智能监控场景中运动目标轨迹聚类算法
《2024年面向轨迹大数据的高效聚类算法设计与实现》范文
《面向轨迹大数据的高效聚类算法设计与实现》篇一一、引言随着科技的发展，轨迹大数据在众多领域中扮演着越来越重要的角色。
无论是交通规划、城市管理还是个人出行，都离不开对轨迹大数据的分析和利用。
因此，设计并实现一种高效的聚类算法对于轨迹大数据的处理具有重要意义。
本文旨在研究并设计一种面向轨迹大数据的高效聚类算法，并对其实现进行详细阐述。
二、轨迹大数据的特点与挑战轨迹大数据通常具有以下特点：数据量巨大、维度高、时间序列连续性强等。
这使得在处理轨迹大数据时面临诸多挑战，如计算复杂度高、数据冗余度高、难以发现潜在规律等。
因此，需要设计一种能够高效处理轨迹大数据的聚类算法。
三、聚类算法的设计思路为了满足高效处理轨迹大数据的需求，我们提出了一种基于密度的聚类算法。
该算法通过分析轨迹数据的空间分布和密度，将具有相似运动特性的数据点聚合成簇。
具体设计思路如下：1. 数据预处理：对原始轨迹数据进行清洗、去噪、标准化等操作，以便后续的聚类分析。
2. 密度计算：根据轨迹数据的空间分布和运动特性，计算每个数据点的密度。
密度计算过程中，需要考虑时间因素和空间因素。
3. 簇的生成：通过密度的计算结果，利用空间扫描和局部搜索的方式生成初始簇。
在此基础上，采用逐步优化策略，逐步优化每个簇内的数据点。
4. 聚类结果的输出：最终生成满足一定约束条件的聚类结果，并通过可视化技术对结果进行展示。
四、算法的实现为了实现上述设计思路，我们采用了Python编程语言和相关的数据处理库（如Pandas、NumPy等）以及可视化库（如Matplotlib等）。
具体实现步骤如下：1. 数据预处理：首先，使用Pandas对原始数据进行清洗和去噪操作，然后使用NumPy对数据进行标准化处理。
2. 密度计算：采用高斯核密度估计法（Gaussian Kernel Density Estimation）对每个数据点的密度进行计算。
在计算过程中，考虑时间因素和空间因素对密度的影响。
《智能监控系统中运动目标的检测与跟踪》范文
《智能监控系统中运动目标的检测与跟踪》篇一一、引言随着科技的不断进步，智能监控系统在安全、交通、医疗等领域得到了广泛应用。
其中，运动目标的检测与跟踪作为智能监控系统的核心任务之一，对提升监控效率及保障公共安全具有极其重要的意义。
本文旨在详细阐述智能监控系统中运动目标的检测与跟踪方法及其应用价值。
二、运动目标检测技术1. 背景减除法背景减除法是运动目标检测的常用方法之一。
该方法通过将当前图像与背景图像进行差分运算，从而提取出运动目标。
其优点在于简单易行，对动态环境具有一定的适应性。
然而，当背景发生较大变化时，其检测效果会受到影响。
2. 光流法光流法是利用图像序列中像素强度变化的信息来检测运动目标的方法。
该方法能够较好地处理动态环境中的运动目标检测问题，但对计算资源要求较高，实时性有待提高。
3. 深度学习方法近年来，深度学习在运动目标检测领域取得了显著成果。
通过训练卷积神经网络等模型，可以实现高精度的运动目标检测。
同时，深度学习方法具有较强的鲁棒性，能够适应各种复杂环境。
三、运动目标跟踪技术1. 基于滤波的跟踪方法基于滤波的跟踪方法通过估计目标在连续帧之间的运动轨迹来实现跟踪。
常见的滤波方法包括卡尔曼滤波、粒子滤波等。
这些方法在处理线性、高斯分布的问题时效果较好，但在非线性、非高斯分布的问题中性能有所下降。
2. 基于相关性的跟踪方法基于相关性的跟踪方法通过计算当前帧与模板之间的相似度来实现跟踪。
该方法具有较高的精度和实时性，但容易受到光照、遮挡等因素的影响。
3. 深度学习在跟踪中的应用深度学习在运动目标跟踪中发挥了重要作用。
通过训练深度神经网络来学习目标的特征表示，可以提高跟踪的准确性和鲁棒性。
此外，深度学习方法还可以结合多种信息进行联合跟踪，进一步提高跟踪性能。
