基于时空轨迹信息的目标行为模式在线分类方法

doi:10.7527/S1000-6893.2022.27281

电子电气工程与控制

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

基于时空轨迹信息的目标行为模式在线分类方法

姜乔文, 刘瑜(), 丁自然, 孙顺, 简涛

海军航空大学信息融合研究所，烟台 264001

收稿日期:2022-04-13 修回日期:2022-05-11 接受日期:2022-05-24 出版日期:2023-04-25 发布日期:2022-06-08
通讯作者: 刘瑜 E-mail:liuyu77360132@126.com
基金资助:
国家自然科学基金(62022092);山东省高等学校青创科技支持计划(2021KJ005);基础加强计划技术领域基金(2021-JCJQ-JJ-0251);泰山学者工程专项经费(tsqn201909156)

Online classification of target behavior pattern based on spatiotemporal trajectory information

Qiaowen JIANG, Yu LIU(), Ziran DING, Shun SUN, Tao JIAN

Institute of Information Fusion，Naval Aviation University，Yantai 264001，China

Received:2022-04-13 Revised:2022-05-11 Accepted:2022-05-24 Online:2023-04-25 Published:2022-06-08
Contact: Yu LIU E-mail:liuyu77360132@126.com
Supported by:
National Natural Science Foundation of China(62022092);Shandong Provincial Colleges and Universities Youth Innovation Technology Support Program(2021KJ005);Foundation Strengthening Program technical area Fund(2021-JCJQ-JJ-0251);Special funds for Taishan Scholars Project(tsqn201909156)

摘要/Abstract

摘要：

在预警监视领域，及时地预测目标行为模式对于态势认知至关重要。首先，针对当前大多数目标行为分类器实时性不强、对离群轨迹不敏感等问题，提出了带有离群检测的归纳式一致性多类预测器（ICMP）。其次，针对目标行为分类算法仅考虑目标的空间位置信息，而忽略航向和速度信息的问题，基于轨迹的时间和空间2个维度的信息提出了时空Hausdorff距离（STHD），从而可以有效区分空间位置相似但运动速度和方向不同的行为。然后，基于定向时空Hausdorff距离和K最近邻思想构造了定向时空Hausdorff最近邻不一致性度量函数（DSHNN-NCM）；在此基础上，提出了带有离群检测的序贯时空Hausdorff最近邻归纳式一致性多类预测器（SSHNN-ICMP），能够在预警监视场景下对目标频繁出现的行为进行在线学习和分类。最后，分别在仿真军事场景和真实民用场景中进行实验分析，结果表明本文算法具备较好的准确性和实时性，在预警监视任务中有良好的应用前景。

关键词: 时空轨迹, 行为模式, Hausdorff距离, 一致性预测, 在线分类

Abstract:

In the early warning and monitoring field， it is very important to predict target behavior patterns in time for situation cognition. Firstly， an Inductive Conformal Multi-class Predictor （ICMP） with outlier detection is proposed to solve the problem that most current classifiers are in low computational efficiency and not sensitive to outliers. Secondly， to overcome the problem that most behavior pattern classifiers only consider the spatial location information of the target and ignore the course and velocity information， a concept of Spatio-Temporal Hausdorff Distance （STHD） is proposed to distinguish behaviors with similar spatial position but different course and velocity effectively. Then， a Directed Spatiotemporal Hausdorff Nearest Neighbor Nonconformity Measure （DSHNN-NCM） function is constructed by combining the idea of KNN and STHD. On this basis， a Sequential Spatiotemporal Hausdorff Nearest Neighbor Inductive Conformal Multi-class Predictor （SSHNN-ICMP） with outlier detector is proposed， which can online learn and predict the frequent behaviors of targets in the early warning and monitoring scenario. Finally， experiments and analyses are carried out in a military simulation scenario and a real civilian scenario. The results show that the proposed algorithm has better accuracy and real-time performance， showing good applicability in early warning and surveillance tasks.

Key words: spatiotemporal trajectory, behavior pattern, Hausdorff distance, conformal predictor, online classification

中图分类号:

V355.1

姜乔文, 刘瑜, 丁自然, 孙顺, 简涛. 基于时空轨迹信息的目标行为模式在线分类方法[J]. 航空学报, 2023, 44(8): 327281-327281.

Qiaowen JIANG, Yu LIU, Ziran DING, Shun SUN, Tao JIAN. Online classification of target behavior pattern based on spatiotemporal trajectory information[J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2023, 44(8): 327281-327281.

