基于多維特征的目標(biāo)異常行為檢測方法
【專利摘要】本發(fā)明公開了一種基于多維特征的目標(biāo)異常行為檢測方法。該方法充分利用目標(biāo)的屬性、類型、位置、速度和航向特征，通過對多維航跡數(shù)據(jù)的異常檢測，實(shí)現(xiàn)對目標(biāo)異常行為的挖掘，具體包括：步驟1，輸入目標(biāo)的多維航跡數(shù)據(jù)集，設(shè)置目標(biāo)的屬性和類型標(biāo)簽；步驟2，計(jì)算目標(biāo)航跡間的多因素定向Hausdorff距離；步驟3，確定每條航跡的近鄰航跡；步驟4，計(jì)算每條航跡的近鄰密度；步驟5，計(jì)算每條航跡的多維度局部異常因子；步驟6，對每條航跡進(jìn)行異常檢測判決；步驟7，設(shè)置目標(biāo)異常行為標(biāo)簽。所述方法參數(shù)設(shè)置簡單，準(zhǔn)確率高，工程易實(shí)現(xiàn)，在模式識別和智能情報(bào)處理領(lǐng)域有廣闊的應(yīng)用前景。
【專利說明】
基于多維特征的目標(biāo)異常行為檢測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及數(shù)據(jù)挖掘中的異常檢測技術(shù)和信息融合中的高層融合技術(shù)，屬于模式 識別和智能情報(bào)處理領(lǐng)域。
【背景技術(shù)】
[0002] 目標(biāo)航跡數(shù)據(jù)是由多維數(shù)據(jù)點(diǎn)組成的多維序列。根據(jù)應(yīng)用場景，可將航跡數(shù)據(jù)分 為預(yù)警監(jiān)視航跡數(shù)據(jù)，航行管制航跡數(shù)據(jù)和視頻監(jiān)控航跡數(shù)據(jù)等;根據(jù)目標(biāo)的類型，可將航 跡數(shù)據(jù)分為飛機(jī)航跡數(shù)據(jù)、船舶航跡數(shù)據(jù)、車輛航跡數(shù)據(jù)、行人航跡數(shù)據(jù)、動物航跡數(shù)據(jù)和 龍卷風(fēng)航跡數(shù)據(jù)等。不同的應(yīng)用場景中，目標(biāo)航跡數(shù)據(jù)的多維特征也不一樣，例如，在廣播 式自動相關(guān)監(jiān)視系統(tǒng)中，航跡數(shù)據(jù)通常包括飛機(jī)編號、時間、經(jīng)度、締度、高度、速度、航向等 多維特征;在預(yù)警監(jiān)視情報(bào)處理系統(tǒng)中，航跡數(shù)據(jù)通常包括目標(biāo)的批號、屬性、類別、數(shù)量、 型號、機(jī)/艇號、時間、經(jīng)度、維度、高度、速度、航向等多維特征。在信息融合領(lǐng)域，利用數(shù)據(jù) 挖掘中的異常檢測技術(shù)，可W基于目標(biāo)的多維航跡特征來挖掘目標(biāo)的異常行為，實(shí)現(xiàn)對異 常情報(bào)的智能處理，運(yùn)對于態(tài)勢評估、威脅估計(jì)和指揮決策都具有非常重要的意義。
[0003] 通過對目標(biāo)航跡的異常檢測，可W挖掘目標(biāo)的異常行為。一些學(xué)者在航跡異常檢 測方面進(jìn)行了研究，但是現(xiàn)有方法主要檢測目標(biāo)航跡的位置異常，沒有充分利用目標(biāo)的屬 性、類型、位置、速度和航向等多維特征，在挖掘目標(biāo)的異常行為時具有局限性。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明針對現(xiàn)有航跡異常檢測方法的局限性，提供了一種基于多維特征的目標(biāo)異 常行為檢測方法。利用目標(biāo)的屬性、類型、位置、速度和航向特征，通過對多維航跡數(shù)據(jù)的異 常檢測，實(shí)現(xiàn)對目標(biāo)異常行為的挖掘。具體包括W下步驟：