四、智能监控系统中的运动目标检测与跟踪应用智能监控系统中的运动目标检测与跟踪技术广泛应用于安全监控、交通管理、医疗诊断等领域。
在安全监控领域，通过实时检测和跟踪可疑目标，可以及时发现潜在的安全隐患并采取相应措施；在交通管理领域，通过监测交通流量和车辆行驶轨迹等信息，可以提高交通管理效率和安全性；在医疗诊断领域，通过监测病人的行为和生理信息，可以帮助医生及时诊断病情并制定治疗方案。
《2024年智能监控系统中运动目标的检测与跟踪》范文
《智能监控系统中运动目标的检测与跟踪》篇一一、引言随着科技的不断进步，智能监控系统已经广泛应用于各个领域，如安防、交通、医疗等。
其中，运动目标的检测与跟踪是智能监控系统的核心任务之一。
本文将介绍智能监控系统中运动目标检测与跟踪的原理、方法及应用，以期为相关研究提供参考。
二、运动目标检测1. 背景与意义运动目标检测是智能监控系统中的基础任务，旨在从静态背景中提取出运动目标。
这有助于实现对监控场景的实时监测、异常行为检测以及目标追踪等功能。
2. 常见方法(1) 帧间差分法：通过比较视频序列中相邻两帧的差异来检测运动目标。
该方法具有计算简单、实时性好的优点，但易受光照变化和噪声干扰。
(2) 光流法：利用光流场的变化来检测运动目标。
光流法可以较好地处理光照变化和阴影干扰，但计算复杂度较高。
(3) 背景减除法：通过建立背景模型，将当前帧与背景模型进行差分，从而提取出运动目标。
该方法具有较高的检测精度，但需要较长的训练时间。
3. 实际应用运动目标检测在智能监控系统中具有广泛的应用，如行人检测、车辆检测、人脸识别等。
通过运动目标检测技术，可以实现对监控场景的实时监测和异常行为检测，提高安全性和效率。
三、运动目标跟踪1. 背景与意义运动目标跟踪是在检测到运动目标的基础上，对目标进行连续观测和定位的过程。
通过运动目标跟踪，可以实现对目标的轨迹分析、行为识别以及预测等功能。
2. 常见方法(1) 基于滤波的方法：如卡尔曼滤波、粒子滤波等，通过建立目标的运动模型和观测模型来实现目标跟踪。
(2) 基于特征匹配的方法：通过提取目标的特征，在后续帧中寻找与目标特征相匹配的区域来实现跟踪。
常见的特征包括颜色、形状、纹理等。
(3) 基于深度学习的方法：利用卷积神经网络、循环神经网络等深度学习技术来实现目标跟踪。
该方法具有较高的准确性和鲁棒性。
3. 实际应用运动目标跟踪在智能监控系统中具有广泛的应用，如交通流量监测、无人驾驶、安防监控等。
视频监控中运动目标发现与跟踪算法研究
视频监控中运动目标发现与跟踪算法研究一、概述随着社会的快速发展和科技的巨大进步，智能视频监控系统已经深入到我们的日常生活中，成为维护公共安全、交通管理、商业防盗等多个领域的重要工具。
在这些应用中，运动目标的发现与跟踪算法作为智能视频监控系统的关键环节，其准确性和实时性对系统性能和可靠性起着决定性的作用。
对视频监控中运动目标发现与跟踪算法的研究具有极其重要的意义。
运动目标检测是指在视频监控系统中，通过算法从视频流中识别并提取出运动目标的过程。
这一环节的关键在于准确地区分出运动目标与背景，以及处理可能出现的光照变化、遮挡、摄像头抖动等复杂场景。
常见的目标检测算法包括基于像素处理的背景差法、基于混合高斯模型（Mixture of Gaussian, MoG）的方法以及基于运动轨迹的方法（如光流法）等。
这些算法在实际应用中仍面临着误检和漏检的问题，尤其是在复杂环境下。
为了解决这些问题，研究人员提出了一系列改进算法，如基于深度学习的目标检测算法。
这类算法利用卷积神经网络（Convolutional Neural Networks, CNN）进行特征提取和目标分类，有效提高了目标检测的准确性和鲁棒性。
基于机器学习的目标检测算法，如支持向量机（Support Vector Machine, SVM），也通过构建分类模型实现对目标的检测和分类。
在运动目标检测的基础上，运动目标跟踪算法则负责对已检测到的目标进行连续的跟踪，分析目标的运动轨迹，并实时更新目标的位置信息。
