留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于DBSCAN聚类算法的异常轨迹检测

周培培,  丁庆海,  罗海波,  侯幸林

downloadPDF
文章导航 > 红外与激光工程  > 2017 >  46(5): 528001-0528001(8)
周培培, 丁庆海, 罗海波, 侯幸林. 基于DBSCAN聚类算法的异常轨迹检测[J]. 红外与激光工程, 2017, 46(5): 528001-0528001(8). doi: 10.3788/IRLA201746.0528001
引用本文: 周培培, 丁庆海, 罗海波, 侯幸林. 基于DBSCAN聚类算法的异常轨迹检测[J]. 红外与激光工程, 2017, 46(5): 528001-0528001(8). doi: 10.3788/IRLA201746.0528001
shu
Zhou Peipei, Ding Qinghai, Luo Haibo, Hou Xinglin. Trajectory outlier detection based on DBSCAN clustering algorithm[J]. Infrared and Laser Engineering, 2017, 46(5): 528001-0528001(8). doi: 10.3788/IRLA201746.0528001
Citation: Zhou Peipei, Ding Qinghai, Luo Haibo, Hou Xinglin. Trajectory outlier detection based on DBSCAN clustering algorithm[J]. Infrared and Laser Engineering, 2017, 46(5): 528001-0528001(8). doi: 10.3788/IRLA201746.0528001
shu

基于DBSCAN聚类算法的异常轨迹检测

doi: 10.3788/IRLA201746.0528001
  • 1.

    中国科学院沈阳自动化研究所,辽宁 沈阳 110016;

  • 2.

    中国科学院大学,北京 100049;

  • 3.

    航天恒星科技有限公司,北京 100086;

  • 4.

    中国科学院光电信息处理重点实验室,辽宁 沈阳 110016

详细信息
    作者简介:

    周培培(1991-),女,博士生,主要从事图像处理方面的研究。Email:zhoupeipei@sia.cn

  • 中图分类号: TP391

Trajectory outlier detection based on DBSCAN clustering algorithm

  • 1.

    Shenyang Institute of Automation,Chinese Academy of Sciences,Shenyang 110016,China;

  • 2.

    University of Chinese Academy of Sciences,Beijing 100049,China;

  • 3.

    Space Star Technology Co.,Ltd.,Beijing 100086,China;

  • 4.

    Key Laboratory of Opt-Electronic Information Processing,Chinese Academy of Sciences,Shenyang 110016,China

