KD-Tree数据结构的双阈值搜索方法

摘要

本发明公开了一种KD-Tree数据结构的双阈值搜索方法，在KD-Tree数据结构上进行范围搜索时，增设一个单维误差阈值，单维误差阈值小于整体误差超过阈值，先利用单维误差阈值排除整体误差超过阈值的分支，再通过整体误差超过阈值来比较两个特征向量的相似程度，从而提高KD-Tree数据结构的搜索效率，并最终提高依赖KD-Tree数据结构的模式识别应用的实时性。在KD-Tree数据结构的范围搜索时，比较两个特征向量的相似程度仍然用整体误差阈值，这样的方式在缩小了搜索过程中分割维阈值的同时，并没有提高两个特征向量相似性的要求，即整体误差阈值没有变化，模式匹配的抗干扰性并没有很大的下降。

主权项

一种KD‑Tree数据结构的双阈值搜索方法，其特征在于：在KD‑Tree数据结构上进行范围搜索时，增设一个单维误差阈值，单维误差阈值小于整体误差阈值；先利用单维误差阈值排除整体误差超过阈值的分支，再通过整体误差阈值来比较两个特征向量的相似程度，从而提高KD‑Tree数据结构的搜索效率，并最终提高依赖KD‑Tree数据结构的模式识别应用的实时性。