CN106650771A - 基于聚类分析的轨迹去噪方法以及装置 - Google Patents

Abstract

本发明公开了一种基于聚类分析的轨迹去噪方法以及装置。其中方法包括：获取运动物体的轨迹数据，并按照时间顺序将轨迹数据进行排序；遍历排序后的轨迹数据中的多个轨迹点，并将满足第一预设条件的轨迹点进行聚类以生成至少一个簇；如果多个轨迹点全部遍历成功，则根据多个轨迹点以及至少一个簇确定轨迹数据中的噪点，并删除噪点。该方法基于聚类分析的去噪方式，可以使去噪结果更加精确、更加有效，保证轨迹数据更加贴近于真实轨迹。

Description

基于聚类分析的轨迹去噪方法以及装置

技术领域

本发明涉及地理信息处理技术领域，尤其涉及一种基于聚类分析的轨迹去噪方法以及装置。

背景技术

目前各种设备在采集记录设备运动轨迹时，会受设备周边环境的影响，GPS(Global Positioning System，全球定位系统)、Wi-Fi(Wireless Fidelity，无线保真)、基站信号可能不佳，定位误差偏大，导致记录的轨迹点数据中存在很多噪点。在使用这些轨迹数据的时候，如果不能有效地去除这些噪点，将会影响到最终结果，例如轨迹的绘制展现、里程计算、地理围栏计算等。

相关技术中，主要通过以下方式来实现去除轨迹数据中的噪点：通过设定一个误差阈值，从轨迹数据中过滤掉定位系统返回的误差值较大的轨迹点；或者，通过设定一个速度阈值，从轨迹数据中过滤掉GPS等定位系统返回的速度值变化较大的轨迹点。

但是，目前存在的问题是：GPS、WIFI等定位系统定位返回的误差值并不能完全可信，有时候定位系统返回的误差值很高，但实际定位误差很低；并且，通过速度值过滤只能过滤掉一些比较明显的噪点，在实际运动过程中，设备的速度一直在变化，有高有低，只通过设定一个最高速度阈值的话，则无法过滤所有速度异常的噪点，导致去噪准确率低、效果差等。

发明内容

本发明的目的旨在至少在一定程度上解决上述的技术问题之一。

为此，本发明的第一个目的在于提出一种基于聚类分析的轨迹去噪方法。该方法基于聚类分析的去噪方式，可以使去噪结果更加精确、更加有效，保证轨迹数据更加贴近于真实轨迹。

本发明的第二个目的在于提出一种基于聚类分析的轨迹去噪装置。

本发明的第三个目的在于提出另一种基于聚类分析的轨迹去噪装置。

本发明的第四个目的在于提出一种非临时性计算机可读存储介质。

本发明的第五个目的在于提出一种计算机程序产品。

为达到上述目的，本发明第一方面实施例提出的基于聚类分析的轨迹去噪方法，包括：获取运动物体的轨迹数据，并按照时间顺序将所述轨迹数据进行排序；遍历排序后的轨迹数据中的多个轨迹点，并将满足第一预设条件的轨迹点进行聚类以生成至少一个簇；如果所述多个轨迹点全部遍历成功，则根据所述多个轨迹点以及所述至少一个簇确定所述轨迹数据中的噪点，并删除所述噪点。

本发明实施例的基于聚类分析的轨迹去噪方法，可获取运动物体的轨迹数据，并按照时间顺序将轨迹数据进行排序，并遍历排序后的轨迹数据中的多个轨迹点，并将满足第一预设条件的轨迹点进行聚类以生成至少一个簇，当多个轨迹点全部遍历成功时，根据多个轨迹点以及至少一个簇确定轨迹数据中的噪点，并删除噪点。即根据正常点的特征，将轨迹数据中的正常轨迹点聚到一起，排除轨迹数据中的异常点，以达到去噪的目的，这种基于聚类分析的去噪方式，可以使去噪结果更加精确、更加有效，保证轨迹数据更加贴近于真实轨迹。