常见的跟踪算法有基于卡尔曼滤波器（Kalman Filter）的算法和基于粒子滤波器（Particle Filter）的算法等。
这些算法通过对目标状态进行估计和预测，结合观测信息进行迭代更新，实现对目标的准确跟踪。
视频监控中运动目标的发现与跟踪算法研究是计算机视觉领域的重要课题。
本文旨在探讨视频监控中运动目标发现与跟踪算法的研究现状和发展趋势，分析现有算法的优势与不足，并在此基础上提出一种改进的运动目标发现与跟踪算法。
视频监控系统中的运动目标跟踪与轨迹分析
视频监控系统中的运动目标跟踪与轨迹分析随着科技的不断进步，视频监控系统在我们的生活中扮演着越来越重要的角色。
视频监控系统不仅为我们提供了安全保障，还可以对运动目标进行跟踪与轨迹分析，以帮助我们更好地理解事件的发生和发展。
本文将探讨视频监控系统中的运动目标跟踪与轨迹分析的原理和应用。
运动目标跟踪是视频监控系统中的一个关键技术，它可以通过分析连续的视频帧来识别和跟踪目标的运动。
一般情况下，目标的跟踪可以分为两个阶段：目标检测和目标跟踪。
目标检测是指在每一帧中找到目标物体的位置和尺寸。
常见的目标检测算法有基于颜色、纹理或形状等特征进行匹配的方法和深度学习方法。
目标跟踪是指在连续的视频帧中追踪目标物体的运动轨迹。
常见的目标跟踪算法有卡尔曼滤波器、粒子滤波器和相关滤波器等。
在目标跟踪的基础上，轨迹分析可以提供关于目标运动模式、速度、行为等信息。
通过对目标的轨迹进行分析，可以判断目标是否具有可疑行为，进一步提高监控系统的安全性和效率。
轨迹分析的方法包括轨迹拟合、轨迹聚类和轨迹关联等。
轨迹拟合是指通过拟合轨迹的数学模型，预测目标的未来位置。
轨迹聚类是指将轨迹分为不同的群组，以便对目标进行分类和识别。
轨迹关联是指将多个目标的轨迹进行匹配和关联。
视频监控系统中的运动目标跟踪与轨迹分析具有广泛的应用。
在交通领域，可以利用目标的轨迹分析交通流量和拥堵情况，优化交通信号控制系统。
在工业领域，可以通过跟踪和分析工人的运动轨迹，提高生产效率和安全性。
在安防领域，可以通过跟踪和分析目标的运动轨迹，快速发现可疑的行为并采取措施。
此外，运动目标跟踪与轨迹分析还可以应用于体育比赛、行人检测、智能家居等领域。
然而，视频监控系统中的运动目标跟踪与轨迹分析仍然面临一些挑战和难题。
首先，目标的形状、大小和运动速度的多样性会对目标的跟踪和分析造成困扰。
其次，背景的变化和光照条件的变化也会干扰目标的跟踪和分析。
此外，复杂的场景中可能存在交叉和遮挡等问题，使得目标的识别和轨迹分析变得更加困难。
轨迹聚类算法
轨迹聚类算法是一种用于分析移动对象轨迹的数据挖掘技术。
它可以帮助我们更好地理解
移动对象的行为，从而改善移动对象的服务质量。
轨迹聚类算法的基本思想是将移动对象的轨迹分割成一系列的子轨迹，然后将这些子轨迹
按照某种规则进行聚类。
聚类的结果可以用来发现移动对象的行为模式，从而改善移动对
象的服务质量。
轨迹聚类算法的实现过程主要包括三个步骤：首先，根据移动对象的轨迹数据，将其分割
成一系列的子轨迹；其次，根据某种规则，将这些子轨迹进行聚类；最后，根据聚类结果，发现移动对象的行为模式，从而改善移动对象的服务质量。
轨迹聚类算法是一种有效的数据挖掘技术，可以帮助我们更好地理解移动对象的行为，从
而改善移动对象的服务质量。
一种基于多维航迹特征的目标轨迹聚类方法
一种基于多维航迹特征的目标轨迹聚类方法摘要在目标跟踪和分析中，如何快速高效地聚类目标轨迹是一个关键问题。
本文提出一种基于多维航迹特征的目标轨迹聚类方法。
该方法首先对目标航迹进行多维特征提取，并采用向量空间模型进行航迹相似度计算。
然后，采用层次聚类算法对相似度矩阵进行聚类，得到目标轨迹簇。
最后，通过评价标准和可视化效果验证本方法的有效性。
实验结果表明，该方法聚类效果良好，可应用于无人机、车辆等目标的轨迹分析和行为识别中。
