CN105184382A - 运动轨迹的优化方法与装置 - Google Patents

Abstract

本发明提供了一种运动轨迹的优化方法与装置，其中方法包括：按照设定的采样间隔时长采集运动目标的位置点信息；当采集到的位置点信息达到设定个数时，根据概率理论对采集到的位置点信息进行异常点检测，检测出异常的位置点信息；逐一对检测出的异常的位置点信息进行纠正，使用纠正后的异常的位置点信息更新运动目标的位置点信息；重复异常点检测、纠正和位置点信息更新；当重复异常点检测、纠正和位置点信息更新的次数达到设定次数阈值或者检测出的异常的位置点信息个数小于设定个数阈值时，将当前更新后的位置点信息对应的轨迹作为优化后的运动目标的轨迹。本发明根据概率理论对运动轨迹进行优化，优化结果比较准确。

Description

运动轨迹的优化方法与装置

技术领域

本发明涉及轨迹优化领域，特别涉及运动轨迹的优化方法与装置。

背景技术

随着GPS(GlobalPositioningSystem，全球定位系统)、北斗等定位技术的快速发展，定位功能已经被广泛应用在人们的生产生活中。基于定位功能研发的导航仪、运动手环等电子产品为人们的生活带来了诸多便利。

GPS、北斗等定位技术在应用时，由于电流层、比流层等环境因素的影响，生成的运动轨迹具有一定的误差。运动轨迹是根据一系列定位得到的位置点信息生成的。目前针对运动轨迹的优化方法主要有两种，一种是根据之前生成的运动轨迹，预测下一个位置点信息，然后与实际生成的位置点信息进行比对，从而纠正实际生成的位置点信息；另一种方法是纯粹的滤波方法，如中值滤波、多点滤波等。

由上可知，现有技术中对运动轨迹的优化主要采用预测法和滤波法，优化后的运动轨迹不够准确，与实际轨迹差距较大。

发明内容

本发明提供了一种运动轨迹的优化方法与装置，根据概率理论对运动轨迹进行优化，优化结果比较准确。

第一方面，本发明实施例提供了一种运动轨迹的优化方法，所述方法包括：

按照设定的采样间隔时长采集运动目标的位置点信息；所述位置点信息包括对应位置的坐标和所述对应位置的时间；

当采集到的所述位置点信息达到设定个数时，根据概率理论对采集到的所述位置点信息进行异常点检测，检测出异常的位置点信息；

逐一对检测出的所述异常的位置点信息进行纠正，使用纠正后的所述异常的位置点信息更新所述运动目标的位置点信息；重复所述异常点检测、纠正和所述位置点信息更新；

当重复所述异常点检测、纠正和所述位置点信息更新的次数达到设定次数阈值或者检测出的所述异常的位置点信息个数小于设定个数阈值时，将当前更新后的所述位置点信息对应的轨迹作为优化后的所述运动目标的轨迹。

结合第一方面，本发明实施例提供了第一方面第一种可能的实施方式，其中，在所述根据概率理论对采集到的所述位置点信息进行异常点检测之前，还包括：

按照采集到的所述位置点信息中的时间先后顺序对所述位置点信息中的坐标进行排序，得到各个坐标对应的位置点的序列；

检测所述位置点的序列中各个相邻的所述位置点间的距离，根据检测到的所述距离计算相邻的所述位置点间的平均距离；

查找检测到的所述距离中大于第一阈值，或所述距离小于第二阈值的相邻的位置点；从所述位置点的序列中清除查找到的所述位置点；其中，所述第一阈值等于第一预定倍率与所述平均距离的乘积，所述第二阈值等于第二预定倍率与所述平均距离的乘积。

结合第一方面第一种可能的实施方式，本发明实施例提供了第一方面第二种可能的实施方式，其中，所述根据概率理论对采集到的所述位置点信息进行异常点检测，包括：

在所述位置点的序列中，确定待检测位置点，根据所述待检测位置点之前预定数量的位置点、所述待检测位置点之后相同预定数量的位置点和所述待检测位置点，生成待检测位置点序列；

若所述待检测位置点满足以下两个公式中的任意一个，则所述待检测位置点为异常的位置点；

$P{\left(L\right)}^{n-1}>{\Π}_{i=1}^{i=n-1}P\left(S_i\right)\×R$

$P{\left(L\right)}^{n-1}<{\&Pi;}_{i=1}^{i=n-1}P\left(S_i\right)\&divide;R$

其中，P(L)表示所述待检测位置点序列中第一个和最后一个位置点间的距离基于高斯分布的概率；P(S_i)表示所述待检测位置点序列中第i对相邻位置点间的距离基于高斯分布的概率；表示所述待检测位置点序列中所有相邻位置点间的距离基于高斯分布的概率的乘积；n表示所述待检测位置点序列中位置点的数量；R表示大于1的比例常数。

结合第一方面第一种可能的实施方式，本发明实施例提供了第一方面第三种可能的实施方式，其中，所述方法还包括：

若当前的待检测位置点为所述位置点的序列中的第一个位置点，计算所述待检测位置点与所述位置点的序列中的第二个位置点间的第一距离；

若当前的待检测位置点为所述位置点的序列中的最后一个位置点，计算所述待检测位置点和所述位置点的序列中的倒数第二个位置点间的第二距离；

比较所述第一距离/所述第二距离的值是否大于第三阈值，如果是，确定所述待检测位置点为异常的位置点；其中，所述第三阈值等于第三预设倍率与所述平均距离的乘积。

结合第一方面第二种或第三种可能的实施方式，本发明实施例提供了第一方面第四种可能的实施方式，其中，所述逐一对检测出的所述异常的位置点信息进行纠正，包括：

采用以下公式逐一对检测出的所述异常的位置点进行纠正；

$A=A+\underset{i=1}{\overset{m}{\&Sigma;}}\left(\frac{B_i-A}{m+n}\right(1-P\left({\mathrm{AB}}_i\right)\left)\right)+\underset{j=1}{\overset{n}{\&Sigma;}}\left(\frac{C_j-A}{m+n}\right(1-P\left({\mathrm{AC}}_j\right)\left)\right)$

其中，A为所述异常的位置点的坐标，B_i为所述异常的位置点之前第i个位置点的坐标，C_j为所述异常的位置点之后第j个位置点的坐标，P(AB_i)为所述异常的位置点和所述异常的位置点之前第i个位置点间的距离基于高斯分布的概率，P(AC_j)为所述异常的位置点和所述异常的位置点之后第j个位置点间的距离基于高斯分布的概率；m为在所述异常的位置点之前选择出来的位置点的数量；n为在所述异常的位置点之后选择出来的位置点的数量。

