监控场景下的可行路径挖掘方法及装置

技术领域

本发明涉及路径挖掘技术领域，尤其涉及一种监控场景下的可行路径挖掘方法及装置。

背景技术

监控场景下的可行路径挖掘对轨道交通和安防等具有重要的意义。例如，可行路径挖掘对交通轨道中交叉路口的安全评估具有重要的意义，基于可行路径挖掘方法挖掘车辆的不同行驶路径，可用于分析车辆事故的碰撞方式和评估事故发生的风险程度等；针对区域安防，挖掘可行路径有助于对行人的异常行为进行识别，从而起到智能预警的作用；针对地铁运营，统计地铁站厅的人群运行轨迹，有助于分析人群冲突，从而反向优化地铁站厅标志标线设计，提高运营效率。

现有的监控场景下的可行路径挖掘主要包括三大步骤，第一步，针对监控场景下的所有轨迹进行聚类，给场景内的每一条轨迹分配一个类别标签；第二步，计算每类轨迹与其他类轨迹的相似性，根据相似性对轨迹进行聚类；第三步，根据经验选取每类轨迹中具有代表性的轨迹，将其作为监控场景下的可行路径。

现有的可行路径挖掘方法直接根据两类轨迹之间的相似性进行聚类，每类轨迹中存在大量冗余，计算量大，且冗余矩阵对聚类造成干扰。另外，根据经验从每类轨迹中选择具有代表性的轨迹，很难从每类轨迹中选择出最具有代表性的轨迹，使得挖掘的可行路径不准确。

发明内容

本发明实施例提供一种监控场景下的可行路径挖掘方法及装置，用以解决现有技术中直接根据两类轨迹之间的相似性进行聚类，每类轨迹中存在大量冗余，计算量大，并且根据经验很难从每类轨迹中选择具有代表性的轨迹，使得挖掘的可行路径不准确的缺陷，实现降低每类轨迹中存在的冗余，并从多条轨迹中挖掘出更加精确的可行路径。

