CN112200832B - 一种运动轨迹数据的去噪方法及装置 - Google Patents
一种运动轨迹数据的去噪方法及装置 Download PDFInfo
- Publication number
- CN112200832B CN112200832B CN202010982034.0A CN202010982034A CN112200832B CN 112200832 B CN112200832 B CN 112200832B CN 202010982034 A CN202010982034 A CN 202010982034A CN 112200832 B CN112200832 B CN 112200832B
- Authority
- CN
- China
- Prior art keywords
- track
- point
- track point
- noise
- preset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000007621 cluster analysis Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 16
- 238000001914 filtration Methods 0.000 description 7
- 230000002457 bidirectional effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请实施例提供了一种运动轨迹数据的去噪方法及装置,解决了现有的去噪算法难以保证去噪精度,或者难以应用到实际场景中的的技术问题。其中,方法包括:采集运动轨迹数据,并以时间顺序将运动轨迹数据排列处理成数据集;遍历数据集,并根据预设时间阈值将数据集划分为若干轨迹集;将若干轨迹集分别通过聚类分析算法进行处理,以得到第一结果集与第一噪点集,并剔除第一噪点集;将第一结果集通过航迹推演算法进行处理,以剔除第二噪点集,得到第二结果集;其中,第二噪点集为第一结果集中存在的噪点的集合。本申请实施例通过结合聚类分析和航迹推演的去噪方法,提高了去噪精度,并且算法复杂度适中,易于应用到实际应用场景中。
Description
技术领域
本申请涉及定位跟踪技术领域,尤其涉及一种运动轨迹数据的去噪方法及装置。
背景技术
目前,在实际采集到的电子设备的定位点数据集合中会存在大量噪点,由于噪点的干扰,造成了不能真实显示设备运动状态和轨迹。因此,如何有效剔除存在的噪点,成为当前定位跟踪技术中研究的一个方向。
为了解决由于噪点干扰,使电子设备的定位不准确的问题,目前出现了以下三种现有技术方案:
1.基于双向长短时记忆模型和卡尔曼滤波的轨迹去噪,利用了循环神经网络的双向长短时记忆模型建模,利用模型输出建立卡尔曼滤波的输入,再由卡尔曼滤波完成去噪。但这种去噪算法复杂,计算量大,难于应用到实际应用场景中。
2.轨迹去噪方法,利用滑动窗口顺序多次滑动以对轨迹点进行划分;再根据滑动窗口中的轨迹点的特征动态调整参数值,虽然算法比较简单,但去噪精度难以保证。
3.利用聚类分析的方法,整体考虑轨迹的形态,利用实际运动轨迹在运动中存在相互关联的关系,噪点不相关的进行去噪。该方法在利用聚类分析方法分类过程中,有可能将误差大或者错点归在正常的分类簇中保留下来,无法根据时间将误差大的点判断出来,而且一段轨迹中存在点与点之间可能有时间间隔很长的情况,两点的相关性就比较小,如果这种情况下利用聚类方法进行去噪,有可能将实际的点当成噪点去掉的。
发明内容
本申请实施例提供了一种运动轨迹数据的去噪方法及装置,解决了现有的去噪算法过于简单,从而难以保证去噪精度,或者去噪算法过于复杂,从而难于应用到实际应用场景中的技术问题。
一方面,本申请实施例提供了一种运动轨迹数据的去噪方法,包括:采集运动轨迹数据,并以时间顺序将运动轨迹数据排列处理成数据集;遍历数据集,并根据预设时间阈值将数据集划分为若干轨迹集;将若干轨迹集分别通过聚类分析算法进行处理,以得到第一结果集与第一噪点集,并剔除第一噪点集;其中,所述第一噪点集为所述若干轨迹集中存在的部分噪点的集合;将第一结果集通过航迹推演算法进行处理,以剔除第二噪点集,得到第二结果集;其中,第二噪点集为第一结果集中存在的噪点的集合。
本申请实施例提供的一种运动轨迹数据的去噪方法,将采集的运动轨迹数据处理成数据集,通过遍历数据集,将数据集划分为若干轨迹集;然后,基于聚类分析算法,将若干轨迹集中与实际运动不相关的噪点去除。避免了有可能将实际点作为噪点去掉的可能,可以使去噪结果更加精确。最后,再基于航迹推演算法,将经过聚类分析去噪的轨迹数据进行分析去噪。本申请实施例有效的将聚类分析去噪过程中不能去除的误差大或者错误的轨迹点去除,使轨迹数据更贴近真实轨迹,进而提高去噪精度。且本申请实施例采用的算法复杂度适中,易于应用到实际应用场景中。
