CN113759400A - 卫星定位轨迹的平滑化方法和装置 - Google Patents
卫星定位轨迹的平滑化方法和装置 Download PDFInfo
- Publication number
- CN113759400A CN113759400A CN202110889664.8A CN202110889664A CN113759400A CN 113759400 A CN113759400 A CN 113759400A CN 202110889664 A CN202110889664 A CN 202110889664A CN 113759400 A CN113759400 A CN 113759400A
- Authority
- CN
- China
- Prior art keywords
- track
- processed
- fraction
- coordinate
- motion
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000009499 grossing Methods 0.000 title claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 67
- 238000013145 classification model Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 27
- 230000009467 reduction Effects 0.000 claims description 27
- 238000007781 pre-processing Methods 0.000 claims description 17
- 230000002457 bidirectional effect Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000011946 reduction process Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 14
- 238000010801 machine learning Methods 0.000 abstract description 7
- 230000007246 mechanism Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/35—Constructional details or hardware or software details of the signal processing chain
- G01S19/37—Hardware or software details of the signal processing chain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种卫星定位轨迹的平滑化方法和装置，其中，该方法包括以下步骤：建立目标处理模型；根据目标处理模型对待处理轨迹的坐标序列进行处理，以获取待处理轨迹上各坐标的移除概率；通过二分类模型根据移除概率对待处理轨迹进行平滑化处理。根据本发明的卫星定位轨迹的平滑化方法，基于机器学习并且以大数据为依托，能够准确有效地去除卫星定位轨迹中的噪声点和冗余点，并且无法采用繁琐的计算公式，方法较为简单。
Description
技术领域
本发明涉及轨迹平滑处理技术领域，具体涉及一种卫星定位轨迹的平滑化方法和装置。
背景技术
基于卫星定位系统所产生的实体(可以代表交通工具等物体，也可以代表人)的运动轨迹不仅仅为人们展示实体的运动轨迹的可视化提供基础，也为里程计算甚至计费提供依据。然而，不管使用何种卫星定位系统，诸多因素都可能导致极端的定位误差(俗称定位漂移)，而这类误差会导致实体的运动轨迹中的某些轨迹点明显与实际情况不吻合。
相关技术中，大多是基于固定的计算公式对卫星定位系统所产生的实体运动轨迹进行校正，通过这些公式的计算结果来判断一个运动轨迹中的指定坐标是否属于奇异点。然而，采用该方式不仅计算过程繁琐，而且准确度较低。
发明内容
本发明为解决上述技术问题，提供了一种卫星定位轨迹的平滑化方法，基于机器学习并且以大数据为依托，能够准确有效地去除卫星定位轨迹中的噪声点和冗余点，并且无法采用繁琐的计算公式，方法较为简单。
本发明采用的技术方案如下：
一种卫星定位轨迹的平滑化方法，包括以下步骤：建立目标处理模型；根据所述目标处理模型对待处理轨迹的坐标序列进行处理，以获取所述待处理轨迹上各坐标的移除概率；通过二分类模型根据所述移除概率对所述待处理轨迹进行平滑化处理。
所述根据所述目标处理模型对待处理轨迹的坐标序列进行处理，以获取所述待处理轨迹中各坐标的移除概率，对所述待处理轨迹进行预处理以获取所述待处理轨迹上各坐标对应的运动角度的z分数和运动速度的z分数；对所述运动角度的z分数和所述运动速度的z分数进行多次多尺度1D卷积特征提取，以提取第一时间信息；对所述运动角度的z分数和所述运动速度的z分数进行双向RNN特征提取，以提取第二时间信息；根据所述运动角度的z分数、所述运动速度的z分数以及所述第二时间信息获取所述待处理轨迹上的目标坐标与其他坐标之间的潜在关系；对所述第一时间信息、所述第二时间信息和所述潜在关系进行特征合并，并进行全连接降维处理；根据全连接降维处理后的结果计算所述待处理轨迹上各坐标的移除概率。