本发明实施例提供一种监控场景下的可行路径挖掘方法，包括：

基于聚类算法对预先获取的目标监控场景下的多条轨迹进行聚类；

基于拉普拉斯中心性算法从每类轨迹中选择一条轨迹作为每类轨迹的中心轨迹；

基于深度优先搜索算法从所有类轨迹的中心轨迹中搜索距离小于预设阈值的中心轨迹进行合并，将合并后的中心轨迹作为所述目标监控场景下的可行路径。

根据本发明一个实施例的监控场景下的可行路径挖掘方法，所述基于拉普拉斯中心性算法从每类轨迹中选择一条轨迹作为每类轨迹的中心轨迹，包括：

对于任一类轨迹，根据该类轨迹中任意两条轨迹之间的相似性，构建该类轨迹的邻接矩阵；

根据该类轨迹的邻接矩阵，构建该类轨迹的图；其中，将该类轨迹中的每条轨迹作为图的节点，将任意两条轨迹之间的相似性作为所述图的边；

基于所述拉普拉斯中心性算法计算该类轨迹的图中各节点的拉普拉斯中心性；

将该类轨迹的图中最大的所述拉普拉斯中心性所属的节点表示的轨迹作为该类轨迹的中心轨迹。

根据本发明一个实施例的监控场景下的可行路径挖掘方法，所述基于所述拉普拉斯中心性算法计算该类轨迹的图中各节点的拉普拉斯中心性，包括：

根据该类轨迹的图的邻接矩阵和度矩阵，计算该类轨迹的图的拉普拉斯矩阵；

根据所述拉普拉斯矩阵分别计算从该类轨迹的图中删除任一节点前后的拉普拉斯能量；

根据从该类轨迹的图中删除任一节点前后的拉普拉斯能量之间的差值，计算该节点的拉普拉斯中心性。

根据本发明一个实施例的监控场景下的可行路径挖掘方法，所述基于聚类算法对预先获取的目标监控场景下的多条轨迹进行聚类，包括：

根据所述多条轨迹的统计特征对所述多条轨迹进行聚类；

根据所述多条轨迹中任意两条轨迹之间的距离对所述多条轨迹进行聚类；

将根据所述统计特征获取的聚类结果和根据所述任意两条轨迹之间的距离获取的聚类结果进行合并。

根据本发明一个实施例的监控场景下的可行路径挖掘方法，所述根据所述多条轨迹的统计特征对所述多条轨迹进行聚类，包括：

基于多种聚类算法根据所述多条轨迹的统计特征分别对所述多条轨迹进行聚类；和/或，

所述根据所述多条轨迹中任意两条轨迹之间的距离对所述多条轨迹进行聚类，包括：

基于多种聚类算法根据所述多条轨迹中任意两条轨迹之间的距离分别对所述多条轨迹进行聚类。

根据本发明一个实施例的监控场景下的可行路径挖掘方法，所述基于聚类算法对预先获取的目标监控场景下的多条轨迹进行聚类之前，包括：

将任一条所述轨迹映射到网格中，获取该条轨迹中的每个原始轨迹点映射到所述网格中的坐标；

计算各网格中所有原始轨迹点的坐标的平均值，将所述坐标的平均值处的点作为该条轨迹的新轨迹点；

将各网格中的所有原始轨迹点替换为各网格中的新轨迹点。

根据本发明一个实施例的监控场景下的可行路径挖掘方法，所述基于聚类算法对预先获取的目标监控场景下的多条轨迹进行聚类，包括：

计算每条轨迹在各网格中的角度；

若各网格中的所有原始轨迹点为停止点，则替换各网格中的所有原始轨迹点的新轨迹点为停止点；其中，所述停止点为每条轨迹所属的目标为停止状态的点；

根据每条轨迹的各新轨迹点在网格中的坐标、是否为停止点和各新轨迹点所在网格中轨迹的角度中的一种或多种，对所述多条轨迹进行聚类。

本发明实施例还提供一种监控场景下的可行路径挖掘装置，包括：

聚类模块，用于基于聚类算法对预先获取的目标监控场景下的多条轨迹进行聚类；

选择模块，用于基于拉普拉斯中心性算法从每类轨迹中选择一条轨迹作为每类轨迹的中心轨迹；

合并模块，基于深度优先搜索算法从所有类轨迹的中心轨迹中搜索距离小于预设阈值的中心轨迹进行合并，将合并后的中心轨迹作为所述目标监控场景下的可行路径。

本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述监控场景下的可行路径挖掘方法的步骤。

本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述监控场景下的可行路径挖掘方法的步骤。

本发明实施例提供的监控场景下的可行路径挖掘方法及装置，通过一方面根据聚类算法对多条轨迹进行聚类，采用拉普拉斯中心性算法自动从每类轨迹中选择一条轨迹作为中心轨迹，使得选择的中心轨迹更具有代表性；另一方面采用深度优先搜索算法从所有类轨迹的中心轨迹中搜索距离小于预设阈值的中心轨迹进行合并，将合并后的中心轨迹作为所述目标监控场景下的可行路径，不仅可以降低每类轨迹中存在的冗余，降低计算量，进而消除每类轨迹中冗余轨迹的干扰，还可以减少冗余的中心轨迹，使得挖掘的可行路径更加精确。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种监控场景下的可行路径挖掘方法的流程示意图；

图2是本发明实施例提供的一种监控场景下的可行路径挖掘方法中简单的图的结构示意图；

图3是本发明实施例提供的一种监控场景下的可行路径挖掘方法中集成聚类的流程示意图；

图4是本发明实施例提供的一种监控场景下的可行路径挖掘方法中轨迹的网格映射的结构示意图；

图5是本发明实施例提供的一种监控场景下的可行路径挖掘装置的结构示意图；

图6是本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合图1描述本发明实施例的监控场景下的可行路径挖掘方法，包括：步骤101，基于聚类算法对预先获取的目标监控场景下的多条轨迹进行聚类；

其中，聚类采用一种无监督学习的方式，将物理或抽象对象的集合分成多个类，同一类对象具有很大的相似性，而不同类的对象间具有很大的差异性。轨迹是按照时间先后顺序组成的一系列的空间位置点。通过监控设备对目标进行分析，可以获得目标监控场景下的目标的运动轨迹。其中，目标可以是车辆、行人或飞机等。通常，目标监控场景下包含多个目标，每个目标对应一条轨迹。通过监控设备对各目标进行监控，可以获得目标监控场景下的多条轨迹。

