1. 项目概述从“形似”到“神合”的曲线匹配在数据处理、计算机视觉、工业检测乃至金融分析里我们常常会遇到一个核心问题如何判断两条曲线是否“匹配”这里的匹配远不止是肉眼看上去差不多。它可能意味着要量化两条轨迹的相似度比如在动作识别中比较两个手势的运动路径也可能是要从一堆杂乱的历史数据曲线里找到和当前片段最相似的那一段用于故障预测或模式识别更高级的是在不知道具体数学表达式的情况下用一个已知的“模板”曲线去拟合另一条待测曲线评估它们的形状、趋势乃至细节波动是否一致。这就是“曲线匹配”要解决的事。作为一个在工业软件和算法开发里泡了十多年的老码农我处理过无数条曲线——从传感器采集的振动信号到股票K线从三维扫描的轮廓线到生物医学的波形图。很多新手一听到“匹配”第一反应就是去调OpenCV里的某个现成函数或者找有没有一个叫curve_match的神奇库。但今天我们不谈具体某个库的API调用也不写一行能直接跑的游戏代码。我们回归本质只讲原理。因为只有吃透了原理你才能在面对千奇百怪的实际数据时不被工具限制住手脚能自己设计出最合适的匹配方案甚至能一眼看出别人方案里的缺陷。用C来实现这些原理再合适不过。它没有Python那些“黑盒”库的便利但正是这份“不便”逼着我们去理解每一个计算步骤、每一个矩阵运算背后的意义。从内存中的点集数组到最终那个表示相似度的浮点数中间每一个环节你都能牢牢掌控。这对于构建高性能、高可靠性的核心算法模块至关重要。接下来我们就剥开“曲线匹配”这颗洋葱看看里面到底有哪些层每一层又是如何用C的思想去构建的。2. 曲线匹配的核心思路与数学基石曲线匹配不是一个单一算法而是一套方法论的集合。选择哪种方法取决于你的数据特点和匹配目标。但万变不离其宗所有方法的底层都依赖几个最基础的数学和几何概念。2.1 曲线的数字化表示从连续到离散在计算机里没有真正“连续”的曲线。我们面对的永远是一系列离散的采样点。假设我们有两条曲线曲线A和曲线B。它们通常被表示为两个点序列曲线A:A {(x_a1, y_a1), (x_a2, y_a2), ..., (x_am, y_am)}曲线B:B {(x_b1, y_b1), (x_b2, y_b2), ..., (x_bn, y_bn)}这里m和n可能相等也可能不相等。点的坐标x,y可以是任何维度在三维空间里就是(x, y, z)在高维特征空间里可能维度更多。匹配的第一步往往就是处理这些离散点集。直接比较两个点集是行不通的因为点的数量、采样密度、起始位置可能都不同。这就引出了匹配前的预处理问题。2.2 相似性度量的灵魂距离函数判断两条曲线是否相似需要一个定量的指标。这个指标的核心就是定义一个“距离”函数用来衡量曲线A上的点或整体形状与曲线B之间的差异。最常见的距离包括欧氏距离 (Euclidean Distance): 最直观的距离。对于点对点的比较就是计算两个对应点坐标差的平方和再开方。d sqrt((x_a - x_b)^2 (y_a - y_b)^2)。它简单但对曲线的平移、旋转、缩放非常敏感。动态时间规整 (DTW) 距离: 这是处理时间序列或长度不等曲线匹配的利器。它的核心思想是允许“时间轴”非线性地扭曲从而找到两个序列之间最佳的对应关系使得累积距离最小。DTW计算出的距离能很好地应对两条曲线在时间轴上的伸缩和局部速度不一致的问题。豪斯多夫距离 (Hausdorff Distance): 常用于比较两个点集的整体形状。它定义为从集合A中任意一点到集合B的最近点的最大距离与从集合B中任意一点到集合A的最近点的最大距离两者中的最大值。这个距离对离群点非常敏感能反映两个形状的“最不匹配”之处。弗雷歇距离 (Fréchet Distance): 一个更符合人类直觉的“曲线距离”。想象两个人各牵一条狗分别沿着两条曲线走狗绳的长度可以变化。弗雷歇距离就是完成整个行走过程所需的最短狗绳长度。它同时考虑了点的位置和曲线的连续性。注意选择哪种距离函数是匹配任务成败的关键。如果你的曲线是严格对齐的时间序列欧氏距离可能就够用如果是长度不一、有局部拉伸的动作轨迹DTW是首选如果是比较二维轮廓形状豪斯多夫或弗雷歇距离可能更合适。没有放之四海而皆准的“最佳”距离。2.3 匹配的“归一化”消除无关变量在比较形状之前我们通常希望消除那些我们不关心的差异。这主要通过空间变换来实现平移 (Translation): 让两条曲线的重心或某个特征点重合。计算所有点的均值作为重心然后将每个点减去重心坐标。缩放 (Scaling): 将曲线归一化到统一的尺寸范围内。例如让所有点的坐标标准差为1或者将曲线 bounding box 的大小归一化。旋转 (Rotation): 通过主成分分析(PCA)等方法找到曲线的“主方向”然后旋转到对齐。这对于具有方向性的形状如字母、手势很重要。这些步骤统称为配准 (Registration)。一个常见的流程是Procrustes 分析它通过最小化两点集之间的均方根误差来求解最优的平移、旋转和缩放参数。在C实现中这通常涉及求解一个特征值问题或奇异值分解(SVD)。3. 主流曲线匹配原理深度解析理解了基础概念我们就可以深入几种最核心的匹配原理了。