李明之，马志强，单 勇，张晓燕

（空军工程大学 电讯工程学院，陕西 西安710077）

0 引 言

在交通监控系统的智能化［1］研究中，轨迹分析是目标行为分析和理解的一个重要方法，如：通过对车辆行驶轨迹的分析，可以判别车辆是否发生逆行、违规转弯等异常情况。而轨迹的距离计算和聚类是轨迹分析的基础，轨迹距离计算和分类是否准确，将直接影响着轨迹分析的效果。

轨迹距离主要用于衡量两条轨迹的相似程度，是轨迹聚类的前提条件。传统轨迹距离计算方法［2］主要考虑目标轨迹的空间位置关系，但在现实当中，对于同一位置的轨迹也可以是由不同运动方向、不同运动速度或者不同尺寸大小的目标运动得到的，如果仅从空间位置关系计算轨迹间距离，将不利于后期对轨迹的聚类和目标识别。因此，部分学者提出将目标运动方向、运动速度等参数融入到轨迹距离计算当中。比如：文献 ［3］提出利用轨迹的空间位置特征和运动方向特征计算轨迹间距离，从而可以区分不同空间位置不同方向的目标轨迹；文献 ［4－5］在利用空间位置特征计算轨迹距离的基础上加入了速度特征，从而可以区分不同空间位置不同速度的目标轨迹。

获得轨迹间的距离后，就可以对监控场景中的运动目标轨迹进行分类，从而实现目标行为描述并探测场景中的异常事件。目前轨迹聚类方法主要有：层次聚类［3］、K均值聚类［6］、谱聚类［7］和基于神经网络的聚类［8］等方法，其中，层次聚类方法简单，但传统的层次聚类方法对不完整轨迹进行聚类时的准确性不高，需要对其进行改进；……