第二方面，本发明实施例提供了一种运动轨迹的优化装置，所述装置包括：

采样模块，用于按照设定的采样间隔时长采集运动目标的位置点信息；所述位置点信息包括对应位置的坐标和所述对应位置的时间；

异常点检测模块，用于当采集到的所述位置点信息达到设定个数时，根据概率理论对采集到的所述位置点信息进行异常点检测，检测出异常的位置点信息；

纠正模块，用于逐一对检测出的所述异常的位置点信息进行纠正，使用纠正后的所述异常的位置点信息更新所述运动目标的位置点信息；重复所述异常点检测、纠正和所述位置点信息更新；

优化模块，用于当重复所述异常点检测、纠正和所述位置点信息更新的次数达到设定次数阈值或者检测出的所述异常的位置点信息个数小于设定个数阈值时，将当前更新后的所述位置点信息对应的轨迹作为优化后的所述运动目标的轨迹。

结合第二方面，本发明实施例提供了第二方面第一种可能的实施方式，其中，所述装置还包括：

序列生成模块，用于按照采集到的所述位置点信息中的时间先后顺序对所述位置点信息中的坐标进行排序，得到各个坐标对应的位置点的序列；

平均距离计算模块，用于检测所述位置点的序列中各个相邻的所述位置点间的距离，根据检测到的所述距离计算相邻的所述位置点间的平均距离；

位置点清除模块，用于查找检测到的所述距离中大于第一阈值，或所述距离小于第二阈值的相邻的位置点；从所述位置点的序列中清除查找到的所述位置点；其中，所述第一阈值等于第一预定倍率与所述平均距离的乘积，所述第二阈值等于第二预定倍率与所述平均距离的乘积。

结合第二方面第一种可能的实施方式，本发明实施例提供了第二方面第二种可能的实施方式，其中，所述异常点检测模块包括：

待检测位置点序列生成单元，用于在所述位置点的序列中，确定待检测位置点，根据所述待检测位置点之前预定数量的位置点、所述待检测位置点之后相同预定数量的位置点和所述待检测位置点，生成待检测位置点序列；

异常位置点检测单元，用于若所述待检测位置点满足以下两个公式中的任意一个，则所述待检测位置点为异常的位置点；

$P{\left(L\right)}^{n-1}>{\&Pi;}_{i=1}^{i=n-1}P\left(S_i\right)\&times;R$

$P{\left(L\right)}^{n-1}<{\&Pi;}_{i=1}^{i=n-1}P\left(S_i\right)\&divide;R$

其中，P(L)表示所述待检测位置点序列中第一个和最后一个位置点间的距离基于高斯分布的概率；P(S_i)表示所述待检测位置点序列中第i对相邻位置点间的距离基于高斯分布的概率；表示所述待检测位置点序列中所有相邻位置点间的距离基于高斯分布的概率的乘积；n表示所述待检测位置点序列中位置点的数量；R表示大于1的比例常数。

结合第一方面第一种可能的实施方式，本发明实施例提供了第一方面第三种可能的实施方式，其中，所述装置还包括：

第一距离计算模块，用于若当前的待检测位置点为所述位置点的序列中的第一个位置点，计算所述待检测位置点与所述位置点的序列中的第二个位置点间的第一距离；

第二距离计算模块，用于若当前的待检测位置点为所述位置点的序列中的最后一个位置点，计算所述待检测位置点和所述位置点的序列中的倒数第二个位置点间的第二距离；

异常位置点确定模块，用于比较所述第一距离/所述第二距离的值是否大于第三阈值，如果是，确定所述待检测位置点为异常的位置点；其中，所述第三阈值等于第三预设倍率与所述平均距离的乘积。

结合第二方面第二种或第三种可能的实施方式，本发明实施例提供了第二方面第四种可能的实施方式，其中，所述纠正模块包括：

位置点纠正单元，用于采用以下公式逐一对检测出的所述异常的位置点进行纠正；

$A=A+\underset{i=1}{\overset{m}{\&Sigma;}}\left(\frac{B_i-A}{m+n}\right(1-P\left({\mathrm{AB}}_i\right)\left)\right)+\underset{j=1}{\overset{n}{\&Sigma;}}\left(\frac{C_j-A}{m+n}\right(1-P\left({\mathrm{AC}}_j\right)\left)\right)$

其中，A为所述异常的位置点的坐标，B_i为所述异常的位置点之前第i个位置点的坐标，C_j为所述异常的位置点之后第j个位置点的坐标，P(AB_i)为所述异常的位置点和所述异常的位置点之前第i个位置点间的距离基于高斯分布的概率，P(AC_j)为所述异常的位置点和所述异常的位置点之后第j个位置点间的距离基于高斯分布的概率；m为在所述异常的位置点之前选择出来的位置点的数量；n为在所述异常的位置点之后选择出来的位置点的数量。

本发明实施例中，根据概率理论对采集到的位置点信息进行异常点检测，并对检测出的异常的位置点信息进行纠正，从而对运动轨迹进行优化。与现有技术相比，本实施例中的运动轨迹的优化方法不是简单的预测法和滤波法，而是基于概率理论的方法，优化结果更加准确，更接近真实的运动轨迹。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出本发明第一实施例所提供的运动轨迹的优化方法的流程示意图；

图2示出本发明第一实施例所提供的位置点的序列中开始点和结束点的异常点检测流程示意图；

图3示出本发明第一实施例所提供的运动轨迹的优化方法的具体流程示意图；

图4a示出本发明第一实施例所提供的运动轨迹优化前的效果示意图；

图4b示出本发明第一实施例所提供的对应图4a的运动轨迹优化后的效果示意图；

图5a示出本发明第一实施例所提供的运动轨迹优化前的效果示意图；

图5b示出本发明第一实施例所提供的对应图5a的运动轨迹优化后的效果示意图；

图6示出本发明第二实施例所提供的运动轨迹的优化装置的一种结构示意图；

图7示出本发明第二实施例所提供的运动轨迹的优化装置的另一种结构示意图；

图8示出本发明第二实施例所提供的异常点检测模块的结构示意图；

图9示出本发明第二实施例所提供的运动轨迹的优化装置的又一种结构示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

针对现有技术中对运动轨迹的优化主要采用预测法和滤波法，优化后的运动轨迹不够准确，与实际轨迹差距较大的问题，本发明提供了一种运动轨迹的优化方法与装置，根据概率理论对运动轨迹进行优化，具有充足的理论依据，优化结果相比现有技术更加准确。

