基于多准则粒子滤波算法的车辆轨迹重构

完整的车辆轨迹数据为高效交通管控提供数据支撑。为从城市车牌识别数据(ALPR:Automatic license plate recognition)中提取完整车辆轨迹信息，提出一种粒子滤波框架下的多准则车辆轨迹重构方法。首先，对提取到的初始车辆轨迹进行断点识别，确认车辆轨迹中需重构部分的位置和数量，并结合k则最短路算法对这些部分搜索生成轨迹集。然后，将轨迹集中的每条轨迹视作初始粒子输入到改进的粒子滤波器中，新粒子滤波器的5个重采样过程与5个时空校正因子一一对应，即：行程时间一致性因子、可测性准则因子、路径尺寸因子、转弯次数因子和距离准则因子。新粒子滤波器对含有主观因素的校正因子重采样过程加入了一定的随机性，以模拟车辆在行驶时的主观行为，粒子滤波器最终输出的轨迹为重构后的完整轨迹。最后，以长沙市天心区实测车牌识别数据为例，对比本文算法与传统算法轨迹重构的准确性。结果表明，本文算法考虑了车辆行驶时的随机性，在重构准确率方面具有一定优势，重构平均准确率达到94.8%。综上，提出的算法在传统方法基础上进行了多方面的改进，有利于提升轨迹重构的可靠性和精度，为城市路网车辆轨迹分析提供高质量的数据...