采用聚类算法对目标监控场景下的多条轨迹进行聚类，可以使每条轨迹属于一个类。并且可以将相似性高的轨迹尽可能地分到同一类，使不同类轨迹之间的差异性尽可能大。其中，本实施例中的聚类算法可以是谱聚类算法、凝聚层次聚类算法或K均值聚类算法等。可以采用一种聚类算法对多条轨迹进行聚类，也可以采用多种聚类算法对多条轨迹进行聚类。本实施例不限于对多条轨迹进行聚类的方法。

步骤102，基于拉普拉斯中心性算法从每类轨迹中选择一条轨迹作为每类轨迹的中心轨迹；

其中，中心轨迹为每条轨迹中最具有代表性的一条轨迹。将多条轨迹聚类后，可以获得多类轨迹，每类轨迹中包含多条轨迹。为了从每类轨迹中提取中心轨迹，现有技术根据经验确定每类轨迹的聚类中心，将聚类中心对应的轨迹作为中心轨迹。但是通常目标监控场景下的多条轨迹可以被聚成多类，且每类轨迹中包含多条轨迹，很难根据经验从每类轨迹中提取中心轨迹。

而本实施例通过拉普拉斯中心性算法，获取每类轨迹中的每条轨迹的重要性。每类轨迹中的每条轨迹具有不同的重要性，本实施可以根据每条轨迹在每类轨迹中的重要性，自动从每类轨迹中选择一条轨迹作为中心轨迹，使得选择的中心轨迹更能代表每类轨迹的特征。

步骤103，基于深度优先搜索算法从所有类轨迹的中心轨迹中搜索距离小于预设阈值的中心轨迹进行合并，将合并后的中心轨迹作为所述目标监控场景下的可行路径。

具体地，对多条轨迹进行聚类时，由于噪声或聚类参数的设置等对聚类结果的影响，使得聚类后的轨迹类别过多。相应地，选择的中心轨迹存在冗余，进而使得挖掘的可行路径存在冗余，导致挖掘的可行路径不准确。

为了从多条轨迹中挖掘出更加精确的可行路径，根据所有类轨迹的中心轨迹中任意两条中心轨迹之间的DTW(Dynamic Time Warping，动态时间归整)距离，构建邻接矩阵。采用深度优先搜索算法对构建的邻接矩阵进行搜索，然后将搜索的任意两条中心轨迹之间的DTW距离小于预设阈值的中心轨迹进行合并。合并后可以降低中心轨迹的冗余，从而使得挖掘的可行路径更加准确。

本实施例一方面根据聚类算法对多条轨迹进行聚类，采用拉普拉斯中心性算法自动从每类轨迹中选择一条轨迹作为中心轨迹，使得选择的中心轨迹更具有代表性；另一方面采用深度优先搜索算法从所有类轨迹的中心轨迹中搜索距离小于预设阈值的中心轨迹进行合并，将合并后的中心轨迹作为所述目标监控场景下的可行路径，不仅可以降低每类轨迹中存在的冗余，降低计算量，进而消除每类轨迹中冗余轨迹的干扰，还可以减少冗余的中心轨迹，使得挖掘的可行路径更加精确。

在上述实施例的基础上，本实施例中所述基于拉普拉斯中心性算法从每类轨迹中选择一条轨迹作为每类轨迹的中心轨迹，包括：对于任一类轨迹，根据该类轨迹中任意两条轨迹之间的相似性，构建该类轨迹的邻接矩阵；根据该类轨迹的邻接矩阵，构建该类轨迹的图；其中，将该类轨迹中的每条轨迹作为图的节点，将任意两条轨迹之间的相似性作为所述图的边的权值；基于所述拉普拉斯中心性算法计算该类轨迹的图中各节点的拉普拉斯中心性；将该类轨迹的图中最大的所述拉普拉斯中心性所属的节点表示的轨迹作为该类轨迹的中心轨迹。

具体地，对于任一类轨迹，可以根据LCSS(Longest Common Sub-Sequence，最长公共子序列)距离计算该类轨迹中任意两条轨迹之间的相似性；也可以根据DTW距离计算该类轨迹中任意两条轨迹之间的相似性；也可以直接利用对多条轨迹进行聚类时计算的相似性。本实施例不限于计算该类轨迹中任意两条轨迹之间的相似性的方法。根据该类轨迹中任意两条轨迹之间的相似性，构建该类轨迹的邻接矩阵。根据该类轨迹的邻接矩阵，构建该类轨迹的图。其中，图的任一节点表示该类轨迹中的一条轨迹，任意两个节点之间的边的权值为节点对应的两条轨迹之间的相似性。例如，图2所示，节点A表示一条轨迹，节点A与节点B之间的连线称为图的边，节点A与节点B的之间的边的权值表示两条轨迹之间的相似性。

