交通監(jiān)控中運(yùn)動(dòng)目標(biāo)軌跡的距離計(jì)算和聚類

李明之，馬志強(qiáng)，單 勇，張曉燕

（空軍工程大學(xué) 電訊工程學(xué)院，陜西 西安710077）

0 引 言

在交通監(jiān)控系統(tǒng)的智能化［1］研究中，軌跡分析是目標(biāo)行為分析和理解的一個(gè)重要方法，如：通過對(duì)車輛行駛軌跡的分析，可以判別車輛是否發(fā)生逆行、違規(guī)轉(zhuǎn)彎等異常情況。而軌跡的距離計(jì)算和聚類是軌跡分析的基礎(chǔ)，軌跡距離計(jì)算和分類是否準(zhǔn)確，將直接影響著軌跡分析的效果。

軌跡距離主要用于衡量?jī)蓷l軌跡的相似程度，是軌跡聚類的前提條件。傳統(tǒng)軌跡距離計(jì)算方法［2］主要考慮目標(biāo)軌跡的空間位置關(guān)系，但在現(xiàn)實(shí)當(dāng)中，對(duì)于同一位置的軌跡也可以是由不同運(yùn)動(dòng)方向、不同運(yùn)動(dòng)速度或者不同尺寸大小的目標(biāo)運(yùn)動(dòng)得到的，如果僅從空間位置關(guān)系計(jì)算軌跡間距離，將不利于后期對(duì)軌跡的聚類和目標(biāo)識(shí)別。因此，部分學(xué)者提出將目標(biāo)運(yùn)動(dòng)方向、運(yùn)動(dòng)速度等參數(shù)融入到軌跡距離計(jì)算當(dāng)中。比如：文獻(xiàn) ［3］提出利用軌跡的空間位置特征和運(yùn)動(dòng)方向特征計(jì)算軌跡間距離，從而可以區(qū)分不同空間位置不同方向的目標(biāo)軌跡；文獻(xiàn) ［4－5］在利用空間位置特征計(jì)算軌跡距離的基礎(chǔ)上加入了速度特征，從而可以區(qū)分不同空間位置不同速度的目標(biāo)軌跡。

獲得軌跡間的距離后，就可以對(duì)監(jiān)控場(chǎng)景中的運(yùn)動(dòng)目標(biāo)軌跡進(jìn)行分類，從而實(shí)現(xiàn)目標(biāo)行為描述并探測(cè)場(chǎng)景中的異常事件。目前軌跡聚類方法主要有：層次聚類［3］、K均值聚類［6］、譜聚類［7］和基于神經(jīng)網(wǎng)絡(luò)的聚類［8］等方法，其中，層次聚類方法簡(jiǎn)單，但傳統(tǒng)的層次聚類方法對(duì)不完整軌跡進(jìn)行聚類時(shí)的準(zhǔn)確性不高，需要對(duì)其進(jìn)行改進(jìn)；譜聚類和基于神經(jīng)網(wǎng)絡(luò)的聚類方法聚類效果較好，但計(jì)算復(fù)雜，難以滿足實(shí)時(shí)性要求；K均值聚類法計(jì)算簡(jiǎn)單，但需要預(yù)先估計(jì)聚類數(shù)目K和聚類中心，文獻(xiàn) ［6］采用預(yù)先人工確定K值，以及隨機(jī)選擇初始化聚類中心的方法，智能化程度不高，而且聚類結(jié)果容易陷入局部最優(yōu)解。

針對(duì)軌跡距離計(jì)算和聚類算法中的主要問題，本文首先對(duì)軌跡距離計(jì)算方法進(jìn)行了改進(jìn)，提出將軌跡之間的距離用空間距離、速度距離、方向距離和尺寸距離4項(xiàng)加權(quán)求和表示，從而提高了對(duì)不同位置、不同速度、不同方向和不同尺寸運(yùn)動(dòng)目標(biāo)的區(qū)分能力；其次，針對(duì)交通目標(biāo)運(yùn)動(dòng)軌跡比較規(guī)律的特點(diǎn)，采用統(tǒng)計(jì)的方法對(duì)基于K均值的軌跡聚類算法進(jìn)行了改進(jìn)，解決了聚類數(shù)目K值和聚類初始中心的自適應(yīng)確定問題。