在本申请的一种实现方式中,根据预设时间阈值条件将数据集划分为若干轨迹集,具体包括:计算数据集中各轨迹点与其后一个轨迹点之间的时间差值;在时间差值大于预设时间阈值的情况下,将数据集断开,以得到若干轨迹集。
在本申请的一种实现方式中,在得到若干轨迹集之后,方法还具体包括:确定任一轨迹集中的任一轨迹点与其后一个轨迹点之间的时间差值大于预设时间阈值;以任一轨迹点为断开点,将任一轨迹集划分为两个轨迹集;遍历若干轨迹集,直至任一轨迹集中的任意两个轨迹点之间的时间差值不大于预设时间阈值。
本申请实施例通过根据任意两个轨迹点之间的时间差值不大于预设时间阈值,将数据集划分为若干轨迹集,可以有效的避免由于轨迹中两点间隔时间较长,两点的相关性较小,因此在聚类分析去噪时有可能将实际点当成噪点去掉的问题。从而有效提高了去噪的精度,使轨迹数据更贴近真实轨迹。
在本申请的一种实现方式中,将若干轨迹集分别通过聚类分析算法进行处理,具体包括:基于预设样本数阈值及预设邻域距离阈值,确定轨迹集中的核心对象,得到核心对象集合;基于核心对象集合,通过预设邻域距离阈值,确定若干簇样本集合;按照时间顺序排列若干簇样本集合,得到与轨迹集相对应的结果集;将若干轨迹集分别对应的若干结果集按照时间顺序进行排列处理,得到第一结果集。
在本申请的一种实现方式中,基于预设样本数阈值及预设邻域距离阈值,确定轨迹集中的核心对象,得到核心对象集合,具体包括:确定轨迹集中任一轨迹点在预设邻域距离阈值范围内包含的轨迹点个数;在轨迹点个数不小于预设样本数阈值的情况下,确定任一轨迹点为核心对象,并将任一轨迹点加入至核心对象集合中;遍历轨迹集,直至确定出轨迹集中的所有核心对象,得到核心对象集合。
在本申请的一种实现方式中,基于核心对象集合,通过预设邻域距离阈值,确定若干簇样本集合,具体包括:在核心对象集合中选取任一核心对象,并将任一核心对象加入簇样本集合;确定任一核心对象在预设领域距离阈值范围内所包含的若干轨迹点;将若干轨迹点加入至簇样本集合中;遍历核心对象集合,直至得到若干簇样本集合。
本申请实施例通过聚类分析算法进行处理,可以把运动轨迹中由于各种环境因素造成的误差比较大的噪点去掉,获得成簇的轨迹线路。
在本申请的一种实现方式中,第一结果集中包括与若干轨迹集分别对应的若干结果集;将第一结果集通过航迹推演算法进行处理,具体包括:确定预设速度阈值;计算任一结果集中第一轨迹点与第二轨迹点之间的第一平均速度;其中,第二轨迹点为第一轨迹点的后一个轨迹点;在第一平均速度大于预设速度阈值的情况下,计算第一轨迹点与第三轨迹点之间的第二平均速度;其中,第三轨迹点为第二轨迹点的后一个轨迹点;在第二平均速度大于预设速度阈值的情况下,确定第一轨迹点为噪点,并将第一轨迹点加入第二噪点集。
在本申请的一种实现方式中,在确定第一轨迹点为噪点之后,方法还包括:确定第一平均速度大于预设速度阈值;计算第二轨迹点与第四轨迹点之间的第三平均速度;其中,第四轨迹点为第一轨迹点的前一个轨迹点;在第三平均速度大于预设速度阈值的情况下,确定第二轨迹点为噪点,并将第二轨迹点加入第二噪点集。
在本申请的一种实现方式中,在确定第二轨迹点为噪点之后,方法还包括:遍历第一结果集中的若干结果集,直至确定出第一结果集中的所有噪点,得到第二噪点集;剔除第二噪点集,以得到第二结果集。
另一方面,本申请实施例还提供了一种运动轨迹数据去噪装置,包括:预处理模块,用于采集运动轨迹数据,并以时间顺序将运动轨迹数据排列处理成数据集;划分模块,用于遍历数据集,并根据预设时间阈值将数据集划分为若干轨迹集;第一去噪模块,用于将若干轨迹集分别通过聚类分析算法进行处理,以得到第一结果集与第一噪点集,并剔除第一噪点集;第二去噪模块,用于将第一结果集通过航迹推演算法进行处理,以剔除第二噪点集,得到第二结果集;其中,第二噪点集为第一结果集中存在的噪点的集合。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的一种运动轨迹数据的去噪方法流程图;
图2为本申请实施例提供的一种数据集划分为若干轨迹集的流程图;
图3为本申请实施例提供的一种运动轨迹数据聚类分析去噪流程图;
图4为本申请实施例提供的一种运动轨迹数据航迹推演去噪流程图;
图5为本申请实施例提供的一种运动轨迹数据的去噪装置内部结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