本发明中的运动轨迹的优化方法与装置，其核心思想是在尽可能的覆盖原运动轨迹中的所有位置点信息的基础上，求解相邻位置点信息对应的距离基于高斯分布的概率，并使得所有的概率之积最大。这里选择相邻位置点信息对应的距离基于高斯分布的概率的原因是：当间隔固定时间采集运动目标的位置点信息时，间隔固定时间的位置点信息对应的距离与该距离的数量满足高斯分布(又名正态分布)。本发明能够对GPS定位、北斗定位、wifi(WirelessFidelity，无线保真技术)定位和蓝牙定位等其他本领域能够实现的定位技术获得的运动轨迹进行优化，相应的位置点信息为GPS位置点信息、北斗位置点信息、wifi位置点信息和蓝牙位置点信息。下面通过实施例详细描述本发明的内容。这里首先说明，本实施例中提到的任意两个位置点间的距离，或者任意两个位置点信息对应的距离，均指得是两点之间的直线距离。

实施例一

如图1所示的本发明实施例一提供的运动轨迹的优化方法的流程图，该方法包括以下步骤102至步骤108：

步骤102，按照设定的采样间隔时长采集运动目标的位置点信息；该位置点信息包括对应位置的坐标和对应位置的时间。

在步骤102中，设定的采样间隔时长优选为1秒，即每隔1秒采集一次运动目标的位置点信息。运动目标的位置点信息可以是具有定位功能的设备或者终端如GPS设备或者北斗设备生成的，还可以是运动目标自身生成的。位置点信息中对应位置的坐标可以是对应位置的经纬度坐标，还可以是对应位置的极坐标。一种优选的实施方式中，位置点信息的格式为((X,Y)；TIME)，其中，(X,Y)表示该位置点信息对应位置的经纬度坐标，TIME表示运动目标在该位置点信息对应位置的时间。

步骤104，当采集到的位置点信息达到设定个数时，根据概率理论对采集到的位置点信息进行异常点检测，检测出异常的位置点信息。

在步骤104中，当采集到的位置点信息很少时，不具备检测意义，因此当采集到的位置点信息达到设定个数，如10个时，开始根据概率理论对采集到的位置点信息进行异常点检测。

步骤106，逐一对检测出的异常的位置点信息进行纠正，使用纠正后的异常的位置点信息更新运动目标的位置点信息；重复异常点检测、纠正和位置点信息更新。

步骤108，当重复异常点检测、纠正和位置点信息更新的次数达到设定次数阈值或者检测出的异常的位置点信息个数小于设定个数阈值时，将当前更新后的位置点信息对应的轨迹作为优化后的运动目标的轨迹。

在步骤108中，设定次数阈值和设定个数阈值能够根据实际需要调整，以达到满意的运动轨迹的优化效果。

本发明实施例中，根据概率理论对采集到的位置点信息进行异常点检测，并对检测出的异常的位置点信息进行纠正，从而对运动轨迹进行优化。与现有技术相比，本实施例中的运动轨迹的优化方法不是简单的预测法和滤波法，而是基于概率理论的方法，优化结果更加准确，更接近真实的运动轨迹。

本实施例中，通过步骤102按照设定的采样间隔时长采集运动目标的位置点信息之后，若发现采集到的两个位置点信息之间的时间间隔超过该设定的采样间隔时长，则在这两个位置点信息之间均匀补充位置点信息。

具体地，设定的采样间隔时长为T。在步骤102中，在采集到第一个位置点信息a之后，间隔时间T2采集到下一个位置点信息b，且T2大于T，则根据位置点信息a中的坐标和位置点信息b中的坐标确定位置点信息a和位置点信息b构成的路线，在该路线上均匀补充T2/T-1个位置点信息，计算结果需要取整。被补充的位置点信息包括对应位置的坐标和对应位置的时间。

例如，在步骤102中，在采集到第一个位置点信息a之后，间隔时间3.5T才采集到下一个位置点信息b，则根据位置点信息a中的坐标(a1，a2)和位置点信息b中的坐标(b1，b2)确定位置点信息a和位置点信息b构成的路线，在该路线上均匀补充2个位置点信息。

又例如，在步骤102中，在采集到第一个位置点信息a之后，间隔时间3T才采集到下一个位置点信息b，则需要在位置点信息a和位置点信息b之间均匀补充2个位置点信息M1和M2。被补充的位置点信息M1的坐标(m11,m12)和M2的坐标(m21,m22)可以通过以下公式计算。

(m11,m12)＝(a1，a2)+1*{(b1，b2)-(a1，a2)}/(3T/T)

(m21,m22)＝(a1，a2)+2*{(b1，b2)-(a1，a2)}/(3T/T)

本实施例中，在采集运动目标的位置点信息的过程中，可能由于定位系统故障等原因没能按照设定的采样间隔时长采集到位置点信息，此时通过均匀补点的方法能够补充缺失的位置点信息，为后续异常点检测打下基础。

本实施例中，在根据概率理论对采集到的位置点信息进行异常点检测之前，还包括以下动作。

(1)按照采集到的位置点信息中的时间先后顺序对位置点信息中的坐标进行排序，得到各个坐标对应的位置点的序列。

具体地，以位置点信息的格式为((X,Y)；TIME)为例，在动作(1)中，按照多个位置点信息中的TIME值的先后关系，对多个位置点信息中的(X,Y)坐标进行排序，得到各个(X,Y)坐标对应的位置点的序列，该序列的格式可以是{(X₁,Y₁)，(X₂,Y₂)，…(X_k,Y_k)}，其中(X₁,Y₁)为最先采集到的位置点，(X_k,Y_k)为最后采集到的位置点。

(2)检测位置点的序列中各个相邻的位置点间的距离，根据检测到的距离计算相邻的位置点间的平均距离。

具体地，以位置点的序列{(X₁,Y₁)，(X₂,Y₂)，…(X_k,Y_k)}为例，通过坐标(X₂,Y₂)与坐标(X₁,Y₁)做差，能够检测得到第一个位置点和第二个位置点间的距离，通过坐标(X₃,Y₃)与坐标(X₂,Y₂)做差，能够检测得到第二个位置点和第三个位置点间的距离，以此类推，能够检测得到所有相邻的位置点间的距离。根据所有相邻的位置点间的距离与位置点的序列中位置点的个数，能够计算得到相邻的位置点间的平均距离。

(3)查找检测到的距离中大于第一阈值，或距离小于第二阈值的相邻的位置点；从位置点的序列中清除查找到的位置点；其中，第一阈值等于第一预定倍率与平均距离的乘积，第二阈值等于第二预定倍率与平均距离的乘积。

具体地，在位置点的序列中，设相邻的位置点间的平均距离为meanSingle，第一预定倍率为maxR，第二预定倍率为minR。若位置点的序列中两个相邻的位置点间的距离大于第一阈值maxR*meanSingle，则从位置点的序列中清除这两个位置点。若位置点的序列中两个相邻的位置点间的距离小于第二阈值minR*meanSingle，则从位置点的序列中清除这两个位置点。maxR为优选大于5的常数，minR为优选小于0.2的常数。

