CN111723304B - 一种轨迹点识别方法和相关装置 - Google Patents
一种轨迹点识别方法和相关装置 Download PDFInfo
- Publication number
- CN111723304B CN111723304B CN202010005902.XA CN202010005902A CN111723304B CN 111723304 B CN111723304 B CN 111723304B CN 202010005902 A CN202010005902 A CN 202010005902A CN 111723304 B CN111723304 B CN 111723304B
- Authority
- CN
- China
- Prior art keywords
- track
- points
- motion
- track points
- adjacent
- 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 82
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 230000000386 athletic effect Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000037147 athletic performance Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Navigation (AREA)
Abstract
本申请实施例公开了一种轨迹点识别方法和相关装置,获取针对运动事件的轨迹点序列,所述轨迹点序列包括属于所述运动事件的多个轨迹点;确定所述轨迹点序列中相邻轨迹点间的运动信息;所述运动信息用于体现所述相邻轨迹点间的运动连贯性;根据所述运动信息和运动学条件对所述多个轨迹点进行分组,其中,若所述相邻轨迹点间的运动信息满足所述运动学条件,将所述相邻轨迹点归为同一组,若所述相邻轨迹点间的运动信息不满足所述运动学条件,将所述相邻轨迹点分在不同组;针对已完成分组的目标分组,确定所述目标分组的分组特征是否满足噪声条件;若满足,将所述目标分组中的轨迹点识别为相对于所述运动事件的噪声点,实现了对运动对象(如:汽车、人、电动车等)的运动轨迹的识别。
Description
技术领域
本申请涉及数据处理领域,特别是涉及一种轨迹点识别方法和相关装置。
背景技术
终端定位技术所应用的领域非常广泛,其中较为常见的是生成体现运动事件的运动轨迹。例如针对一次网约车事件,可以通过司机手机的定位能力,生成体现本次网约车事件中车辆行驶路线的车辆行驶轨迹,又例如针对用户的一次跑步事件,可以通过用户手环的定位能力,生成体现用户跑步路线的用户移动轨迹等。生成的运动轨迹为用户的工作、生活带来了很多便利。
目前的相关技术中,主要通过终端上报的轨迹点来生成运动轨迹,上报的轨迹点是根据终端自身定位模块采集的定位信息所确定的。在一些情况下,例如建筑物遮挡、定位信号波动等原因,会出现终端确定出的某些轨迹点与实际位置相差较大的情况,这类轨迹点一般被称为噪声点,属于生成运动轨迹中的噪声信息,如果不对噪声点进行有效排查,会对基于轨迹点生成的运动轨迹产生较大影响,例如得到异常的运动轨迹。
发明内容
为了解决上述技术问题,本申请提供了一种轨迹点识别的方法和相关装置,能够提高噪声点的识别准确度。
有鉴于此,本申请实施例公开了如下技术方案:
第一方面,本申请实施例提供了一种轨迹点识别方法,所述方法包括:
获取针对运动事件的轨迹点序列,所述轨迹点序列包括属于所述运动事件的多个轨迹点;
确定所述轨迹点序列中相邻轨迹点间的运动信息;所述运动信息用于体现所述相邻轨迹点间的运动连贯性;
根据所述运动信息和运动学条件对所述多个轨迹点进行分组,其中,若所述相邻轨迹点间的运动信息满足所述运动学条件,将所述相邻轨迹点归为同一组,若所述相邻轨迹点间的运动信息不满足所述运动学条件,将所述相邻轨迹点分在不同组;
针对已完成分组的目标分组,确定所述目标分组的分组特征是否满足噪声条件;
若满足,将所述目标分组中的轨迹点识别为相对于所述运动事件的噪声点。
第二方面,本申请实施例提供了一种轨迹点识别装置,所述装置包括第一获取单元,第一确定单元,分组单元和识别单元:
所述第一获取单元,用于获取针对运动事件的轨迹点序列,所述轨迹点序列包括属于所述运动事件的多个轨迹点;
所述第一确定单元,用于确定所述轨迹点序列中相邻轨迹点间的运动信息;所述运动信息用于体现所述相邻轨迹点间的运动连贯性;
所述分组单元,用于根据所述运动信息和运动学条件对所述多个轨迹点进行分组,其中,若所述相邻轨迹点间的运动信息满足所述运动学条件,将所述相邻轨迹点归为同一组,若所述相邻轨迹点间的运动信息不满足所述运动学条件,将所述相邻轨迹点分在不同组;
所述第一确定单元,还用于针对已完成分组的目标分组,确定所述目标分组的分组特征是否满足噪声条件;
所述识别单元,用于若所述目标分组的分组特征满足噪声条件,将所述目标分组中的轨迹点识别为相对于所述运动事件的噪声点。
第三方面,本申请实施例提供了一种用于轨迹点识别的设备,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行上述第一方面所述轨迹点识别的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机程序,所述计算机程序用于执行上述第一方面所述轨迹点识别的方法。
由上述技术方案可以看出,根据针对运动事件的轨迹点序列,确定轨迹点序列中相邻轨迹点间的运动信息,该运动信息可以体现出运动事件所对应运动对象在相邻轨迹点间的运动连贯性,故可以根据运动信息和运动学条件对轨迹点序列中的多个轨迹点进行分组,基于轨迹点序列的时序关系,将运动信息较为相近的轨迹点归为同一组,使得处于同一组中的轨迹点具有相似的运动连贯性,体现出的整体运动趋势近似,可以作为一个整体来进行后续噪声点识别。针对已完成分组中的任意一个分组,例如目标分组,若目标分组的分组特征符合漂移点的特性,即噪声条件,将目标分组中的轨迹点统一确定为相对于该运动事件的噪声点。这种通过运动信息进行轨迹点分组的方式,将具有运动连贯性的轨迹点分为一组,以组为单位来识别噪声点,由于一组具有相似的运动连贯性轨迹点,相对于单个轨迹点可以为噪声点识别提供更为全面的信息,降低了轨迹点错误识别、漏识别的概率,并达到较高的识别效率。使得后续基于轨迹点确定的运动轨迹符合实际轨迹的可能性提高。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的轨迹点识别方法的应用场景示意图;
图2为本申请实施例提供的轨迹点识别方法的流程示意图;
图3为本申请实施例提供的相邻轨迹点的角度差的示意图;
图4为本申请实施例提供的一种产生噪声点的场景示意图;
图5为本申请实施例提供的另一种产生噪声点的场景示意图;
图6为本申请实施例提供的一种用于轨迹点识别的方法的流程示意图;
图7为本申请实施例提供的一种生成子轨迹的场景示意图;
图8为本申请实施例提供的一种生成子轨迹的方法的流程示意图;
图9为本申请实施例提供的基于定位精度的正态分布识别噪声点的示意图;