随着电子设备在生活的各个领域应用越来越广泛,对电子设备定位准确性要求越来越高。但是由于噪点的干扰,可能造成不能真实的显示设备运动状态和轨迹,因此如何有效剔除存在的噪点,成为当前定位跟踪技术中研究的一个方向。
现有技术去噪方法中,有三种去噪方案:基于双向长短时记忆模型和卡尔曼滤波的轨迹去噪方法、基于聚类分析的轨迹去噪方法、利用滑动窗口顺序多次滑动以对轨迹点进行划分,再根据滑动窗口中的轨迹点的特征动态调整参数值来去噪的去噪方法。
其中,基于双向长短时记忆模型和卡尔曼滤波的轨迹去噪方法设计复杂,利用了循环神经网络的双向长短时记忆模型建模,利用模型输出建立卡尔曼滤波的输入,再由卡尔曼滤波完成去噪,去噪算法复杂,计算量大,难于应用到实际应用场景中。
利用滑动窗口顺序多次滑动以对轨迹点进行划分;再根据滑动窗口中的轨迹点的特征动态调整参数值,算法比较简单,但去噪精度难以保证。
基于聚类分析的轨迹去噪方法,通过整体分析关联关系,轨迹点在实际运动中相互关联,但噪点不相关,聚类之后,不相关的点设定噪点。方法设计简单,算法复杂度适中,适合应用实际场景。但也存在以下几点问题:(1)该方法在利用聚类分析方法分类过程中,是有可能将误差大或者错点归在正常的分类簇中保留下来。因为聚类是和轨迹点距离相关的,跟时间不相关的。无法根据时间将误差大的点判断出来。(2)一段轨迹中存在点与点之间可能有时间间隔很长的情况,这种现象是因为发生在轨迹中断情形下造成的。在这种情形下,因为轨迹中两点间隔时间长,两点的相关性就比较小。如果这种情况下利用聚类方法进行去噪,是有可能将实际的点当成噪点去掉的。
本申请实施例提供了一种运动轨迹数据的去噪方法及装置,解决了现有的去噪算法过于简单,从而难以保证去噪精度,或者去噪算法过于复杂,从而难于应用到实际应用场景中的技术问题。
下面通过附图对本申请实施例提出的技术方案进行详细的说明。
图1为本申请实施例提供的一种运动轨迹数据的去噪方法流程图。
在本申请实施例中,执行主体可以是具有定位跟踪功能的服务器。
如图1所示,本申请实施例提供的去噪方法包括以下步骤:
步骤101、采集运动轨迹数据,并以时间顺序将轨迹数据排列处理成数据集。
在本申请的一个实施例中,运动物体具有包含定位功能的定位模块,运动物体通过该定位模块可对自身的运动轨迹进行定位,并采集运动过程的定位数据,这些数据通过时间顺序进行连线,即可得到运动物体的运动轨迹数据。其中运动轨迹数据包括但不限于轨迹点的经纬度信息、时间信息、轨迹方向等。
进一步地,采集运动物体的运动轨迹数据,之后,根据运动轨迹数据中包含的时间信息,将运动轨迹数据按照时间先后进行排序,按时间排序后的轨迹数据得到数据集。
步骤102、遍历数据集,并根据预设时间阈值将数据集划分为若干轨迹集。
在本申请的一个实施例中,在按照时间顺序将运动轨迹数据排列成数据集之后,可从数据集中的任意一个轨迹点开始遍历,根据预设时间阈值,将该数据集划分为若干轨迹集。其具体地实现过程如图2所示。
图2为本申请实施例提供的一种数据集划分为若干轨迹集的流程图。如图2所示,根据预设时间阈值将数据集划分为若干轨迹集具体包括以下步骤:
步骤201、输入数据集S,所述数据集S是运动轨迹相关的数据集。
步骤202、设置预设时间阈值。
在本申请的一个实施例中,从按照时间顺序排列成的数据集S中任意选择一个轨迹点,假设当前遍历的轨迹点为i,预设时间阈值为该轨迹点i与后一个轨迹点i+1之间的时间差值。
需要说明的是,本申请实施例中的预设时间阈值也可以为提前设定的阈值,本申请实施例对此不作限定。
步骤203、在数据集S中的当前轨迹点与其后一个轨迹点之间的时间差值大于预设时间阈值的情况下,从当前轨迹点断开。
在本申请的一个实施例中,从按照时间顺序排列成的数据集S中任意选择一个轨迹点,假设该轨迹点为i,计算该轨迹点i与后一个轨迹点i+1之间的时间差值,当时间差值大于预设时间阈值时,从该轨迹点i断开,将数据集S划分为两个轨迹集。遍历数据集S中的各轨迹点,最终将数据集S划分为若干轨迹集。
步骤204、遍历数据集S划分出的若干轨迹集。
在本申请的一个实施例中,遍历数据集S划分出来的若干轨迹集,计算若干轨迹集中任意一个轨迹点i与后一个轨迹点i+1之间的时间差值是否大于预设时间阈值。当存在轨迹点i与后一个轨迹点i+1之间的时间差值大于预设时间阈值时,从该轨迹点i断开,将该轨迹点i所在的轨迹集划分为两个轨迹集。直至所有轨迹集中的任意两个轨迹点之间的时间差值都不大于预设时间阈值。
步骤205、输出若干轨迹集[S1,S2,S3,S4…]。
在本申请的一个实施例中,将根据预设时间阈值划分出来的若干轨迹集[S1,S2,S3,S4…]输出。
至此,完成数据集S的划分过程,并将划分得到的若干轨迹集输出。
