情况进行轨迹过滤,以获取正常的轨迹;如有异常情况则舍弃该异常轨迹,为后续的车辆行为检测与判断提供可靠优秀的车辆数据轨迹。在车辆检测领域,与准确率的要求相较,速度同样尤为重要,因此需要一种效果好、耗时短的车辆轨迹异常检测方法克服以上问题。
发明内容
本发明要解决的技术问题是提供一种基于机器学习的车辆轨迹异常检测方法,不仅可以检测出异常车辆轨迹,而且其耗时少效率高,特别适用于车辆轨迹获取后车辆轨迹异常检测。
所述的一种基于机器学习的车辆轨迹异常检测方法,其特征在于包括如下步骤:
步骤1:样本准备,数据初始化:令原始车辆轨迹样本数据为Ti={(xi,j,yi,j)|j=1,2,..,mi},i=1,2,...,m,同时对Ti进行标注,得到标注集合Z={zi|i=1,2,...,m},其中,(xi,j,yi,j)表示第i辆车的轨迹中第j个位置的车辆中心点坐标,mi表示第i辆车的行驶轨迹坐标点数量,m表示车辆轨迹样本数量,zi∈{0,1},zi=0表示Ti的轨迹为正常,zi=1表示Ti的轨迹为异常;对所有Ti进行规范化处理,得到规范化后的矩阵MT,向量差矩阵MV,最后,整合为训练模型输入样本矩阵X;
步骤2:以X和Z作为输入并运用多元逻辑回归的机器学习算法进行训练得到检测模型θ;
步骤3:利用检测模型θ进行车辆轨迹异常检测。
所述的一种基于机器学习的车辆轨迹异常检测方法,其特征在于步骤1中的训练模型输入样本矩阵X的规范化处理过程如下:
步骤1.1:去除Ti中重复的坐标点,使Ti中存在的任意两个坐标点不相同;
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于浙江工业大学,未经浙江工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201911143276.4/2.html,转载请声明来源钻瓜专利网。