关键词：目标跟踪；目标轨迹聚类；多维特征提取；层次聚类；评价标准引言目标跟踪和分析在无人机、车辆等领域中具有广泛应用。
其目的是通过对目标轨迹的跟踪和分析，掌握目标的运动规律和行为模式，为后续的任务决策和规划提供依据。
在目标跟踪和分析过程中，目标轨迹聚类是一个关键环节。
通过对轨迹进行聚类，可以将相同类型的目标归类到一个簇中，从而更好地掌握目标的运动规律和行为模式。
目前，目标轨迹聚类方法较多，常用的方法包括基于密度的聚类、基于模型的聚类和基于特征的聚类等。
其中，基于特征的聚类方法由于具有较好的可解释性和鲁棒性，在目标跟踪和分析中得到广泛应用。
然而，传统的特征提取方法大多基于欧氏距离，无法很好地处理轨迹数据的高维、非线性和噪声等问题。
因此，如何快速高效地提取轨迹的多维特征，是目标轨迹聚类方法中的一个关键问题。
本文提出一种基于多维航迹特征的目标轨迹聚类方法。
该方法首先对目标航迹进行多维特征提取，并采用向量空间模型进行航迹相似度计算。
然后，采用层次聚类算法对相似度矩阵进行聚类，得到目标轨迹簇。
最后，通过评价标准和可视化效果验证本方法的有效性。
多维特征提取传统的轨迹特征分析方法主要基于欧氏距离，如距离、速度和角度等。
然而，轨迹数据往往具有高维、非线性和噪音等问题，难以用传统的欧氏距离进行处理。
因此，本文提出了一种多维航迹特征提取方法。
首先，将每个目标的轨迹数据离散到一个网格中，得到一个多维特征向量。
智能监控系统中的运动目标检测与跟踪
智能监控系统中的运动目标检测与跟踪一、引言随着科技的不断进步，智能监控系统在各个领域中的应用越来越广泛。
智能监控系统通过使用先进的图像处理和计算机视觉算法，能够对运动目标进行准确的检测与跟踪，为各类实时监控场景提供了有力的支持。
本文将围绕智能监控系统中的运动目标检测与跟踪展开讨论。
二、运动目标检测技术1. 基于背景建模的运动目标检测基于背景建模的运动目标检测方法是一种常见且常用的技术。
该方法通过对监控场景中的背景进行建模，将出现在背景之上的运动目标检测出来。
其中，背景建模包括静态背景建模和动态背景建模两种方法。
2. 基于运动轨迹的运动目标检测基于运动轨迹的运动目标检测方法是一种通过提取目标的运动轨迹信息来检测目标的方法。
该方法通过进行目标的区域跟踪，并分析目标的运动轨迹以判断目标是否为真实运动目标。
3. 基于深度学习的运动目标检测深度学习在计算机视觉领域中的应用取得了巨大的突破，基于深度学习的运动目标检测方法也逐渐被引入到智能监控系统中。
该方法通过使用神经网络模型对视频帧进行分析，可以更准确地检测出运动目标。
三、运动目标跟踪技术1. 基于卡尔曼滤波的运动目标跟踪卡尔曼滤波是一种常用的目标跟踪方法，它通过融合目标的预测和观测信息，实现对目标位置的准确估计和预测。
卡尔曼滤波在目标跟踪过程中具有较高的跟踪准确度和鲁棒性。
2. 基于粒子滤波的运动目标跟踪粒子滤波是一种通过不断生成和优化一系列粒子的方法来实现目标跟踪的技术。
该方法通过对目标的状态进行多次采样，根据观测信息进行粒子权重更新和重采样，从而实现对目标位置的跟踪和预测。
3. 基于深度学习的运动目标跟踪近年来，基于深度学习的目标跟踪方法也得到了广泛的研究和应用。
通过使用深度神经网络对目标进行特征提取和学习，可以实现对复杂运动目标的鲁棒跟踪。
四、智能监控系统中的应用智能监控系统中的运动目标检测与跟踪技术在各个领域中得到了广泛的应用。
1. 公共安全领域智能监控系统在公共安全领域中发挥着重要的作用。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Mo ving o b je c t tra je c to ry c lu s te ring m e tho d in in te llige n t su rve illa nce video
收稿日期 : 2008208204 作者简介 : 郝久月 (19842) ,女 ,河北唐山人 ,博士生 , haojiuyue@ gmail. com.