步骤103、将若干轨迹集分别通过聚类分析算法进行处理,以得到第一结果集与第一噪点集,并剔除第一噪点集。
在本申请的一个实施例中,根据预设样本数阈值和预设邻域距离阈值,将数据集划分出的若干轨迹集分别进行聚类分析算法处理,以获得第一结果集和第一噪点集,并剔除第一噪点集。其中,第一噪点集为若干轨迹集中存在的噪点的集合。具体地,首先确定任一轨迹集所对应的核心对象集合,根据确定出的核心对象集合,确定任一轨迹集对应的结果集;然后,整合若干轨迹集分别对应的若干结果集,得到第一结果集。
其中,确定任一轨迹集所对应的核心对象集合,并根据确定出的核心对象集合,确定任一轨迹集对应的结果集的具体实现过程,如图3所示。
图3为本申请实施例提供的一种运动轨迹数据聚类分析去噪流程图。如图3所示,确定任一轨迹集所对应的核心对象集合,根据确定出的核心对象集合,确定任一轨迹集对应的结果集具体包括:
步骤301、输入任一轨迹集Si。
在本申请的一个实施例中,选择任意一个轨迹集进行聚类分析,假设选出的轨迹集为Si。将Si输入至聚类分析算法中。
在本申请的一个实施例中,聚类分析算法采用DBSCAN算法实现。
步骤302、根据预设样本数阈值minPts和预设邻域距离阈值d,确定任一轨迹集Si中的核心对象,得到核心对象集合Ω=[o1,o2,o3,o4…]。
在本申请的一个实施例中,d为-邻域的预设邻域距离阈值,邻域距离的计算方式包括但不限于利用经纬度坐标计算,单位为米。预设样本数阈值minPts为轨迹点要成为核心对象时,在该轨迹点的∈-邻域内所需要包括的最少轨迹点个数,即到要成为核心对象的轨迹点,距离小于预设邻域距离阈值d的轨迹点的个数。
具体地,从任一轨迹集Si中任意选择一个轨迹点,记为xj;计算轨迹点xj与轨迹集Si中其他各轨迹点之间的邻域距离;确定轨迹点xj在∈-邻域范围内所有小于预设邻域距离阈值d的轨迹点,并将确定出的轨迹点构成一个∈-邻域样本集合N∈(xj)。
进一步地,根据预设样本数阈值minPts,判断轨迹点xj在∈-邻域范围内的邻域样本集合N∈(xj)是否满足|N∈(xj)|≥minPts;其中,|N∈(xj)|≥minPts表示xj在∈-邻域范围内所有小于预设邻域距离阈值d的轨迹点个数,不小于预设样本数阈值minPts。在轨迹点xj在∈-邻域范围内的邻域样本集合N∈(xj)满足|N∈(xj)|≥minPts的情况下,确定轨迹点xj为核心对象,将轨迹点xj加入核心对象集合Ω。
进一步地,遍历任一轨迹集Si中的所有轨迹点,确定核心对象集合Ω=[o1,o2,o3,o4…]。
步骤303、根据预设邻域距离阈值d,遍历任一轨迹集Si对应的核心对象集合Ω=[o1,o2,o3,o4…],得到簇集合C。
1、在核心对象集合Ω=[o1,o2,o3,o4…]中,随机选择一个核心对象oi,初始化一个簇核心对象队列Ωcur,并将选择出的核心对象加入簇核心对象队列Ωcur={oi},初始化一个簇样本集合Ck,并将选择出的核心对象加入簇样本集合Ck={oi},更新未访问集合Γ=Γ-{oi}。
2、在当前簇核心对象队列Ωcur中任意取出一个核心对象oj,根据预设邻域距离阈值d,找到核心对象oj的∈-邻域范围内的邻域样本集合N∈(oj)。可以理解的是,此处的邻域样本集合N∈(oj)为步骤302中已经经过判断得到的结果,直接采用302中的判断结果无需重复判断。将邻域样本集合N∈(oj)与未访问集合相交得到Δ,即Δ=N∈(oi)∩Γ,其中,Δ为临时开辟的动态变量集合。更新簇样本集合Ck,将动态变量集合Δ中的轨迹点加入簇样本集合,即Ck=Ck∪Δ。更新簇核心对象队列Ωcur,将属于核心对象集合Ω且属于动态变量集合Δ中的轨迹点加入簇核心对象队列Ωcur,并将已判断过的点oj去掉,即Ωcur=Ωcur∪(Δ∩Ω)-oj。
3、遍历簇核心对象队列Ωcur,直至簇核心对象队列Ωcur中没有核心对象,即则当前的这个簇样本集合Ck生成完毕。更新簇集合C=[C1,C2,C3,C4,…,Ck]。根据生成的簇样本集合Ck,去掉核心对象集合Ω中同时存在于簇样本集合Ck的点,即更新核心对象集合Ω=Ω-Ck。
步骤304、整合簇集合C,得到结果集Di。
在本申请的一个实施例中,将经过聚类分析算法处理得到的簇集合C,按照时间顺序进行整合处理得到结果集Di,其中,Di为任一轨迹集Si对应的结果集。
在本申请的一个实施例中,当核心对象集合中的轨迹数据全部遍历成功时,将确定出的不存在于任何一个簇样本集合中的轨迹点作为噪点,将这些噪点加入第一噪点集,若干轨迹集全部遍历结束之后,剔除第一噪点集。
可以理解的是,遍历若干轨迹集[S1,S2,S3,S4…]得到若干对应的结果集[D1,D2,D3,D4…],若干结果集构成第一结果集D,其中D=[D1,D2,D3,D4…]。