所述根据全连接降维处理后的结果计算所述待处理轨迹上各坐标的移除概率，包括：对根据全连接降维处理后的结果进行线性回归运算，并采用Sigmoid函数作为激活函数，以计算所述待处理轨迹上各坐标的所述移除概率。
一种卫星定位轨迹的平滑化装置，包括以下步骤：模型建立模块，所述模型建立模块用于建立目标处理模型；获取模块，所述获取模块用于根据所述目标处理模型对待处理轨迹的坐标序列进行处理，以获取所述待处理轨迹上各坐标的移除概率；处理模块，所述处理模块用于通过二分类模型根据所述移除概率对所述待处理轨迹进行平滑化处理。
所述获取模块具体用于：对所述待处理轨迹进行预处理以获取所述待处理轨迹上各坐标对应的运动角度的z分数和运动速度的z分数；对所述运动角度的z分数和所述运动速度的z分数多次进行多尺度1D卷积特征提取，以提取不同尺度的第一时间信息；对所述运动角度的z分数和所述运动速度的z分数进行双向RNN特征提取，以提取第二时间信息；根据所述运动角度的z分数、所述运动速度的z分数以及所述第二时间信息获取所述待处理轨迹上的目标坐标与其他坐标之间的潜在关系；对所述第一时间信息、所述第二时间信息和所述潜在关系进行特征合并，并进行全连接降维处理；根据全连接降维处理后的结果计算所述待处理轨迹上各坐标的移除概率。
所述获取模块具体还用于：对根据全连接降维处理后的结果进行线性回归运算，并采用Sigmoid函数作为激活函数，以计算所述待处理轨迹上各坐标的所述移除概率。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述的卫星定位轨迹的平滑化方法。
一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的卫星定位轨迹的平滑化方法。
本发明的有益效果：
本发明基于机器学习并且以大数据为依托，能够准确有效地去除卫星定位轨迹中的噪声点和冗余点，并且无法采用繁琐的计算公式，方法较为简单。
附图说明
图1为本发明实施例的卫星定位轨迹的平滑化方法的流程图；
图2为本发明一个实施例的目标处理模型的结构示意图；
图3为本发明一个实施例的多尺度1D卷积特征提取单元的处理逻辑示意图；
图4为本发明实施例的卫星定位轨迹的平滑化装置的方框示意图。
具体实施方式
下面将结合本发明实施例中的附图，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。基于本发明中的实施例，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，都属于本发明保护的范围。
图1是根据本发明实施例的卫星定位轨迹的平滑化方法的流程图。
如图1所示，本发明实施例的卫星定位轨迹的平滑化方法可包括以下步骤：
S1，建立目标处理模型。
S2，根据目标处理模型对待处理轨迹的坐标序列进行处理，以获取待处理轨迹上各坐标的移除概率。
根据本发明的一个实施例，根据目标处理模型对待处理轨迹的坐标序列进行处理，以获取待处理轨迹中各坐标的移除概率，包括：对待处理轨迹进行预处理以获取待处理轨迹上各坐标对应的运动角度的z分数和运动速度的z分数；对运动角度的z分数和运动速度的z分数进行多次多尺度1D卷积特征提取，以提取第一时间信息；对运动角度的z分数和运动速度的z分数进行双向RNN特征提取，以提取第二时间信息；根据运动角度的z分数、运动速度的z分数以及第二时间信息获取待处理轨迹上的目标坐标与其他坐标之间的潜在关系；对第一时间信息、第二时间信息和潜在关系进行特征合并，并进行全连接降维处理；根据全连接降维处理后的结果计算待处理轨迹上各坐标的移除概率。
具体而言，目标处理模型的结构可如图2所示，其中，目标处理模型由预处理单元、多个多尺度1D卷积特征提取单元(图2中仅示出多尺度1D卷积特征提取单元1和多尺度1D卷积特征提取单元2)、双向RNN单元、注意力机制单元、特征合并单元、全连接降维单元和坐标去除概率计算单元构成。
其中，可先通过预处理单元对所述待处理轨迹进行预处理以获取所述待处理轨迹上各坐标对应的运动角度的z分数和运动速度的z分数。
具体地，可令x表示预处理单元的输入，x∈Rb×s×2，其中，b为批大小，s为坐标序列的最大长度(坐标的最大数量)，最后一个维度的第1维度代表坐标对应的运动角度，第2维度代表坐标对应的运动速度。
分别从输入中提取出各坐标对应的运动角度和运动速度，然后分别对二者执行z-分数(z-score)标准化，即，
其中，X表示运动角度或者运动速度，μ代表同一个坐标序列中的相应数据(运动角度或者运动速度)的平均值，σ代表同一个轨迹序列中的相应数据(速度或者角度)的标准差。令Opre表示预处理单元的输出，则Opre∈Rb×s×2。
其次，通过多个多尺度1D卷积特征提取单元对预处理单元的输出(待处理轨迹上各坐标对应的运动角度的z分数和运动速度的z分数)进行多次多尺度1D卷积特征提取，以提取第一时间信息。
