高端网站建设与发展,打开app登录,动漫制作专业简介,wordpress加漂浮广告目录 背景思路与核心代码数值实验优缺点分析参考文献 背景
在前面2文#xff0c;我们分别讨论了利用夹角余弦来计算轨迹相似度和利用缓冲原理来计算轨迹相似度两种方法#xff0c;前者可以作为一个baseline提供参考#xff0c;后者的计算更符合人们的感官和事实#xff0c… 目录 背景思路与核心代码数值实验优缺点分析参考文献 背景
在前面2文我们分别讨论了利用夹角余弦来计算轨迹相似度和利用缓冲原理来计算轨迹相似度两种方法前者可以作为一个baseline提供参考后者的计算更符合人们的感官和事实今天我们要从计算机视觉出发考察两条轨迹的相似度。
思路与核心代码
可以这么去想首先分别将两条轨迹点“串点连线”画出两条轨迹同时控制画布的大小和渲染颜色比如都是400*400像素的画布和轨迹都是黑色线段串连其余都是白色的如下图所示 图1 轨迹1 图2 轨迹2
这样比较两条轨迹的相似度就转化为比较两张图片的相似度而在计算机视觉领域就有很多方法来比较两张图片相似度这里采用图像切割法。图像切割法也比较好理解就是用同样大小的网格去按照同样的方式去切割这两张图片将图片分成相同数目的子图相当于建立了一个网格坐标系轨迹1的子图和轨迹2的子图在位置上可以建立起一一对应关系也就是他们在网格坐标的位置一一对应如果切割出来的位于网格坐标相同位置的某个子图恰好有轨迹1的一部分又有轨迹2的一部分那么就可以认为这个子图是这两条轨迹共同经过的区域可以设计出一个Kronecker函数对于任意的相同坐标相同尺寸的2个子图 i m g i img_i imgi和 i m g i ′ img_i imgi′ K ( i m g i , i m g i ′ ) { 1 , i m g i ∩ i m g i ′ ≠ ∅ 0 , i m g i ∩ i m g i ′ ∅ K(img_i, img_i)\left\{ \begin{aligned} 1 , img_i \cap img_i \neq \emptyset\\ 0 , img_i \cap img_i \emptyset \end{aligned} \right. K(imgi,imgi′){10,imgi∩imgi′∅,imgi∩imgi′∅ 其中 i m g i img_i imgi表示轨迹1的第i个子图 i m g i ′ img_i imgi′表示轨迹2的第i个子图。然后去统计轨迹1经过多少个子图轨迹2经过多少个子图其中轨迹1和轨迹2共同经过的子图有多少个从而就能计算出这两条轨迹的相似度了。
def trajectoryLine(trajectory, fig_name, grid_num): #轨迹连线绘图并网络切割fig plt.figure(figsize (4, 4)) #dpi300ax plt.subplot(111)ax.plot(trajectory[lng], trajectory[lat], color k) #轨迹图, marker ., color k, linewidth 0.0002ax.set_axis_off()plt.savefig(rD:\钢联物流\中交轨迹与手机轨迹相似度\图片\{}.png.format(fig_name)) #保存本地buffer_ io.BytesIO() #开辟新的缓存plt.savefig(buffer_, format png)buffer_.seek(0)image Image.open(buffer_)image_parts [] #用来存放切割后的局部图片PIL.Image.Imageweight int(image.size[0] // grid_num)height int(image.size[1] // grid_num)for j in range(grid_num):for i in range(grid_num):box (weight * i, height * j, weight * (i 1), height * (j 1))part image.crop(box)image_parts.append(part)buffer_.close() #释放缓存return image_partsdef whetherBlank(image): #判断一张图片是否纯白如果是返回0反之返回1# image_array np.int8(image)if np.mean(image)255: #纯白result 0else:result 1return resultdef cvSimilarity(traj1, traj2): #两个轨迹绘制并网格切分traj1_parts trajectoryLine(traj1, traj1_line, grid_num 40)traj2_parts trajectoryLine(traj2, traj2_line, grid_num 40)traj1_list [whetherBlank(part) for part in traj1_parts]traj2_list [whetherBlank(part) for part in traj2_parts]print(len(traj1_list))intersection_cnt 0for i in range(len(traj1_list)):if traj1_list[i]1 and traj2_list[i]1:intersection_cnt 1cv_sim_value intersection_cnt/(np.sum(traj1_list)np.sum(traj2_list)-intersection_cnt)print(intersection_cnt, np.sum(traj1_list), np.sum(traj2_list))print(网格相似度, cv_sim_value)return cv_sim_value数值实验
下面是对不同运单计算出来的相似度对比整体还不错前者是基于缓冲的相似度后者是图像切割相似度两者具有高度的一致性但是在相似度高的轨迹图像切割法会更高在相似度本来就很低的对比情况下图像切割法也会略微高出一些。 trajectory 优缺点分析
1图像切割法直观形象好理解 2操作简便无需做过多的考虑 3未考虑小图中各自轨迹点的密集程度的对相似度的影响 4网眼尺寸不好把握其实也可以像缓冲相似度那样设计一个toleranceTest来决定网眼大小也可以当作一个超参数设计一个metric来进行调优。
参考文献
1计算机视觉 - 图像相似度 https://blog.51cto.com/u_15668366/5412298 2轨迹路线相似度计算 https://blog.csdn.net/weixin_39459401/article/details/129157653 3Python-Opencv中用compareHist函数进行直方图比较进行对比图片 https://blog.csdn.net/qq_44262417/article/details/89217011 4计算两幅图像的相似度PSNR、SSIM、MSE、余弦相似度、MD5、直方图、互信息、Hash 代码实现 与举例 https://blog.csdn.net/m0_61899108/article/details/127715737