在定位过程中，定位系统会由于环境等因素造成偶尔的定位不准，定位不准的表现可以是两个相邻的位置点距离过远，明显不符合实际可能，或者两个相邻的定位点距离过近，基本重叠。通过动作(1)(2)(3)能够得到位置点的序列，并且清除位置点的序列中距离过大的相邻的位置点和距离过小的相邻的位置点，得到基本正常的位置点，为后续异常点检测步骤打下基础。

本实施例中，根据概率理论对采集到的位置点信息进行异常点检测，具体包括以下动作。

(a)在位置点的序列中，确定待检测位置点，根据待检测位置点之前预定数量的位置点、待检测位置点之后相同预定数量的位置点和待检测位置点，生成待检测位置点序列。

具体地，以位置点的序列{(X₁,Y₁)，(X₂,Y₂)，…(X_k,Y_k)}为例，确定待检测位置点为(X₅,Y₅)，根据(X₅,Y₅)之前(按照时间顺序之前)2个位置点，(X₅,Y₅)之后(按照时间顺序之后)2个位置点和待检测位置点(X₅,Y₅)，生成待检测位置点序列，待检测位置点序列为{(X₃,Y₃)，(X₄,Y₄)，(X₅,Y₅)，(X₆,Y₆)，(X₇,Y₇)}。

(b)若待检测位置点满足公式(1)或者公式(2)，则待检测位置点为异常的位置点；

$P{\left(L\right)}^{n-1}>{\&Pi;}_{i=1}^{i=n-1}P\left(S_i\right)\&times;R---\left(1\right)$

$P{\left(L\right)}^{n-1}<{\&Pi;}_{i=1}^{i=n-1}P\left(S_i\right)\&divide;R---\left(2\right)$

公式(1)、公式(2)中，P(L)表示待检测位置点序列中第一个和最后一个位置点间的距离基于高斯分布的概率；P(S_i)表示待检测位置点序列中第i对相邻位置点间的距离基于高斯分布的概率；表示待检测位置点序列中所有相邻位置点间的距离基于高斯分布的概率的乘积；n表示待检测位置点序列中位置点的数量；R表示大于1的比例常数。

具体地，以待检测位置点序列{(X₃,Y₃)，(X₄,Y₄)，(X₅,Y₅)，(X₆,Y₆)，(X₇,Y₇)}为例，为方便起见，将该待检测位置点序列用{Q，W，E，R，T}表示，其中，位置点Q表示位置点(X₃,Y₃)，位置点T表示位置点(X₇,Y₇)。因此，在该待检测位置点序列中，P(L)为位置点Q与位置点T间的距离基于高斯分布的概率，该距离是位置点Q与位置点T间的直线距离，该距离的计算公式为QT＝(X₇,Y₇)—(X₃,Y₃)，该距离基于高斯分布的概率记成P(QT)。当i＝1时，P(S_i)为待检测位置点序列中第1对相邻位置点间的距离基于高斯分布的概率，即位置点Q与位置点W间的距离基于高斯分布的概率，记为P(QW)。当i＝2时，P(S_i)为位置点W与位置点E间的距离基于高斯分布的概率，记为P(WE)。以此类推，在待检测位置点序列中，共有4对相邻位置点，P(S₄)记为P(RT)。待检测位置点序列中位置点的数量n为5。在上述待检测位置点序列中， ${\&Pi;}_{i=1}^{i=n-1}P\left(S_i\right)=P\left(S_1\right)\&times;P\left(S_2\right)\&times;P\left(S_3\right)\&times;P\left(S_4\right),$ 即 ${\&Pi;}_{i=1}^{i=n-1}P\left(S_i\right)=$ $P\left(QW\right)\&times;P\left(WE\right)\&times;P\left(ER\right)\&times;P\left(RT\right).$ 综上，对于上述待检测位置点序列，公式(1)为P(QT)⁴>P(QW)×P(WE)×P(ER)×P(RT)×R，公式(2)记为P(QT)⁴>P(QW)×P(WE)×P(ER)×P(RT)÷R。

对于待检测位置点E，若满足公示(1)或者公式(2)，则为异常的位置点。当R越接近1，越多的位置点会被判断为异常点，当R越大，越多的点会被判断为正常点。

本实施例中，待检测位置点序列中位置点的个数不限于5个，在优选的实施例中，待检测位置点序列中位置点的个数为3至11个，即优选待检测位置点之前1至5个位置点和待检测位置点之后1至5个位置点组成待检测位置点序列。

本实施例中，通过基于概率的公式(1)和公式(2)能够判断待检测位置点是否为异常点，基于概率的公式(1)和公式(2)具有严格的理论依据，检测结果准确可靠。

本实施例中，待检测位置点序列中第i对相邻位置点间的距离基于高斯分布的概率P(S)_i能够通过以下公式获得：

公式(3)中，distanceSi表示待检测位置点序列中第i对相邻位置点间的距离；meanSingle表示位置点的序列中相邻位置点间的距离的平均值；sigmaSingle表示位置点的序列中相邻位置点间的距离的方差。

具体地，以待检测位置点序列{Q，W，E，R，T}为例，首先计算该待检测位置点序列所在的位置点的序列中，相邻位置点间的距离的平均值meanSingle，相邻位置点间的距离的方差sigmaSingle。具体计算方法是本领域技术人员能够想到的，这里不再赘述。对于待检测位置点序列中第1对相邻位置点而言，P(S₁)即为P(QW)，distanceS₁即为位置点Q和位置点W之间的距离，记为QW。上述公式(3)为

本实施例中，通过公式(3)能够得到待检测位置点序列中第i对相邻位置点间的距离基于高斯分布的概率P(S)_i，从而代入公式(1)和公式(2)进行计算。公式(3)是基于概率理论和高斯分布理论得到的公式。

本实施例中，待检测位置点序列中第一个和最后一个位置点信息间的距离基于高斯分布的概率P(L)能够通过以下公式获得：

公式(4)中，distanceL表示待检测位置点序列中第一个和最后一个位置点间的距离；meanSome表示位置点序列中每n个相邻位置点间的距离的平均值；sigmaSome表示位置点序列中每n个相邻位置点间的距离的方差，n表示待检测位置点序列中位置点的数量。

具体地，以待检测位置点序列{Q，W，E}为例，该待检测位置点序列所在的位置点的序列为{D，Q，W，E，R}。首先计算该位置点的序列中每3个相邻位置点间的距离的平均值meanSome，即位置点D与位置点W间的直线距离DW、位置点Q与位置点E间的直线距离QE，位置点W与位置点R间的直线距离WR的平均值。然后计算每3个相邻位置点间的距离的方差sigmaSingle。方差的计算是在距离的平均值的基础上进行的，具体计算方法是本领域技术人员能够想到的，这里不再赘述。在待检测位置点序列{Q，W，E}中，distanceL为位置点Q和位置点E之间的距离，记为QE。上述公式(4)为 $P\left(QE\right)=\exp (-\frac{{(QE-meanSome)}^2}{2\&times;{\mathrm{sigmaSome}}^2}).$