为达到上述目的，本发明第二方面实施例提出的基于聚类分析的轨迹去噪装置，包括：排序模块，用于获取运动物体的轨迹数据，并按照时间顺序将所述轨迹数据进行排序；生成模块，用于遍历排序后的轨迹数据中的多个轨迹点，并将满足第一预设条件的轨迹点进行聚类以生成至少一个簇；去噪模块，用于如果所述多个轨迹点全部遍历成功，则根据所述多个轨迹点以及所述至少一个簇确定所述轨迹数据中的噪点，并删除所述噪点。

本发明实施例的基于聚类分析的轨迹去噪装置，可通过排序模块获取运动物体的轨迹数据，并按照时间顺序将轨迹数据进行排序，生成模块遍历排序后的轨迹数据中的多个轨迹点，并将满足第一预设条件的轨迹点进行聚类以生成至少一个簇，去噪模块在多个轨迹点全部被遍历成功时，根据多个轨迹点以及至少一个簇确定轨迹数据中的噪点，并删除噪点。即根据正常点的特征，将轨迹数据中的正常轨迹点聚到一起，排除轨迹数据中的异常点，以达到去噪的目的，这种基于聚类分析的去噪方式，可以使去噪结果更加精确、更加有效，保证轨迹数据更加贴近于真实轨迹。

为达到上述目的，本发明第三方面实施例提出的基于聚类分析的轨迹去噪装置，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为：获取运动物体的轨迹数据，并按照时间顺序将所述轨迹数据进行排序；遍历排序后的轨迹数据中的多个轨迹点，并将满足第一预设条件的轨迹点进行聚类以生成至少一个簇；如果所述多个轨迹点全部遍历成功，则根据所述多个轨迹点以及所述至少一个簇确定所述轨迹数据中的噪点，并删除所述噪点。

为达到上述目的，本发明第四方面实施例提出的非临时性计算机可读存储介质，当所述存储介质中的指令由终端设备的处理器被执行时，使得终端设备能够执行本发明第一方面实施例所述的基于聚类分析的轨迹去噪方法。

为达到上述目的，本发明第五方面实施例提出的计算机程序产品，当所述计算机程序产品中的指令处理器执行时，执行本发明第一方面实施例所述的基于聚类分析的轨迹去噪方法。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1是根据本发明一个实施例的基于聚类分析的轨迹去噪方法的流程图；

图2是根据本发明一个具体实施例的基于聚类分析的轨迹去噪方法的流程图；

图3是根据本发明一个实施例的采集记录设备运动轨迹数据展现在地图上的效果示例图；

图4是根据本发明一个实施例的基于聚类分析的轨迹去噪装置的结构示意图；

图5是根据本发明一个具体实施例的基于聚类分析的轨迹去噪装置的结构示意图；

图6是根据本发明另一个具体实施例的基于聚类分析的轨迹去噪装置的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参考附图描述本发明实施例的基于聚类分析的轨迹去噪方法以及装置。

图1是根据本发明一个实施例的基于聚类分析的轨迹去噪方法的流程图。需要说明的是，本发明实施例的基于聚类分析的轨迹去噪方法可应用于本发明实施例的基于聚类分析的轨迹去噪装置。

如图1所示，该基于聚类分析的轨迹去噪方法可以包括：

S110，获取运动物体的轨迹数据，并按照时间顺序将轨迹数据进行排序。

可以理解，运动物体可包含具有定位功能的定位模块，运动物体通过该定位模块可对自身运动轨迹进行定位，并记录运动过程中所采集的定位数据，这些定位数据通过时间顺序进行连线即可得到该运动物体的轨迹数据。其中，该轨迹数据可包括但不限于轨迹点的地理位置名称、经纬度信息、轨迹方向、轨迹速度等。