根据该类轨迹的图，可以计算图中各节点的拉普拉斯中心性。拉普拉斯中心性表示任一节点在图中的重要性。任一节点的拉普拉斯中心性越高，该节点在图中越重要。即，任一节点的拉普拉斯中心性越高，该节点表示的轨迹在该类轨迹中越重要。其中，拉普拉斯中心性最大的节点在图中最重要。所以，可以将拉普拉斯中心性最大的节点表示的轨迹作为该类轨迹的中心轨迹。

在上述实施例的基础上，本实施例中所述基于所述拉普拉斯中心性算法计算该类轨迹的图中各节点的拉普拉斯中心性，包括：根据该类轨迹的图的邻接矩阵和度矩阵，计算该类轨迹的图的拉普拉斯矩阵；根据所述拉普拉斯矩阵分别计算从该类轨迹的图中删除任一节点前后的拉普拉斯能量；根据从该类轨迹的图中删除任一节点前后的拉普拉斯能量之间的差值，计算该节点的拉普拉斯中心性。

其中，度矩阵为图中任一节点和其他节点之间的边的权重之和。根据该类轨迹的图G的邻接矩阵和度矩阵，可以计算图G的拉普拉斯矩阵，计算公式如下：

L＝D-A；

其中，L表示图G的拉普拉斯矩阵，D为图G的度矩阵，A为图G的邻接矩阵。

通过计算图G的拉普拉斯矩阵的特征值的平方和可以获得图G的拉普拉斯能量，计算公式如下：

其中，E

从图G中删除节点v

其中，h

在上述各实施例的基础上，本实施例中所述基于聚类算法对预先获取的目标监控场景下的多条轨迹进行聚类，包括：根据所述多条轨迹的统计特征对所述多条轨迹进行聚类；根据所述多条轨迹中任意两条轨迹之间的距离对所述多条轨迹进行聚类；将根据所述统计特征获取的聚类结果和根据所述任意两条轨迹之间的距离获取的聚类结果进行合并。

具体地，目前轨迹聚类主要分为三种方式，第一种聚类方式是基于轨迹的空间相似性进行聚类。这类方法将轨迹聚类转化为时间序列聚类，并使用序列相似性距离度量计算轨迹之间的距离，如，LCSS距离。第二种聚类方式是基于统计特征。例如，采用直方图提取轨迹的方向的统计特征。基于统计特征的轨迹聚类方式能够以较低的时间复杂度，获得较为稳定的聚类效果，但是轨迹的统计特征忽略了轨迹的时空相关性，所以得到的聚类结果不准确。第三种聚类方式是在对轨迹进行建模后，再利用模型对轨迹进行分析。这种方法可以实时对轨迹进行分析，但是其分析的结果受模型参数的初始值的影响较大，很难建立准确的模型。

而本实施例将基于轨迹的统计特征的聚类方法与基于轨迹的距离度量的聚类方法进行集成，获得更加鲁棒的聚类结果。本实施例根据各轨迹的轨迹点的坐标，提取各轨迹的统计特征。其中，提取的统计特征可以是一种或多种。提取各轨迹的统计特征后，采用聚类算法对多条轨迹进行聚类。

并且，根据多条轨迹中任意两条轨迹之间的距离，建立相似度邻接矩阵。根据相似度邻接矩阵对多条轨迹进行聚类。其中计算任意两条轨迹之间的距离可以采用一种或多种距离度量算法。例如，采用DTW距离计算多条轨迹中轨迹

根据统计特征和根据任意两条轨迹之间的距离可以获取多组聚类结果。其中，每组聚类结果可能相同也可能不同。为了统一获取的多组聚类结果，采用集成聚类算法合并聚类结果，使得多组聚类结果变成一组聚类结果。