图/表 11

图 1

图 2

图 3

图 4

表1

图5

图6

图7

图 8

表2

图9

参考文献 29

1	何友，姚力波，江政杰. 基于空间信息网络的海洋目标监视分析与展望［J］. 通信学报， 2019， 40（4）： 1-9.
	HE Y， YAO L B， JIANG Z J. Summary and future development of marine target surveillance based on spatial information network［J］. Journal on Communications， 2019， 40（4）： 1-9 （in Chinese）.
2	何友，姚力波. 天基海洋目标信息感知与融合技术研究［J］. 武汉大学学报（信息科学版）， 2017， 42（11）： 1530-1536.
	HE Y， YAO L B. Space-based Sea target information awareness and fusion［J］. Geomatics and Information Science of Wuhan University， 2017， 42（11）： 1530-1536 （in Chinese）.
3	何友，熊伟，刘俊，等. 海上信息感知与融合研究进展及展望［J］. 火力与指挥控制， 2018， 43（6）： 1-10.
	HE Y， XIONG W， LIU J， et al. Review and prospect of research on maritime information perception and fusion［J］. Fire Control & Command Control， 2018， 43（6）： 1-10 （in Chinese）.
4	PAN X L， HE Y， WANG H P， et al. Mining regular behaviors based on multidimensional trajectories［J］. Expert Systems With Applications， 2016， 66： 106-113.
5	ANSARI M Y， MAINUDDIN， AHMAD A， et al. Spatiotemporal trajectory clustering： A clustering algorithm for spatiotemporal data［J］. Expert Systems With Applications， 2021， 178： 115048.
6	RONG H， TEIXEIRA A P， GUEDES SOARES C. Data mining approach to shipping route characterization and anomaly detection based on AIS data［J］. Ocean Engineering， 2020， 198： 106936.
7	潘奇明，周文辉，程咏梅. 运动目标轨迹分类与识别［J］. 火力与指挥控制， 2009， 34（11）： 79-83.
	PAN Q M， ZHOU W H， CHENG Y M. Trajectory classification and recognition of moving objects［J］. Fire Control & Command Control， 2009， 34（11）： 79-83 （in Chinese）.
8	魏龙翔，何小海，滕奇志，等. 结合Hausdorff距离和最长公共子序列的轨迹分类［J］. 电子与信息学报， 2013， 35（4）： 784-790.
	WEI L X， HE X H， TENG Q Z， et al. Trajectory classification based on Hausdorff distance and longest common SubSequence［J］. Journal of Electronics & Information Technology， 2013， 35（4）： 784-790 （in Chinese）.
9	曲琳，周凡，陈耀武. 基于Hausdorff距离的视觉监控轨迹分类算法［J］. 吉林大学学报（工学版）， 2009， 39（6）： 1618-1624.
	QU L， ZHOU F， CHEN Y W. Trajectory lcassification based on Hausdorff distance for visual surveillance system［J］. Journal of Jilin University （Engineering and Technology Edition）， 2009， 39（6）： 1618-1624 （in Chinese）.
10	POKORNY F T， HAWASLY M， RAMAMOORTHY S. Topological trajectory classification with filtrations of simplicial complexes and persistent homology［J］. International Journal of Robotics Research， 2016， 35（1-3）： 204-223.
11	BOLBOL A， CHENG T， TSAPAKIS I， et al. Inferring hybrid transportation modes from sparse GPS data using a moving window SVM classification［J］. Computers Environment and Urban Systems， 2012， 36（6）：526-537.
12	赵竹珺，吉根林. 时空轨迹分类研究进展［J］. 地球信息科学学报， 2017， 19（3）： 289-297.
	ZHAO Z J， JI G L. Research progress of spatial-temporal trajectory classification［J］. Journal of Geo-Information Science， 2017， 19（3）： 289-297 （in Chinese）.
13	潘新龙，程学旗，王海鹏，等. 基于航迹数据挖掘的目标行为分析概述［J］. 指挥与控制学报， 2021， 7（4）： 335-341.
	PAN X L， CHENG X Q， WANG H P， et al. An overview of target behavior analysis based on trajectory data mining［J］. Journal of Command and Control， 2021， 7（4）： 335-341 （in Chinese）.
14	曹卫权，李智翔，魏强，等. 基于区域分布概率密度估计的轨迹分类方法［J］. 计算机工程， 2018， 44（4）： 262-267， 286.
	CAO W Q， LI Z X， WEI Q， et al. Trajectory classification method based on probability density estimation of regional distribution［J］. Computer Engineering， 2018， 44（4）： 262-267， 286 （in Chinese）.
15	崔彤彤，王桂玲，高晶. 基于1DCNN-LSTM的船舶轨迹分类方法［J］. 计算机科学， 2020， 47（9）： 175-184.
	CUI T T， WANG G L， GAO J. Ship trajectory classification method based on 1DCNN-LSTM［J］. Computer Science， 2020， 47（9）： 175-184 （in Chinese）.
16	OWENS J， HUNTER A. Application of the self-organising map to trajectory classification［C］∥Proceedings Third IEEE International Workshop on Visual Surveillance. Piscataway： IEEE Press， 2002： 77-83.
17	BOLBOL A， CHENG T， TSAPAKIS I， et al. Inferring hybrid transportation modes from sparse GPS data using a moving window SVM classification［J］. Computers， Environment and Urban Systems， 2012， 36（6）： 526-537.
18	SAINI R， KUMAR P， ROY P P， et al. Modeling local and global behavior for trajectory classification using graph based algorithm［J］. Pattern Recognition Letters， 2021， 150（C）： 280-288.
19	PAN X L， WANG H P， HE Y， et al. Online classification of frequent behaviours based on multidimensional trajectories［J］. IET Radar， Sonar & Navigation， 2017， 11（7）： 1147-1154.
20	VOVK V， GAMMERMAN A， SHAFER G. Algorithmic Learning in a Random World［M］. Cham： Springer International Publishing， 2022.
21	VOVK V. Universal well-calibrated algorithm for on-line classification［C］∥Learning Theory and Kernel Machines. Berlin： Springer， 2003： 358-372.
22	PAPADOPOULOS H. Inductive conformal prediction： Theory and application to neural networks［M］∥Tools in Artificial Intelligence. London： InTech， 2008 .
23	LAXHAMMAR R， FALKMAN G. Online learning and sequential anomaly detection in trajectories［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2014， 36（6）： 1158-1173.
24	PAN X L， WANG H P， CHENG X Q， et al. Online detection of anomaly behaviors based on multidimensional trajectories［J］. Information Fusion， 2020， 58： 40-51.
25	AGRAWAL R， IMIELIŃSKI T， SWAMI A. Mining association rules between sets of items in large databases［C］∥Proceedings of the 1993 ACM SIGMOD international conference on Management of data. New York： ACM， 1993： 207-216.
26	LI H H， LIU J X， YANG Z L， et al. Adaptively constrained dynamic time warping for time series classification and clustering［J］. Information Sciences， 2020， 534： 97-116.
27	GAMMERMAN A， VOVK V. Hedging predictions in machine learning［J］. The Computer Journal， 2007， 50（2）： 151-163.
28	PICIARELLI C， MICHELONI C， FORESTI G L. Trajectory-based anomalous event detection［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2008， 18（11）： 1544-1554.
29	姜乔文，刘瑜，谭大宁，等. 时空轨迹多维特征融合的行为规律挖掘算法［J］. 航空学报， 2023， 44（5）： 326394.
	JIANG Q W， LIU Y， TAN D N， et al. Regular behaviors mining algorithm based on spatiotemporal trajectory multidi-mensional features fusion［J］. Acta Aeronautica et Astronautica Sinica， 2023， 44（5）： 32394 （in Chinese）.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