需要说明的是,本申请实施例的DBSCAN聚类分析去噪方法是基于轨迹点之间的时间差值将数据集划分为若干轨迹集进行聚类分析去噪的。在一段轨迹中,可能由于极大可能存在的轨迹中断情形,使得存在点与点之间可能有时间间隔很长的情况,在这种情形下,因为轨迹中两点间隔时间长,因此两点的相关性就会变得比较小。如果这种情况下利用聚类方法进行去噪,是有可能将实际的点当成噪点去掉的。本申请通过设置时间阈值,在大于时间阈值的轨迹点之间断开,分成若干轨迹集分别进行DBSCAN聚类分析,避免了有可能将实际点作为噪点去掉的可能。这种根据时间差值将数据集划分为若干轨迹集分别进行DBSCAN聚类分析的去噪方法,可以使去噪结果更加精确、去噪效果更好,保证了轨迹数据更贴近真实轨迹。
至此,得到第一结果集。
步骤104、将第一结果集进行航迹推演算法进行处理,以剔除第二噪点集,得到第二结果集;其中,第二噪点集为第一结果集中存在的噪点的集合。
在本申请的一个实施例中,根据预设速度阈值,对第一结果集D中的各个结果集分别进行航迹推演算法处理,计算拟合,对大于预设速度阈值的轨迹点认定为噪点,加入第二噪点集,小于等于预设速度阈值的点认定为运动轨迹点,保留。其具体实现过程如图4所示。
图4为本申请实施例提供的一种运动轨迹数据航迹推演去噪流程图。如图4所示,将第一结果集D进行航迹推演算法进行处理,以剔除第二噪点集,具体包括以下步骤:
步骤401、将第一结果集D中的任一结果集Di,输入至航迹推演算法中。
任意选择一个结果集进行航迹推演算法处理,假设所选择的结果集为Di。将结果集Di输入至航迹推演算法中。
步骤402、计算结果集Di中任意两个轨迹点,例如第一轨迹点与第二轨迹点,之间的第一平均速度;其中,第二轨迹点为第一轨迹点的后一个轨迹点。
在本申请的一个实施例中,对于输入的结果集Di,计算两个时间相邻轨迹点之间的第一平均速度,计算方式包括但不限于通过计算相邻轨迹点之间的距离s与两轨迹点之间的时间差Δt相除得到。假设两个时间相邻轨迹点为第一轨迹点mt-1和第二轨迹点mt,其中,第二轨迹点mt为第一轨迹点mt-1的后一个轨迹点。通过计算得到第一轨迹点mt-1与第二轨迹点mt之间的距离s1和时间差值Δt1,得到第一平均速度。
步骤403、当第一平均速度大于预设速度阈值时,计算第一轨迹点mt-1与第三轨迹点mt+1之间的第二平均速度,以及计算第二轨迹点mt与第四轨迹点mt-2之间的第三平均速度;其中,第三轨迹点mt+1为第二轨迹点mt的后一个轨迹点,第四轨迹点mt-2为第一轨迹点mt-1的前一个轨迹点。
在本申请的一个实施例中,第三轨迹点mt+1为第二轨迹点mt的后一个轨迹点,第四轨迹点mt-2为第一轨迹点mt-1的前一个轨迹点。当第一轨迹点mt-1与第二轨迹点mt之间的第一平均速度大于预设速度阈值时,需要对第一轨迹点mt-1与第二轨迹点mt标记。然后,根据第一轨迹点mt-1与第三轨迹点mt+1之间的距离s2和时间差值Δt2,计算得到第二平均速度,以及根据第四轨迹点mt-2与第二轨迹点mt之间的距离s3和时间差值Δt3,计算得到第三平均速度。
步骤404、当第二平均速度大于预设速度阈值时,确定第一轨迹点mt-1为噪点,并将第一轨迹点mt-1加入至第二噪点集,当第三平均速度大于预设速度阈值时,确定第二轨迹点mt为噪点,并将第二轨迹点mt加入至第二噪点集。
在本申请的一个实施例中,通过对第二平均速度与预设速度阈值的对比,以及第三平均速度与预设速度阈值的对比,判断第二轨迹点mt与第一轨迹点mt-1是否为噪点。当第一轨迹点mt-1与第三轨迹点mt+1之间的第二平均速度大于预设速度阈值时,确定第一轨迹点mt-1为噪点,将第一轨迹点mt-1加入第二噪点集。当第四轨迹点mt-2与第二轨迹点mt之间的第三平均速度大于预设速度阈值时,确定第二轨迹点mt为噪点,将第二轨迹点mt加入第二噪点集。
进一步地,遍历第一结果集D中的所有轨迹点,得到第二结果集和第二噪点集,并剔除第二噪点集。
需要说明的,本申请实施例的航迹推演去噪方法是基于DBSCAN聚类分析去噪得到的若干结果集分别进行的进一步的去噪过程。由于聚类分析是根据轨迹点之间的距离关系进行去噪的,是跟时间不相关的,因此无法根据时间将误差大的点判断出来,所以单纯的使用聚类分析去噪是极有可能将误差大或者错误的轨迹点在正常的分类簇中保留下来。本申请实施例通过进一步的航迹推演算法进行处理去噪,可以有效的将聚类分析去噪过程中不能去除的误差大或者错误的轨迹点去除,使轨迹数据更贴近真实轨迹。
基于同样的发明构思,本申请实施例还提供了一种运动轨迹数据的去噪装置,其内部结构如图5所示。