本实施例中，通过公式(4)能够得到待检测位置点序列中第一个和最后一个位置点信息间的距离基于高斯分布的概率P(L)，从而代入公式(1)和公式(2)进行计算。公式(4)是基于概率理论和高斯分布理论得到的公式。

通过公式(1)、(2)、(3)、(4)能够对位置点进行异常点检测，由公式(1)和(2)的构造可知，只有当位置点前后有其他位置点时，才能够通过公式(1)和(2)进行检测，对于位置点的序列中的开始点和结束点，则无法通过公式(1)和(2)进行检测。

基于上述原因，本发明实施例中的方法还包括如图2所示的位置点的序列中开始点和结束点的异常点检测流程，该流程包括步骤202至步骤206：

步骤202，若当前的待检测位置点为位置点的序列中的第一个位置点，计算待检测位置点与位置点的序列中的第二个位置点间的第一距离；

步骤204，若当前的待检测位置点为位置点的序列中的最后一个位置点，计算待检测位置点和位置点的序列中的倒数第二个位置点间的第二距离；

步骤206，比较第一距离/第二距离的值是否大于第三阈值，如果是，确定待检测位置点为异常的位置点；其中，第三阈值等于第三预设倍率与平均距离的乘积。

通过步骤202和步骤206能够对位置点的序列中的开始点和结束点进行异常点检测。能够理解，步骤202至步骤206需要在图1中的步骤102执行完成后执行，优选在上述动作(1)动作(2)动作(3)执行后执行。

具体地，设第三预设倍率为r，r为大于1的比例常数。位置点的序列中的第一个位置点为A，第二个位置点为B，则第一距离为distanceAB，位置点的序列中相邻位置点间的平均距离为meanSingle，若distanceAB>r*meanSingle，则位置点A为异常点。位置点的序列中的最后一个位置点为C，倒数第二个位置点为D，则第二距离为distanceCD，位置点的序列中相邻位置点间的平均距离为meanSingle，若distanceCD>r*meanSingle，则位置点C为异常点。

本实施例中，对于位置点的序列中的开始点和结束点，通过计算第一距离和第二距离，并与第三阈值进行比较，能够检测位置点的序列中开始点和结束点是否为异常位置点。

本实施例中，在步骤106中，逐一对检测出的异常的位置点信息进行纠正，包括：

采用以下公式逐一对检测出的异常的位置点进行纠正；

$A=A+\underset{i=1}{\overset{m}{\&Sigma;}}\left(\frac{B_i-A}{m+n}\left(1-P\left({\mathrm{AB}}_i\right)\right)\right)+\underset{j=1}{\overset{n}{\&Sigma;}}\left(\frac{C_j-A}{m+n}\left(1-P\left({\mathrm{AC}}_j\right)\right)\right)---\left(5\right)$

公式(5)中，A为异常的位置点的坐标，B_i为异常的位置点之前第i个位置点的坐标，C_j为异常的位置点之后第j个位置点的坐标，P(AB_i)为异常的位置点和异常的位置点之前第i个位置点间的距离基于高斯分布的概率，P(AC_j)为异常的位置点和异常的位置点之后第j个位置点间的距离基于高斯分布的概率；m为在异常的位置点之前选择出来的位置点的数量；n为在异常的位置点之后选择出来的位置点的数量。

具体地，利用公式(5)对异常的位置点进行纠正时，需要确定异常的位置点之前m个位置点，和异常的位置点之后n个位置点，m和n可以相等也可以不相等。实验证明，选择异常的位置点之前的1到7个位置点，异常的位置点之后的1到7个位置点时，纠正效果最好。以在异常的位置点之前选择2个位置点，在异常的位置点之后选择3个位置点为例，代入公式(5)得到：

$\begin{array}{c}A=A+\frac{B_1-A}{2+3}(1-P({\mathrm{AB}}_1\left)\right)+\frac{B_2-A}{2+3}(1-P({\mathrm{AB}}_2\left)\right)+\frac{C_1-A}{2+3}(1-P({\mathrm{AC}}_1\left)\right)+\frac{C_2-A}{2+3}\\ (1-P({\mathrm{AC}}_2\left)\right)+\frac{C_3-A}{2+3}(1-P({\mathrm{AC}}_3\left)\right)\end{array}.$

本实施例中，公式(5)是基于概率理论和高斯分布理论的公式，通过公式(5)能够对异常的位置点进行纠正，当异常的位置点为开始点或者结束点时，则省略有关异常的位置点之前m个位置点的计算部分，或者异常的位置点之后的n个位置点的计算部分。例如，当异常的位置点为开始点时，则在异常的位置点之后选择n个位置点代入公式(5)进行计算。公式(5)变为：

当异常的位置点既不是开始点也不是结束点时，能够想到，m至少为1，n也至少为1，因此m+n至少为2。当异常的位置点为开始点或者结束点时，则会出现m＝1，n＝0的情况，或者现n＝1，m＝0的情况。此时m+n<2。试验发现，若想通过公式(5)达到最好的优化效果，当m+n<2时，取m+n＝2,代入公式计算。例如，当异常的位置点为开始点时，则在异常的位置点之后选择1个位置点代入公式(5)进行计算。公式(5)变为：

通过公式(5)，能够对位置点的序列中每个异常的位置点进行纠正，使得异常的位置点变为正常的位置点。

另一个优选的实施方式中，在步骤106中，逐一对检测出的异常的位置点信息进行纠正，包括：采用多点滤波的方式逐一对检测出的异常的位置点进行纠正。

具体地，以A(a1，a2)、B(b1，b2)、C(c1，c2)、D(d1，d2)、E(e1，e2)五个位置点为例，当位置点C被检测为异常点时，则利用下面的公式更新位置点C(c1，c2)的坐标。

(c1，c2)＝r1*(a1，a2)+r2*(b1，b2)+r3*(c1，c2)+r4*(d1，d2)+r5*(e1，e2)。其中r1～r5都是大于0小于1的常数，且r1+r2+r3+r4+r5＝1。

另一个优选的实施方式中，在步骤106中，逐一对检测出的异常的位置点信息进行纠正，包括：当异常的位置点为采集到的第一个位置点或者最后一个位置点时，则根据异常的位置点和相邻的位置点间的距离，与位置点的序列中相邻的位置点间的平均距离的比例关系，对异常的位置点进行纠正。