1084
北 京 航 空 航 天 大 学 学 报 2009年
后的轨迹特征进行分析 ;文献 [ 3 ]采用层次自组 织神经网络的方法学习轨迹的分布模式 ,但无法 克服神经网络学习速度慢的缺点 ; 文献 [ 4 ]利用 轨迹位置和速度特征 ,对轨迹进行聚类 ,进一步得 到运动目标的统计模型 ;文献 [ 5 ]使用动态时间 规整 (DTW , Dynam ic Time W arp ing) 方法建立路 径模型 ,其缺点是划分轨迹类别的阈值无法确定 ; 文献 [ 6 ]将轨迹表示为可变长度序列 ,利用支持 向量机的方法对其进行聚类. 尽管目前已有多种 方法进行轨迹分析 ,但由于前期跟踪过程中可能 伴随失跟及遮挡现象 ,致使目标运动轨迹并不完 整. 这些不完整轨迹会影响后期的轨迹分类 ,最终 导致场景理解存在很大误差. 目前上述相关文献 主要依靠人工或依据轨迹长度阈值删除噪声轨 迹. 这些操作无疑降低了分析的效率 ,并且某些噪 声轨迹本身也包含了目标的行为特点. 如何解决 上述问题 ,是轨迹分析中的难点. 为解决不完整轨 迹 (噪声轨迹 )问题 ,保留轨迹特殊部分特征 ,文 献 [ 7 ]提出将轨迹进行分段后 ,再对线段进行分 组的思想. 此方法虽然解决了短轨迹问题 ,但分段 长度的不同对算法产生很大影响 ,且难以确定.
2 轨迹相似度度量
2. 1 轨迹编码 轨迹分析需将大量轨迹样本以统一形式进行
编码. 本文采用文献 [ 3 ]的轨迹编码方法. 给定场 景视频 ,经过相等时间间隔进行多次采样 ,得到目 标不同时刻的多个质心点 ,轨迹由一系列的质心 点连接而成.
对于目标 o,设第 i次采样时它的质心坐标为 ( xi , yi ). (δxi ,δyi )表示目标 o在 i时刻运动速度 矢量 ,其中 δxi = xi + 1 - xi ,δyi = yi + 1 - yi. 由此 ,可 以用一个流矢量序列描述目标的运动轨迹 ,其中 流矢量 f是一个四元组 ,既表示目标的位置 ,也表 示目标的速度 :
Ke y wo rd s: trajectories analysis; sim ilarity m easurem ent; clustering algorithm s; semantic region
随着多媒体和网络技术的发展 ,视频监控系 统日益普及 ,视频数据量呈爆炸性增长 ,如何进一 步对视频内容进行智能化分析已成为人们的研究 热点 ,因此 ,运动物体行为理解与目标异常检测等 高级语义特征的提取受到了广泛的关注 [1]. 其 中 ,目标运动轨迹分析是行为理解的基本问题. 例 如 :交通路口的拐弯 、直行 、障碍物等导致运动物 体有其特定的运动特征 ,物体的轨迹是表现这种
fi = ( xi , yi ,δxi ,δyi ) 最后 ,将流矢量的每一个元组变换到 [ 0, 1 ] 范围之内. 经处理后 ,目标 o的轨迹可表示为由 n 个流矢量组成的集合 :
Oo = { f1 , f2 , …, fi , …, fn - 1 , fn } 2. 2 相似性度量方法
为进一步对轨迹聚类 ,需要确定一种样本相
似度的度量方法 ,衡量轨迹间的相似程度. 文献
[ 8 ]总结了目前常用的轨迹相似性度量方法 ,包
括 : 欧 氏 距 离 ( Euclidean ) , 主 成 分 分 析 ( PCA ,
Principal Components Analysis) +欧氏距离 ,豪斯
多夫距离 (Hausdroff)距离 ,最长公共序列 (LCSS,
率和时间消耗 ,对 PCA +欧氏距离的方法给予了
肯定.