图10为本申请实施例提供的按照定位精度基于盒图统计识别噪声点的示意图;
图11为本申请实施例提供的一种原始运动轨迹的场景示意图;
图12为本申请实施例提供的一种轨迹点识别方法的流程示意图;
图13为本申请实施例提供的一种轨迹点识别的应用场景示意图;
图14为本申请实施例提供的服务器的结构示意图;
图15为本申请实施例提供的终端设备的结构示意图。
具体实施方式
下面结合附图,对本申请的实施例进行描述。
在一些相关技术中,针对轨迹点序列中噪声点的确定是基于单个轨迹点进行确定的,例如可以通过判断前后两个轨迹点的平均速度是否异常识别得到。该方法判断当前轨迹点是否是噪声点,需要以前一个轨迹点作为参考点。但是,由于单个轨迹点的信息可信程度不高时,其作为参考点在确定噪声点时会出现不正确的确定结果,并会影响后续轨迹点的噪声点确定结果,容易导致实际噪声点未被识别,从而基于轨迹点得到错误的运动轨迹。
为了提高对轨迹点中噪声点的识别准确度,本申请实施例提供了一种轨迹点识别的方法,该方法基于分组识别轨迹点序列中的噪声点,提高了轨迹点序列中的噪声点识别的准确度。
本申请实施例提供的轨迹点识别方法可以应用于具有轨迹点识别能力的轨迹点识别设备,例如终端设备或服务器,该方法可以通过终端设备独立执行,也可以通过服务器独立执行,也可以应用于终端设备和服务器通信的网络场景,通过终端设备和服务器配合执行。其中,终端设备可以为手机、台式计算机、便携式计算机等;服务器可以理解为是应用服务器,也可以为Web服务器,在实际部署时,该服务器可以为独立服务器,也可以为集群服务器。
下面结合附图对可以应用本申请实施例提供的轨迹点识别方法的应用场景进行介绍。在本应用场景中,轨迹点识别设备具体为服务器。
参考图1,图1为本申请实施例提供的轨迹点识别的应用场景示意图。如图1所示,在该应用场景中,包括:终端101和服务器102。其中,终端101可以是在运动事件中通过定位生成轨迹点的设备,将依据生成时序确定的轨迹点序列向服务器102上报。服务器102,用于接收终端发送的轨迹点序列,并对轨迹点序列中的轨迹点进行噪声点识别。
具体的,服务器102可以接收终端101发送针对运动事件的轨迹点序列,其中,终端101可以按照时序关系将轨迹点序列实时地发送给服务器102,也可以将存储的轨迹点序列发送给服务器102。
在本申请实施例中,一个运动事件可以为理解为运动对象进行的一次具有起点、终点的运动行为,运动事件的类型可以与运动对象相关。例如,网约车可以属于一种运动事件,一次网约车中,作为运动对象的网约车辆通过约定的起点行驶到终点的过程可以作为一个运动事件。又例如,用户夜跑也可以属于一种运动事件,在一次夜跑中,作为运动对象的用户从开始跑步到结束的过程可以作为一个运动事件。
轨迹点序列是针对运动事件生成的定位点按照时序关系排列而成的序列,例如,图1所示的轨迹点序列{x1,x2,x3,x4,x5,x6,x7}。
服务器102根据轨迹点序列中的每个轨迹点的定位信息,确定相邻的轨迹点之间的运动信息,通过该运动信息能够体现进行该运动事件的运动对象在相邻轨迹点间的运动连贯性程度。例如图1所示的场景中,服务器102接收到轨迹点序列{x1,x2,x3,x4,x5,x6,x7}后,根据相邻轨迹点xn和xn+1的定位信息,得到从轨迹点xn运动到xn+1的运动信息其中,n取值为1,2,3,4,5,6,即服务器102根据轨迹点序列{x1,x2,x3,x4,x5,x6,x7}得到对应的运动信息/>