图5为本申请实施例提供的一种运动轨迹数据去噪装置内部结构示意图。如图5所示,本申请实施例提供的一种运动轨迹数据的去噪装置包括:预处理模块501、划分模块502、第一去噪模块503、第二去噪模块504。
本领域技术人员可以理解,图5显示出的运动数据去噪装置结构并不构成对运动数据去噪装置的限定,实际上,运动数据去噪装置可以包括比图5所示更多或更少的部件,或者组合某些部件,或者不同部件的布置。
在本申请的一个实施例中,预处理模块501用于采集运动轨迹数据,并以时间顺序将运动轨迹数据排列处理成数据集;划分模块502用于遍历数据集,并根据预设时间阈值将数据集划分为若干轨迹集;第一去噪模块503用于将若干轨迹集分别通过聚类分析算法进行处理,以得到第一结果集与第一噪点集,并剔除第一噪点集;第二去噪模块504用于将第一结果集通过航迹推演算法进行处理,以剔除第二噪点集,得到第二结果集;其中,第二噪点集为所述第一结果集中存在的噪点的集合。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (7)
1.一种运动轨迹数据的去噪方法,其特征在于,所述方法包括:
采集运动轨迹数据,并以时间顺序将所述运动轨迹数据排列处理成数据集;
遍历所述数据集,并根据预设时间阈值将所述数据集划分为若干轨迹集;
将所述若干轨迹集分别通过聚类分析算法进行处理,以得到第一结果集与第一噪点集,并剔除所述第一噪点集;
将所述第一结果集通过航迹推演算法进行处理,以剔除第二噪点集,得到第二结果集;其中,所述第二噪点集为所述第一结果集中存在的噪点的集合;
所述根据预设时间阈值将所述数据集划分为若干轨迹集,具体包括:
计算所述数据集中各轨迹点与其后一个轨迹点之间的时间差值;
在所述时间差值大于所述预设时间阈值的情况下,将所述数据集断开,以得到若干轨迹集;
所述第一结果集中包括与所述若干轨迹集分别对应的若干结果集,将所述第一结果集通过航迹推演算法进行处理,具体包括:
确定预设速度阈值;
计算任一所述结果集中第一轨迹点与第二轨迹点之间的第一平均速度;其中,所述第二轨迹点为第一轨迹点的后一个轨迹点;
在所述第一平均速度大于所述预设速度阈值的情况下,计算第一轨迹点与第三轨迹点之间的第二平均速度;其中,所述第三轨迹点为第二轨迹点的后一个轨迹点;
在所述第二平均速度大于所述预设速度阈值的情况下,确定所述第一轨迹点为噪点,并将所述第一轨迹点加入所述第二噪点集。
2.根据权利要求1所述的方法,其特征在于,所述将所述若干轨迹集分别通过聚类分析算法进行处理,具体包括:
基于预设样本数阈值及预设邻域距离阈值,确定所述轨迹集中的核心对象,得到核心对象集合;
基于所述核心对象集合,通过所述预设邻域距离阈值,确定若干簇样本集合;
按照时间顺序排列所述若干簇样本集合,得到与所述轨迹集相对应的结果集;
将所述若干轨迹集分别对应的若干结果集按照时间顺序进行排列处理,得到所述第一结果集。
3.根据权利要求2所述的方法,其特征在于,所述基于预设样本数阈值及预设邻域距离阈值,确定所述轨迹集中的核心对象,得到核心对象集合,具体包括:
确定所述轨迹集中任一轨迹点在所述预设邻域距离阈值范围内包含的轨迹点个数;
在所述轨迹点个数不小于所述预设样本数阈值的情况下,确定所述任一轨迹点为核心对象,并将所述任一轨迹点加入至核心对象集合中;
遍历所述轨迹集,直至确定出所述轨迹集中的所有核心对象,得到核心对象集合。
4.根据权利要求2所述的方法,其特征在于,所述基于所述核心对象集合,通过所述预设邻域距离阈值,确定若干簇样本集合,具体包括:
在所述核心对象集合中选取任一核心对象,并将所述任一核心对象加入簇样本集合;
确定所述任一核心对象在所述预设领域距离阈值范围内所包含的若干轨迹点;
将所述若干轨迹点加入至所述簇样本集合中;
遍历所述核心对象集合,直至得到若干簇样本集合。
5.根据权利要求1所述的方法,其特征在于,在确定所述第一轨迹点为噪点之后,所述方法还包括:
确定所述第一平均速度大于所述预设速度阈值;
计算所述第二轨迹点与第四轨迹点之间的第三平均速度;其中,所述第四轨迹点为所述第一轨迹点的前一个轨迹点;
在所述第三平均速度大于所述预设速度阈值的情况下,确定所述第二轨迹点为噪点,并将所述第二轨迹点加入所述第二噪点集。
6.根据权利要求1中所述的方法,其特征在于,在确定所述第二轨迹点为噪点之后,所述方法还包括:
遍历所述第一结果集中的若干结果集,直至确定出所述第一结果集中的所有噪点,得到第二噪点集;
剔除所述第二噪点集,得到所述第二结果集。
7.一种运动轨迹数据的去噪装置,其特征在于,所述装置包括:
预处理模块,用于采集运动轨迹数据,并以时间顺序将所述运动轨迹数据排列处理成数据集;
划分模块,用于遍历所述数据集,并根据预设时间阈值将所述数据集划分为若干轨迹集;
