基于归一化编辑距离和谱聚类的轨迹模式学习方法

针对欧氏距离和Hausdorff距离等在描述目标运动轨迹差异性时度量不够准确的问题,提出一种基于归一化编辑距离和谱聚类的轨迹分布模式学习方法.首先对目标的运动轨迹进行矢量量化编码;然后采用归一化的编辑距离来度量轨迹编码序列之间的差异,得到归一化编辑距离矩阵;再通过该矩阵进行谱聚类来提取轨迹的分布模式;最后利用所提取的轨迹分布模式确定整条轨迹及其局部是否异常.通过仿真和真实场景的实验验证了该方法的有效性.

基于编辑距离的轨迹相似性度量

针对运动轨迹分析问题,提出了2种改进的度量轨迹间相似性的方法.研究了编辑距离在应用于运动轨迹时存在的缺陷,改进了实数代价编辑距离算法,以对轨迹发展的影响来衡量插入和删除的代价;设计了一种分段计算方法,可以更好地表示轨迹运行的变化和持续,得到更具区分性的结果.与常见的编辑距离算法及其他几种流行的算法进行对比,证明了这2种算法在性能上的优势,也验证了新算法在聚类和异常运动检测上的作用.