[0005] 步驟1，輸入目標(biāo)的多維航跡數(shù)據(jù)集TD= {TRi，TR2,…，TRnK設(shè)置目標(biāo)的屬性和類 型標(biāo)簽。本方法通過設(shè)置目標(biāo)屬性、類型和異常行為序號標(biāo)簽來組成目標(biāo)異常行為標(biāo)簽，從 而表示目標(biāo)的異常行為。例如，在預(yù)警監(jiān)視領(lǐng)域，將目標(biāo)的屬性分為我方，敵方和友方，分別 用標(biāo)簽1，2和3表示，將目標(biāo)類型分為軍用飛機(jī)、民用飛機(jī)、軍艦和民船等，分別用標(biāo)簽1，2,3 和4等來表示。
[0006] 步驟2，利用多維航跡數(shù)據(jù)中的位置、速度和航向特征，計(jì)算目標(biāo)航跡間的多因素 定向化usdorff距離。
[0007] 1)考慮目標(biāo)的位置、速度和航向特征，兩個目標(biāo)數(shù)據(jù)點(diǎn)之間的多因素距離為：
[000引
（1)
[0009]其中dist(Pa，Pb)表示點(diǎn)Pa與點(diǎn)Pb之間位置特征的歐式距離，1'6與1苗表示點(diǎn)Pa與點(diǎn) Pb的速度，0?與兮表示點(diǎn)Pa與點(diǎn)Pb的航向(Vp。，1? )表示點(diǎn)Pa與點(diǎn)Pb之間速度特征的歐式 距離，(//心(件，命;)表示點(diǎn)Pa與點(diǎn)Pb之間航向特征的歐式距離，Wd表示位置特征的權(quán)重因子， Wv表示速度特征的權(quán)重因子，W表示航向特征的權(quán)重因子，權(quán)重因子的取值取決于多因素距 離的應(yīng)用場景，滿足Wd>O,Wv>O,W0>O和Wd+Wv+W0 = l。
[0010]2)基于多因素距離11^(1131：化，口1))，航跡11?造1師撕多因素定向化113(1〇計(jì)郎巨離為： [0011]
(2)
[001 ^ 多因素定向化USdorff距離用來度量航跡TRi與TRj的相似程度。
[0013] 步驟3，輸入近鄰數(shù)k，利用目標(biāo)航跡間的多因素定向化USdo計(jì)f距離，確定每條航 跡TRi的近鄰航跡,V(巧./小.
[0014] 1)利用近鄰數(shù)k和目標(biāo)航跡間的多因素定向化USdorff距離，確定多維航跡數(shù)據(jù)集 TD中與TRi的多因素定向化US dorff距離第k近的航跡順(TRi，k);
[001引 2)航跡TRi的《閑素i斤鄰訪界距離為：
[0016]
(3)
[0017] 3)每條航跡TRi的近鄰航跡為：
[001 引
（4)
[0019]當(dāng)近鄰數(shù)為k時，航跡TRi的近鄰航跡為A.."(77?,J:)。
[0020] 步驟4,利用步驟3確定的近鄰航跡八'(巧./〇4|-算每條航跡TOi的近鄰密度P(TRi， k) O
[0021] 1)航跡TRi到TRj的多因素可達(dá)距離為：
[0022]
議
[0023] 2)航跡TRi的近鄰密度為：
[0024]
(6)
[002引當(dāng)近鄰數(shù)為k時，航跡TRi的近鄰密度為P(TRi，k)。
[0026] 步驟5,利用每條航跡TRi和TRi近鄰航跡的近鄰密度，計(jì)算TRi的多維度局部異常因 子MDLOF(TRi, k):
[0027]
訊
[0028] 航跡TRi的異常程度越大，多維度局部異常因子的取值越大。
[0029] 步驟6,輸入異常闊值6,對每條航跡TRi進(jìn)行異常檢測判決，并將結(jié)果存放到異常
指示向量
[0030]
[0031] 步驟7,設(shè)置目標(biāo)異常行為標(biāo)簽。例如，在預(yù)警監(jiān)視領(lǐng)域，對民用航班的多維航跡數(shù) 據(jù)進(jìn)行異常檢測后得到的異常指示向量為0,…，^，…)，則目標(biāo)的異常行 為標(biāo)簽可W依次設(shè)置為3201、3202、...。
