弗雷德 快速，可扩展且轻量级的C ++Fréchet距离库，暴露于python，专注于多边形曲线的（k，l）聚类。 成分C ++后端 import Fred.backend as fred 线程数 默认情况下，Fred将自动确定要使用的线程数。如果要设置上限，请调用fred.set_maximum_number_threads(number) 。 曲线 签名： fred.Curve(np.ndarray) ， fred.Curve(np.ndarray, str name) 属性： fred.Curve.values ：曲线为np.ndarray ， fred.Curve.name ：获取曲线的名称， fred.Curve.dimensions ：曲线的尺寸， fred.Curve.complexity ：曲线的点数 曲线图 签名： fred.Curves() 方法： fred.Curv

提取出离散曲线中的关键特征至高点与至低点，并且用离散Fréchet距离作为距离的测度来对至高点与至低点进行研究，建立了一种判断离散曲线相似性的数学模型，此模型不需要对曲线进行平移和伸缩变换。由于模型的求解是NP困难问题，针对这种情况，提出了一种新的多项式的求解算法，以在线手写签名验证为例验证数学模型，然后对随机的150个测试签名进行检验，结果成功匹配率为91.33%，误纳率为6%，误拒率为2.67%。

FRECHET距离计算的c++类，主要用于曲线的相似度匹配计算

特里斯坦·乌塞尔两条曲线之间的 Frechet 距离2013 年 5 月，2020 年 6 月更新 f = frechet(X1,Y1,X2,Y2) f = frechet(X1,Y1,X2,Y2,res) (X1,Y1) 是第一条曲线的有序 x 和 y 坐标。 (X2,Y2) 是第二条曲线的有序 x 和 y 坐标。 组成两条曲线的点数不必相同。 'res' 是一个可选的正参数，用于设置跨越任意两点之间的最小成对距离和任意两点之间的最大成对距离的线性间隔距离的数量。 通常，请先尝试不设置“ res”，因为这样可以确保提供最高精确度的答案。 如果计算时间太长，请尝试为初学者设置 'res=1000'。 不使用“res”时，脚本会检查成对距离 (O(N^2)) 的所有唯一值的阈值。 这对于由（例如）1000 个点组成的曲线可能没问题，但不是 100,000。 此函数估计 Freche

Frechet 距离是两条曲线 P 和 Q 之间相似性的度量。它被定义为足以连接沿 P 向前行进的点和沿 Q 向前行进的一个点的最小绳索长度，尽管任一点的行进速率可能不一定是统一的。 该算法使用沿曲线 P 和 Q 的采样点计算 Frechet 距离的有界近似值。

l-曲线矩阵代码离散弗雷谢距离 根据[2]中的算法，计算n维空间中有序离散点指定的两条曲线之间的离散Fréchet距离[1]。 该实现基于Zachary Danziger [3]的MATLAB函数。 但是，它不提供耦合序列的计算。 根据点数和尺寸数的不同，此MEX功能的速度是[3]的10到50倍。 目前，只有欧几里德（ l^2 ），出租车（ l^1 ）和最大（ l^\infty ）规范可作为距离函数（指定2 ， 1或-1分别作为第三个参数）。 如果要使用自定义距离功能，请直接在C代码中实现。 安装 在MATLAB中打开repo目录并输入 mex DiscreteFrechetDistance.c 如果要将目录添加到路径，请键入 addpath(cd) savepath 使用范例 调用语法： d = DiscreteFrechetDistance(c1, c2, normID) ，其中c1和c2是具有曲线点的矩阵，可选参数normID指定所需的范数（距离函数）。 :warning: 与[3]相反，此函数要求输入矩阵在列中包含点坐标，即矩阵形状应为 x <nu

离散弗雷歇（Frechet）距离的计算，参考了前人（http://download.csdn.net/download/deltapan/4364154）的代码，并实现了自底向上的动态规划来减少递归时栈的使用，尤其是当曲线数据点比较多时。

这篇paper是原始介绍离散弗雷歇距离算法的，里面描述了算法的原理，以及伪代码，与资源http://download.csdn.net/detail/ibendan/9721386相互对应

离散FRECHET距离的C++源码，用于计算不同的曲线相似性