具体地，设A为异常的位置点，且A为采集到的第一个位置点，B(b1，b2)为与A相邻的位置点，位置点A和位置点B之间的距离为distanceAB，位置点的序列中相邻的位置点间的平均距离为meanSingle，则对A点的坐标(a1，a2)更新的公式为：

(a1，a2)＝(b1，b2)+(meanSingle/distanceAB)*{(a1，a2)-(b1，b2)}

通过上述公式能够对位置点的序列中的开始点和结束点的坐标进行纠正，从而得到正常的位置点的坐标。

本实施例中，在步骤108中，将当前更新后的位置点信息对应的轨迹作为优化后的运动目标的轨迹之前，还包括：对当前更新后的位置点信息对应的轨迹进行平滑处理，具体可采用小范围的多点平滑的方式。具体地，以A(a1，a2)、B(b1，b2)、C(c1，c2)三个位置点为例，对位置点B的平滑可采用下面的公式进行：

(b1，b2)＝r1*(a1，a2)+r2*(b1，b2)+r3*(c1，c2)。其中r1～r3都是大于0小于1的常数，且r1+r2+r3＝1。

当被平滑的位置点为位置点的序列中的开始点和结束点时，则根据被平滑的位置点之前或者之后的若干个位置点的坐标，对被平滑的位置点进行平滑处理。本实施中，通过对更新后的位置点信息对应的轨迹进行平滑操作，可以消除轨迹中的小波动。

通过本实施例中的运动轨迹的优化方法，只对异常的位置点信息进行纠正，对正常的位置点信息不做改变。当重复异常点检测、纠正和位置点信息更新的次数达到设定次数阈值或者检测出的异常的位置点信息个数小于设定个数阈值时，即停止优化，能够避免运动轨迹的过度优化，从而得到接近真实的运动轨迹。基于概率理论和高斯分布理论对运动轨迹中的异常点进行检测和纠正，具有严格的理论基础，得到的结果准确可信。经过试验证明，通过本实施例中的方法对运动轨迹的优化结果接近真实的运动轨迹，并且消除了轨迹上面的小波动。

为了保持本实施例中的优化效果最佳，可以在运动轨迹的优化过程中，不断求解相邻位置点间的距离基于高斯分布的概率，并计算所有概率之积，当所有概率之积最大时停止优化。实验证明，这种情况下优化效果最佳，优化后的轨迹最接近真实的运动轨迹。

在以上内容的基础上，本发明第一实施例还提供了运动轨迹的优化方法的具体流程。如图3所示的运动轨迹的优化方法的具体流程图，该方法流程包括以下步骤301至步骤307：

步骤301，按照设定的采样间隔时长采集运动目标的位置点信息。

步骤302，对于间隔超过采样间隔时长的两个相邻的位置点信息，在这两个位置点信息之间均匀补充位置点信息。

步骤303，检测采集到的位置点信息中各个相邻的位置点信息间的距离，清除该距离大于第一阈值，或小于第二阈值的相邻的位置点信息；其中，第一阈值等于第一预定倍率与相邻的位置点信息间的平均距离的乘积，第二阈值等于第二预定倍率与相邻的位置点信息间的平均距离的乘积。

步骤304，根据概率理论和高斯分布理论对采集到的位置点信息进行异常点检测。

步骤305，逐一对检测出的异常的位置点信息进行纠正。

步骤306，重复步骤303、步骤304和步骤305，直到重复次数达到设定次数阈值或者检测出的异常的位置点信息个数小于设定个数阈值。

步骤307，对当前更新后的位置点信息对应的轨迹进行平滑处理，将平滑处理后的轨迹作为优化后的运动目标的轨迹。

通过本实施例中的运动轨迹的优化方法，能够得到接近真实的运动轨迹，基于概率理论和高斯分布理论对运动轨迹中的异常点进行检测和纠正，具有严格的理论基础，得到的结果准确可信。

图4a和图5a为运动轨迹优化前的效果示意图，图4b和图5b分别与图4a和图5a对应，是通过本实施例中的运动轨迹的优化方法优化后的效果示意图，通过图4a、图4b、图5a和图5b可知，本实施例中的运动轨迹的优化方法能够消除明显的漂移点，优化结果接近真实轨迹，并且轨迹平滑，优化效果准确可信。

在实际操作中，间隔固定时间采集运动目标的位置点信息，在采集到一定数量的位置点信息时，如在采集到10个位置点信息时开始第一次轨迹优化，以后每隔5个位置点信息，如每采集到第10、15、20、25、30...个位置点信息时，进行一次轨迹优化。当采集到的位置点信息的个数小于一定数量如100时，对所有位置点信息都进行优化，优化后的位置点信息构成优化后的轨迹。

当采集到位置点信息大于一定数量如100个时，只取最后100个位置点信息进行优化。例如当前共采集到105个位置点信息，前一轮优化过第1个至第100个位置点信息，本轮对第6个至第105个位置点信息进行优化，可见这两次优化中有95个位置点信息是重叠的。对于优化后的第6个至第105个位置点信息，使用其中的后50个位置点信息拼接到之前的轨迹上。

通过本实施例中的方法对运动轨迹优化时，对于同一个位置点信息，其靠近端点时的优化效果和其处于中间时的优化效果不同；其处于中间时的优化效果更加准确。基于这种原因，在对第6个至第105个位置点信息进行优化后，为了避免其中前50个位置点信息由于所处位置的变化而造成的优化误差，因此取其中后50个位置点信息拼接到之前的轨迹上。

实施例二

在实施例一的基础上，本发明实施例还提供了一种运动轨迹的优化装置，用于执行实施例一中的运动轨迹的优化方法，因此适用于实施例一中的描述同样适用于实施例二。

如图6所示的一种运动轨迹的优化装置，包括：

采样模块61，用于按照设定的采样间隔时长采集运动目标的位置点信息；位置点信息包括对应位置的坐标和对应位置的时间；

异常点检测模块62，用于当采集到的位置点信息达到设定个数时，根据概率理论对采集到的位置点信息进行异常点检测，检测出异常的位置点信息；

纠正模块63，用于逐一对检测出的异常的位置点信息进行纠正，使用纠正后的异常的位置点信息更新运动目标的位置点信息；重复异常点检测、纠正和位置点信息更新；

优化模块64，用于当重复异常点检测、纠正和位置点信息更新的次数达到设定次数阈值或者检测出的异常的位置点信息个数小于设定个数阈值时，将当前更新后的位置点信息对应的轨迹作为优化后的运动目标的轨迹。

本实施例中的运动轨迹的优化装置，在通过采样模块61采集位置点信息之后，为了清除间距过大或者间距过小的明显异常点，便于异常点检测模块62检测异常的位置点，在异常点检测模块62之前，还能够包括如图7所示的以下模块：