每一种原理都对应着一类典型的应用场景。3.1 基于点集配准的匹配Procrustes 分析这是最经典的形状匹配方法之一适用于两条曲线点数量相同且点有明确对应关系例如都是人脸特征点的情况。核心思想寻找一个相似变换旋转、缩放、平移使得一条曲线上的点尽可能变换到另一条曲线的对应点上。数学原理与C实现思路 假设我们有两个点集P和Q各有n个点且P[i]对应Q[i]。去中心化分别计算P和Q的质心均值点然后将每个点减去各自的质心得到去中心化的点集P和Q。这一步消除了平移的影响。// 伪代码示意 Point2f centroid_P computeCentroid(P); Point2f centroid_Q computeCentroid(Q); vectorPoint2f P_prime translatePoints(P, -centroid_P); vectorPoint2f Q_prime translatePoints(Q, -centroid_Q);求解最优旋转我们希望找到一个旋转矩阵R使得||Q - R * P||^2最小。这可以通过计算协方差矩阵H P^T * Q然后对其进行奇异值分解(SVD)来解决。H U * S * V^T那么最优旋转矩阵R V * U^T。// 使用Eigen库进行SVD的示例思路 #include Eigen/Dense Eigen::MatrixXf H P_prime.transpose() * Q_prime; // 假设点已转为Eigen矩阵 Eigen::JacobiSVDEigen::MatrixXf svd(H, Eigen::ComputeThinU | Eigen::ComputeThinV); Eigen::MatrixXf R svd.matrixV() * svd.matrixU().transpose(); // 处理反射情况确保是纯旋转非镜像 if (R.determinant() 0) { // 调整V矩阵的最后一列符号 // ... }求解缩放因子如果允许缩放缩放因子s trace(S) / trace(P^T * P)其中S是SVD中的奇异值矩阵。计算匹配误差应用求得的R,s, 和平移向量t centroid_Q - s * R * centroid_P到原始点集P上得到变换后的点集P_transformed。然后计算P_transformed与Q之间的均方根误差(RMSE)作为匹配得分。得分越低匹配度越高。实操心得Procrustes分析对点的对应关系要求极高。如果点序是乱序或不对应的它会得到完全错误的结果。在实际中通常需要先通过其他方法如特征描述子建立点对应关系或者使用它的泛化版本——迭代最近点算法。3.2 基于动态时间规整的匹配DTW当两条曲线是时间序列且长度不同、局部存在拉伸或压缩时DTW是首选。想想比较两个人说同一句话的语速不同的音频波形或者比较两只股票虽然波动趋势相似但时间周期不同的K线。核心思想构建一个m x n的累积距离矩阵通过动态规划寻找一条从(1,1)到(m,n)的最优弯曲路径这条路径上的累积距离最小。算法步骤与C实现要点构建局部距离矩阵计算曲线A上每一个点i与曲线B上每一个点j之间的局部距离d(i, j)通常用欧氏距离。得到一个m x n的矩阵D。构建累积距离矩阵创建一个同样大小的矩阵C。C(i, j)表示从起点(1,1)到当前点(i,j)的最小累积距离。初始化C(1,1) D(1,1)递推公式一种常见形式C(i,j) D(i,j) min( C(i-1,j), C(i,j-1), C(i-1,j-1) )这个公式意味着到达(i,j)只能从它的左方、上方或左上方过来选择累积代价最小的路径。回溯寻找最优路径从C(m,n)开始根据递推时选择的min来源反向回溯到(1,1)得到最优的弯曲路径W。计算DTW距离最终的DTW距离就是C(m,n)。有时会除以路径长度进行归一化以消除长度影响。// DTW核心计算部分的简化伪代码 float dtwDistance(const vectorPoint2f A, const vectorPoint2f B) { int m A.size(), n B.size(); vectorvectorfloat C(m1, vectorfloat(n1, INFINITY)); // 多一圈便于边界处理 C[0][0] 0.0f; for (int i 1; i m; i) { for (int j 1; j n; j) { float cost euclideanDist(A[i-1], B[j-1]); // 局部距离 float minPrev min({C[i-1][j], C[i][j-1], C[i-1][j-1]}); C[i][j] cost minPrev; } } return C[m][n]; // 这就是原始的DTW距离 }注意事项原始DTW的时间复杂度是O(m*n)对于长序列计算量很大。在实际应用中通常会加窗口约束(如 Sakoe-Chiba Band, Itakura Parallelogram)限制路径的搜索范围不仅能加速还能防止不合理的过度扭曲。