具体地，可获取运动物体采集到的运动物体的轨迹数据，之后，可将该轨迹数据按照时间顺序进行排序，即按照采集到轨迹数据时的时间将这些轨迹数据进行排序。

S120，遍历排序后的轨迹数据中的多个轨迹点，并将满足第一预设条件的轨迹点进行聚类以生成至少一个簇。

具体地，在按照时间顺序将轨迹数据进行排序之后，可从排序后的轨迹数据中的轨迹起始点开始循环，假设当前轨迹点为i，遍历当前轨迹点i的前后N个邻近点，并将当前轨迹点i和N个邻近点中满足第一预设条件的轨迹点进行聚类，得到一个簇，继续遍历簇中的轨迹点，并以上述相同方式扩展该簇，直至该簇中的轨迹点均被遍历成功为止，最后，继续遍历轨迹数据中的其余轨迹点，直至轨迹数据中的所有轨迹点均被遍历成功时，找出所有的簇。具体的实现过程可参见后续实施例的具体描述。其中，N为正整数。

作为一种示例，上述满足第一预设条件的轨迹点可包括：到达当前轨迹点的速度的变化趋势在第一阈值范围内，且到达当前轨迹点的方向的变化趋势在第二阈值范围内的轨迹点。也就是说，在遍历当前轨迹点i的前后N个邻近点时，可从N个邻近点中找出满足以下条件的轨迹点：到达当前轨迹点i的速度和方向的变化趋势在相应的指定阈值范围内，可将这些满足以上条件的轨迹点聚为一类，并形成一个簇。

S130，如果多个轨迹点全部遍历成功，则根据多个轨迹点以及至少一个簇确定轨迹数据中的噪点，并删除噪点。

具体而言，在本发明的一个实施例中，可根据多个轨迹点以及至少一个簇，确定多个轨迹点中不在至少一个簇中的轨迹点，并将不在至少一个簇中的轨迹点作为噪点。

更具体地，当轨迹数据中的多个轨迹点全部遍历成功时，可确定多个轨迹点中不在任何簇中的轨迹点，并将该不在任何簇中的轨迹点作为噪点，最后将该噪点进行去除处理，最终将正常的轨迹点聚到一起，排除轨迹数据中的噪点，以实现对轨迹数据中的去噪目的。

需要说明的是，本发明实施例的基于聚类分析的轨迹去噪方法可适用于以下场景：轨迹的绘制展现、里程计算、地理围栏计算等。也就是说，可通过本发明实施例的基于聚类分析的轨迹去噪方法对轨迹数据中的噪点进行去除处理，得到高精度的轨迹数据，然后可按照实际需求利用该高精度的轨迹数据进行相应操作，最终能够得到高精度的效果。

本发明实施例的基于聚类分析的轨迹去噪方法，可获取运动物体的轨迹数据，并按照时间顺序将轨迹数据进行排序，并遍历排序后的轨迹数据中的多个轨迹点，并将满足第一预设条件的轨迹点进行聚类以生成至少一个簇，当多个轨迹点全部遍历成功时，根据多个轨迹点以及至少一个簇确定轨迹数据中的噪点，并删除噪点。即根据正常点的特征，将轨迹数据中的正常轨迹点聚到一起，排除轨迹数据中的异常点，以达到去噪的目的，这种基于聚类分析的去噪方式，可以使去噪结果更加精确、更加有效，保证轨迹数据更加贴近于真实轨迹。

可以理解，当人们用肉眼去观察一段杂乱无章的轨迹时，大多数情况下还是能分辨出噪点并推测出真实轨迹形状的，那是因为人们可以通过人脑分析出这段轨迹的大致趋势和走向，然后就能够自动剔除那些与轨迹趋势走向不符的轨迹点，也就是噪点。为此，如何让计算机也能够做到这点，正是本发明的发明人所要考虑以及解决的问题。

发明人发现，通过肉眼从杂乱无章的轨迹中尝试识别出真实轨迹的过程以及大脑思考的步骤主要有以下几点：

1)先从起点开始观察一部分轨迹点，识别出部分点有相似的趋势，例如，沿着一条道路在前行或停留在某一个区域；

2)顺着这个趋势继续观察，将更多有相似趋势的轨迹点加入进来，形成一个更加明显的趋势和路线；

3)继续观察完所有的轨迹点，将具有相似趋势的轨迹点整理到一起，忽略其他点，形成一条确切的轨迹路线。

以上的思考步骤其实就是一种聚类分析的过程。“聚类分析”是指将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程，是一种重要的人类行为，也是对于统计数据分析的一门技术，在许多领域受到广泛应用，包括机器学习、数据挖掘、模式识别、图像分析以及生物信息。