具体地，以图2中示出的多尺度1D卷积特征提取单元1和多尺度1D卷积特征提取单元2为例。通过多尺度1D卷积特征提取单元1和多尺度1D卷积特征提取单元2对预处理单元的输出进行多尺度1D卷积特征提取，以提取不同尺度的时间信息。其中，多尺度1D卷积特征提取单元1和多尺度1D卷积特征提取单元2的处理逻辑类似于GoogLeNet中的Inception模块，其处理逻辑如图3所示。其中，“1D卷积Wn”表示窗口长度为n(n为正整数)的一维卷积运算，“1D最大值池化W3”表示窗口长度为3的一维最大值池化运算。多尺度1D卷积特征提取单元1将图3所示的各个一维卷积运算以及最大值池运算的结果张量合并成一个向量作为多尺度1D卷积特征提取单元1的输出。其中，可令Omc1代表多尺度1D卷积特征提取单元1的输出，Omc1∈Rb×s×c1，其中，c1表示多尺度1D卷积特征提取单元1提取的特征数量。多尺度1D卷积特征提取单元2的处理方式与多尺度1D卷积特征提取单元1的处理方式相同。多尺度1D卷积特征提取单元2的输入为多尺度1D卷积特征提取单元1的输出，可令Omc2代表多尺度1D卷积特征提取单元2的输出Omc2∈Rb×s×c2，其中，c2表示多尺度1D卷积特征提取单元2提取的特征数量。
然后，通过双向RNN单元对预处理单元的输出(运动角度的z分数和运动速度的z分数)进行双向RNN特征提取，以提取双向时间信息，即第二时间信息。
具体地，双向RNN单元的输入可为预处理单元的输出Opre，双向RNN单元可从输入中提取出时间上的特征，其中，双向RNN单元可采用一个双向GRU(Gated Recurrent Unit，门控循环单元)实现相应的处理逻辑。该双向RNN单元有多个输出，其中各输出的说明可如下表一所示。
表一
另外，可通过注意力机制单元根据运动角度的z分数、运动速度的z分数以及第二时间信息获取待处理轨迹上的目标坐标与其他坐标之间的潜在关系。
具体地，注意力机制单元的输入可为预处理单元的输出和双向RNN单元的输出，可令Oatt表示注意力机制单元的输出，Oatt∈Rb×s×a，其中，a表示当前注意力机制单元提取的特征数量，且a＝u*2+2。
其中，注意力机制单元用于捕获某个坐标的去除情况与模型输入的整个序列中的其他坐标之间存在的潜在关系。该注意力机制单元的具体的注意力机制基于Bahdanau加性注意力(Bahdanau Additive Attention)。令q代表查询条件(Query)，v代表值(Value)，则
q＝expand_dims(Ohs1[；]Ohs2)，1)，
其中，“[；]”代表按最后一个维度的进行的张量拼接操作(Concatenation)。expand_dims(.，1)表示在输入张量“.”的第一维处插入一个维度。
v＝Opre，
即v的取值为预处理单元的输出。
注意力机制单元的内部处理逻辑可用以下公式表示：
其中，score函数用于计算q和v之间的相容程度，其中Va、W1和W2表示权重矩阵，T表示矩阵转置操作，tanh表示双曲线正切函数。
令z＝score(q，v)，则
其中，e表示自然底数，Oatt表示上下文向量(Context Vector)，即注意力机制单元的输出。
此外，可通过特征合并单元对第一时间信息、第二时间信息和潜在关系进行特征合并，并通过全连接降维单元进行全连接降维处理。
具体地，特征合并单元的输入可包括多个输入，即Opre(对应预处理单元的输出)、Omc2(对应多尺度1D卷积特征提取单元2的输出)、Ornn(对应双向RNN单元的输出)及Oatt(对应注意力机制单元的输出)。特征合并单元通过对所有输出按最后一个维度进行张量合并后，可输出相应的特征合并处理结果。另Of表示特征合并单元的输出，Of∈Rb×s×f，其中，f＝(a+u+c2+2)。
全连接降维单元的输入可为特征合并单元的的输出Of，全连接降维单元可采用多层感知器(Multi-layer Perceptron)对输入进行降维。可令Ofc表示全连接降维处理后的结果，即全连接降维单元的输出，Ofc∈Rb×s×10。
进一步而言，可通过坐标去除概率计算单元根据全连接降维处理后的结果计算待处理轨迹上各坐标的移除概率。
根据本发明的一个实施例，根据全连接降维处理后的结果计算待处理轨迹上各坐标的移除概率，包括：对根据全连接降维处理后的结果进行线性回归运算，并采用Sigmoid函数作为激活函数，以计算待处理轨迹上各坐标的移除概率。
具体地，坐标去除概率计算单元的输入为全连接降维单元的输出Ofc，坐标去除概率计算单元执行线性回归运算，并采用Sigmoid函数作为其输出的激活函数。令y表示坐标去除概率计算单元的输出，y∈Rb×s×1。
S3，通过二分类模型根据移除概率对待处理轨迹进行平滑化处理。
具体而言，可通过二分类模型根据移除概率对待处理轨迹进行平滑化处理。其中，数据集标签中的“1”表示去除相应坐标，即正例；“0”表示保留相应坐标，即反例。通过统计数据集中标签值的分布情况发现，这个两个类别(即“0”和“1”)的分布是不均匀的。因此，为了避免模型总是倾向于将结果预测为占大多数的那一类(即“0”)，可从二分类模型的目标函数(Objective function，也被称为损失函数)的设计入手解决该类别不均衡问题。
具体地，可先分别统计出训练集中标签值为“1”和标签值为“0”样例(Example)的个数，并用这两个数字组成一个向量用于表示类别权重的向量CW，即