在上述实施例的基础上，本实施例中所述根据所述多条轨迹的统计特征对所述多条轨迹进行聚类，包括：基于多种聚类算法根据所述多条轨迹的统计特征分别对所述多条轨迹进行聚类；和/或，所述根据所述多条轨迹中任意两条轨迹之间的距离对所述多条轨迹进行聚类，包括：基于多种聚类算法根据所述多条轨迹中任意两条轨迹之间的距离分别对所述多条轨迹进行聚类。

其中，聚类算法可以是谱聚类算法、凝聚层次聚类算法和K均值聚类算法等。根据统计特征对多条轨迹进行聚类与根据多条轨迹中任意两条轨迹之间的距离对多条轨迹进行聚类，采用的聚类算法可以相同也可以不同。本实施例不限于对聚类算法的选择方法。根据统计特征或多条轨迹中任意两条轨迹之间的距离中至少一种方式，采用多种不同聚类算法以及不同的参数的聚类算法对多条轨迹进行聚类，可以获得多组聚类结果，通过集成聚类算法合并多组聚类结果，合并后可以得到一组更具有鲁棒性的聚类结果。如图3所示为集成聚类的流程图。

在上述各实施例的基础上，本实施例中所述基于聚类算法对预先获取的目标监控场景下的多条轨迹进行聚类之前，包括：将任一条所述轨迹映射到网格中，获取该条轨迹中的每个原始轨迹点映射到所述网格中的坐标；计算各网格中所有原始轨迹点的坐标的平均值，将所述坐标的平均值处的点作为该条轨迹的新轨迹点；将各网格中的所有原始轨迹点替换为各网格中的新轨迹点。

具体地，可以通过视觉跟踪算法获取的各轨迹的位置、运行时间和目标的运动状态等。采集的任一条轨迹中可能存在相邻几个原始轨迹点中包含大量停止点或相邻几个原始轨迹点之间的距离相差不大的情况。若该条轨迹存在这些情况，表示该条轨迹中存在冗余的原始轨迹点。冗余的原始轨迹点会对聚类结果产生干扰，造成聚类结果不准确。

为了减少任一轨迹中存在的冗余的原始轨迹点，将该轨迹映射到网格中，获取该轨迹映射到网格后的新轨迹点。预先获取的目标监控场景下的多条轨迹可以表示为

各网格中可能不包含该轨迹的任一原始轨迹点，也可能包含该轨迹一个或多个原始轨迹点。若任一网格中包含一个原始轨迹点，则保留该原始轨迹点，并将该原始轨迹点将作为该网格中的新轨迹点；若任一网格中包含多个原始轨迹点，则将该原始轨迹点的坐标的平均值处的点替换为该网格中的新轨迹点。

例如，图4所示为任一轨迹的网格映射的结构示意图。其中，网格b4中包含多个的停止点，网格b1和b6包含多个原始轨迹点，分别对网格b4和网格b1和网格b6中包含的原始轨迹点的坐标求平均值，将平均值所在的点替换为网格中新轨迹点。网格b4和网格b1和网格b6中的新轨迹点分别为P4、P1和P6。而网格b3中只有一个原始轨迹点，则该原始轨迹点即为网格b3中的新轨迹点。通过这种方式可以减少各网格中的冗余的原始轨迹，从减少该轨迹中存在的冗余的原始轨迹点。

在上述实施例的基础上，本实施例中所述基于聚类算法对预先获取的目标监控场景下的多条轨迹进行聚类，包括：计算每条轨迹在各网格中的角度；若各网格中的所有原始轨迹点为停止点，则替换各网格中的所有原始轨迹点的新轨迹点为停止点；其中，所述停止点为每条轨迹所属的目标为停止状态的点；根据每条轨迹的各新轨迹点在网格中的坐标、是否为停止点和各新轨迹点所在网格中轨迹的角度中的一种或多种，对所述多条轨迹进行聚类。

具体地，确定各轨迹在网格中新轨迹点的坐标后，可以根据新轨迹点的坐标获取新轨迹点所在网格中轨迹的角度。还可以根据各网格中的所有原始轨迹点是否为停止点，判断各网格中新轨迹点是否为停止点。并用0表示新轨迹点不是停止点，用1表示新轨迹点是停止点。综上所述，将第i轨迹映射到网格中，可以获得该轨迹在网格的所有新轨迹点为