  • 摘要: 现有的异常轨迹检测算法往往侧重于检测轨迹的空域异常，忽略了对轨迹时域异常的检测，并且检测精确度不高，针对此类问题，提出了基于增强聚类的异常轨迹检测算法。首先，采用基于速度的最小描述长度（VMDL）准则把轨迹简化成有序线段；然后，使用改进的线段间的距离定义，基于DBSCAN算法把线段分为不同的类，以建模局部正常运动模式；最后，采用先检测空间异常性再检测时间异常性的二级检测算法，检测时空异常轨迹点。在多个测试集上的实验结果表明：该算法可以检测位置、角度、速度等三种时空异常轨迹点，相对于其他算法，明显提高了异常轨迹检测的精确度。
    Abstract: Existing traditional trajectory outlier detection algorithms always focus on spatial outliers and ignore temporal outliers, and the accuracy is relatively low. To solve these problems, a simple and effective approach based on enhanced clustering algorithm was proposed to detect spatio-temporal trajectory outliers. Firstly, each original trajectory was simplified into a set of sequential line segments with the velocity-based minimum description length (VMDL) partition principle. Secondly, the distance formula between line segments was improved to enhance the clustering performance. Using DBSCAN algorithm, the line segments were classified into different groups which could represent local normal behaviors. Thirdly, outliers were detected using two-level detection algorithm which first detected spatial outliers and then detected temporal outliers. Experimental results on multiple trajectory data sets demonstrate that the proposed algorithm could successfully detect three kinds of spatio-temporal outliers, position, angle and velocity. Compared with other methods, the precision and accuracy make great improvement.
  • [1] Bamnett V, Lewis T. Outliers in Statistical Data[M]. Chichester:John Wiley, 1995:584.
    [2] Cui Xiongwen, Wu Qinzhang, Jiang Ping, et al. Affine-invariant target tracking based on subspace representation[J]. Infrared and Laser Engineering, 2015, 44(2):769-774. (in Chinese)崔雄文, 吴钦章, 蒋平, 等. 子空间模型下的仿射不变目标跟踪[J]. 红外与激光工程, 2015, 44(2):769-774.
    [3] Hi H, Ling H, Wu Y,, et al. Real time robust l1 tracker using accelerated proximal gradient approach[C]//2012 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2012, 157(10):1830-1837.
    [4] Milan A, Leal-Taix L, Schindler K, et al. Joint tracking and segmentation of multiple targets[C]//2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2015:5397-5406.
    [5] Lee J G, Han J, Li X. Trajectory outlier detection:A partition-and-detect framework[C]//IEEE 24th International Conference on Data Engineering, 2008:140-149.
    [6] Yuan G, Xia S, Zhang L, et al. Trajectory outlier detection algorithm based on structural features[J]. Journal of Computational Information Systems, 2011, 11(7):4137-4144.
    [7] Aquino A R de, Alvares L O, Renso C, et al. Towards semantic trajectory outlier detection[C]//Proceedings of GeoInfo, 2013:115-126.
    [8] Liu Z, Pi D, Jiang J. Density-based trajectory outlier detection algorithm[J]. Journal of Systems Engineering and Electronics, 2013, 24(2):335-340.
    [9] Hu H Y, Li Z H. Multi-level trajectory learning for traffic behavior detection and analysis[J]. Journal of the Chinese Institute of Engineers, 2014, 37(8):995-1006.
    [10] Zhang L, Hu Z, Yang G. Trajectory outlier detection based on multi-factors[J]. IEICE Transactions on Information and Systems, 2014, E97.D(8):2170-2173.
    [11] Lee J G, Han J, Whang K Y. Trajectory clustering:a partition-and-group framework[C]//Proceedings of the 2007 ACM SIGMOD International Conference on Management of Data, 2007:593-604.
    [12] Kut A, Birant D. Spatio-temporal outlier detection in large databases[J]. CIT Journal of Computing and Information Technology, 2006, 14(4):291-297.
    [13] Alvar M, Torsello A, Sanchez-Miralles A, et al. Abnormal behavior detection using dominant sets[J]. Machine Vision and Applications, 2014, 25(5):1351-1368.
    [14] Wang Y, Wang D, Chen F. Abnormal behavior detection using trajectory analysis in camera sensor networks[J]. International Journal of Distributed Sensor Networks, 2014, 2014(1):1-9.
    [15] Jeong H, Chang H J, Choi J Y. Modeling of moving object trajectory by spatio-temporal learning for abnormal behavior detection[C]//20118th IEEE International Conference on Advanced Video and Signal-Based Surveillance (AVSS), 2011:119-123.
    [16] Lee J G, Han J, Li X, et al. TraClass:trajectory classification using hierarchical region-based and trajectory-based clustering[J]. Proceedings of the VLDB Endowment, 2008, 1(1):1081-1094.
    [17] Fontes V C, Alencar L A de, Renso C, et al. Discovering trajectory outliers between regions of interest[C]//Proceedings of GeoInfo, 2013:49-60.
    [18] Ester M, Kriegel H P, Sander J, et al. A density-based algorithm for discovering clusters in large spatial databases with noise[C]//Proceedings of Kdd Location, 1996:226-231.
    [19] Chen J, Leung M K, Gao Y. Noisy logo recognition using line segment Hausdorff distance[J]. Pattern Recognition, 2003, 36(4):943-955.
  • [1] 徐丹旸, 魏宏光, 金秋春, 钱金旺, 郭星辰.  基于二维模态分解与斑块对比度相结合的红外小目标检测算法 . 红外与激光工程, 2022, 51(12): 20220148-1-20220148-7. doi: 10.3788/IRLA20220148
    [2] 闫力松, 张斌智, 王孝坤, 黎发志.  平面镜子孔径加权拼接检测算法(特邀) . 红外与激光工程, 2021, 50(10): 20210520-1-20210520-6. doi: 10.3788/IRLA20210520
    [3] 郭文凤, 焦志刚.  基于包围盒约束光谱聚类的红外目标识别算法 . 红外与激光工程, 2021, 50(11): 20210085-1-20210085-6. doi: 10.3788/IRLA20210085
    [4] 刘云朋, 霍晓丽, 刘智超.  基于深度学习的光纤网络异常数据检测算法 . 红外与激光工程, 2021, 50(6): 20210029-1-20210029-6. doi: 10.3788/IRLA20210029
    [5] 胡文彬, 吴丰, 甘维兵, 李盛, 陈钢, 艾凌云.  基于二维激光扫描技术的罐道检测算法 . 红外与激光工程, 2021, 50(10): 20200480-1-20200480-7. doi: 10.3788/IRLA20200480
    [6] 汪子君, 邱俨睿, 杨宏霄, 孙磊.  基于鲁棒Otsu的红外无损检测缺陷分割算法 . 红外与激光工程, 2019, 48(2): 204004-0204004(9). doi: 10.3788/IRLA201948.0204004
    [7] 王毅, 何明元, 葛晶晶, 项杰.  基于正交匹配追踪的云检测算法研究 . 红外与激光工程, 2019, 48(12): 1203003-1203003(6). doi: 10.3788/IRLA201948.1203003
    [8] 曹文焕, 黄树彩, 赵炜, 黄达.  二维非重构压缩感知自适应目标检测算法 . 红外与激光工程, 2019, 48(1): 126001-0126001(8). doi: 10.3788/IRLA201948.0126001
    [9] 张祥越, 丁庆海, 罗海波, 惠斌, 常铮, 张俊超.  基于改进LCM的红外小目标检测算法 . 红外与激光工程, 2017, 46(7): 726002-0726002(7). doi: 10.3788/IRLA201746.0726002
    [10] 唐庆菊, 刘俊岩, 王扬, 刘元林, 梅晨.  基于模糊C均值聚类和Canny算子的红外图像边缘识别与缺陷定量检测 . 红外与激光工程, 2016, 45(9): 928001-0928001(5). doi: 10.3788/IRLA201645.0928001
    [11] 杜玉红, 魏坤鹏, 史屹君, 刘恩华, 酆启胤, 董广宇.  水质浊度红外光检测及聚类灰色融合预测模型 . 红外与激光工程, 2016, 45(10): 1028002-1028002(7). doi: 10.3788/IRLA201645.1028002
    [12] 孙照蕾, 惠斌, 秦莫凡, 常铮, 罗海波, 夏仁波.  红外图像显著目标检测算法 . 红外与激光工程, 2015, 44(9): 2633-2637.
    [13] 王晓飞, 王霄衣, 史翔宇, 阎秋静, 陈向南.  基于空间上下文单类分类器的目标检测算法 . 红外与激光工程, 2015, 44(S1): 236-240.
    [14] 章家保, 徐伟.  模糊聚类方法在电动舵机致命故障检测中的应用 . 红外与激光工程, 2014, 43(S1): 123-129.
    [15] 赵微, 惠斌, 张玉晓.  红外舰船目标的要害点检测算法 . 红外与激光工程, 2014, 43(1): 48-52.
    [16] 严飞, 侯晴宇.  基于多元统计特性异常的盲元检测算法 . 红外与激光工程, 2014, 43(2): 454-457.
    [17] 李庆辉, 李艾华, 苏延召, 马治明.  结合FCM聚类与SVM的火焰检测算法 . 红外与激光工程, 2014, 43(5): 1660-1666.
    [18] 梁世花, 吴巍, 李波, 贾助军, 明德烈.  基于Seam Carving的海天线检测算法 . 红外与激光工程, 2013, 42(10): 2817-2821.
    [19] 艾锐, 史泽林, 张程硕.  低信噪比红外图像直线段检测算法 . 红外与激光工程, 2013, 42(1): 278-284.
    [20] 刘运龙, 薛雨丽, 袁素真, 毛峡.  基于局部均值的红外小目标检测算法 . 红外与激光工程, 2013, 42(3): 814-822.
  • 加载中
WeChat 点击查看大图
计量
  • 文章访问数:  728
  • HTML全文浏览量:  112
  • PDF下载量:  166
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-09-11
  • 修回日期:  2016-10-20
  • 刊出日期:  2017-05-25

