摘要

针对传统兴趣点检测算法在准确性和效率方面的不足,提出基于膨胀运算的移动对象兴趣点检测方法(DMDO)。通过矩阵二值化操作滤除停留点噪声,提高预测准确率,并用膨胀运算替代传统方法中的聚类算法提高算法效率。将DMDO在开放空间数据集AMSA和IMIS3Days上进行仿真实验,结果表明:DMDO相比基于密度的空间聚类算法,在数据集AMSA上准确率平均提高17.94%,算法效率提高6.63倍;在数据集IMIS3Days上准确率平均提高19.98%,算法效率提高9.13倍;相比以聚类点排序结果确定聚类结构算法,DMDO在数据集AMSA上准确率平均提高20.04%,算法效率提高14.61倍;在数据集IMIS3Days上准确率平均提高16.60%,算法效率提高42.19倍;DMDO相比传统方法均表现出较高的预测准确性、较低的时间开销,适用于解决大数据背景下的移动对象兴趣点检测问题。