其中，Npos和Nneg分别代表正例和反例的数量。
然后，建立一个用于表示样例权重的向量SW。SW的每个分量满足如下条件：
其中，s表示模型输入序列的最大长度，|D|表示数据集的大小，
表示第i个SW的第j个分量，
代表第i个样例的第j个轨迹点的标签值。
进而目标函数可依据以下公式计算：
其中，bce表示Keras中用于计算二分交叉熵(keras.losses.BinaryCrossentropy)的函数；yi表示第i个样例的标签值；
表示模型对第i个样例的预测值(即模型的输出)；SW代表样例权重；expand_dims表示对其输入中的指定维度处插入一个维度的函数；
表示指示器函数，当其输入表达式成立时该函数的返回值为1，否则该函数的返回值为0；函数
的输入中之所以用“-1”作为判断条件是因为“-1”是一个填充值，即当模型的输入序列长度小于最大序列长度时，我们会用“-1”作为填充样例的标签。
综上所述，根据本发明实施例的卫星定位轨迹的平滑化方法，建立目标处理模型，并根据目标处理模型对待处理轨迹的坐标序列进行处理，以获取待处理轨迹上各坐标的移除概率，以及通过二分类模型根据移除概率对待处理轨迹进行平滑化处理。由此，基于机器学习并且以大数据为依托，能够准确有效地去除卫星定位轨迹中的噪声点和冗余点，并且无法采用繁琐的计算公式，方法较为简单。
对应上述实施例，本发明还提出一种卫星定位轨迹的平滑化装置。
如图4所示，本发明实施例的卫星定位轨迹的平滑化装置可包括：模型建立模块100、获取模块200和处理模块300。
其中，模型建立模块100用于建立目标处理模型；获取模块200用于根据目标处理模型对待处理轨迹的坐标序列进行处理，以获取待处理轨迹上各坐标的移除概率；处理模块300用于通过二分类模型根据移除概率对待处理轨迹进行平滑化处理。
根据本发明的一个实施例，获取模块200具体用于：对待处理轨迹进行预处理以获取待处理轨迹上各坐标对应的运动角度的z分数和运动速度的z分数；对运动角度的z分数和运动速度的z分数多次进行多尺度1D卷积特征提取，以提取不同尺度的第一时间信息；对运动角度的z分数和运动速度的z分数进行双向RNN特征提取，以提取第二时间信息；根据运动角度的z分数、运动速度的z分数以及第二时间信息获取待处理轨迹上的目标坐标与其他坐标之间的潜在关系；对第一时间信息、第二时间信息和潜在关系进行特征合并，并进行全连接降维处理；根据全连接降维处理后的结果计算待处理轨迹上各坐标的移除概率。
根据本发明的一个实施例，获取模块200具体还用于：对根据全连接降维处理后的结果进行线性回归运算，并采用Sigmoid函数作为激活函数，以计算所述待处理轨迹上各坐标的所述移除概率。
需要说明的是，本发明实施例的卫星定位轨迹的平滑化装置更具体的实施方式可参照上述卫星定位轨迹的平滑化方法的实施例，在此不再赘述。
根据本发明实施例的卫星定位轨迹的平滑化装置，通过模型建立模块建立目标处理模型，以及通过获取模块根据所述目标处理模型对待处理轨迹的坐标序列进行处理，以获取所述待处理轨迹上各坐标的移除概率，并通过处理模块通过二分类模型根据所述移除概率对所述待处理轨迹进行平滑化处理。由此，基于机器学习并且以大数据为依托，能够准确有效地去除卫星定位轨迹中的噪声点和冗余点，并且无法采用繁琐的计算公式，方法较为简单。
对应上述实施例，本发明还提出一种计算机设备。
本发明实施例的计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现上述实施例的卫星定位轨迹的平滑化方法。
根据本发明实施例的计算机设备，基于机器学习并且以大数据为依托，能够准确有效地去除卫星定位轨迹中的噪声点和冗余点，并且无法采用繁琐的计算公式，方法较为简单。
对应上述实施例，本发明还提出一种非临时性计算机可读存储介质。
本发明实施例的非临时性计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述的卫星定位轨迹的平滑化方法。
根据本发明实施例的非临时性计算机可读存储介质，基于机器学习并且以大数据为依托，能够准确有效地去除卫星定位轨迹中的噪声点和冗余点，并且无法采用繁琐的计算公式，方法较为简单。
在本发明的描述中，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一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
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、结构、材料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针对相同的实施例或示例。而且，描述的具体特征、结构、材料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 (8)
1.一种卫星定位轨迹的平滑化方法，其特征在于，包括以下步骤：
建立目标处理模型；
根据所述目标处理模型对待处理轨迹的坐标序列进行处理，以获取所述待处理轨迹上各坐标的移除概率；
通过二分类模型根据所述移除概率对所述待处理轨迹进行平滑化处理。
