[发明专利]一种轨迹建模与检索方法

权利要求书

1.一种基于粘性多模态对偶分层狄利克雷过程隐马尔可夫模型SMD-HDP-HMM的轨迹建模方法，该方法包括：

步骤S1：将每条轨迹表示成视觉文档，形成包括多个视觉文档的训练集；以及

步骤S2：用训练集中的视觉文档学习SMD-HDP-HMM模型。

2.根据权利要求1所述的轨迹建模方法，其特征在于，所述步骤S1包括：

步骤S1a：将每条轨迹分割成子轨迹序列；

步骤S1b：从每条子轨迹中提取一个特征向量；以及

步骤S1c：对子轨迹特征向量聚类生成视觉词典，根据该视觉词典把每条子轨迹编码成视觉单词，从而把每条轨迹表示成视觉文档。

3.根据权利要求1所述的轨迹建模方法，其特征在于，所述步骤S2包括：

步骤S2a：为SMD-HDP-HMM中的各个参数随机地生成初始值；以及

步骤S2b：用Gibbs采样法采样SMD-HDP-HMM中的各个参数，采样足够多次直至模型收敛。

4.根据权利要求2所述的轨迹建模方法，其特征在于，步骤S1a包括：针对每条轨迹，对该轨迹的带时间标签的点集进行聚类，聚出的每个团簇即为一条子轨迹。

5.根据权利要求2所述的轨迹建模方法，其特征在于，步骤S1b包括，针对每条子轨迹：

对该子轨迹进行重采样使之具有相同的点数；

获得每个点的速度特征；以及

将每个点的位置坐标和速度特征进行拼接，以得到该子轨迹的特征向量。

6.根据权利要求2所述的轨迹建模方法，其特征在于，在步骤S1c中，使用K-means算法对子轨迹特征向量聚类。

7.根据权利要求3所述的轨迹建模方法，其特征在于，SMD-HDP-HMM中的各个参数包括第j(j＝1，2，...)篇文档的隐状态序列第j篇文档的模态标签集合模态权重向量{ψ_k}、全局主题先验分布β₀、第c类文档的主题先验{β_c}、第c类文档的状态转移矩阵第j篇文档的类别标签{c_j}以及主题参数集合{θ_ks}。

8.一种轨迹检索方法，该轨迹检索方法使用根据权利要求1-7中的任一项所述的轨迹建模方法生成的SMD-HDP-HMM模型，该轨迹检索方法包括以下步骤：

步骤S3：将新输入的轨迹表示成视觉文档；以及

步骤S4：将新输入的轨迹的视觉文档与SMD-HDP-HMM模型进行匹配，判断其是否异常并且/或者检索出SMD-HDP-HMM模型中与之最相似的轨迹。

9.根据权利要求8在引用权利要求2时所述的方法，其特征在于，所述步骤3包括：

步骤S3a：将新轨迹分割成子轨迹序列；

步骤S3b：从新轨迹的每条子轨迹中提取一个特征向量；以及

步骤S3c：根据视觉词典把新轨迹的每条子轨迹编码成视觉单词，从而把新轨迹表示成视觉文档。

10.根据权利要求8所述的方法，其特征在于，所述步骤S4包括：

步骤S4a：计算新轨迹关于SMD-HDP-HMM模型中各轨迹模式的条件似然，将其中最大者与一个事先确定的阈值进行比较，如果小于该阈值，则判定新轨迹为异常轨迹；以及/或者

步骤S4b：计算新轨迹属于SMD-HDP-HMM模型中各轨迹模式的后验概率，后验概率最大的轨迹模式中与该新轨迹的条件似然最大的轨迹即为SMD-HDP-HMM模型中与新轨迹最相似的轨迹。

11.根据权利要求10所述的方法，其特征在于，在所述步骤S4a中，对于每个轨迹模式，根据该轨迹模式的状态转移矩阵、多模态混合权重向量以及分布参数，用隐马尔可夫模型的前向-后向算法来计算新轨迹关于该轨迹模式的条件似然。