此外DTW距离不满足三角不等式所以它不是严格意义上的度量。3.3 基于形状上下文与特征描述子的匹配对于更通用的形状匹配尤其是点集无序、且需要一定抗噪能力的情况我们可以提取曲线的“特征描述子”然后比较描述子。形状上下文 (Shape Context)是一个经典且强大的描述子。核心思想为曲线上的每一个采样点计算一个描述其局部形状分布的直方图。这个直方图描述了相对于该点其他所有点在距离-角度空间中的分布情况。实现步骤拆解采样与归一化在两条曲线上分别采样一组点数量可以不同。对每条曲线进行缩放归一化使得所有点的平均距离到一个参考点为1通常是所有点对之间距离的均值。为每个点构建形状上下文以当前点p_i为原点建立对数极坐标系。将周围空间划分为若干个距离bin和角度bin例如5个距离bin12个角度bin共60个bin。统计曲线其他点p_j (j ! i)落在哪个bin里形成一个60维的直方图h_i。这个直方图就是点p_i的形状上下文。它对平移天然不变对缩放因使用了对数距离和整体归一化而具有不变性对旋转可以通过将角度轴对齐到该点的切线方向来获得不变性或后续在匹配时处理。建立点对应关系对于曲线A上的一个点i和曲线B上的一个点j计算它们形状上下文直方图h_i和h_j的代价。常用卡方距离cost(i,j) 0.5 * sum_k [ (h_i(k) - h_j(k))^2 / (h_i(k) h_j(k)) ]。全局匹配通过匈牙利算法等二分图匹配算法找到使总匹配代价最小的点对对应关系。计算形状距离使用匹配好的点对可以计算一个变换如薄板样条变换并计算匹配误差或者直接用匹配的总代价作为形状距离。在C中实现形状上下文需要仔细设计对数极坐标网格的划分、高效的直方图统计以及后续的匹配算法。虽然计算量比前两者大但它对局部遮挡、噪声和非刚性形变有更好的鲁棒性。4. 从原理到C实现的关键考量理解了原理用C实现时我们还需要在工程层面做出许多选择这些选择直接影响算法的效率、精度和易用性。4.1 数据结构设计效率与清晰的平衡曲线数据在C中如何存放这看似简单却影响全局。std::vectorPoint2f最直接的选择。Point2f可以是std::pairfloat, float也可以是自定义结构体struct Point { float x; float y; }。使用vector内存连续遍历效率高。对于动态增删点不频繁的曲线这是首选。std::vectorstd::arrayfloat, 2如果维度固定如2D使用std::array可能比自定义结构体在特定操作上略有优势但差别不大。对于高维点考虑使用Eigen::MatrixXf或std::vectorEigen::VectorXf。Eigen库提供了丰富的线性代数运算对于后续需要进行SVD、矩阵乘法等操作如Procrustes分析非常方便。是否需要存储额外信息比如每个点的切线方向、曲率、或者像形状上下文那样的描述子向量。这时可能需要一个更复杂的结构体struct RichPoint { Eigen::Vector2f coord; float curvature; std::vectorfloat descriptor; // 形状上下文或其他描述子 }; std::vectorRichPoint curve;实操心得在项目早期用一个简单的vectorPoint2f快速验证算法逻辑是明智的。当算法稳定并需要优化时再根据热点分析Profiling结果调整数据结构。例如如果发现频繁计算点间距离可以考虑将坐标数据打包到一个Eigen::Matrix2Xf中利用Eigen的向量化运算一次性计算所有距离性能会有显著提升。4.2 数值计算库的选择避免重复造轮子曲线匹配涉及大量线性代数运算矩阵乘法、SVD、特征值分解和数值优化。自己实现这些不仅容易出错而且性能远不及专业库。Eigen头文件库无需链接集成方便。提供稠密和稀疏矩阵运算SVD、QR分解等非常完善。是C中进行线性代数计算的事实标准。对于Procrustes分析、PCA等Eigen是首选。OpenCV虽然以计算机视觉闻名但其core和calib3d模块提供了强大的矩阵运算和几何变换功能。cv::Mat接口易用且自带SVD、矩阵运算等函数。如果你的项目本身就在用OpenCV处理图像或点云那么用它来进行曲线相关的计算可以保持技术栈统一。Boost.Geometry如果你需要进行复杂的几何计算如计算多边形面积、点线距离、豪斯多夫距离等Boost.Geometry库提供了工业级的实现。纯STL算法对于DTW中的动态规划、寻找最近邻等操作灵活运用algorithm中的std::min_element,std::inner_product,std::transform等结合std::vector也能写出清晰高效的代码。我的建议是以Eigen作为数值计算核心它轻量、高效、表达力强。对于特定的几何计算按需引入Boost.Geometry。OpenCV则作为一个功能丰富的备选特别是在与图像处理流程紧密结合时。