第一去噪模块,用于将若干所述轨迹集分别通过聚类分析算法进行处理,以得到第一结果集与第一噪点集,并剔除所述第一噪点集;
第二去噪模块,用于将所述第一结果集通过航迹推演算法进行处理,以剔除第二噪点集,得到第二结果集;其中,所述第二噪点集为所述第一结果集中存在的噪点的集合;
所述根据预设时间阈值将所述数据集划分为若干轨迹集,具体包括:
计算所述数据集中各轨迹点与其后一个轨迹点之间的时间差值;
在所述时间差值大于所述预设时间阈值的情况下,将所述数据集断开,以得到若干轨迹集;
所述第一结果集中包括与所述若干轨迹集分别对应的若干结果集,将所述第一结果集通过航迹推演算法进行处理,具体包括:
确定预设速度阈值;
计算任一所述结果集中第一轨迹点与第二轨迹点之间的第一平均速度;其中,所述第二轨迹点为第一轨迹点的后一个轨迹点;
在所述第一平均速度大于所述预设速度阈值的情况下,计算第一轨迹点与第三轨迹点之间的第二平均速度;其中,所述第三轨迹点为第二轨迹点的后一个轨迹点;
在所述第二平均速度大于所述预设速度阈值的情况下,确定所述第一轨迹点为噪点,并将所述第一轨迹点加入所述第二噪点集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010982034.0A CN112200832B (zh) | 2020-09-17 | 2020-09-17 | 一种运动轨迹数据的去噪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010982034.0A CN112200832B (zh) | 2020-09-17 | 2020-09-17 | 一种运动轨迹数据的去噪方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112200832A CN112200832A (zh) | 2021-01-08 |
CN112200832B true CN112200832B (zh) | 2023-03-14 |
Family
ID=74015388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010982034.0A Active CN112200832B (zh) | 2020-09-17 | 2020-09-17 | 一种运动轨迹数据的去噪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112200832B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115206095B (zh) * | 2022-06-28 | 2024-05-14 | 公安部交通管理科学研究所 | 一种卡口过车轨迹数据重构方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650771A (zh) * | 2016-09-29 | 2017-05-10 | 百度在线网络技术(北京)有限公司 | 基于聚类分析的轨迹去噪方法以及装置 |
CN110796854A (zh) * | 2019-08-15 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 一种校验道路限速值的方法及相关装置 |
CN110798805A (zh) * | 2018-08-02 | 2020-02-14 | 北京四维图新科技股份有限公司 | 基于gps轨迹的数据处理方法、装置及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9977434B2 (en) * | 2016-06-23 | 2018-05-22 | Qualcomm Incorporated | Automatic tracking mode for controlling an unmanned aerial vehicle |
-
2020
- 2020-09-17 CN CN202010982034.0A patent/CN112200832B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650771A (zh) * | 2016-09-29 | 2017-05-10 | 百度在线网络技术(北京)有限公司 | 基于聚类分析的轨迹去噪方法以及装置 |
CN110798805A (zh) * | 2018-08-02 | 2020-02-14 | 北京四维图新科技股份有限公司 | 基于gps轨迹的数据处理方法、装置及存储介质 |