2.根据权利要求1所述的卫星定位轨迹的平滑化方法，其特征在于，所述根据所述目标处理模型对待处理轨迹的坐标序列进行处理，以获取所述待处理轨迹中各坐标的移除概率，包括：
对所述待处理轨迹进行预处理以获取所述待处理轨迹上各坐标对应的运动角度的z分数和运动速度的z分数；
对所述运动角度的z分数和所述运动速度的z分数进行多次多尺度1D卷积特征提取，以提取第一时间信息；
对所述运动角度的z分数和所述运动速度的z分数进行双向RNN特征提取，以提取第二时间信息；
根据所述运动角度的z分数、所述运动速度的z分数以及所述第二时间信息获取所述待处理轨迹上的目标坐标与其他坐标之间的潜在关系；
对所述第一时间信息、所述第二时间信息和所述潜在关系进行特征合并，并进行全连接降维处理；
根据全连接降维处理后的结果计算所述待处理轨迹上各坐标的移除概率。
3.根据权利要求2所述的卫星定位轨迹的平滑化方法，其特征在于，所述根据全连接降维处理后的结果计算所述待处理轨迹上各坐标的移除概率，包括：
对根据全连接降维处理后的结果进行线性回归运算，并采用Sigmoid函数作为激活函数，以计算所述待处理轨迹上各坐标的所述移除概率。
4.一种卫星定位轨迹的平滑化装置，其特征在于，包括以下步骤：
模型建立模块，所述模型建立模块用于建立目标处理模型；
获取模块，所述获取模块用于根据所述目标处理模型对待处理轨迹的坐标序列进行处理，以获取所述待处理轨迹上各坐标的移除概率；
处理模块，所述处理模块用于通过二分类模型根据所述移除概率对所述待处理轨迹进行平滑化处理。
5.根据权利要求4所述的卫星定位轨迹的平滑化装置，其特征在于，所述获取模块具体用于：
对所述待处理轨迹进行预处理以获取所述待处理轨迹上各坐标对应的运动角度的z分数和运动速度的z分数；
对所述运动角度的z分数和所述运动速度的z分数多次进行多尺度1D卷积特征提取，以提取不同尺度的第一时间信息；
对所述运动角度的z分数和所述运动速度的z分数进行双向RNN特征提取，以提取第二时间信息；
根据所述运动角度的z分数、所述运动速度的z分数以及所述第二时间信息获取所述待处理轨迹上的目标坐标与其他坐标之间的潜在关系；
对所述第一时间信息、所述第二时间信息和所述潜在关系进行特征合并，并进行全连接降维处理；
根据全连接降维处理后的结果计算所述待处理轨迹上各坐标的移除概率。
6.根据权利要求5所述的卫星定位轨迹的平滑化装置，其特征在于，所述获取模块具体还用于：
对根据全连接降维处理后的结果进行线性回归运算，并采用Sigmoid函数作为激活函数，以计算所述待处理轨迹上各坐标的所述移除概率。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现根据权利要求1-3中任一项所述的卫星定位轨迹的平滑化方法。
8.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现根据权利要求1-3中任一项所述的卫星定位轨迹的平滑化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110889664.8A CN113759400B (zh) | 2021-08-04 | 2021-08-04 | 卫星定位轨迹的平滑化方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110889664.8A CN113759400B (zh) | 2021-08-04 | 2021-08-04 | 卫星定位轨迹的平滑化方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113759400A true CN113759400A (zh) | 2021-12-07 |
| CN113759400B CN113759400B (zh) | 2024-02-27 |
Family
ID=78788476
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110889664.8A Active CN113759400B (zh) | 2021-08-04 | 2021-08-04 | 卫星定位轨迹的平滑化方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113759400B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106127802A (zh) * | 2016-06-16 | 2016-11-16 | 南京邮电大学盐城大数据研究院有限公司 | 一种运动目标轨迹追踪方法 |
| CN108873030A (zh) * | 2018-07-11 | 2018-11-23 | 上海斐讯数据通信技术有限公司 | 一种gps轨迹优化方法及系统 |
| US10451712B1 (en) * | 2019-03-11 | 2019-10-22 | Plato Systems, Inc. | Radar data collection and labeling for machine learning |