可以理解，聚类分析有很多比较成熟的算法，其中基于密度的DBSCAN算法比较符合轨迹的特征(事先不需要知道cluster的个数，还能找出形状不规则的cluster)。所以，发明人在DBSCAN算法的基础上设计出本发明的基于聚类分析的轨迹去噪方法，如图2所示，该基于聚类分析的轨迹去噪方法可以包括以下步骤：

S210，获取运动物体的轨迹数据，并按照时间顺序将轨迹数据进行排序。

S220，从排序后的轨迹数据中的轨迹起始点开始遍历，假设当前遍历的轨迹点为i。

S230，从当前轨迹点i的前后N个邻近点中，确定满足第一预设条件的轨迹点，其中，N为正整数。

作为一种示例，上述满足第一预设条件的轨迹点可包括：到达当前轨迹点的速度的变化趋势在第一阈值范围内，且到达当前轨迹点的方向的变化趋势在第二阈值范围内的轨迹点。

也就是说，可遍历当前轨迹点i的前后N个邻近点，搜集这N个邻近点中能够连续可达当前轨迹点i的轨迹点，并将这些能连续可达当前轨迹点i的轨迹点存入数组region中。其中，能连续可达当前轨迹点i的轨迹点即可理解为上述满足第一预设条件的轨迹点，即到达当前轨迹点的速度和方向的变化趋势分别在相应的指定阈值范围内的轨迹点。

S240，判断满足第一预设条件的轨迹点的个数是否超过第一阈值。

具体地，统计该N个邻近点中满足第一预设条件的轨迹点的个数，并判断该个数是否超过第一阈值。其中，该第一阈值可以是预先设定的，例如，该第一阈值可为5、或10等。

可以理解，如果满足第一预设条件的轨迹点的个数未超过第一阈值，则可认为该当前轨迹点i为异常点，可将该当前轨迹点i作为噪点进行剔除，并返回步骤S230，以继续遍历轨迹数据中的其他轨迹点。

S250，如果满足第一预设条件的轨迹点的个数超过第一阈值，则将满足第一预设条件的轨迹点以及当前轨迹点i进行聚类，生成对应的簇。

具体地，当满足第一预设条件的轨迹点的个数超过第一阈值时，可认为该当前轨迹点i为核心点，此时可将由当前轨迹点i以及满足第一预设条件的轨迹点聚集的数组region作为一个簇。

也就是说，遍历当前轨迹点i的前后N个邻近点，从该N个邻近点中搜集能连续可达当前轨迹点i的轨迹点，并在当前轨迹点i以及能连续可达当前轨迹点i的轨迹点存入数组region中，并判断该数组region的大小是否超过第一阈值，若是，则可认为该数组region中的轨迹点均为正常点，并将该数组region作为一个簇。

S260，遍历簇中的N个邻近点，以扩展簇，直至N个邻近点被遍历成功为止。

具体地，可遍历簇中的N个邻近点，并重复执行上述步骤S230-S260，即以上述相同的方式扩展这个簇，直至该簇中的所有轨迹点被遍历成功为止。也就是说，可遍历簇中的轨迹点，并以上述相同的方式，将满足第一预设条件的轨迹点聚为一类，并在该类的个数超过第一阈值时，可认为该部分的轨迹点的变化趋势与簇中的轨迹点变化趋势相似，此时，可将该类扩展到上述簇中，这样，可以将变化趋势相似的轨迹点尽可能地聚到一个簇中。

