5.8.4 运动连续性近邻传播模型
将AP聚类算法应用到运动检测得到的数据集时，AP可能会把来自同一图像帧中的数据点划分到同一类中。根据运动的连续性可知，同一条运动轨迹中的数据点必定是来自不同的运动时刻(即不同的图像帧中)，并且运动时刻也是连续的。这就意味着，期望得到的分类中，数据点是来自不同且连续的图像帧中，这样就可以根据得到的轨迹来判断真实异物目标的存在。因此，基于这种运动连续性原理对标准的AP聚类模型进行了改进，加入了时间约束方程来促使生成具有时间连续性的聚类，并根据二值模型和因子图原理推导出新的迭代方程。接下来，本节将具体介绍运动连续性AP聚类算法的模型，其模型如图5.62所示，并在5.8.3节对新的模型进行信息传递和最终迭代公式的推导。
和标准AP聚类算法相比，运动连续性AP算法模型中的约束方程修改如下：
“1-N 约束”：每个数据点i只能选择一个数据点作为类代表，且如果
，则被选择的类代表的瞬时标签不能与数据点i的瞬时标签相同。这就是为什么在自矩阵中的非对角线元素都被强制设为0，从而保证了同一图像中的数据点不被分到同一类中。 “1-N 约束”方程具体如公式(5.68)所示。
图5.62 运动连续性AP算法模型
(https://www.daowen.com)
其中，R(li)表示瞬时标签为li的数据点的下标集合。
“类中心一致性约束”：如果有其他数据点选择数据点j作为类代表，则数据点j必须同时选择自己作为类代表，即
，且瞬时标签相同的数据集中最多只能有一个数据点可以选择数据点j作为类代表。该约束进一步保证了同一图像中的数据点不被分到同一类中。“类中心一致性约束”方程具体如公式(5.69)所示。
其中，R(u)表示瞬时标签为u 的数据点的下标集合。
改进后的两个约束方程可以促使AP聚类算法生成本节期望的有效聚类，其目标方程为：