| WO2020185209A1 (en) * | 2019-03-11 | 2020-09-17 | Plato Systems, Inc. | Radar data collection and labeling for machine-learning |
| WO2020191642A1 (zh) * | 2019-03-27 | 2020-10-01 | 深圳市大疆创新科技有限公司 | 轨迹预测方法及装置、存储介质、驾驶系统与车辆 |
| US20200327680A1 (en) * | 2019-04-12 | 2020-10-15 | Beijing Moviebook Science and Technology Co., Ltd. | Visual target tracking method and apparatus based on deep adversarial training |
| CN111857160A (zh) * | 2020-08-17 | 2020-10-30 | 武汉中海庭数据技术有限公司 | 一种无人车路径规划方法和装置 |
| CN111929715A (zh) * | 2020-06-28 | 2020-11-13 | 杭州云起智慧校园科技有限公司 | 一种用于校徽的定位方法、装置、设备及存储介质 |
| CN112562372A (zh) * | 2020-11-30 | 2021-03-26 | 腾讯科技（深圳）有限公司 | 一种轨迹数据的处理方法以及相关装置 |
| CN112966108A (zh) * | 2021-03-08 | 2021-06-15 | 北京百度网讯科技有限公司 | 检测数据和训练分类模型的方法、装置、设备和存储介质 |
| WO2021134169A1 (zh) * | 2019-12-30 | 2021-07-08 | 华为技术有限公司 | 一种轨迹预测方法及相关设备 |
-
2021
- 2021-08-04 CN CN202110889664.8A patent/CN113759400B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106127802A (zh) * | 2016-06-16 | 2016-11-16 | 南京邮电大学盐城大数据研究院有限公司 | 一种运动目标轨迹追踪方法 |
| CN108873030A (zh) * | 2018-07-11 | 2018-11-23 | 上海斐讯数据通信技术有限公司 | 一种gps轨迹优化方法及系统 |
| US10451712B1 (en) * | 2019-03-11 | 2019-10-22 | Plato Systems, Inc. | Radar data collection and labeling for machine learning |
| WO2020185209A1 (en) * | 2019-03-11 | 2020-09-17 | Plato Systems, Inc. | Radar data collection and labeling for machine-learning |
| WO2020191642A1 (zh) * | 2019-03-27 | 2020-10-01 | 深圳市大疆创新科技有限公司 | 轨迹预测方法及装置、存储介质、驾驶系统与车辆 |
| US20200327680A1 (en) * | 2019-04-12 | 2020-10-15 | Beijing Moviebook Science and Technology Co., Ltd. | Visual target tracking method and apparatus based on deep adversarial training |
| WO2021134169A1 (zh) * | 2019-12-30 | 2021-07-08 | 华为技术有限公司 | 一种轨迹预测方法及相关设备 |
| CN111929715A (zh) * | 2020-06-28 | 2020-11-13 | 杭州云起智慧校园科技有限公司 | 一种用于校徽的定位方法、装置、设备及存储介质 |
| CN111857160A (zh) * | 2020-08-17 | 2020-10-30 | 武汉中海庭数据技术有限公司 | 一种无人车路径规划方法和装置 |
| CN112562372A (zh) * | 2020-11-30 | 2021-03-26 | 腾讯科技（深圳）有限公司 | 一种轨迹数据的处理方法以及相关装置 |
| CN112966108A (zh) * | 2021-03-08 | 2021-06-15 | 北京百度网讯科技有限公司 | 检测数据和训练分类模型的方法、装置、设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| JA ZBINDEN等: ""Migratory dichotomy and associated phenotypic variation in marine turtles revealed by satellite tracking and stable isotope analysis"", 《MARINE ECOLOGY PROGRESS SERIES MAR ECOL PROG SER》, pages 291 - 302 * |