根据每条轨迹的各新轨迹点在网格中的坐标、是否为停止点和各新轨迹点所在网格中轨迹的角度中的一种或多种，直接对多条轨迹进行聚类。也可以对每条轨迹提取统计特征后在进行聚类。例如，根据各新轨迹点所在网格中轨迹的角度提取方向统计特征；或者将轨迹Traj

其中，d

或者将轨迹的复杂度作为统计特征，计算公式为：

其中，c

下面对本发明实施例提供的监控场景下的可行路径挖掘装置进行描述，下文描述的监控场景下的可行路径挖掘装置与上文描述的监控场景下的可行路径挖掘方法可相互对应参照。

如图5所示，本实施例提供的监控场景下的可行路径挖掘装置，包括聚类模块501、选择模块502和合并模块503，其中：

聚类模块501，用于基于聚类算法对预先获取的目标监控场景下的多条轨迹进行聚类；

其中，聚类采用一种无监督学习的方式，将物理或抽象对象的集合分成多个类，同一类对象具有很大的相似性，而不同类的对象间具有很大的差异性。轨迹是按照时间先后顺序组成的一系列的空间位置点。通过监控设备对目标进行分析，可以获得目标监控场景下的目标的运动轨迹。其中，目标可以是车辆、行人或飞机等。通常，目标监控场景下包含多个目标，每个目标对应一条轨迹。通过监控设备对各目标进行监控，可以获得目标监控场景下的多条轨迹。

采用聚类算法对目标监控场景下的多条轨迹进行聚类，可以使每条轨迹属于一个类。并且可以将相似性高的轨迹尽可能地分到同一类，使不同类轨迹之间的差异性尽可能大。其中，聚类模块501中的聚类算法可以是谱聚类算法、凝聚层次聚类算法或K均值聚类算法等。可以采用一种聚类算法对多条轨迹进行聚类，也可以采用多种聚类算法对多条轨迹进行聚类。

选择模块502，用于基于拉普拉斯中心性算法从每类轨迹中选择一条轨迹作为每类轨迹的中心轨迹；

其中，中心轨迹为每条轨迹中最具有代表性的一条轨迹。将多条轨迹聚类后，可以获得多类轨迹，每类轨迹中包含多条轨迹。为了从每类轨迹中提取中心轨迹，现有技术根据经验确定每类轨迹的聚类中心，将聚类中心对应的轨迹作为中心轨迹。但是通常目标监控场景下的多条轨迹可以被聚成多类，且每类轨迹中包含多条轨迹，很难根据经验从每类轨迹中提取中心轨迹。

选择模块502通过拉普拉斯中心性算法，获取每类轨迹中的每条轨迹的重要性。每类轨迹中的每条轨迹具有不同的重要性，本实施可以根据每条轨迹在每类轨迹中的重要性，自动从每类轨迹中选择一条轨迹作为中心轨迹，使得选择的中心轨迹更能代表每类轨迹的特征。

合并模块503，基于深度优先搜索算法从所有类轨迹的中心轨迹中搜索距离小于预设阈值的中心轨迹进行合并，将合并后的中心轨迹作为所述目标监控场景下的可行路径。

具体地，对多条轨迹进行聚类时，由于噪声或聚类参数的设置等对聚类结果的影响，使得聚类后的轨迹类别过多。相应地，选择的中心轨迹存在冗余，进而使得挖掘的可行路径存在冗余，导致挖掘的可行路径不准确。

为了从多条轨迹中挖掘出更加精确的可行路径，根据所有类轨迹的中心轨迹中任意两条中心轨迹之间的DTW距离，构建邻接矩阵。采用深度优先搜索算法对构建的邻接矩阵进行搜索，然后将搜索的任意两条中心轨迹之间的DTW距离小于预设阈值的中心轨迹进行合并。合并后可以降低中心轨迹的冗余，从而使得挖掘的可行路径更加准确。

本实施例一方面根据聚类算法对多条轨迹进行聚类，采用拉普拉斯中心性算法自动从每类轨迹中选择一条轨迹作为中心轨迹，使得选择的中心轨迹更具有代表性；另一方面采用深度优先搜索算法从所有类轨迹的中心轨迹中搜索距离小于预设阈值的中心轨迹进行合并，将合并后的中心轨迹作为所述目标监控场景下的可行路径，不仅可以降低每类轨迹中存在的冗余，降低计算量，进而消除每类轨迹中冗余轨迹的干扰，还可以减少冗余的中心轨迹，使得挖掘的可行路径更加精确。