本文考虑到对不同长度的轨迹进行处理 ,因
此采用 Hausdroff距离的改进方法. 轨迹方向是场
景分析的重要因素 ,因此本文提出的轨迹相似性
度量方法由空间距离和方向距离组成.
设轨迹 A 一点为 ai = ( xai , yai ,δxai ,δyai ) , ai 与 轨迹 B 的欧氏距离最小点 bj 的空间距离为
H au sd roff的优 点 是 可 以 对 两 条 不 同 长 度 的 轨 迹
进行编码 ,但其时间消耗率较高且没有考虑轨迹
方向的影响 ; LCSS和 DTW 方法能有效地对轨迹
进行度量 ,但其更适合于描述柔性物体的形状变
化轨迹 ; HMM 的训练方法要求大量的轨迹点 ,否
则将出现 over2fitting的现象. 文献 [ 8 ]中权衡识别
第200395卷年
第
9月 9期
北京航空航天大学学报 Journal of Beijing University of Aeronautics and A stronautics
Sep tember 2009 Vol. 35 No19
智能监控场景中运动目标轨迹聚类算法
郝久月 李 超 高 磊 熊 璋
本文提出一种利用完整轨迹作为运动模式代 表的聚类算法 ,其无需对轨迹进行任何预处理. 算 法假设通过相应的跟踪算法已经得到了 n条轨迹 信息. 首先对轨迹相似度度量方法提出了改进 ,引 入了速度夹角特征 ,提高相似度的准确性 ;其次 , 对层次聚类算法进行了改进 ,解决了不完整轨迹 带来的相关问题.
( vai ,
vb
ψ( i)
)
其中 , k为权重 , 通过改变 k 的取值 , 可以调整速 度方向对相似度的贡献 ; NA 为轨迹 A 中点的个 数.
第 9期 郝久月等 :智能监控场景中运动目标轨迹聚类算法
如果轨迹 A 是与轨迹 B 相邻但不完整的短 轨迹 ,那么 d (A, B )将远远小于 d (B , A ). 因此最 终将 A 与 B 之间的距离定义为
ψ( i)
=
a
rg
m in‖
j∈B
(
xai
-
xbj , yai
-
ybj ) ‖
(1)
因此 ,轨迹 A 和 B 的空间距离为
∑ ds (A, B )
=
1 NA
a ∈A
‖ ( xai
-
xb
ψ( i)
,
yai
-
yb
ψ( i)
)
‖
(2) 设 ai 的速度为 vai = (δxai ,δyai ) ,轨迹 B 上一 点 bj 的速度为 vbj = (δxbj ,δybj ) , 定义 ai 与 bj 的速 度方向为
Hao J iuyue L i Chao Gao Lei Xiong Zhang
( School of Computer Science and Technology, Beijing University of Aeronautics and A stronautics, Beijing 100191, China)
Longest Common Subsequence) , DTW 和隐马尔科
夫模型 (HMM , H idden M arkov Models). 传统的欧
氏距离要求两条轨迹的轨迹点个数相同 ; PCA +
欧氏距离的方法有较高的效率 ,但是通过 PCA 对
轨迹重 编 码 , 丢 失 了 轨 迹 点 的 速 度 方 向 信 息 ;
Ab s tra c t: Trajectory analysis is the basis of scene understanding, however noise trajectories causing by barriers in true surveillance scene w ill influence the result veracity. A trajectory sim ilarity measure and cluste2 ring method to segment a scene into semantic regions were p roposed to elim inate the effect causing by noise. First, the trajectory was encoded, and then both the object position and its instantaneous velocity were compu2 ted by imp roved sim ilarity measure method to rep resent the distance between two trajectories. Then, the im2 p roved hierarchical clustering algorithm which chooses the longest trajectory as each cluster rep resentation was app lied to cluster trajectories according to different spatial and velocity distributions. In each cluster, trajecto2 ries were spatially close, had sim ilar velocities of motion, and rep resented one type of activity pattern. This al2 gorithm doesπt need comp lex p re2p rocess or filter, and because of adding velocity direction, the scene division is more reasonable. Finally, through experim ent in true scene, the results show that the method can distin2 guish different clusters reasonably and imp rove the effectiveness of clustering.