结合 Hausdorff 距离和最长公共子序列的轨迹分类

Abstract

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.