CN110796854A (zh) * | 2019-08-15 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 一种校验道路限速值的方法及相关装置 |
Non-Patent Citations (1)
Title |
---|
A scheme for anomalous RFID trajectory detection based on improved clustering algorithm under digital-twin-driven;Mengnan Cai et al.;《MobiQuitous "19:Proceedings of the 16th EAI International Conference on Ubiquitous Systems: Computing, Networking and Services》;20200203;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112200832A (zh) | 2021-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107103754B (zh) | 一种道路交通状况预测方法及系统 | |
Bar-Shalom et al. | Multisensor track-to-track association for tracks with dependent errors | |
CN109961106B (zh) | 轨迹分类模型的训练方法和装置、电子设备 | |
CN108510011B (zh) | 一种基于手机多传感器的用户出行方式分析方法 | |
CN112932505B (zh) | 一种基于时频能量的符号传递熵及脑网络特征计算方法 | |
CN110378966A (zh) | 相机外参标定方法、装置、计算机设备及存储介质 | |
US9236967B1 (en) | Methods of packet-based synchronization in non-stationary network environments | |
DE102020211472A1 (de) | System und verfahren zur verbesserung eines nicht inertialen tracking-systems mit inertialen beschränkungen | |
CN105224593A (zh) | 一种短暂上网事务中频繁共现账号挖掘方法 | |
CN113052265B (zh) | 基于特征选择的移动对象轨迹简化方法 | |
CN111445108A (zh) | 数据驱动的配电网线变关系诊断方法、装置及系统 | |
CN112200832B (zh) | 一种运动轨迹数据的去噪方法及装置 | |
CN110969092A (zh) | 脉冲信号去噪方法、装置及终端设备 | |
CN105513083A (zh) | 一种ptam摄像机跟踪方法及装置 | |
CN110263840A (zh) | 一种线路分析方法、装置及程序产品、存储介质 | |
CN111191555B (zh) | 一种结合高低空间频率特征的目标跟踪方法、介质及系统 | |
CN112556717A (zh) | 出行方式筛选方法和出行路线推荐方法和装置 | |
CN110942019B (zh) | 一种用于找出两条轨迹的最长伴随子路径的分析方法 | |
CN111399021A (zh) | 一种导航定位方法 | |
WO2016037346A1 (en) | Measuring and diagnosing noise in urban environment | |
CN110660077A (zh) | 一种融合多个特征的多尺度目标跟踪方法 | |
CN116541668B (zh) | 一种游泳划水次数确定方法、装置、设备及存储介质 | |
CN114241491A (zh) | 一种基于轻量级深度学习网络的手写字母识别方法 | |
Shen et al. | Fast adaptive optimization of weighted vector median filters | |
CN108957438B (zh) | 一种基于随机距离的滞后航迹关联融合方法及系统和应用 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |