Trajectory Segmentation and Multisensor Data Fusion for Surveillance Systems

Abstract

In an increasingly connected world, the proliferation of positioning and tracking technologies has generated an abundance of trajectory data. This data, while valuable, presents challenges in terms of storage, processing, and knowledge extraction. This thesis addresses these challenges by exploring the field of multisensor data fusion, with a particular focus on the development of advanced algorithms for trajectory segmentation and classification. Trajectories, composed of a series of position measurements over time, often contain redundant or erroneous information due to sensor noise. Trajectory segmentation is presented as a key technique to address this problem, allowing to obtain a more concise and manageable representation of the original trajectory. This thesis performs a comprehensive review of existing segmentation algorithms, classifying them according to their search strategy (sequential, graph, window, split, fusion or combinations) and the evaluation criteria used to select key points (distance, angle, area, velocity, probability or multi-criteria). The thesis demonstrates the practical application of trajectory segmentation in two specific case studies: Trajectory-based ship classification: The impact of different segmentation algorithms on the accuracy of ship type classification is evaluated. An AIS (Automatic Identification System) trajectory dataset is used and a framework including data cleaning, segmentation, data balancing and classification is implemented. The results show that the selection of the appropriate segmentation algorithm can significantly improve the classification accuracy. Improvement of air trajectory reconstruction in the EUROCONTROL SASS-C system: Improvements are implemented in the vertical reconstruction component of the SASS-C system (Surveillance Analysis Support System for Air Traffic Control Centers). Existing limitations, such as the presence of outliers and inadequate segmentation, are addressed through the development of new outlier detection techniques and an improved segmentation algorithm. This algorithm, based on the variation of the aircraft vertical velocity, allows for more accurate identification of the different flight phases, which in turn improves the accuracy of trajectory reconstruction. This thesis argues that trajectory segmentation not only contributes to compression and efficiency, but also has great potential for the generation of contextual information. The identification of semantic segments, representing specific behaviors or events, opens new possibilities for the analysis and interpretation of trajectories. In addition, the thesis highlights the importance of machine learning techniques for real-time trajectory analysis, which would allow early anomaly detection and proactive decision making in surveillance systems.

Alternate abstract:

En un mundo cada vez más conectado, la proliferación de tecnologías de posicionamiento y seguimiento ha generado una abundancia de datos de trayectorias. Estos datos, si bien son valiosos, presentan desafíos en términos de almacenamiento, procesamiento y extracción de conocimiento. Esta tesis aborda estos desafíos explorando el campo de la fusión de datos multisensor, con un enfoque particular en el desarrollo de algoritmos avanzados para la segmentación y clasificación de trayectorias. Las trayectorias, compuestas por una serie de mediciones de posición a lo largo del tiempo, a menudo contienen información redundante o errónea debido al ruido de los sensores. La segmentación de trayectorias se presenta como una técnica clave para abordar este problema, permitiendo obtener una representación más concisa y manejable de la trayectoria original. Esta tesis realiza una revisión exhaustiva de los algoritmos de segmentación existentes, clasificándolos según su estrategia de búsqueda (secuencial, gráfica, ventana, división, fusión o combinaciones) y los criterios de evaluación utilizados para seleccionar los puntos clave (distancia, ángulo, área, velocidad, probabilidad o multicriterio). La tesis demuestra la aplicación práctica de la segmentación de trayectorias en dos casos de estudio específicos: Clasificación de buques basada en trayectorias: Se evalúa el impacto de diferentes algoritmos de segmentación en la precisión de la clasificación de buques según su tipo. Se utiliza un conjunto de datos de trayectorias AIS (Sistema de Identificación Automática) y se implementa un marco de trabajo que incluye la limpieza de datos, la segmentación, el equilibrio de datos y la clasificación. Los resultados muestran que la selección del algoritmo de segmentación adecuado puede mejorar significativamente la precisión de la clasificación. Mejora de la reconstrucción de trayectorias aéreas en el sistema SASS-C de EUROCONTROL: Se implementan mejoras en el componente de reconstrucción vertical del sistema SASS-C (Sistema de Apoyo al Análisis de Vigilancia para Centros de Control de Tráfico Aéreo). Se abordan las limitaciones existentes, como la presencia de valores atípicos y la segmentación inadecuada, mediante el desarrollo de nuevas técnicas de detección de valores atípicos y un algoritmo de segmentación mejorado. Este algoritmo, basado en la variación de la velocidad vertical de la aeronave, permite identificar con mayor precisión las diferentes fases de vuelo, lo que a su vez mejora la precisión de la reconstrucción de la trayectoria. La tesis argumenta que la segmentación de trayectorias no solo contribuye a la compresión y la eficiencia, sino que también tiene un gran potencial para la generación de información contextual. La identificación de segmentos semánticos, que representan comportamientos o eventos específicos, abre nuevas posibilidades para el análisis y la interpretación de trayectorias. Además, la tesis destaca la importancia de las técnicas de aprendizaje automático para el análisis de trayectorias en tiempo real, lo que permitiría la detección temprana de anomalías y la toma de decisiones proactiva en sistemas de vigilancia.