结合Hausdorff距离和最长公共子序列的轨迹分类
为了提高运动目标轨迹分类的准确性,该文综合考虑了轨迹的位置信息和方向信息,提出了一种结合Hausdorff距离和最长公共子序列(Longest Common SubSequence, LCSS)的轨迹分类算法.该算法首先采用改进的Hausdorff距离对轨迹的位置信息进行相似性测量,然后采用改进的LCSS算法对轨迹的方向信息进行相似性测量.与其他轨迹聚类算法不同,该算法融合了Hausdorff距离和LCSS两种算法的优点,提高了轨迹分类的准确性.此外,为了进一步降低计算复杂度,该文还实现了一种基于插值的保距变换算法和一种LCSS快速算法.实验结果表明,该轨迹分类算法可以明显提高轨迹的聚类准确率,聚类准确率可达到96%;基于插值的保距变换算法和LCSS快速算法可以很大程度上降低算法的计算复杂度,下降幅度最大可达到80%.该方法可以同时满足轨迹分类对精确度、实时性和鲁棒性的要求.
图像处理、轨迹分类、Hausdorff距离、最长公共子序列(LCSS)、保距变换、LCSS快速算法
TP391(计算技术、计算机技术)
2013-05-09(万方平台首次上网日期,不代表论文的发表时间)
共7页
784-790