1 軌跡距離計(jì)算

1.1 軌跡的描述

軌跡是目標(biāo)運(yùn)動(dòng)的一系列質(zhì)心點(diǎn)連接而成。運(yùn)動(dòng)目標(biāo)的軌跡由目標(biāo)跟蹤算法生成，給定目標(biāo)的圖像序列，跟蹤算法按照等間隔Δt進(jìn)行采樣，每次采樣都可以得到目標(biāo)的質(zhì)心位置，按順序連接不同時(shí)刻目標(biāo)的質(zhì)心即可得到運(yùn)動(dòng)軌跡。

傳統(tǒng)軌跡描述方法［2］主要用空間坐標(biāo)來表示軌跡，如ai＝＜＞，這種方法的主要缺點(diǎn)是軌跡的分類不夠細(xì)、識(shí)別率不高。為了區(qū)分不同位置、不同速度、不同方向和不同尺寸運(yùn)動(dòng)目標(biāo)的軌跡，提高軌跡聚類和目標(biāo)識(shí)別的有效性，受文獻(xiàn) ［9］啟發(fā)，本文利用目標(biāo)運(yùn)動(dòng)的空間坐標(biāo)、運(yùn)動(dòng)速度、運(yùn)動(dòng)方向和目標(biāo)尺寸來描述目標(biāo)的運(yùn)動(dòng)軌跡。

對(duì)軌跡集合中的任意一條軌跡A表示為

式中：ai——軌跡A的第i個(gè)采樣點(diǎn)，N——目標(biāo)運(yùn)動(dòng)持續(xù)的采樣次數(shù)，——目標(biāo)質(zhì)心在第i次采樣中的二維空間坐標(biāo)，——第i次采樣中目標(biāo)的面積，用以表示目標(biāo)的尺寸信息，，——第i次采樣中目標(biāo)的速度大小和方向信息，其表示式分別為

式中：Δt——軌跡觀測(cè)采樣的時(shí)間間隔，式（3）中，設(shè)置系數(shù)M的原因是由于反余弦函數(shù)的取值范圍為 ［0，π］，而實(shí)際中目標(biāo)運(yùn)動(dòng)方向的取值范圍為 ［0，2π］，因此，在計(jì)算目標(biāo)運(yùn)動(dòng)方向角時(shí)需要在反余弦函數(shù)的基礎(chǔ)上加上π。M 值的確定可根據(jù)－和－的正負(fù)情況判定運(yùn)動(dòng)方向所在的坐標(biāo)象限，當(dāng)方向角在1、2象限時(shí)，M取0，方向角在3，4象限時(shí)，M取1。

1.2 軌跡的距離計(jì)算

根據(jù)軌跡的描述方法，在軌跡距離計(jì)算時(shí)，也相應(yīng)的引入軌跡的空間距離dh、速度距離dv、方向距離dθ和尺寸距離ds，分別表示目標(biāo)軌跡在空間位置、運(yùn)動(dòng)速度、運(yùn)動(dòng)方向和目標(biāo)尺寸上的差別大小。然后將各項(xiàng)距離加權(quán)求和得到目標(biāo)軌跡間的最終距離，如式（4），用以表示兩條軌跡的綜合差異程度

式中：kh、kv、kθ、ks——權(quán)重系數(shù)，分別表示軌跡A、B之間的空間距離、速度距離、方向距離和尺寸距離對(duì)總的距離的影響程度，kh、kv、kθ、ks的取值范圍為 ［0，1］，且滿足kh＋kv＋kθ＋ks＝1，取值大小應(yīng)根據(jù)實(shí)際應(yīng)用中的具體要求進(jìn)行初步設(shè)置，并通過多次試驗(yàn)，選取區(qū)分效果最好，識(shí)別率最高時(shí)候的值。比如：在對(duì)高速路上的交通目標(biāo)進(jìn)行軌跡距離計(jì)算和聚類時(shí)，由于高速路上的目標(biāo)主要是車輛，尺寸、速度相差不大，因此主要考慮目標(biāo)的空間位置和運(yùn)動(dòng)方向?qū)壽E的影響，而不用考慮運(yùn)動(dòng)速度和尺寸，所以kh、kθ取較大的值，kv、ks取較小的值或0。而對(duì)混合交通的目標(biāo)進(jìn)行軌跡距離計(jì)算和聚類時(shí)，由于需要區(qū)別人和車輛的運(yùn)動(dòng)軌跡，因此需要適當(dāng)加大kv、ks的取值。