序列生成模块71，用于按照采集到的位置点信息中的时间先后顺序对位置点信息中的坐标进行排序，得到各个坐标对应的位置点的序列；

平均距离计算模块72，用于检测位置点的序列中各个相邻的位置点间的距离，根据检测到的距离计算相邻的位置点间的平均距离；

位置点清除模块73，用于查找检测到的距离中大于第一阈值，或距离小于第二阈值的相邻的位置点；从位置点的序列中清除查找到的位置点；其中，第一阈值等于第一预定倍率与平均距离的乘积，第二阈值等于第二预定倍率与平均距离的乘积。

如图8所示，本实施例中，异常点检测模块62包括：

待检测位置点序列生成单元621，用于在位置点的序列中，确定待检测位置点，根据待检测位置点之前预定数量的位置点、待检测位置点之后相同预定数量的位置点和待检测位置点，生成待检测位置点序列；

异常位置点检测单元622，用于若待检测位置点满足以下两个公式中的任意一个，则待检测位置点为异常的位置点；

$P{\left(L\right)}^{n-1}>{\&Pi;}_{i=1}^{i=n-1}P\left(S_i\right)\&times;R$

$P{\left(L\right)}^{n-1}<{\&Pi;}_{i=1}^{i=n-1}P\left(S_i\right)\&divide;R$

其中，P(L)表示待检测位置点序列中第一个和最后一个位置点间的距离基于高斯分布的概率；P(S_i)表示待检测位置点序列中第i对相邻位置点间的距离基于高斯分布的概率；表示待检测位置点序列中相邻位置点间的距离基于高斯分布的概率的乘积；n表示待检测位置点序列中位置点的数量；R表示大于1的比例常数。

通过图6至图8所示的运动轨迹的优化装置，只有当位置点前后有其他位置点时才能够进行异常点检测，对于位置点的序列中的开始点和结束点无法进行异常点检测，基于此，如图9所示，本实施例中的运动轨迹的优化装置还包括：

第一距离计算模块91，用于若当前的待检测位置点为位置点的序列中的第一个位置点，计算待检测位置点与位置点的序列中的第二个位置点间的第一距离；

第二距离计算模块92，用于若当前的待检测位置点为位置点的序列中的最后一个位置点，计算待检测位置点和位置点的序列中的倒数第二个位置点间的第二距离；

异常位置点确定模块93，用于比较第一距离/第二距离的值是否大于第三阈值，如果是，确定待检测位置点为异常的位置点；其中，第三阈值等于第三预设倍率与平均距离的乘积。

第一距离计算模块91、第二距离计算模块92和异常位置点确定模块93的连接关系不限于图9所示，可以根据需要调整。

本实施例中，纠正模块63包括：位置点纠正单元，用于采用以下公式逐一对检测出的异常的位置点进行纠正；

$A=A+\underset{i=1}{\overset{m}{\&Sigma;}}\left(\frac{B_i-A}{m+n}\right(1-P\left({\mathrm{AB}}_i\right)\left)\right)+\underset{j=1}{\overset{n}{\&Sigma;}}\left(\frac{C_j-A}{m+n}\right(1-P\left({\mathrm{AC}}_j\right)\left)\right)$

其中，A为异常的位置点的坐标，B_i为异常的位置点之前第i个位置点的坐标，C_j为异常的位置点之后第j个位置点的坐标，P(AB_i)为异常的位置点和异常的位置点之前第i个位置点间的距离基于高斯分布的概率，P(AC_j)为异常的位置点和异常的位置点之后第j个位置点间的距离基于高斯分布的概率；m为在异常的位置点之前选择出来的位置点的数量；n为在异常的位置点之后选择出来的位置点的数量。

第一距离计算模块91、第二距离计算模块92和异常位置点确定模块93的位置不限于图9所示的结构，可以根据实际执行顺序调整，这里不再赘述。

通过本实施例中的运动轨迹的优化装置，只对异常的位置点信息进行纠正，对正常的位置点信息不做改变。当重复异常点检测、纠正和位置点信息更新的次数达到设定次数阈值或者检测出的异常的位置点信息个数小于设定个数阈值时，即停止优化，能够避免运动轨迹的过度优化，从而得到接近真实的运动轨迹。基于概率理论和高斯分布理论对运动轨迹中的异常点进行检测和纠正，具有严格的理论基础，得到的结果准确可信。经过试验证明，通过本实施例中的方法对运动轨迹的优化结果接近真实的运动轨迹，并且消除了轨迹上面的小波动。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种运动轨迹的优化方法，其特征在于，所述方法包括：

按照设定的采样间隔时长采集运动目标的位置点信息；所述位置点信息包括对应位置的坐标和所述对应位置的时间；

当采集到的所述位置点信息达到设定个数时，根据概率理论对采集到的所述位置点信息进行异常点检测，检测出异常的位置点信息；

逐一对检测出的所述异常的位置点信息进行纠正，使用纠正后的所述异常的位置点信息更新所述运动目标的位置点信息；重复所述异常点检测、纠正和所述位置点信息更新；

当重复所述异常点检测、纠正和所述位置点信息更新的次数达到设定次数阈值或者检测出的所述异常的位置点信息个数小于设定个数阈值时，将当前更新后的所述位置点信息对应的轨迹作为优化后的所述运动目标的轨迹。

2.根据权利要求1所述的方法，其特征在于，在所述根据概率理论对采集到的所述位置点信息进行异常点检测之前，还包括：

按照采集到的所述位置点信息中的时间先后顺序对所述位置点信息中的坐标进行排序，得到各个坐标对应的位置点的序列；

检测所述位置点的序列中各个相邻的所述位置点间的距离，根据检测到的所述距离计算相邻的所述位置点间的平均距离；

查找检测到的所述距离中大于第一阈值，或所述距离小于第二阈值的相邻的位置点；从所述位置点的序列中清除查找到的所述位置点；其中，所述第一阈值等于第一预定倍率与所述平均距离的乘积，所述第二阈值等于第二预定倍率与所述平均距离的乘积。

3.根据权利要求2所述的方法，其特征在于，所述根据概率理论对采集到的所述位置点信息进行异常点检测，包括：

在所述位置点的序列中，确定待检测位置点，根据所述待检测位置点之前预定数量的位置点、所述待检测位置点之后相同预定数量的位置点和所述待检测位置点，生成待检测位置点序列；

若所述待检测位置点满足以下两个公式中的任意一个，则所述待检测位置点为异常的位置点；

$P{\left(L\right)}^{n-1}>{\mathrm{\&Pi;}}_{i=1}^{i=n-1}P\left(S_i\right)\&times;R$

$P{\left(L\right)}^{n-1}<{\mathrm{\&Pi;}}_{i=1}^{i=n-1}P\left(S_i\right)\&divide;R$

