要的插入、删除、替换操作的个数来决 定的，所以也称作编辑距离（Edit Distance）
ED-Edit Distance编辑距离
• 最简单的编辑距离（Edit Distance）用来比较 两组字符串序列时，
• ED(R,S)表示将 R[1…m]字串修改为 S[1…n]字串 所需要的最少的插入、删除和替换操作的个数。
异常行为检测
异常行为定义
• 异常行为各式各样，不一而足 • 需要根据具体场景定义 • 它们并不是经常发生
目前研究现状
• 对已知异常行为进行描述和建模 • 问题在于：
怎么样能定义普适的异常行为 存在大量的不可预知性情况
好的检测模型应该是？
• 一个好的、较为通用的异常行为检测模型 应该具有这样两和速度
• 对于速度和角度上的差别，有代表权重的 kd、 ks，可根据实际需要调整。
惩罚函数
• 另外几个惩罚函数的定义，与上页类似：
• 当研究目标关注速度或者方向的变化时，可以 通过调节权重，使得局部的在速度或者方向上 的不同能产生很大的编辑代价
性能实验
• 出发点有以下两点
• 1、通常的物体运动具有保持运动状态的趋势， 所以人的运动轨迹中最重要的也正是运动状态 发生改变的部分。要判断一个人的行为，往往 最具有表征性的就是停止、加速和变向这些事 件的发生。
• 2、一个关键的原因是以每个坐标点为元素来比 较，有时会导致具有特征意义的轨迹差别被其 他的小的并没有特征意义的位置上的差别淹没 了。而分段后，可以对于包含信息较少的段落 在插入删除替换时消耗较少的代价，而赋予重 要的段落大的权重。
• 除了运动轨迹之外，其他都可以用数字 表示，那运动轨迹呢？
• 用分段上下文编辑距离方法（Sectional Contextual Edit Distance (SCED)）
Sectional Contextual Edit Distance (SCED)分段 上下文 编辑 距离
• 这种方法源于编辑距离（Edit Distance） • 度量的是两个序列之间的差别。 • 它是由一个序列转化为另一个序列所需
S-sectional 分段
• 举例： • 如果有序列 S{(1,1), (2,2), (3,3), (3,3), (3,3),
(3,3), (4,4), (5,5)…}， • 那么在遍历到 S3(3,3)-S4(3,3)时，会发现速度
和前面不同，这时可以把 S3作为前一个段落的 终点，而新的段落也从 S3开始； • S6(3,3)- S7(4,4)速度又有了“明显变化”，于 是将 S6设为两段的分界点。如此，一个表示停 顿的段就得出了。
• 最终的 SCED 的距离计算应该定义为：
惩罚函数
• 被比较的元素是段。通过前面的分段处理，可 以得到 S{seg1,seg2,seg3…segn}。
• 每一个 seg 包含 start（段的起点坐标）、end （段的终点坐标）、speed（段的平均直线速度） 和 direction（段的方向）。
• R 和 S 代表两条轨迹数据， • m and n 分别是他们数据元素的长度， • Rest (R)代表r[1 … m-1]，Rest (S)代表s[1 … n-1] • 当字符 r[1]=s[1]时，替换代价 subcost =0；否则为1。 • 这是一个递归的定义公式
S-sectional 分段
• （1）系统应该允许对已知异常行为进行 描述和建模---基于XXX模型的监督学习
• （2）它能检测到一些不常发生，事先未 预料的事件---重点研究
行为特征的定义和描述
• 在本文中，提取了认为是可以表征一个 运动物体的最基本和最重要的行为特征 集合，
• 它们包括：运动物体类型，运动轨迹， 位置，速度，长宽比，颜色特征，持续 时间
SCED框架定义
• 基本沿用ED的结构，关键在于惩罚函数
• 当前的计算需要知道 SCED( Rest (R), Rest (S))、 SCED( Rest (R), S ) 和SCED( R , Rest (S))，
• 所以这是一个递归的过程。沿用 ED 中的方法即 用一个 m*n矩阵来计算距离，