S270，遍历簇以外的剩余轨迹点，直至多个轨迹点全部被遍历成功时，找出至少一个簇。

也就是说，在簇中的轨迹点全部被遍历成功时，可检测轨迹数据中是否存在未被遍历的轨迹点，若有，则遍历该未被遍历的轨迹点，其中以上述步骤S230-S260的方式，找出所有的簇。

S280，根据多个轨迹点以及至少一个簇确定轨迹数据中的噪点，并删除噪点。

具体地，在找到所有的簇之后，可根据多个轨迹点以及这些簇确定多个轨迹点中不在任何簇中的轨迹点，并将不在任何簇中的轨迹点作为噪点，进行剔除。

为了进一步提高去噪效果以及精确度，进一步地，在本发明的一个实施例中，在遍历排序后的轨迹数据中的多个轨迹点之前，该基于聚类分析的轨迹去噪方法还可包括：从轨迹数据中的多个轨迹点中，确定满足第二预设条件的轨迹点，并将满足第二预设条件的轨迹点作为噪点，并删除噪点。

作为一种示例，该满足第二预设条件的轨迹点可包括：与邻近点之间的连线的夹角小于或等于第二阈值的轨迹点；和/或，到达邻近点的速度大于第三阈值的轨迹点。例如，该第二阈值可为20度，该第三阈值可为300Km/H。

可以理解，去除轨迹数据中的噪点就需要先识别出哪些点是噪点，而轨迹数据中有些噪点会存在比较明显的特点，例如，1)定位误差大于100米的噪点；2)基站定位时通常会反复定位到同一个位置，如图3所示中的75号轨迹点；3)噪点的方向变化比较大，和正常点之间连线会形成锐角，如图3所示的110号轨迹点；4)噪点的速度变化比较大，和正常点之间的距离会很长，如图3所示的101号、105号轨迹点等。通过上述几点特征，本发明设定一些条件，以将这些具有明显特点的噪点进行剔除。

具体地，在遍历排序后的轨迹数据中的多个轨迹点之前，可先对轨迹数据中具有比较明显特点的噪点进行去除。例如，可将轨迹数据中与邻近点之间的连线的夹角小于或等于第二阈值的轨迹点进行剔除，和/或，将轨迹数据中到达邻近点的速度大于第三阈值的轨迹点进行剔除。这样，通过设定一些阈值便可以去掉一部分噪点，这样可以减少后续基于聚类分析的去噪过程中遍历的次数，提高效率。

本发明实施例的基于聚类分析的轨迹去噪方法，根据正常点的特征，将轨迹数据中的正常轨迹点聚到一起，排除轨迹数据中的异常点，以达到去噪的目的，这种基于聚类分析的去噪方式，可以使去噪结果更加精确、更加有效，保证轨迹数据更加贴近于真实轨迹。

与上述几种实施例提供的基于聚类分析的轨迹去噪方法相对应，本发明的一种实施例还提供一种基于聚类分析的轨迹去噪装置，由于本发明实施例提供的基于聚类分析的轨迹去噪装置与上述几种实施例提供的基于聚类分析的轨迹去噪方法相对应，因此在前述基于聚类分析的轨迹去噪方法的实施方式也适用于本实施例提供的基于聚类分析的轨迹去噪装置，在本实施例中不再详细描述。图4是根据本发明一个实施例的基于聚类分析的轨迹去噪装置的结构示意图。如图4所示，该基于聚类分析的轨迹去噪装置可以包括：排序模块410、生成模块420和去噪模块430。

具体地，排序模块410用于获取运动物体的轨迹数据，并按照时间顺序将轨迹数据进行排序。

生成模块420用于遍历排序后的轨迹数据中的多个轨迹点，并将满足第一预设条件的轨迹点进行聚类以生成至少一个簇。

作为一种示例，如图5所示，该生成模块420可包括：预先处理单元421、确定单元422、判断单元423、聚类单元424、扩展单元425和生成单元426。

其中，预先处理单元421用于从排序后的轨迹数据中的轨迹起始点开始遍历，假设当前遍历的轨迹点为i。确定单元422用于从当前轨迹点i的前后N个邻近点中，确定满足第一预设条件的轨迹点，其中，N为正整数。判断单元423用于判断满足第一预设条件的轨迹点的个数是否超过第一阈值。聚类单元424用于在满足第一预设条件的轨迹点的个数超过第一阈值时，将满足第一预设条件的轨迹点以及当前轨迹点i进行聚类，生成对应的簇。扩展单元425用于遍历簇中的N个邻近点，以扩展簇，直至N个邻近点被遍历成功为止。生成单元426用于遍历簇以外的剩余轨迹点，直至多个轨迹点全部被遍历成功时，找出至少一个簇。