其中，P(L)表示所述待检测位置点序列中第一个和最后一个位置点间的距离基于高斯分布的概率；P(S_i)表示所述待检测位置点序列中第i对相邻位置点间的距离基于高斯分布的概率；表示所述待检测位置点序列中所有相邻位置点间的距离基于高斯分布的概率的乘积；n表示所述待检测位置点序列中位置点的数量；R表示大于1的比例常数。

4.根据权利要求2所述的方法，其特征在于，所述方法还包括：

若当前的待检测位置点为所述位置点的序列中的第一个位置点，计算所述待检测位置点与所述位置点的序列中的第二个位置点间的第一距离；

若当前的待检测位置点为所述位置点的序列中的最后一个位置点，计算所述待检测位置点和所述位置点的序列中的倒数第二个位置点间的第二距离；

比较所述第一距离/所述第二距离的值是否大于第三阈值，如果是，确定所述待检测位置点为异常的位置点；其中，所述第三阈值等于第三预设倍率与所述平均距离的乘积。

5.根据权利要求3或4所述的方法，其特征在于，所述逐一对检测出的所述异常的位置点信息进行纠正，包括：

采用以下公式逐一对检测出的所述异常的位置点进行纠正；

$A=A+\underset{i=1}{\overset{m}{\&Sigma;}}\left(\frac{B_i-A}{m+n}\right(1-P\left({\mathrm{AB}}_i\right)\left)\right)+\underset{j=1}{\overset{n}{\&Sigma;}}\left(\frac{C_j-A}{m+n}\right(1-P\left({\mathrm{AC}}_j\right)\left)\right)$

其中，A为所述异常的位置点的坐标，B_i为所述异常的位置点之前第i个位置点的坐标，C_j为所述异常的位置点之后第j个位置点的坐标，P(AB_i)为所述异常的位置点和所述异常的位置点之前第i个位置点间的距离基于高斯分布的概率，P(AC_j)为所述异常的位置点和所述异常的位置点之后第j个位置点间的距离基于高斯分布的概率；m为在所述异常的位置点之前选择出来的位置点的数量；n为在所述异常的位置点之后选择出来的位置点的数量。

6.一种运动轨迹的优化装置，其特征在于，所述装置包括：

采样模块，用于按照设定的采样间隔时长采集运动目标的位置点信息；所述位置点信息包括对应位置的坐标和所述对应位置的时间；

异常点检测模块，用于当采集到的所述位置点信息达到设定个数时，根据概率理论对采集到的所述位置点信息进行异常点检测，检测出异常的位置点信息；

纠正模块，用于逐一对检测出的所述异常的位置点信息进行纠正，使用纠正后的所述异常的位置点信息更新所述运动目标的位置点信息；重复所述异常点检测、纠正和所述位置点信息更新；

优化模块，用于当重复所述异常点检测、纠正和所述位置点信息更新的次数达到设定次数阈值或者检测出的所述异常的位置点信息个数小于设定个数阈值时，将当前更新后的所述位置点信息对应的轨迹作为优化后的所述运动目标的轨迹。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：

序列生成模块，用于按照采集到的所述位置点信息中的时间先后顺序对所述位置点信息中的坐标进行排序，得到各个坐标对应的位置点的序列；

平均距离计算模块，用于检测所述位置点的序列中各个相邻的所述位置点间的距离，根据检测到的所述距离计算相邻的所述位置点间的平均距离；

位置点清除模块，用于查找检测到的所述距离中大于第一阈值，或所述距离小于第二阈值的相邻的位置点；从所述位置点的序列中清除查找到的所述位置点；其中，所述第一阈值等于第一预定倍率与所述平均距离的乘积，所述第二阈值等于第二预定倍率与所述平均距离的乘积。

8.根据权利要求7所述的装置，其特征在于，所述异常点检测模块包括：

待检测位置点序列生成单元，用于在所述位置点的序列中，确定待检测位置点，根据所述待检测位置点之前预定数量的位置点、所述待检测位置点之后相同预定数量的位置点和所述待检测位置点，生成待检测位置点序列；

异常位置点检测单元，用于若所述待检测位置点满足以下两个公式中的任意一个，则所述待检测位置点为异常的位置点；

$P{\left(L\right)}^{n-1}>{\mathrm{\&Pi;}}_{i=1}^{i=n-1}P\left(S_i\right)\&times;R$

$P{\left(L\right)}^{n-1}<{\mathrm{\&Pi;}}_{i=1}^{i=n-1}P\left(S_i\right)\&divide;R$

其中，P(L)表示所述待检测位置点序列中第一个和最后一个位置点间的距离基于高斯分布的概率；P(S_i)表示所述待检测位置点序列中第i对相邻位置点间的距离基于高斯分布的概率；表示所述待检测位置点序列中所有相邻位置点间的距离基于高斯分布的概率的乘积；n表示所述待检测位置点序列中位置点的数量；R表示大于1的比例常数。

9.根据权利要求7所述的装置，其特征在于，所述装置还包括：

第一距离计算模块，用于若当前的待检测位置点为所述位置点的序列中的第一个位置点，计算所述待检测位置点与所述位置点的序列中的第二个位置点间的第一距离；

第二距离计算模块，用于若当前的待检测位置点为所述位置点的序列中的最后一个位置点，计算所述待检测位置点和所述位置点的序列中的倒数第二个位置点间的第二距离；

异常位置点确定模块，用于比较所述第一距离/所述第二距离的值是否大于第三阈值，如果是，确定所述待检测位置点为异常的位置点；其中，所述第三阈值等于第三预设倍率与所述平均距离的乘积。

10.根据权利要求8或9所述的装置，其特征在于，所述纠正模块包括：

位置点纠正单元，用于采用以下公式逐一对检测出的所述异常的位置点进行纠正；

$A=A+\underset{i=1}{\overset{m}{\&Sigma;}}\left(\frac{B_i-A}{m+n}\right(1-P\left({\mathrm{AB}}_i\right)\left)\right)+\underset{j=1}{\overset{n}{\&Sigma;}}\left(\frac{C_j-A}{m+n}\right(1-P\left({\mathrm{AC}}_j\right)\left)\right)$

其中，A为所述异常的位置点的坐标，B_i为所述异常的位置点之前第i个位置点的坐标，C_j为所述异常的位置点之后第j个位置点的坐标，P(AB_i)为所述异常的位置点和所述异常的位置点之前第i个位置点间的距离基于高斯分布的概率，P(AC_j)为所述异常的位置点和所述异常的位置点之后第j个位置点间的距离基于高斯分布的概率；m为在所述异常的位置点之前选择出来的位置点的数量；n为在所述异常的位置点之后选择出来的位置点的数量。