改进的动态时间弯曲与密度峰算法：公共安全轨迹异常检测

本文研究的是"基于轨迹聚类的公共安全异常检测"这一主题，针对公共安全领域日益增长的需求，尤其是在处理高维不等长轨迹数据时现有方法存在的不足。作者提出了一种创新的轨迹聚类方法，结合了动态时间弯曲（Dynamic Time Warping, DTW）和密度峰聚类算法。DTW作为一种时空序列数据的相似度度量方法，能够有效地衡量不等长轨迹之间的距离，克服了传统聚类算法如K-均值在处理此类数据时的困难。 K-均值算法虽然经典，但易受噪声和孤立点的影响，可能导致聚类中心偏离。为了改进这一点，文章引入了K-medoids算法，它通过选择最"典型"的聚类对象作为代表，减少了对噪声的敏感性。然而，这两种算法都未完全满足处理复杂公共安全场景的需求。 新的方法通过将DTW的动态距离度量与密度峰聚类相结合，能够同时考虑轨迹点的局部密度和最近邻关系。密度峰算法是一种非球形分布数据的聚类策略，它不仅关注数据点的相似度，还着重于识别那些在高密度区域具有显著低密度邻居的"峰值"，这有助于更准确地区分正常和异常行为。 实验部分，研究者选择了PETS2006监控视频数据集进行评估，结果显示，新提出的轨迹聚类方法能够有效地检测出异常的行人轨迹模式，从而提高公共安全预警的准确性。这种方法的引入不仅提高了异常行为检测的性能，也为公共安全监控领域的实际应用提供了有力支持。 总结来说，这篇论文探讨了如何利用先进的聚类技术，特别是动态时间弯曲和密度峰聚类，来改进公共安全异常检测的效率和准确性，这对于保障公共安全和预防潜在威胁具有重要意义。随着计算机视觉技术的发展，这种方法的应用前景广阔，有望在未来的安防系统中发挥关键作用。