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.png

b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。