[0032] 本發(fā)明的有益效果在于:本發(fā)明提供的一種基于多維特征的目標(biāo)異常行為檢測方 法，充分利用了目標(biāo)的屬性、類型、位置、速度和航向信息，可W對不同屬性、類型的目標(biāo)異 常行為進(jìn)行區(qū)分，而且可W挖掘目標(biāo)位置、速度和運(yùn)動方向與周圍目標(biāo)運(yùn)動規(guī)律差異較大 的目標(biāo)異常行為。
【附圖說明】
[0033] 圖1為民用航班在S維空間中的航跡圖。
[0034] 圖2為民用航班在二維平面中的航跡圖。
[0035] 圖3為民用航班的異常行為在二維平面中的示意圖。
【具體實(shí)施方式】
[0036] 下面W-個廣播式自動相關(guān)監(jiān)視系統(tǒng)(ADS-B)接收到的部分民用航班的飛行航跡 數(shù)據(jù)集為例，根據(jù)附圖詳細(xì)闡述本發(fā)明，使本發(fā)明的技術(shù)路線和操作步驟更加清晰。
[0037] 該ADS-B數(shù)據(jù)集包括2015年5月接收到的237條民航飛行航跡，每條航跡包括若干 個多維數(shù)據(jù)點(diǎn)。我們可W直接讀取目標(biāo)的維度、經(jīng)度、高度組成的位置特征，速度特征和航 向特征，目標(biāo)屬性為友方，類型為民用飛機(jī)。為了計(jì)算目標(biāo)航跡之間的多因素定向 化USdorff距離，我們將目標(biāo)航跡數(shù)據(jù)點(diǎn)的位置特征由地理坐標(biāo)中的維度、經(jīng)度和高度坐標(biāo) 轉(zhuǎn)換到局部直角坐標(biāo)系中。在轉(zhuǎn)換時，選擇北京首都國際機(jī)場的地理坐標(biāo)作為局部直角坐 標(biāo)系的原點(diǎn)，然后將運(yùn)237條目標(biāo)航跡的所有數(shù)據(jù)點(diǎn)都轉(zhuǎn)換到運(yùn)個局部直角坐標(biāo)系中。圖1 為運(yùn)些民用航班在=維空間中的航跡圖，圖2為運(yùn)些民用航班在二維平面中的航跡圖。
[003引步驟1，輸入多維航跡數(shù)據(jù)集TD={TRi，TR2,…，TR237 }，設(shè)置目標(biāo)的屬性和類型標(biāo) 簽。因?yàn)槟繕?biāo)為民用航班，所W將屬性標(biāo)簽設(shè)置為3,類型標(biāo)簽設(shè)置為2。
[0039] 步驟2,利用ADS-B多維航跡數(shù)據(jù)中的位置、速度和航向特征，由式（1)計(jì)算目標(biāo)數(shù) 據(jù)點(diǎn)之間的多因素距離mfdisUPa，Pb)，由式(2)計(jì)算目標(biāo)航跡間的多因素定向化USdorff距 離式;(、TR.TR:y'
[0040] 步驟3,輸入近鄰數(shù)k = 4,利用目標(biāo)航跡間的多因素定向化USdo計(jì)f距離，由式（3) 和式(4)確定每條航跡TRi的近鄰航跡A''(巧，A:)。
[0041] 步驟4,利用步驟3確定的近鄰航跡八~(?巧乂)，由式(5)和式(6)計(jì)算每條航跡TOi的 近鄰密度P(TRi，k)。
[0042] 步驟5,利用每條航跡TRi和TRi近鄰航跡的近鄰密度，由式(7)計(jì)算TRi的多維度局 部異常因子MDL0F(TRi，k)。
[0043] 步驟6,輸入異常闊值6 = 1，對每條航跡TRi進(jìn)行異常檢測判決，并將結(jié)果存放到異 常指示向量
申，共得到6條異常航跡。
[0044] 步驟7,設(shè)置目標(biāo)異常行為標(biāo)簽。因?yàn)槟繕?biāo)的屬性標(biāo)簽為3,類型標(biāo)簽為2,異常行為 序號為1、2、3、4、5、6,所W目標(biāo)的異常行為標(biāo)簽可W依次設(shè)置為3201、3202、3203、3204、 3205、3206。
