技術特征：

1.一種基于多維特征的目標行為模式在線分類方法，其特征在于包括以下步驟：

步驟一：定義相關變量：

1)需要考慮的近鄰數(shù)量k；

2)訓練航跡數(shù)據集其中l(wèi)₁+…+l_t+…+l_m＝l，1,2,…,m為訓練航跡數(shù)據集中的航跡對應的目標的行為模式類別標簽，l為訓練樣本總數(shù)；

3)多因素定向Hausdorff距離矩陣M1,M2,…,Mm，其中矩陣M1的每個元素M1_i,j:i＝1,…,l₁,j＝1,…,k表示z_1i到樣本集第j近的樣本之間的多因素定向Hausdorff距離，M2,…,Mm中的每個元素同理；

4)空的優(yōu)先序列Q1,…,Qt,…,Qm；

5)測試航跡z_l+1＝{x₁∪x₂∪…∪x_L}，其中x_i∩x_j＝φ:i,j＝1,…,L∧j≠i，x_j為多維航跡點；

6)距離向量(m₁,…,m_l)，其中m_i:i＝1,…,l表示z_l+1到z_i的多因素定向Hausdorff距離：

7)距離向量(m'₁,…,m'_l)，其中m'_i:i＝1,…,l表示z_i到z_l+1的多因素定向Hausdorff距離：

8)類別指示變量其中i＝1,…,L-1為對子航跡在線分類得出的類別，為對航跡{x₁∪x₂∪…∪x_L}＝z_l+1在線分類得出的類別；

步驟二：對測試航跡z_l+1＝{x₁∪x₂∪…∪x_L}中的子航跡{x₁∪…∪x_j}，j＝1,…,L和訓練航跡數(shù)據集中的z_1i:i＝1,…,l₁重復進行如下分類過程：

1)計算多因素定向Hausdorff距離矩陣M1_i,1,...,M1_i,k-1的和，并對距離m_i賦零初值；

2)根據多因素定向Hausdorff距離的定義對m_i的取值進行更新；

3)對Q1內的元素進行更新；

4)根據多因素定向Hausdorff距離的定義對m'_i的取值進行更新；

5)根據距離m'_i與距離M1_i,k的取值大小，對不一致度量α_1i的取值進行更新；

6)從Q1中提取當前的k個距離值，并通過對這k個距離值的求和對不一致度量的取值進行更新；

7)計算的取值；

步驟三：對測試航跡z_l+1＝{x₁∪x₂∪…∪x_L}中的子航跡{x₁∪…∪x_j}，j＝1,…,L和訓練航跡數(shù)據集2≤t≤m中的z_ti:i＝1,…,l_t，用Mt替換M1，用Qt替換Q1，重復進行如步驟二所示的分類過程，計算的取值；

步驟四：比較的大小，選出最大的p值則當前子航跡{x₁∪…∪x_j}對應的目標行為模式類別為c，即：

步驟五：當測試航跡z_l+1的每個子航跡{x₁∪…∪x_j}，j＝1,…,L對應的目標行為模式都分類完成后，輸出類別指示變量和距離向量，查找最多的多維航跡點對應的類別c，將z_l+1添加到該類別對應的訓練航跡數(shù)據集中，組成新的訓練航跡數(shù)據集

步驟六：對多因素定向Hausdorff距離矩陣Mc進行更新；

步驟七：用更新后的訓練航跡數(shù)據集和更新后的多因素定向Hausdorff距離矩陣Mc代替原來的和Mc，對測試航跡z_l+2對應的目標行為模式進行在線分類。

2.根據權利要求1所述的基于多維特征的目標行為模式在線分類方法，其特征在于，

步驟一中多因素定向Hausdorff距離的具體定義如下：

1)考慮兩個目標的位置特征、速度特征和航向特征，兩個目標點a、b之間的多因素距離定義為：

mfdist(a,b)＝w_d·dist(a,b)+w_v·dist(v_a,v_b)+w_θ·dist(θ_a,θ_b)

其中v_a，v_b表示點a與點b的速度，θ_a，θ_b表示點a與點b的航向，dist(a,b)表示點a與點b之間位置特征的歐式距離，dist(v_a,v_b)表示點a與點b之間速度特征的歐式距離，dist(θ_a,θ_b)表示點a與點b之間航向特征的歐式距離，w_d表示位置特征的權重因子，w_v表示速度特征的權重因子，w_θ表示航向特征的權重因子，權重因子的取值取決于多因素距離的應用場景；

2)基于兩個目標點之間的多因素距離mfdist(a,b)，目標航跡A到目標航跡B的多因素定向Hausdorff距離定義為:

$\stackrel{\→}{{\mathrm{\δ}}_M}(A,B)=\underset{a\∈A}{max}\left\{\underset{b\∈B}{min}\right\{mfdist(a,b)\left\}\right\}$

A與B為兩條目標航跡。

3.根據權利要求1所述的基于多維特征的目標行為模式在線分類方法，其特征在于，

步驟二具體為：

1)計算距離矩陣M1_i,1,...,M1_i,k-1的和并對距離m_i賦零初值m_i＝0；

2)根據多因素定向Hausdorff距離的定義，對m_i的取值進行更新：

$m_i=max\{\stackrel{\→}{{\mathrm{\δ}}_M}(x_j,z_{1i}),m_i\}$

3)對Q1內的元素進行更新：

如果Q1內的元素個數(shù)小于近鄰數(shù)量k，則將當前的m_i取值插入到Q1中；如果Q1內存有k個距離值，并且當前的m_i小于Q1中的最大距離值，則刪除Q1中的最大距離值，將當前m_i取值插入到Q1中；

4)根據多因素定向Hausdorff距離的定義，對m'_i的取值進行更新：

${m^{\′}}_i=\stackrel{\→}{{\mathrm{\δ}}_M}(z_{1i},\{x_1\∪...\∪x_j\left\}\right)$

5)根據距離m'_i與距離M1_i,k的取值大小，對不一致度量α_1i的取值進行更新：

如果：m'_i＜M1_i,k，

α_1i＝v_i+m'_i

否則，

α_1i＝v_i+M1_i,k

α_i的具體定義為：給定一個樣本序列{z₁,...,z_n}，i＝1,...,n代表空間R^d中的一個非空點集，樣本z_i到集合{z₁,...,z_n}\z_i的多因素不一致度量α_i可以定義為：

${\mathrm{\α}}_i=\underset{j=1}{\overset{k}{\Σ}}\stackrel{\→}{{\mathrm{\δ}}_M}(z_i,NN(z_i,\{z_1,...,z_n\}\backslash z_i,j\left)\right)$

其中NN(z_i,{z₁,...,z_n}\z_i,j)∈{z₁,...,z_n}\z_i表示根據定義的多因素定向Hausdorff距離計算得出的距離z_i第j近的樣本；

6)從Q1中提取當前的k個距離值，對不一致度量的取值進行更新：

${\mathrm{\α}}_{1(l_1+1)}=sum\{m_1^{*},...,m_k^{*}\}$

7)計算取值：

$p_{1(l_1+1)}=\frac{\left|\right\{i=1,...,l_1+1:{\mathrm{\α}}_{1i}\≥{\mathrm{\α}}_{1(l_1+1)}\left\}\right|}{l_1+1}$

表示集合中元素的數(shù)量。

4.根據權利要求1所述的基于多維特征的目標行為模式在線分類方法，其特征在于，

步驟六具體為：

1)多因素定向Hausdorff距離矩陣Mc的第1行到第l_c行，根據距離向量進行更新；

2)將輸出的距離向量作為最后一行增加到多因素定向Hausdorff距離矩陣Mc中。