服务器102可以通过依据轨迹点时序依次确定上述运动信息是否满足运动学条件,根据确定结果对该轨迹点序列进行分组,将满足运动学条件的相邻轨迹点分在同一组中,将不满足的运动学条件的相邻轨迹点分在不同组,由此得到多个分组。本申请实施例中运动学条件通过运动学的分析原理,识别运动信息是否合理,从而以此衡量相邻轨迹点间是否具有运动连贯性。例如图1所示场景中,服务器102可以分别确定运动信息是否满足运动学条件,根据确定结果对轨迹点序列{x1,x2,x3,x4,x5,x6,x7}进行分组。若运动信息/>满足运动学条件,将轨迹点x1和x2归于同一个分组G1;若运动信息/>满足运动学条件,将轨迹点x2和x3分为同一组,并将x3归于轨迹点x2所在的分组G1中;若运动信息不满足运动学条件,轨迹点x3和x4分在不同组,将x4归于分组G2中,基于此,分组G1包括:x1、x2和x3;若运动信息/>不满足运动学条件,轨迹点x4和x5分在不同组,将x5归于分组G3中,基于此,分组G2包括:x4;若运动信息/>和/>都满足运动学条件,将轨迹点x5、x6和x7归于同一组,并将轨迹点x6和x7归于轨迹点x5所在的分组G3中,基于此,分组G3包括:x5、x6和x7。
由于每个分组中的轨迹点都具有运动连贯性,因此,分组中的轨迹点的整体运动趋势相同或相近,故能够将每个分组看作一个整体进行噪声点识别。
针对已经完成的分组,服务器102以组为单位,对完成了上述分组G1、G2和G3中的一个作为目标分组,确定其是否满足噪声条件,若是,将该目标分组中的所有轨迹点识别为噪声点。在图1所示场景中分组G1和G3的分组特征不满足噪声条件,分组G2的分组特征满足噪声条件,则分组G2中包括的轨迹点x4被识别为噪声点,即轨迹点序列{x1,x2,x3,x4,x5,x6,x7}中包括噪声点x4。
由于相较于单个轨迹点,分组具有更全面的信息,能够更真实的反映运动对象的运动趋势,因此,以组为单位进行噪声点识别能够提高噪声点识别的准确度。下面通过实施例对本申请提供的轨迹点识别方法进行具体介绍。
参见图2,图2为本申请实施例提供的轨迹点识别方法的流程示意图。为了方便描述,以服务器作为轨迹点识别方法的执行主体,对该轨迹点识别方法进行介绍。如图2所示,该轨迹点识别方法包括以下步骤:
S201:获取针对运动事件的轨迹点序列,所述轨迹点序列包括属于所述运动事件的多个轨迹点。
服务器接收终端上报的针对运动事件的轨迹点序列,其中,终端可以实时地向服务器上报该运动事件的轨迹点序列,终端也可以在该运动事件完成后再向服务器上报该运动事件的轨迹点序列。
服务器可以根据应用场景的不同或处理需求的不同选择获取轨迹点序列进行噪声点识别的时机。在一种可行的实施方式中,所述轨迹点序列对应完整或部分的所述运动事件。
例如服务器可以在确定运动事件结束时获取与该运动事件的轨迹点序列,此时获取的轨迹点序列对应完整的运动事件。服务器也可以在运动事件未结束前,实时获取与该运动事件的轨迹点序列,此时获取的轨迹点序列对应部分的运动事件。
当轨迹点序列对应完整的运动事件时,服务器可以对轨迹点序列中的所有轨迹点进行统一处理,以降低对服务器的性能要求,加快轨迹点识别速度。当轨迹点序列对应部分的运动事件时,服务器可以实时地进行轨迹点识别,从而实现对运动轨迹的实时纠偏,使得当前生成的运动轨迹与实际运动轨迹相符,方便用户随时查看。
需要说明的是,上述终端向服务器上报轨迹点只是示例性说明,实际应用中,可以是服务器向执行轨迹点识别方法的服务器上报轨迹点序列,根据不同的情况设定,在此不作任何限定。
S202:确定所述轨迹点序列中相邻轨迹点间的运动信息;所述运动信息用于体现所述相邻轨迹点间的运动连贯性。
服务器可以根据轨迹点序列中包括的轨迹点的定位信息,确定该轨迹点序列中相邻轨迹点间的运动信息。其中,轨迹点的定位信息可以包括:终端向服务器上报轨迹点的时刻,轨迹点的经纬度等等。
