本发明属于智慧社区数据处理，特别涉及一种智慧社区人员轨迹识别方法及系统。
背景技术：
1、随着社会公共安全的日益重视，社区的安全也越来越受到重视。对于社区来说，治安防盗是避免居民产生财产损失、维持人们日常生活平安稳定的一个重要因素，而对于智慧社区更是如此。目前普遍采用安保监控的方式对社区内的公共场所进行实时监控，从而察觉安全隐患并防止入室盗窃等现象发生。具体方式是在社区内的道路上、居民楼楼层内等公共场所安装监控摄像头、可视门禁等设备，并配备一定数量的值班人员，各监控摄像头将采集到的监控视频图像上传至监控室并显示在相应显示屏上，由值班人员24小时观看上传的视频，在从视频中发现疑似小偷、窃贼等可疑人物时，会对视频中的该人物进行重点关注，一旦发生撬门、偷盗等行为则立即前往进行确认和阻止，并在确认后进行报警，以避免居民产生财物损失甚至被人身伤害等。需要社区值班人员长时间地对着视频监控画面，当社区值班人员因个人等原因漏看了视频监控画面，便可能导致遗漏发现智慧社区中的外来可疑人物，从而导致发现智慧社区中外来可疑人物的准确性低下。
2、授权公告号为cn118135499b的中国发明专利公开了一种智慧社区流动人员监控方法及系统，所述方法包括：s100：社区可视化监控模型的建立，社区可视化监控模型在电子地图上展示社区区域轮廓、社区三维建筑物模型、监控设备；s200：采集社区常住人员的身份认证信息；s300：进入社区的可疑人员的筛选；s400：采集可疑人员的轨迹跟踪基础信息，轨迹跟踪基础信息包括人脸特征信息、体态特征信息、目标地；s500：根据目标地获取可疑人员参考轨迹，将可疑人员参考轨迹上的监控设备标注为参考设备；s600：通过分布在社区区域轮廓的监控设备，获取可疑人员运动轨迹，将采集到可疑人员的监控设备的标注为测量设备；s700：实时提取测量设备和参考设备相关信息，对可疑人员偏移情况进行分析。
3、虽然现有的智能化设备越来越丰富，功能日益强大，但设备与设备之间都相对独立，并不能从整体上分析出人员的出入轨迹是否正常，导致轨迹分析的准确性不高。本发明旨在提供一种智慧社区人员轨迹识别方法及系统，使用统计方法识别人员正常行为模式，构建人员正常轨迹模型，来强化智慧社区的人员管理。
技术实现思路
1、本发明提供一种智慧社区人员轨迹识别方法及系统，旨在解决现有技术无法从整体上分析人员轨迹导致轨迹分析准确性不高的问题。
2、为解决上述技术问题，本发明提出的智慧社区人员轨迹识别方法，包括以下步骤：
3、将社区二维平面坐标化，收集基于坐标表示的历史轨迹数据，清洗所述历史轨迹数据；
4、将清洗后的历史轨迹数据格式化，所述格式化方法包括插值法及归一化；
5、从格式化后的数据中提取描述轨迹形状及运动行为的特征数据；
6、使用聚类分析方法识别特征数据中的行为模式，包括正常行为模式及异常行为模式；
7、根据识别的行为模式，使用动态时间(dynamic time warping，dtw)规整算法度量轨迹之间的相似性，构建正常轨迹模板；
8、将所述正常轨迹模板用于实时监控和分析社区中人员的轨迹，检测是否存在异常行为。
9、优选地，所述历史轨迹数据的来源包括门禁设备、监控设备及传感器获取社区人员轨迹数据。
10、优选地，所述历史轨迹数据表示为：
11、trajectory＝{(xi,yi,ti)|i＝1,2,…，n}
12、式中，(xi,yi)表示一特定目标在ti时刻于社区坐标系上的坐标，n为一特定目标所有轨迹点的数量。
13、优选地，所述插值法为线性插值法，插值公式如下：
14、
15、式中，(x′i,y′i)为插值后的轨迹坐标点，(xi,yi)及(xi+1,yi+1)分别为一特定目标两个相邻轨迹坐标点，ti及ti+1分别为(xi,yi)及(xi+1,yi+1)轨迹坐标点的时间，t′为插值后的时间点。
16、优选地，所述特征数据包括特定目标的速度、加速度及曲率，所述速度vi表示为：
17、
18、式中，(xi,yi)对应一特定目标在ti时刻于社区坐标系上的坐标，(xi+1,yi+1)对应一特定目标在ti+1时刻于社区坐标系上的坐标；
19、所述加速度ai表示为：
20、
21、式中，vi、vi+1分别对应一特定目标在ti、ti+1时刻的速度；
22、所述曲率ki表示为：
23、
24、式中，(xi,yi)对应一特定目标在ti时刻于社区坐标系上的坐标，(xi+1,yi+1)对应一特定目标在ti+1时刻于社区坐标系上的坐标。
25、优选地，所述聚类分析方法为k-均值聚类方法，具体为：
26、对特征数据进行标准化处理，形成均值为0、方差为1的特征数据分布；