常用的軌跡距離計(jì)算方法［10］有：歐氏距離（Euclidean）［11］、Hausdorff距離［12］、LCSS（longest common subsequence）［13］和 DTW（dynamic time warping）［14］等。其中，歐氏距離要求兩條軌跡等長(zhǎng)，而且對(duì)時(shí)序變化較為敏感，容易受噪聲的影響；Hausdorff距離的優(yōu)點(diǎn)是可以對(duì)兩條不同長(zhǎng)度的軌跡進(jìn)行編碼，但其時(shí)間消耗率較高且沒有考慮軌跡方向的影響；LCSS和DTW能有效地對(duì)軌跡距離進(jìn)行度量，但其更適合于描述柔性物體的形狀變化軌跡。

考慮到Hausdorff距離可以對(duì)不同長(zhǎng)度的軌跡進(jìn)行距離計(jì)算，因此，軌跡的空間距離dh（A，B）和速度距離dv（A，B）均采用改進(jìn)的Hausdorff距離［9］進(jìn)行計(jì)算。軌跡空間距離僅考慮軌跡的前2維信息，即軌跡點(diǎn)的空間位置坐標(biāo)。對(duì)于軌跡A上的任意一點(diǎn)ai，在軌跡B上有距離ai最近的點(diǎn)滿足

那么，軌跡A，B的空間有向距離表示為

式中：NA——A的軌跡點(diǎn)個(gè)數(shù)。

則A、B之間的空間對(duì)稱距離為

軌跡的速度距離dv（A，B）計(jì)算與空間距離dh（A，B）計(jì)算基本相同，不同之處在于：空間距離計(jì)算中的點(diǎn)與點(diǎn)之間的距離計(jì)算公式換成速度差距計(jì)算公式

軌跡的方向距離和尺寸距離主要考慮目標(biāo)運(yùn)動(dòng)平均方向和目標(biāo)平均尺寸（考慮部分遮擋的情況）的差別，因此，軌跡A和B之間的方向距離dθ（A，B）和尺寸距離ds（A，B）均采用平均差方法進(jìn)行計(jì)算

在空間距離dh（A，B）、速度距離dv（A，B）、方向距離dθ（A，B）和尺寸距離ds（A，B）都計(jì)算出來后，再將各距離縮放到 ［0，1］范圍內(nèi)，最后通過式（4）得到軌跡間總的距離。

2 軌跡的聚類

在軌跡距離計(jì)算過程中，由于綜合考慮了目標(biāo)空間位置、運(yùn)動(dòng)速度、運(yùn)動(dòng)方向和尺寸大小4個(gè)參數(shù)，相對(duì)于只考慮空間位置信息的距離計(jì)算，計(jì)算量增大，所以為了提高時(shí)效性，本文采用計(jì)算相對(duì)簡(jiǎn)單的K均值算法對(duì)軌跡樣本進(jìn)行聚類。

傳統(tǒng)K均值聚類算法［6］需要預(yù)先人工確定聚類數(shù)目K和初始化聚類中心，無法滿足視頻監(jiān)控的智能化要求。為此，本文針對(duì)交通目標(biāo)運(yùn)動(dòng)軌跡比較規(guī)律的特點(diǎn)，提出一種基于統(tǒng)計(jì)的K均值聚類初始化方法，可以自動(dòng)的確定聚類數(shù)目K和初始化聚類中心。

提出該方法的基本依據(jù)：

（1）在一般的交通場(chǎng)景中，車輛和行人等運(yùn)動(dòng)目標(biāo)都是按照一定的路線、速度和方向行駛的，運(yùn)動(dòng)軌跡比較規(guī)律，歸類相對(duì)比較清楚。

（2）相同類軌跡間距離小，方差也小，不同類軌跡間距離大，方差也大。

（3）初始聚類中心的選則遵循類內(nèi)軌跡數(shù)最多，且各聚類中心分屬不同類的原則。

K均值聚類的具體過程：

（1）建立軌跡距離矩陣。假設(shè)Ω為L(zhǎng)條訓(xùn)練軌跡序列的集合，其中Ω＝｛A1，A2…AL｝，每一個(gè)元素Ai為一個(gè)軌跡序列，對(duì)每?jī)蓚€(gè)軌跡序列利用式（4）進(jìn)行距離計(jì)算，得到d（Ai，Aj），對(duì)所有軌跡序列進(jìn)行計(jì)算則得到一個(gè)L×L的距離矩陣D，其中Di，j＝d（Ai，Aj），如圖1所示。

（2）確定聚類個(gè)數(shù)K。將距離矩陣D中的元素建立統(tǒng)計(jì)圖，如圖2（a），橫坐標(biāo)表示軌跡距離，縱坐標(biāo)相同軌跡距離段的個(gè)數(shù)，并對(duì)其進(jìn)行平滑處理，得到圖2（b）。圖2為軌跡聚類實(shí)驗(yàn)2中的試驗(yàn)結(jié)果。

從圖2可以發(fā)現(xiàn)：曲線有多個(gè)凸峰，每個(gè)凸峰表示在某個(gè)距離段中的軌跡對(duì)達(dá)到極大值，那么可以認(rèn)為除去0點(diǎn)附近凸峰外，其他每個(gè)凸峰的橫坐標(biāo)都可以表示為兩個(gè)軌跡類之間的代表距離，而0點(diǎn)附近的凸峰的橫坐標(biāo)表示為類內(nèi)軌跡之間的代表距離。

（3）初始化聚類中心。首先，設(shè)定初始?xì)w類閾值ρ?？紤]到各類軌跡間的距離最小值為d1，因此可以設(shè)定初始?xì)w類閾值為ρ＝d1/2。當(dāng)滿足（9）式時(shí)，軌跡Ai與Aj判別為一類，不滿足時(shí)，判別為不同類

然后，選擇同類軌跡個(gè)數(shù)最多的軌跡作為第一類初始化聚類中心，方法是通過統(tǒng)計(jì)距離矩陣D中各行元素中滿足Di，j≤d1/2的個(gè)數(shù)Di，j，取得最大值的行所對(duì)應(yīng)的軌跡作為第一類中心Ao1。然后，選擇同類軌跡個(gè)數(shù)次多的軌跡作為第二類中心Ao2，但為了區(qū)別第一類，軌跡Ao1和Ao2需滿足Do1，o2＞d1，這樣就避免了隨機(jī)選擇初始化中心方法中容易出現(xiàn)的所選中心在同一類中的問題，以此類推，選出K個(gè)聚類的初始化中心。

（4）對(duì)訓(xùn)練樣本進(jìn)行二次歸類。方法是：比較所有軌跡樣本Ai與各個(gè)初始化中心Aoj的距離d（Ai，Aoj），將所有的軌跡樣本歸類到與它距離最近的初始化聚類 “中心”所在的類

（5）調(diào)整聚類 “中心”。由步驟（4）可得到對(duì)應(yīng)每類的樣本個(gè)數(shù)L1，L2，…Lk，對(duì)每一類，找出屬于該類的所有樣本，尋找一個(gè)新的代表，使其到該類內(nèi)所有樣本的距離之和最小，該樣本即為新的聚類 “中心”

（6）重復(fù)步驟（4）和（5），直到連續(xù)兩次的迭代結(jié)果（即聚類中心）不再發(fā)生變化為止。此時(shí)的 “中心”就是聚類的 “中心”，各個(gè)類中的樣本就屬于同一類軌跡模式。

3 仿真實(shí)驗(yàn)

為驗(yàn)證本文提出的軌跡距離計(jì)算方法和聚類方法的有效性和適用性，分別對(duì)3個(gè)交通視頻進(jìn)行了仿真實(shí)驗(yàn)。試驗(yàn)系統(tǒng)建立在1G內(nèi)存的普通PC機(jī)上，仿真軟件采用Matlab 7.8，運(yùn)動(dòng)目標(biāo)軌跡數(shù)據(jù)的提取采用文獻(xiàn) ［15］的粒子濾波跟蹤算法。

3.1 軌跡距離計(jì)算實(shí)驗(yàn)

為驗(yàn)證本文提出的軌跡距離計(jì)算方法，分別采用文獻(xiàn)［3］、文獻(xiàn) ［4］和本文提出的方法對(duì)Traffic＿1視頻（avi格式，320×240，25幀/s）進(jìn)行軌跡距離計(jì)算實(shí)驗(yàn)。本文算法中權(quán)重系數(shù)分別取kh＝0.4、kv＝0.2、kθ＝0.2、ks＝0.2。一共提取了23條軌跡進(jìn)行了仿真實(shí)驗(yàn)，抽取了4條有代表性的軌跡和實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分析。如圖3所示，4條軌跡分別采用不同顏色進(jìn)行區(qū)分，軌跡1為一輛車行走的軌跡，軌跡2、3、4是3個(gè)不同的人行走的軌跡，天藍(lán)色箭頭表示軌跡運(yùn)動(dòng)的方向。

圖3 場(chǎng)景Traffic＿1的軌跡

表1 軌跡距離統(tǒng)計(jì)

對(duì)表1的軌跡距離數(shù)據(jù)進(jìn)行分析。首先，對(duì)采用本文方法得到的各軌跡距離進(jìn)行對(duì)比分析，可以發(fā)現(xiàn)：空間距離中，軌跡2和軌跡3的距離最小，軌跡1到軌跡4的距離最大，與圖1相符合；速度距離中，軌跡2、3、4之間的距離都很小，而軌跡1到軌跡2、3、4的距離都很大，說明目標(biāo)2、3、4的速度差小，目標(biāo)1與目標(biāo)2、3、4的速度差都大；相位距離中，軌跡1和軌跡2的距離最小，軌跡3和軌跡1、2的距離較大，說明目標(biāo)1與目標(biāo)2方向相近，目標(biāo)3與目標(biāo)1、2的方向相差大；尺寸距離中，軌跡1與軌跡2、3、4的距離都較大，而軌跡2、3、4之間的距離都較小，說明目標(biāo)1與目標(biāo)2、3、4的尺寸相差大，而目標(biāo)2、3、4之間的尺寸相差??；總的距離中，所有軌跡間距離都比較大，其中軌跡1與軌跡4的軌跡距離最大，而軌跡2與軌跡3的距離最??；以上實(shí)驗(yàn)數(shù)據(jù)分析結(jié)果與實(shí)際情況和理論分析都相符合。然后，對(duì)采用本文算法得到的軌跡間總的距離與采用文獻(xiàn) ［3］和文獻(xiàn) ［4］的方法得到的數(shù)據(jù)進(jìn)行對(duì)比分析，可以發(fā)現(xiàn)：文獻(xiàn) ［3］方法得到的數(shù)據(jù)中，軌跡1與軌跡2的距離很小，其他的數(shù)據(jù)都比較大，原因是由于該方法是利用軌跡的空間位置特征和運(yùn)動(dòng)方向特征計(jì)算軌跡間距離，所以距離計(jì)算結(jié)果受軌跡位置和運(yùn)動(dòng)方向的影響比較大；文獻(xiàn) ［4］方法得到的數(shù)據(jù)中，軌跡2與軌跡3的距離很小，其他的數(shù)據(jù)都比較大，原因是由于該方法是利用軌跡的空間位置特征和運(yùn)動(dòng)速度特征計(jì)算軌跡間距離，所以距離計(jì)算結(jié)果受軌跡位置和運(yùn)動(dòng)速度的影響比較大；而本文所得的軌跡距離數(shù)據(jù)都比較大，原因是由于本文方法綜合考慮了目標(biāo)運(yùn)動(dòng)軌跡的空間位置、速度、方向和尺寸信息，所以距離計(jì)算結(jié)果受軌跡位置和運(yùn)動(dòng)速度、運(yùn)動(dòng)方向和尺寸大小的綜合影響。

3.2 軌跡聚類實(shí)驗(yàn)1

為驗(yàn)證本文提出的軌跡聚類算法的有效性，對(duì)Traffic＿2視頻（avi格式，320×240，25幀/s）進(jìn)行了仿真實(shí)驗(yàn)。距離計(jì)算中權(quán)重系數(shù)取 kh＝0.4、kv＝0.25、kθ＝0.1、ks＝0.25，一共提取了80條軌跡進(jìn)行了仿真實(shí)驗(yàn)，主要提取的軌跡為3個(gè)不同方向的機(jī)動(dòng)車行駛軌跡，以及人行道上的人或自行車的行走軌跡，如圖4（a）所示。

圖4（b）為采用本文方法進(jìn)行軌跡聚類時(shí)得到的軌跡距離統(tǒng)計(jì)圖，圖中曲線的凸峰個(gè)數(shù)為7個(gè)，根據(jù)文章中聚類個(gè)數(shù)計(jì)算方法可自動(dòng)得到k＝4，與實(shí)際情況相符。圖4（c、d、e）為軌跡聚類效果圖，從圖可以發(fā)現(xiàn)：3種方法軌跡聚類個(gè)數(shù)都是4個(gè)，而且向上行走車輛和向下行走車輛的軌跡聚類效果都相對(duì)較好，聚類效果相差較大的地方主要集中于人行道上行人軌跡和水平方向的車輛軌跡的聚類效果。主要原因在于水平方向的這兩種軌跡在空間分布上比較相似而且距離相近，因而空間距離較小，難以區(qū)分。文獻(xiàn)［3］的方法由于在軌跡聚類時(shí)主要考慮軌跡的空間位置特征和運(yùn)動(dòng)方向特征，因而當(dāng)水平方向行駛的車輛與行人相距較近而且運(yùn)動(dòng)方向相同時(shí)，區(qū)分難度較大，如圖4（c）所示；同理，文獻(xiàn) ［4］的方法由于在軌跡聚類時(shí)主要考慮軌跡的空間位置特征和運(yùn)動(dòng)速度特征，因而對(duì)與車輛相距較近而且運(yùn)動(dòng)速度相近的行人（如：自行車）的軌跡難以區(qū)分，如圖4（d）所示；本文方法由于考慮了軌跡的空間位置、運(yùn)動(dòng)速度、運(yùn)動(dòng)方向和尺寸特征，因而聚類效果有一定的提高，如圖4（e）所示。

圖4 場(chǎng)景Traffic＿2的聚類效果

表2 聚類效果對(duì)比

3.3 軌跡聚類實(shí)驗(yàn)2

為驗(yàn)證本文提出的軌跡聚類算法的適用性，對(duì)Traffic＿3視頻（avi格式，320×240，25幀/s）進(jìn)行了仿真實(shí)驗(yàn)。距離計(jì)算中權(quán)重系數(shù)仍然取kh＝0.4、kv＝0.25、kθ＝0.1、ks＝0.25，采用同樣的跟蹤和軌跡聚類方法，處理50條軌跡，同樣得到了符合場(chǎng)景的聚類結(jié)果，如圖5所示。實(shí)驗(yàn)結(jié)果表明此方法對(duì)于試驗(yàn)中場(chǎng)景Traffic＿3也是適用的。

圖5 場(chǎng)景Traffic＿3的聚類效果

需要說明的是：文中K均值聚類的初始化方法在軌跡類的空間分布都均勻?qū)ΨQ，運(yùn)動(dòng)速度、運(yùn)動(dòng)方向和目標(biāo)類型也一致相同的情況下，軌跡間距離相差不是很明顯，如果曲線平滑不夠理想，初始化聚類個(gè)數(shù)和聚類中心選擇可能會(huì)與實(shí)際情況存在一定的偏差，但這種情況一般是比較少見的，因此，可以認(rèn)為本文提出的軌跡聚類算法的適用性。

4 結(jié)束語(yǔ)

針對(duì)交通監(jiān)控中運(yùn)動(dòng)目標(biāo)的軌跡距離計(jì)算問題和聚類問題，本文主要做了兩方面工作：一是改進(jìn)了軌跡距離計(jì)算方法，通過引入目標(biāo)的空間坐標(biāo)、速度、方向和尺寸4個(gè)參數(shù)，提高了對(duì)運(yùn)動(dòng)目標(biāo)軌跡的區(qū)分能力；二是采用統(tǒng)計(jì)的方法對(duì)基于K均值的軌跡聚類算法進(jìn)行了改進(jìn)，解決了聚類數(shù)目K值的自適應(yīng)確定和聚類初始中心的選擇問題。通過對(duì)真實(shí)場(chǎng)景的仿真實(shí)驗(yàn)，驗(yàn)證了本文提出的軌跡距離計(jì)算和聚類方法的有效性和適用性。軌跡距離計(jì)算和軌跡聚類是軌跡分析和行為理解的基礎(chǔ)，因此，本文的研究結(jié)果對(duì)于進(jìn)一步的目標(biāo)分類和行為理解等研究，具有一定的參考價(jià)值。

［1］Valera M，Velastin S A.Intelligent distributed surveillance systems：A review ［C］.Proceedings of the Vision，Image and Signal Processing，2005：192－204.

［2］Hwang J R，KANG H Y，LI K J.Spatio－temporal similarity analysis between trajectories on road networks ［C］.Proceedings of the 24th International Conference on Perspectives in Conceptual Modeling，2005：280－289.