| 田震等: ""基于北斗/GPS 车辆定位系统的设计与测试"", 《信息工程》, pages 38 - 41 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113759400B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108171232B (zh) | 基于深度学习算法的细菌性与病毒性儿童肺炎的分类方法 | |
| CN109934285B (zh) | 一种基于深度学习的图像分类神经网络压缩模型的系统 | |
| JP5957629B1 (ja) | 診療計画を導くための画像の構造形状を自動的に表示する方法及び装置 | |
| CN111476796B (zh) | 一种结合多种网络的半监督冠状动脉分割系统及分割方法 | |
| JP2008080132A (ja) | 高次元画像空間内の対象を検出するためのシステム及び方法 | |
| US11887303B2 (en) | Image processing model generation method, image processing method and device, and electronic device | |
| Taqi et al. | Skin lesion detection by android camera based on SSD-Mo-bilenet and tensorflow object detection API | |
| CN113111804B (zh) | 一种人脸检测的方法、装置、电子设备及存储介质 | |
| CN111429481B (zh) | 一种基于自适应表达的目标追踪方法、装置及终端 | |
| Sadeghi et al. | Fast template evaluation with vector quantization | |
| Priya | Resnet based feature extraction with decision tree classifier for classificaton of mammogram images | |
| Lopez et al. | A clinical decision support tool to detect invasive ductal carcinoma in histopathological images using support vector machines, Naïve-Bayes, and K-nearest neighbor classifiers | |
| CN110020638B (zh) | 人脸表情识别方法、装置、设备和介质 | |
| Hao et al. | VP-Detector: A 3D multi-scale dense convolutional neural network for macromolecule localization and classification in cryo-electron tomograms | |
| Sangeetha et al. | Diagnosis of pneumonia using image recognition techniques | |
| CN113989838A (zh) | 行人重识别模型训练方法、识别方法、系统、装置及介质 | |
| CN111753736A (zh) | 基于分组卷积的人体姿态识别方法、装置、设备和介质 | |
| CN115984671A (zh) | 模型在线更新方法、装置、电子设备及可读存储介质 | |
| CN111798455A (zh) | 一种基于全卷积密集空洞网络的甲状腺结节实时分割方法 | |
| CN113759400A (zh) | 卫星定位轨迹的平滑化方法和装置 | |
| Mursalin et al. | EpNet: A deep neural network for ear detection in 3D point clouds | |
| CN112862767B (zh) | 基于度量学习的解决难分不平衡样本的表面缺陷检测方法 | |
| CN115170599A (zh) | 通过图神经网络的链路预测进行血管分割的方法和装置 | |
| Younas et al. | An Efficient Methodology for the Classification of Invasive Ductal Carcinoma Using Transfer Learning | |
| CN108154107B (zh) | 一种确定遥感图像归属的场景类别的方法 |
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 |