在上述实施例的基础上，本实施例中选择模块具体用于：对于任一类轨迹，根据该类轨迹中任意两条轨迹之间的相似性，构建该类轨迹的邻接矩阵；根据该类轨迹的邻接矩阵，构建该类轨迹的图；其中，将该类轨迹中的每条轨迹作为图的节点，将任意两条轨迹之间的相似性作为所述图的边；基于所述拉普拉斯中心性算法计算该类轨迹的图中各节点的拉普拉斯中心性；将该类轨迹的图中最大的所述拉普拉斯中心性所属的节点表示的轨迹作为该类轨迹的中心轨迹。

在上述实施例的基础上，本实施例中还包括计算模块，用于根据该类轨迹的图的邻接矩阵和度矩阵，计算该类轨迹的图的拉普拉斯矩阵；根据所述拉普拉斯矩阵分别计算从该类轨迹的图中删除任一节点前后的拉普拉斯能量；根据从该类轨迹的图中删除任一节点前后的拉普拉斯能量之间的差值，计算该节点的拉普拉斯中心性。

在上述实施例的基础上，本实施例中聚类模块具体用于：根据所述多条轨迹的统计特征对所述多条轨迹进行聚类；根据所述多条轨迹中任意两条轨迹之间的距离对所述多条轨迹进行聚类；将根据所述统计特征获取的聚类结果和根据所述任意两条轨迹之间的距离获取的聚类结果进行合并。

在上述实施例的基础上，本实施例中聚类模块具体用于：基于多种聚类算法根据所述多条轨迹的统计特征分别对所述多条轨迹进行聚类；和/或，基于多种聚类算法根据所述多条轨迹中任意两条轨迹之间的距离分别对所述多条轨迹进行聚类。

在上述实施例的基础上，本实施例中预处理模块具体用于：将任一条所述轨迹映射到网格中，获取该条轨迹中的每个原始轨迹点映射到所述网格中的坐标；计算各网格中所有原始轨迹点的坐标的平均值，将所述坐标的平均值处的点作为该条轨迹的新轨迹点；将各网格中的所有原始轨迹点替换为各网格中的新轨迹点。

在上述实施例的基础上，本实施例中选择模块具体用于：计算每条轨迹在各网格中的角度；若各网格中的所有原始轨迹点为停止点，则替换各网格中的所有原始轨迹点的新轨迹点为停止点；其中，所述停止点为每条轨迹所属的目标为停止状态的点；根据每条轨迹的各新轨迹点在网格中的坐标、是否为停止点和各新轨迹点所在网格中轨迹的角度中的一种或多种，对所述多条轨迹进行聚类。

图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)601、通信接口(Communications Interface)602、存储器(memory)603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信。处理器601可以调用存储器603中的逻辑指令，以执行监控场景下的可行路径挖掘方法，该方法包括：基于聚类算法对预先获取的目标监控场景下的多条轨迹进行聚类；基于拉普拉斯中心性算法从每类轨迹中选择一条轨迹作为每类轨迹的中心轨迹；基于深度优先搜索算法从所有类轨迹的中心轨迹中搜索距离小于预设阈值的中心轨迹进行合并，将合并后的中心轨迹作为所述目标监控场景下的可行路径。

此外，上述的存储器603中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的监控场景下的可行路径挖掘方法，该方法包括：基于聚类算法对预先获取的目标监控场景下的多条轨迹进行聚类；基于拉普拉斯中心性算法从每类轨迹中选择一条轨迹作为每类轨迹的中心轨迹；基于深度优先搜索算法从所有类轨迹的中心轨迹中搜索距离小于预设阈值的中心轨迹进行合并，将合并后的中心轨迹作为所述目标监控场景下的可行路径。

又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的监控场景下的可行路径挖掘方法，该方法包括：基于聚类算法对预先获取的目标监控场景下的多条轨迹进行聚类；基于拉普拉斯中心性算法从每类轨迹中选择一条轨迹作为每类轨迹的中心轨迹；基于深度优先搜索算法从所有类轨迹的中心轨迹中搜索距离小于预设阈值的中心轨迹进行合并，将合并后的中心轨迹作为所述目标监控场景下的可行路径。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。