LCSS所要解决的问题
不同的采样率、在不同区域出现的相似的运动轨迹、异常点、不同的长度、效率
LCSS又是ED的一个变式。
LCSS算法简介
对于给定的整数 b 和一个实数0 < e < 1,定义LCSSb,e(A, B)如下:
image.pngb决定着从一条轨迹的点到另一条轨迹的匹配点可以走多远。
e决定着匹配阈值。
为了平衡采样点数量引起的误差,对LCSS距离进行如下改良:
image.png。显然S1属于[0, 1]
我们打算用以上的S1距离去发展处另一个更加合适的距离函数。
假设F是一个转换:在轨迹的每一维度上都加一个固定的常数,即:
image.png加了两个常数其实就是现行的变换。保证了LCSS可以探测到平行的轨迹。
方法总结
从LCSS的计算方法中可以看出,对于不匹配的点,赋值为0。反之为1。最终LCSS越大,说明越相似。LCSS是忽略了不相似的点,只把注意力放在相似点上。
与之相反,EDR算法是把匹配的看成0,否则看成1。最小为0,越大说明惩罚值越大。0即为完全匹配。而LCSS上限是无穷的,虽然最终除以了min(n, m),但是其精准度不如EDR。
网友评论