［3］HAO Jiuyue，LI Chao，GAO Lei，et al.Moving object trajectory clustering method in intelligent surveillance video ［J］.Journal of Beijing University of Aeronautics and Astronautics，2009，35（9）：1083－1087（in Chinese）.［郝久月，李超，高磊，等.智能監(jiān)控場(chǎng)景中運(yùn)動(dòng)目標(biāo)軌跡聚類算法 ［J］.北京航空航天大學(xué)學(xué)報(bào)，2009，35（9）：1083－1087.］

［4］WEN Jia，CUI Wei.Extraction and clustering of vehicle’s trajectories from live video ［J］.Computer Engineering and Applications，2010，46（11）：155－157（in Chinese）. ［聞佳，崔維.實(shí)時(shí)視頻中的車輛運(yùn)動(dòng)軌跡的提取和聚類 ［J］.計(jì)算機(jī)工程與應(yīng)用，2010，46（11）：155－157.］

［5］WANG X G，TIEU K，Grimson E.Learning semantic scene models by trajectory analysis ［G］.LNCS 3953：Proceedings of the 9th European Conference on Computer，2006：110－123.

［6］PAN Qiming，ZHOU Wenhui，CHENG Yongmei.Trajectory classification and recognition of moving objects ［J］.Fire Control ＆ Command Control，2009，34（11）：79－83（in Chinese）.［潘奇明，周文輝，程詠梅.運(yùn)動(dòng)目標(biāo)軌跡分類與識(shí)別［J］.火力與指揮控制，2009，34（11）：79－83.］

［7］KONG Wanzeng，SUN Zhihai，YANG Can，et al.Automatic spectral clustering based on eigengap and orthogonal eigenvector ［J］.Acta Electronica Sinic，2010，38（8）：1880－1885（in Chinese）.［孔萬增，孫志海，楊燦，等.基于本征間隙與正交特征向量的自動(dòng)譜聚類 ［J］.電子學(xué)報(bào)，2010，38（8）：1880－1885.］

［8］YUAN Hejin，ZHANG Yanning，ZHOU Tao，et al.Trajectory pattern learning approach based on cascade competitive neural networks and graph search method ［J］.Journal of System Simulation，2008，20（4）：841－845（in Chinese）.［袁和金，張艷寧，周濤，等.基于級(jí)聯(lián)網(wǎng)絡(luò)和圖搜索的軌跡模式學(xué)習(xí)算法［J］.系統(tǒng)仿真學(xué)報(bào)，2008，20（4）：841－845.］

［9］HU Hongyu.Research on methods for traffic event recognition based on video processing ［D］.Changchun：Jilin University PhD Dissertation，Changchun，2010（in Chinese）.［胡宏宇.基于視頻處理的交通事件識(shí)別方法研究 ［D］.長(zhǎng)春：吉林大學(xué)博士學(xué)位論文，2010.］

［10］ZHANG Z，HUANG K，TAN T N.Comparison of similarity measures for trajectory clustering in outdoor surveillance scenes［C］.Proceedings International Conference on Pattern Recognition.Piscataway，N J：IEEE Press，2006：1135－1138.

［11］FU Zhouyu，HU Weiming，TAN Tieniu.Similarity based vehicle trajectory clustering and anomaly detection ［C］.Italy：Proceedings of the IEEE International Conference on Image Processing，2005：602－605.

［12］QU Lin，ZHOU Fan，CHEN Yaowu.Trajectory classification based on Hausdorff distance for visual surveillance system［J］.Journal of Jilin University，2009，39（6）：1618－1624（in Chinese）.［曲琳，周凡，陳耀武.基于 Hausdorff距離的視覺監(jiān)控軌跡分類算法 ［J］.吉林大學(xué)學(xué)報(bào)，2009，39（6）：1618－1624.］

［13］Fashandi H，Moghaddam A M E.A new rotation invariant similarity measure for trajectories ［C］.Finland：Proceedings of the IEEE International Symposium on Computational Intelligence in Robotics and Automation，2005：631－634.

［14］Junejo I N，F(xiàn)oroosh H.Trajectory rectification and path modeling for video surveillance［C］.Proceedings of the IEEE International Conference on Computer Vision.Brazil IEEE Press，2007：1－7.

［15］LIU Huaping，SUN Fuchun，HE Kezhong.Symmetry－aided particle filter for vehicle tracking ［C］.Italy：IEEE International Conference on Robotics and Automation， 2007：4633－4638.