轨迹中的停留点识别是将空间轨迹转换为语义轨迹的关键步骤.当前轨迹停留点识别方法缺少对轨迹记录点时间连续性的考虑，导致识别出的停留点缺乏时间信息.同时，在轨迹点缺失的情况下，停留点信息也无法被准确识别.针对上述问题，本文提出一种基于速度的时空聚类方法，首先通过缺失轨迹的时空特性确定真实缺失子轨迹，并根据缺失轨迹的平均速度对其进行插值填充，再结合轨迹速度特征和时空特性识别轨迹中的停留点.实验采用GeoLife轨迹数据集对所提出的方法进行验证，结果表明，该算法能够有效地识别用户的停留点，并对轨迹中的干扰具有一定的鲁棒性.

源码只要是用算法实现的，90%准确度，算法简单主要是思路。

提出一种融合步态运动中的人体形状信息特征和下肢运动信息特征的步态识别算法：利用边界跟踪算法获取人体轮廓边界线，并采用傅里叶描述子表达人体轮廓特征；依据人体解剖学的知识定位下肢关节点，并提取下肢角度特征；分别对两种特征进行匹配，然后采用特征融合的方法对匹配结果进行处理。实验结果表明，本算法的性能较基于单个特征的步态识别算法有明显的改善。

提出了一种基于卷积神经网络和长短期记忆（LSTM）神经网络的深度学习网络结构。采用特征融合的方法，通过卷积网络提取出浅层特征与深层特征并进行联接，对特征通过卷积进行融合，将获得的矢量信息输入LSTM单元。分别使用数据光流信息与红绿蓝信息训练网络，将各网络的结果进行加权融合。实验结果表明，所提模型有效地提高了行为识别精度。

在道路图像中，为了得到较理想的车道标识边缘，采用基于Sobel算子边缘图像增强的方法增强道路车道线的边缘，从而明显提高车道线提取的准确性。针对道路边界的形状特征提出的二次曲线道路边界模型,实现了对车道标识线的实时跟踪。

在道路图像中，为了得到较理想的车道标识边缘，采用基于Sobel算子边缘图像增强的方法增强道路车道线的边缘，从而明显提高车道线提取的准确性。针对道路边界的形状特征提出的二次曲线道路边界模型， 实现了对车道标识线的实时跟踪。

步态识别时将视频预处理行人与背景分离，形成黑白轮廓图Silhouette。下图展示了在该领域研究中被广泛应用的数据库CASIA-B的部分silhouette图像样例，所谓silhouette即去除背景的行人黑色轮廓图。

摘 要：本文从手写数字识别这一较为简单的模式识别问题入手，探讨数据结构与算法在实际生活中的应用。本文研究两种手写数字识别算法——基于K-近邻算法（KNN）的手写数字识别算法和基于卷积神经网络（CNN）的手写数字识别算法，说明两种算法的基本原理，并对比两种算法之间的优缺点。 关键字：手写数字识别算法，KNN，CNN

针对现存行人重识别算法不能较好地适应光照、姿态、遮挡等变化的问题, 提出一种基于特征融合与子空间学习的行人重识别算法。该算法对整幅行人图像提取方向梯度(HOG)直方图特征和HSV(Hue,Saturation,Value)直方图特征作为整体特征, 再在滑动窗口内提取色彩命名(CN)特征和两个尺度的尺度不变局部三元模式(SILTP)特征。为了使算法具有更好的尺度不变性, 对原图像进行两次下采样, 再对采样后的图像提取上述特征。提取特征后, 采用核函数分别将原始特征空间转换到非线性空间, 在非线性空间内学习一个子空间, 同时在子空间内学习一个相似性度量函数。在3个公开数据集上进行了实验, 结果表明, 所提算法可以较好地提高重识别率。

为解决实际行人重识别系统中识别率低、识别速度慢的问题，从创新和工程应用出发，提出了一种行人重识别算法。对行人图片进行预处理，采用色调、饱和度、亮度（hue，saturation，value，HSV）空间非线性量化的方法构建颜色命名空间，对人体分区域预识别来提高检测效率；对备选目标的整幅图像提取HSV和方向梯度直方图（histogram of oriented gradient，HOG）作为整体特征并在滑动窗口内提取颜色命名（color naming，CN）特征和2个尺度的尺度不变特征（scale invariant local pattern，SILTP），采用本文融合算法得到新的特征；在3个数据集上进行行人重识别，融合的特征在2种度量学习算法的Rank1平均提高了2.4%和3.3%。实验结果表明该算法能够提高重识别精度。