算法		K	Precision/%	Recall/%	F1-score/%	Accuracy/%	FA/%	Time/s
CMC	HD-KNN	2	51.74	56.95	52.13	52.94		2 056.7
		3	52.96	57.13	53.04	53.68		2 061.9
		4	54.03	57.32	54.15	53.89		2 068.2
		5	54.01	57.26	54.03	53.73		2 075.6
	STDH-KNN	2	92.26	99.08	94.80	92.26		2 063.1
		3	92.38	99.36	95.12	92.42		2 069.4
		4	92.48	99.40	95.42	92.54		2 076.9
		5	92.41	99.46	95.37	92.43		2 086.5
SSHNN-ICMP		2	98.57	99.04	98.95	98.99	0.13	47.2
		3	99.13	99.31	99.28	99.36	0.05	47.7
		4	99.01	99.38	99.23	99.28	0.03	48.1
		5	99.03	99.40	99.21	99.22	0.02	48.8

算法		Precision/%	Recall/%	F1-score/%	Accuracy/%	FA/%	Time/s
CMC	HD-KNN	88.25	93.12	90.63	89.19		37 398.1
CMC	STDH-KNN	91.06	95.86	93.87	91.86		37 563.3
SSHNN-ICMP		95.71	95.03	95.33	95.92	0.51	217.6

[1]	姜乔文, 刘瑜, 谭大宁, 孙顺, 董凯. 时空轨迹多维特征融合的行为规律挖掘算法[J]. 航空学报, 2023, 44(5): 326394-326394.
[2]	郑燕红, 邓湘金, 庞勇, 金晟毅, 姚猛, 赵志晖. 月球风化层钻取采样过程密实度分类研究[J]. 航空学报, 2020, 41(4): 223391-223391.
[3]	潘新龙, 王海鹏, 何友, 熊伟, 周伟. 基于多维航迹特征的异常行为检测方法[J]. 航空学报, 2017, 38(4): 320442-320442.
[4]	王华夏, 程咏梅, 刘楠. 面向山地区域光照变化下的鲁棒景象匹配方法[J]. 航空学报, 2017, 38(10): 321101-321101.
[5]	樊重庆, 吕震宙. 基于模糊Hausdorff距离的多输出全局灵敏度分析方法[J]. 航空学报, 2017, 38(10): 220870-220870.
[6]	王跃;毛士艺;陈炜. 一种应用Partial Hausdorff距离的多尺度图像配准方法[J]. 航空学报, 2004, 25(6): 593-597.

基于时空轨迹信息的目标行为模式在线分类方法

Online classification of target behavior pattern based on spatiotemporal trajectory information

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 29

相关文章 6

编辑推荐

Metrics

本文评价