4.3 算法复杂度与优化策略曲线匹配算法尤其是涉及两两比较的如DTW、形状上下文复杂度通常是O(N^2)或更高对于长曲线是性能瓶颈。降采样 (Downsampling)在匹配前对曲线进行适当的降采样在保留主要形状特征的前提下大幅减少点数。常用方法有道格拉斯-普克算法保留关键拐点或均匀采样。多分辨率匹配构建曲线的金字塔多尺度表示。先在粗分辨率点数少上进行快速匹配找到候选区域或粗略对齐再在细分辨率上精修。这能极大缩小搜索空间。使用近似算法对于DTW有FastDTW等近似算法其复杂度可降至O(N)。对于形状上下文的最近邻搜索可以使用KD-TreeFLANN库进行加速。并行化许多匹配计算是独立的或可并行的。例如计算形状上下文中每个点的描述子、计算距离矩阵的每个元素。可以利用OpenMP或std::thread进行多线程并行计算。提前终止在一些搜索算法中如最佳优先搜索如果当前路径的累积代价已经超过已知的最优解可以提前终止该分支的搜索。在C中实现这些优化需要对数据流和计算热点有清晰的认识。使用性能分析工具如gprof,VTune,perf来定位热点函数然后有针对性地进行优化。5. 一个完整的C曲线匹配模块设计示例让我们把这些原理和考量整合起来设计一个简单的、基于DTW和Procrustes预配准的曲线匹配模块的类接口。这个模块允许用户选择不同的距离度量并处理基本的平移归一化。// CurveMatcher.h #pragma once #include vector #include memory #include Eigen/Dense namespace CurveMatching { using Point2d Eigen::Vector2d; using Curve std::vectorPoint2d; enum class DistanceMetric { EUCLIDEAN, DTW, // 可以扩展 HAUSDORFF, FRECHET }; class CurveMatcher { public: CurveMatcher(); ~CurveMatcher(); // 设置匹配参数 void setMetric(DistanceMetric metric); void enableTranslationNormalization(bool enable); // 启用平移归一化 void setDtwWindowSize(int size); // 设置DTW窗口约束大小-1为无约束 // 核心匹配函数计算曲线A和B之间的不相似度距离 double computeDistance(const Curve curveA, const Curve curveB); // 如果匹配算法能提供对应关系如DTW路径可以获取 bool getCorrespondencePath(std::vectorstd::pairsize_t, size_t path) const; private: // 内部实现函数 double euclideanDistance(const Curve A, const Curve B); double dtwDistance(const Curve A, const Curve B); void normalizeTranslation(Curve curve); // 平移归一化到原点 // 私有数据成员隐藏实现细节Pimpl惯用法 struct Impl; std::unique_ptrImpl pImpl; }; } // namespace CurveMatching// CurveMatcher.cpp 部分关键实现 #include CurveMatcher.h #include algorithm #include limits #include cmath namespace CurveMatching { struct CurveMatcher::Impl { DistanceMetric currentMetric DistanceMetric::DTW; bool normalizeTranslation true; int dtwWindow -1; std::vectorstd::pairsize_t, size_t lastCorrespondencePath; // ... 其他内部状态 }; CurveMatcher::CurveMatcher() : pImpl(std::make_uniqueImpl()) {} CurveMatcher::~CurveMatcher() default; void CurveMatcher::setMetric(DistanceMetric metric) { pImpl-currentMetric metric; } void CurveMatcher::enableTranslationNormalization(bool enable) { pImpl-normalizeTranslation enable; } void CurveMatcher::setDtwWindowSize(int size) { pImpl-dtwWindow size; } double CurveMatcher::computeDistance(const Curve curveA, const Curve curveB) { Curve A curveA; Curve B curveB; // 1. 