27、随机选择2个质心，将每个数据点分配到最近的质心所在的簇，计算每个簇的质心，检查质心是否发生变化，若发生变化，则重新分配数据点并计算质心，直到质心不再变化或达到预设的迭代次数；
28、分析所述两个簇的特征，分别将数据分为正常行为模式和异常行为模式。
29、优选地，所述聚类分析方法为基于密度的聚类方法，具体为：
30、对特征数据进行标准化处理，邻域半径及最小点数；
31、使用dbscan算法根据设定的邻域半径及最小点数参数对标准化后的数据进行聚类；
32、根据dbscan的聚类结果，将密度较高的簇划分为正常行为模式，将噪声点划分为异常行为模式。
33、优选地，所述使用动态时间规整算法度量轨迹之间的相似性，构建正常轨迹模板具体为：
34、将正常行为模式中的特征数据组织成时间序列格式；
35、对每项正常轨迹使用动态时间规整算法计算距离，构建距离矩阵；
36、在距离矩阵中，计算每条轨迹与其他轨迹的总距离，选择总距离最小的轨迹作为正常轨迹模板。
37、优选地，所述距离为欧几里得距离d(x,y)，计算方法如下：
38、
39、式中，n为特征数据中的轨迹点数量，(xi,yi)为对应轨迹点的坐标。
40、相应地，本发明还提出一种智慧社区人员轨迹识别系统，所述系统执行上述的轨迹识别方法，包括：
41、数据采集模块，用于从门禁设备、监控设备及传感器采集社区人员的历史轨迹数据，还用于实时监控和分析社区中人员轨迹时实时采集人员轨迹数据；
42、数据预处理模块，用于对收集的历史轨迹数据进行清洗及格式化，所述格式化方法包括插值法及归一化；
43、特征提取模块，用于从格式化后的数据中提取描述轨迹形状及运动行为的特征数据；
44、行为模式识别模块，使用k-均值聚类方法或基于密度的聚类方法识别特征数据中的正常行为模式及异常行为模式；
45、模型构建模块，根据行为模式识别模块识别出的正常行为模式，使用动态时间规整算法度量轨迹之间的相似性，构建正常轨迹模板。
46、与现有技术相比，本发明具有以下技术效果：
47、1.本发明提出的轨迹识别方法通过对历史轨迹数据采用聚类方法进行分类，再使用动态时间规整算法从分类数据中的正常行为数据中获取正常轨迹模板，使用正常轨迹模板实时对社区中的人员轨迹进行分析，可快速准确地分析出人员轨迹的行为模式，及时发现和响应异常行为，有效优化智慧社区的人员管理，提升社区安全防控能力。
48、2.本发明提出的轨迹识别方法采用k-均值聚类方法对历史轨迹数据进行聚类分析，将其分类为正常行为模式及异常行为模式。可快速部署、快速收敛，实现高效率的聚类分析。
49、3.本发明提出的轨迹识别方法采用基于密度的聚类分析方法对历史轨迹数据进行聚类分析，将其分类为正常行为模式及异常行为模式。能够自动识别和分离噪声点和异常值，不需要事先知道异常值的数量，能够降低使用成本，提升数据分析的效率，提供良好的鲁棒性。
50、4.本发明提出的轨迹识别方法采用动态时间规整算法提取出正常轨迹模板，对于不同人员的轨迹长度通常不同，能够处理长度不同的时间序列数据，通过弹性对齐将两段序列匹配起来，以适应不同长度时间序列；同时能够自动对齐时间序列中的局部异常，提供更稳定的匹配结果，增强轨迹分析的鲁棒性；另外，还能够识别时间序列中的局部模式，即使两条轨迹在整体形状上有差异，也能找到相似的部分，有效提高相似度计算的准确性。
1.一种智慧社区人员轨迹识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种智慧社区人员轨迹识别方法，其特征在于，所述历史轨迹数据的来源包括门禁设备、监控设备及传感器获取社区人员轨迹数据。
3.根据权利要求1或2所述的一种智慧社区人员轨迹识别方法，其特征在于，所述历史轨迹数据表示为：
4.根据权利要求1所述的一种智慧社区人员轨迹识别方法，其特征在于，所述插值法为线性插值法，插值公式如下：
5.根据权利要求1所述的一种智慧社区人员轨迹识别方法，其特征在于，所述特征数据包括特定目标的速度、加速度及曲率，所述速度vi表示为：
6.根据权利要求1所述的一种智慧社区人员轨迹识别方法，其特征在于，所述聚类分析方法为k-均值聚类方法，具体为：
7.根据权利要求1所述的一种智慧社区人员轨迹识别方法，其特征在于，所述聚类分析方法为基于密度的聚类方法，具体为：
8.根据权利要求1所述的一种智慧社区人员轨迹识别方法，其特征在于，所述使用动态时间规整算法度量轨迹之间的相似性，构建正常轨迹模板具体为：
9.根据权利要求8所述的一种智慧社区人员轨迹识别方法，其特征在于，所述距离为欧几里得距离d(x,y)，计算方法如下：
10.一种智慧社区人员轨迹识别系统，其特征在于，所述系统执行如权利要求1-9任一项所述的轨迹识别方法，包括：