基于DBSCAN聚类算法的异常轨迹检测

doi: 10.3788/IRLA201746.0528001
  • 1. 中国科学院沈阳自动化研究所,辽宁 沈阳 110016;
  • 2. 中国科学院大学,北京 100049;
  • 3. 航天恒星科技有限公司,北京 100086;
  • 4. 中国科学院光电信息处理重点实验室,辽宁 沈阳 110016
    • 作者简介:

    周培培(1991-),女,博士生,主要从事图像处理方面的研究。Email:zhoupeipei@sia.cn

  • 收稿日期: 2016-09-11
  • 修回日期: 2016-10-20
  • 刊出日期: 2017-05-25

  • 中图分类号: TP391

摘要: 现有的异常轨迹检测算法往往侧重于检测轨迹的空域异常，忽略了对轨迹时域异常的检测，并且检测精确度不高，针对此类问题，提出了基于增强聚类的异常轨迹检测算法。首先，采用基于速度的最小描述长度（VMDL）准则把轨迹简化成有序线段；然后，使用改进的线段间的距离定义，基于DBSCAN算法把线段分为不同的类，以建模局部正常运动模式；最后，采用先检测空间异常性再检测时间异常性的二级检测算法，检测时空异常轨迹点。在多个测试集上的实验结果表明：该算法可以检测位置、角度、速度等三种时空异常轨迹点，相对于其他算法，明显提高了异常轨迹检测的精确度。

English Abstract

    全文HTML

参考文献 (19)

目录

    /

    返回文章
    返回

    版权所有 © 2019 《红外与激光工程》编辑部｜ 地址: 天津市空港经济区中环西路58号｜ 邮政编码: 300308

    津ICP备19007885号-1

    本系统由 北京仁和汇智信息技术有限公司 开发    百度统计