预处理归一化 if (pImpl-normalizeTranslation) { normalizeTranslation(A); normalizeTranslation(B); } // 2. 根据选择的度量计算距离 switch (pImpl-currentMetric) { case DistanceMetric::EUCLIDEAN: if (A.size() ! B.size()) { throw std::invalid_argument(For Euclidean distance, curves must have same number of points. Consider resampling.); } return euclideanDistance(A, B); case DistanceMetric::DTW: return dtwDistance(A, B); default: throw std::runtime_error(Unsupported distance metric.); } } void CurveMatcher::normalizeTranslation(Curve curve) { if (curve.empty()) return; Point2d centroid Point2d::Zero(); for (const auto pt : curve) { centroid pt; } centroid / static_castdouble(curve.size()); for (auto pt : curve) { pt - centroid; } } double CurveMatcher::euclideanDistance(const Curve A, const Curve B) { double sum 0.0; for (size_t i 0; i A.size(); i) { sum (A[i] - B[i]).squaredNorm(); // Eigen向量求平方和 } return std::sqrt(sum / A.size()); // 返回RMSE } double CurveMatcher::dtwDistance(const Curve A, const Curve B) { size_t m A.size(); size_t n B.size(); // 使用动态规划这里省略了窗口约束的细节以保持清晰 std::vectorstd::vectordouble dp(m 1, std::vectordouble(n 1, std::numeric_limitsdouble::max())); dp[0][0] 0.0; for (size_t i 1; i m; i) { for (size_t j 1; j n; j) { // 应用窗口约束如果设置了 if (pImpl-dtwWindow 0 std::abs(static_castint(i) - static_castint(j)) pImpl-dtwWindow) { continue; } double cost (A[i-1] - B[j-1]).norm(); // 局部欧氏距离 double minPrev std::min({dp[i-1][j], dp[i][j-1], dp[i-1][j-1]}); dp[i][j] cost minPrev; } } // 可选在这里记录最优路径到 pImpl-lastCorrespondencePath // ... 路径回溯代码 ... return dp[m][n]; } bool CurveMatcher::getCorrespondencePath(std::vectorstd::pairsize_t, size_t path) const { if (pImpl-currentMetric ! DistanceMetric::DTW || pImpl-lastCorrespondencePath.empty()) { return false; } path pImpl-lastCorrespondencePath; return true; } } // namespace CurveMatching这个设计展示了几个关键点清晰的接口用户通过setMetric选择算法通过computeDistance获得结果。预处理集成将平移归一化作为可选步骤内置。可扩展性通过枚举类型和开关语句可以方便地添加新的距离度量如豪斯多夫距离。信息隐藏使用Pimpl惯用法将实现细节如动态规划表、路径存储隐藏起来保持头文件简洁。