作为一种示例，上述满足第一预设条件的轨迹点可包括：到达当前轨迹点的速度的变化趋势在第一阈值范围内，且到达当前轨迹点的方向的变化趋势在第二阈值范围内的轨迹点。

去噪模块430用于如果多个轨迹点全部遍历成功，则根据多个轨迹点以及至少一个簇确定轨迹数据中的噪点，并删除噪点。具体而言，在本发明的一个实施例中，该去噪模块430可根据多个轨迹点以及至少一个簇，确定多个轨迹点中不在至少一个簇中的轨迹点，并将不在至少一个簇中的轨迹点作为噪点。

为了进一步提高去噪效果以及精确度，进一步地，在本发明的一个实施例中，如图6所示，该基于聚类分析的轨迹去噪装置还可包括：确定模块440。其中，确定模块440可用于在遍历排序后的轨迹数据中的多个轨迹点之前，从轨迹数据中的多个轨迹点中，确定满足第二预设条件的轨迹点。其中，在本发明的实施例中，去噪模块430还用于：将满足第二预设条件的轨迹点作为噪点，并删除噪点。其中，该满足第二预设条件的轨迹点可包括：与邻近点之间的连线的夹角小于或等于第二阈值的轨迹点；和/或，到达邻近点的速度大于第三阈值的轨迹点。

本发明实施例的基于聚类分析的轨迹去噪装置，可通过排序模块获取运动物体的轨迹数据，并按照时间顺序将轨迹数据进行排序，生成模块遍历排序后的轨迹数据中的多个轨迹点，并将满足第一预设条件的轨迹点进行聚类以生成至少一个簇，去噪模块在多个轨迹点全部被遍历成功时，根据多个轨迹点以及至少一个簇确定轨迹数据中的噪点，并删除噪点。即根据正常点的特征，将轨迹数据中的正常轨迹点聚到一起，排除轨迹数据中的异常点，以达到去噪的目的，这种基于聚类分析的去噪方式，可以使去噪结果更加精确、更加有效，保证轨迹数据更加贴近于真实轨迹。

在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (12)