[0045] 圖3為民用航班的異常行為在二維平面中的示意圖，箭頭表示飛機(jī)的運(yùn)動方向。
【主權(quán)項(xiàng)】
1. 一種基于多維特征的目標(biāo)異常行為檢測方法，其特征在于，包括以下步驟： 步驟1，輸入目標(biāo)的多維航跡數(shù)據(jù)集TD= ITR1 ,TR2，…，TRn}，設(shè)置目標(biāo)的屬性和類型標(biāo) 簽； 步驟2,利用多維航跡數(shù)據(jù)中的位置、速度和航向特征，計(jì)算目標(biāo)航跡間的多因素定向 Hausdorff 距離； 步驟3，輸入近鄰數(shù)k，利用目標(biāo)航跡間的多因素定向Hausdorff距離，確定每條航跡TR1 的近鄰航跡.V(77?,乂）； 步驟4,利用步驟3確定的近鄰航跡#(77?,,0，計(jì)算每條航跡TR1的近鄰密度P(TR^k); 步驟5,利用每條航跡TRjPTR1近鄰航跡的近鄰密度，計(jì)算多維度局部異常因子 MDLOF(TRi, k)； 步驟6，輸入異常閾值ε，對每條航跡TR1進(jìn)行異常檢測判決，并將結(jié)果存放到異常指示向步驟7，設(shè)置目標(biāo)異常行為標(biāo)簽。2. 根據(jù)權(quán)利要求1所述的基于多維特征的目標(biāo)異常行為檢測方法，其特征在于，步驟2 具體為： 1) 考慮目標(biāo)的位置、速度和航向特征，兩個目標(biāo)數(shù)據(jù)點(diǎn)之間的多因素距離為：其中d i s t (Pa，Pb)表示點(diǎn)Pa與點(diǎn)Pb之間位置特征的歐式距離，與乂表示點(diǎn)Pa與點(diǎn)Pb的 速度，％與4表示點(diǎn)Pa與點(diǎn)Pb的航向，表示點(diǎn)Pa與點(diǎn)Pb2間速度特征的歐式距 離，(9,v & )表示點(diǎn)Pa與點(diǎn)Pb之間航向特征的歐式距離，Wd表示位置特征的權(quán)重因子，Wv 表示速度特征的權(quán)重因子，we表示航向特征的權(quán)重因子，權(quán)重因子的取值取決于多因素距 離的應(yīng)用場景，滿足WdX)，WvX)，weX)和wd+wv+we = l; 2) 基于多因素距離mfdist(Pa，Pb)，航跡TRi到TRj的多因素定向Hausdorff距離為：多因素定向Hausdorff距離用來度量航跡TRi與TRj的相似程度。3. 根據(jù)權(quán)利要求1所述的基于多維特征的目標(biāo)異常行為檢測方法，其特征在于，步驟3 具體為： 1) 輸入近鄰數(shù)k，利用目標(biāo)航跡間的多因素定向Hausdorff距離，確定多維航跡數(shù)據(jù)集 TD中與TRi的多因素定向Hausdorff距離第k近的航跡NN(TRi，k); 2) 航跡TR1的多因素近鄰邊界距離為：當(dāng)近鄰數(shù)為k時，航跡TR1的近鄰航跡為ΛΓ(瑪太）《4. 根據(jù)權(quán)利要求1所述的基于多維特征的目標(biāo)異常行為檢測方法，其特征在于，步驟4 具體為： 1 )航協(xié)TRdlTR說名閔素可伏距富為，當(dāng)近鄰數(shù)為k時，航跡TRi的近鄰密度為P(TRi，k)。5. 根據(jù)權(quán)利要求1所述的基于多維特征的目標(biāo)異常行為檢測方法，其特征在于，步驟5 具體為： 通過比較TRi與TRi近鄰航跡的近鄰密度來計(jì)算TRi的多維度局部異常因子：航?TKi的丼芾捏度越大，多維度局部丼芾因于的取值越大。
【文檔編號】G06K9/62GK106022372SQ201610330313
【公開日】2016年10月12日
【申請日】2016年5月17日
【發(fā)明人】潘新龍, 王海鵬, 何友, 熊偉, 周偉, 彭煊, 夏沭濤, 劉瑜
【申請人】中國人民解放軍海軍航空工程學(xué)院