错误处理对不合理的输入如点数量不匹配时使用欧氏距离抛出异常。在实际项目中你还需要考虑添加重采样功能、旋转/缩放归一化、更复杂距离度量的参数配置等。这个框架为你提供了一个坚实的起点。6. 避坑指南与实战经验纸上得来终觉浅绝知此事要躬行。下面分享一些在实现和调试曲线匹配算法时容易踩的坑以及对应的解决思路。6.1 数据预处理不当满盘皆输问题直接拿原始传感器数据或图像提取的轮廓点进行匹配结果完全不可信对噪声和尺度极度敏感。根因未进行必要的预处理。原始数据可能包含噪声高频抖动。尺度差异一条曲线是0-100像素范围另一条是0-1物理单位。采样密度不均曲线不同部分点疏密不同。起点不对齐闭合轮廓的起点是随机的。解决方案平滑去噪使用高斯滤波、均值滤波或更先进的小波变换去除高频噪声。在C中可以用std::vector配合滑动窗口自己实现或者用OpenCV的cv::GaussianBlur如果数据在cv::Mat中。重采样使用线性插值或样条插值将曲线重新采样为固定数量且均匀分布的点。这能保证点数一致并消除密度不均的影响。对于闭合曲线重采样前务必确保起点对齐例如将质心到最远点的方向作为参考起点。归一化这是必须的步骤。至少要做平移归一化减去重心。对于形状匹配通常还需要缩放归一化除以所有点距离重心的均方根。代码上就是先计算重心平移再计算缩放因子最后应用。void fullNormalize(Curve curve) { // 1. 平移 Point2d centroid computeCentroid(curve); for (auto p : curve) p - centroid; // 2. 缩放 double scale 0.0; for (const auto p : curve) scale p.squaredNorm(); scale std::sqrt(scale / curve.size()); if (scale 1e-10) { // 避免除零 for (auto p : curve) p / scale; } }6.2 算法选择与场景错配问题用了DTW去匹配两条长度相同、严格对齐的静态形状效果不好且速度慢或者用欧氏距离去匹配两条长度不同、有局部拉伸的时序信号完全失效。根因没有理解每种算法的适用场景。解决方案牢记以下选择指南长度相等、点对应、只关心整体形状差异首选Procrustes分析计算相似变换后的RMS误差或简单的欧氏距离如果已经对齐。长度不等、是时序数据、允许局部时间扭曲DTW是不二之选。记得设置合理的窗口约束以防止病态匹配。二维/三维形状、对旋转、部分遮挡鲁棒形状上下文或更现代的深度学习特征描述子如基于PointNet的特征是更好的选择。需要非常精确的度量且计算资源充足可以考虑弗雷歇距离但它计算复杂度较高。6.3 性能瓶颈与优化盲区问题匹配速度慢无法满足实时性要求。根因算法复杂度高且未做任何优化。排查与优化Profiling定位热点使用gprof或perf工具找出最耗时的函数。八成是双重循环的距离计算或动态规划部分。降采样这是最有效的优化之一。将1000个点的曲线降采样到100个关键点DTW的计算量从100万降到1万。使用近似算法用FastDTW替代标准DTW。对于形状上下文用近似最近邻搜索(ANN)替代精确搜索。并行化距离矩阵的计算是天然的并行任务。使用#pragma omp parallel for可以轻松加速。#pragma omp parallel for collapse(2) for (size_t i 0; i m; i) { for (size_t j 0; j n; j) { distMatrix[i][j] computeLocalDist(A[i], B[j]); } }内存访问优化确保数据在内存中连续存储使用std::vector或Eigen::Matrix避免缓存失效。对于小型固定维度点使用std::array或Eigen::Vector2d。6.4 匹配结果评估与阈值设定问题算出来一个距离值比如0.5这代表匹配成功还是失败根因距离值本身没有绝对意义需要一个合理的阈值。解决方案基于数据分布设定在同一个数据集上计算所有“正样本对”应该匹配的曲线对的距离分布和“负样本对”不应该匹配的曲线对的距离分布。观察两个分布的重叠情况选择一个使得分类错误率最低的阈值如ROC曲线上的最佳点。相对比较在检索或分类任务中不一定需要绝对阈值。可以采用“最近邻”分类法即一条未知曲线与所有模板曲线匹配选择距离最小的那个作为匹配结果。归一化距离有些距离如经过Procrustes分析后的RMS误差可以归一化到[0,1]区间0表示完美匹配值越大差异越大。这需要根据点集的归一化尺度来理解。最后调试时一定要可视化。将两条曲线画在同一坐标系下用线条将匹配的点对连接起来对于DTW或形状上下文。肉眼观察匹配结果是否合理是发现算法问题最直接的方式。可以用matplotlib-cpp或将数据导出用Python的Matplotlib画图。看到不合理的匹配连线你就能快速定位是预处理问题、距离函数问题还是算法实现本身的bug。