1.一种基于聚类分析的轨迹去噪方法，其特征在于，包括以下步骤：

获取运动物体的轨迹数据，并按照时间顺序将所述轨迹数据进行排序；

遍历排序后的轨迹数据中的多个轨迹点，并将满足第一预设条件的轨迹点进行聚类以生成至少一个簇；

如果所述多个轨迹点全部遍历成功，则根据所述多个轨迹点以及所述至少一个簇确定所述轨迹数据中的噪点，并删除所述噪点。

2.如权利要求1所述的方法，其特征在于，所述遍历排序后的轨迹数据中的多个轨迹点，并将满足第一预设条件的轨迹点进行聚类以生成至少一个簇，包括：

从排序后的轨迹数据中的轨迹起始点开始遍历，假设当前遍历的轨迹点为i；

从当前轨迹点i的前后N个邻近点中，确定所述满足第一预设条件的轨迹点，其中，N为正整数；

判断所述满足第一预设条件的轨迹点的个数是否超过第一阈值；

如果所述满足第一预设条件的轨迹点的个数超过所述第一阈值，则将所述满足第一预设条件的轨迹点以及所述当前轨迹点i进行聚类，生成对应的簇；

遍历所述簇中的所述N个邻近点，以扩展所述簇，直至所述N个邻近点被遍历成功为止；

遍历所述簇以外的剩余轨迹点，直至所述多个轨迹点全部被遍历成功时，找出所述至少一个簇。

3.如权利要求1或2所述的方法，其特征在于，所述满足第一预设条件的轨迹点，包括：

到达当前轨迹点的速度的变化趋势在第一阈值范围内，且到达所述当前轨迹点的方向的变化趋势在第二阈值范围内的轨迹点。

4.如权利要求1所述的方法，其特征在于，在所述遍历排序后的轨迹数据中的多个轨迹点之前，所述方法还包括：

从所述轨迹数据中的多个轨迹点中，确定满足第二预设条件的轨迹点；

将所述满足第二预设条件的轨迹点作为噪点，并删除所述噪点。

5.如权利要求4所述的方法，其特征在于，所述满足第二预设条件的轨迹点，包括：

与邻近点之间的连线的夹角小于或等于第二阈值的轨迹点；和/或，

到达邻近点的速度大于第三阈值的轨迹点。

6.如权利要求1所述的方法，其特征在于，所述根据所述多个轨迹点以及所述至少一个簇确定所述轨迹数据中的噪点，包括：

根据所述多个轨迹点以及所述至少一个簇，确定所述多个轨迹点中不在所述至少一个簇中的轨迹点；

将所述不在所述至少一个簇中的轨迹点作为所述噪点。

7.一种基于聚类分析的轨迹去噪装置，其特征在于，包括：

排序模块，用于获取运动物体的轨迹数据，并按照时间顺序将所述轨迹数据进行排序；

生成模块，用于遍历排序后的轨迹数据中的多个轨迹点，并将满足第一预设条件的轨迹点进行聚类以生成至少一个簇；

去噪模块，用于如果所述多个轨迹点全部遍历成功，则根据所述多个轨迹点以及所述至少一个簇确定所述轨迹数据中的噪点，并删除所述噪点。

8.如权利要求7所述的装置，其特征在于，所述生成模块包括：

预先处理单元，用于从排序后的轨迹数据中的轨迹起始点开始遍历，假设当前遍历的轨迹点为i；

确定单元，用于从当前轨迹点i的前后N个邻近点中，确定所述满足第一预设条件的轨迹点，其中，N为正整数；

判断单元，用于判断所述满足第一预设条件的轨迹点的个数是否超过第一阈值；

聚类单元，用于在所述满足第一预设条件的轨迹点的个数超过所述第一阈值时，将所述满足第一预设条件的轨迹点以及所述当前轨迹点i进行聚类，生成对应的簇；

扩展单元，用于遍历所述簇中的所述N个邻近点，以扩展所述簇，直至所述N个邻近点被遍历成功为止；

生成单元，用于遍历所述簇以外的剩余轨迹点，直至所述多个轨迹点全部被遍历成功时，找出所述至少一个簇。

9.如权利要求7或8所述的装置，其特征在于，所述满足第一预设条件的轨迹点，包括：

到达当前轨迹点的速度的变化趋势在第一阈值范围内，且到达所述当前轨迹点的方向的变化趋势在第二阈值范围内的轨迹点。

10.如权利要求7所述的装置，其特征在于，所述装置还包括：

确定模块，用于在所述遍历排序后的轨迹数据中的多个轨迹点之前，从所述轨迹数据中的多个轨迹点中，确定满足第二预设条件的轨迹点；

其中，所述去噪模块还用于：将所述满足第二预设条件的轨迹点作为噪点，并删除所述噪点。

11.如权利要求10所述的装置，其特征在于，所述满足第二预设条件的轨迹点，包括：

与邻近点之间的连线的夹角小于或等于第二阈值的轨迹点；和/或，

到达邻近点的速度大于第三阈值的轨迹点。

12.如权利要求7所述的装置，其特征在于，所述去噪模块具体用于：

根据所述多个轨迹点以及所述至少一个簇，确定所述多个轨迹点中不在所述至少一个簇中的轨迹点，并将所述不在所述至少一个簇中的轨迹点作为所述噪点。