由于服务器进行噪声点识别是以轨迹点的整体运动趋势作为依据的,因此,服务器可以根据每个轨迹点的定位信息,确定出相邻轨迹点之间的运动信息,该运动信息用于标识相邻轨迹点间的运动学信息,可以从运动学角度体现出该相邻轨迹点间的运动连贯程度。
本申请实施例并不限定所确定运行信息的具体表现形式,在一种可能的实现方式中,运动信息可以包括以下任意一种或多种的组合:
相邻轨迹点的上报时间间隔;相邻轨迹点所标识间距;相邻轨迹点的上报时间间隔;相邻轨迹点所标识间距;根据相邻轨迹点的上报时间间隔,完成相邻轨迹点所标识间距的速度;相邻轨迹点运动方向间的角度差。
其中,相邻轨迹点的上报时间间隔的长短可以从一个层面体现出这两个轨迹点的运动连贯程度。例如第i个轨迹点和第i+1个轨迹点间上报时间间隔过长时,相当于运动事件中的运动对象运动了很长时间在从第i个轨迹点所标识位置运动到第i+1个轨迹点所标识位置,这段时间内运动对象的运动方式出现改变的可能性很大,故一些情况下,上报时间间隔过长可以体现相邻轨迹点的运动连贯程度较低。一般情况下,上报时间间隔越长,所体现的运动连贯性越低。
相邻轨迹点所标识间距的长短同样可以从一个层面体现出这两个轨迹点的运动连贯程度。由于一般轨迹点的上报是基于固定周期的,当所标识间距过长时,那么运动对象显然在相邻轨迹点间的运动方式出现了改变,导致该相邻轨迹点间的运动连贯程度很低。一般情况下,所标识间距越长,所体现的运动连贯性越低。
根据相邻轨迹点的上报时间间隔,完成相邻轨迹点所标识间距的速度也可以从一个层面体现出这两个轨迹点的运动连贯程度。当相邻轨迹点间的速度超出了进行该运动事件的运动对象的合理速度范围时,那么运动对象显然在相邻轨迹点间的运动方式出现了改变,导致该相邻轨迹点间的运动连贯程度很低。一般情况下,速度越快,所体现的运动连贯性越低。
相邻轨迹点运动方向间的角度差也可以从一个层面体现出这两个轨迹点的运动连贯程度。角度差可以体现相邻轨迹点运动方向的改变程度,当出现较大角度改变时,那么运动对象显然在相邻轨迹点间的运动方式出现了改变,导致该相邻轨迹点间的运动连贯程度很低。一般情况下,角度差越大,所体现的运动连贯性越低。
针对相邻轨迹点运动方向间的角度差,需要说明的是,一般情况下可以通过轨迹点本身携带的运动方向信息来计算相邻轨迹点间运动方向间的角度差,但是,有一些情况下,例如用于对运动对象进行定位的终端定位漂移时,所产生的轨迹点(即需要识别的一类噪声点)所携带的运动方向信息可能并不正确,故如果根据这种运动方向信息来直接计算角度差,可能得到的角度差并不能体现出相邻轨迹点间的实际运行信息,故为此,本申请实施例提供了一种可能的实现方式,所述相邻轨迹点中一个轨迹点的运动方向是根据这个轨迹点和这个轨迹点在所述轨迹点序列中的前序轨迹点确定的。
也就是说,针对第i个轨迹点和第i+1个轨迹点所组成的相邻轨迹点,可以将第i-1个轨迹点到第i个轨迹点的连线方向作为第i个轨迹点的运动方向,将第i个轨迹点到第i+1个轨迹点的连线方向作为第i+1个轨迹点的运动方向。参见图3,图3为本申请实施例提供的相邻轨迹点的角度差的示意图。如图3所示,轨迹点序列为x1,x2,x3,x4,x5,x6,x7,其中,轨迹点x4到轨迹点x5的连线方向与轨迹点x3到轨迹点x4的连线方向的夹角,即为相邻轨迹点x4和x5的角度差θ。
服务器利用前一个轨迹点确定当前轨迹点的运动方向,能够更准确地确定出运动对象从前一个轨迹点运动到当前轨迹点的运动趋势,并根据轨迹点的运动方向确定出相邻轨迹点间的角度差,从而确定出运动对象整体运动趋势,以提高对轨迹点序列中噪声点的识别。
基于上述,服务器可以根据轨迹点的定位信息确定出所有相邻轨迹点的运动信息。由于该运动信息体现了相邻轨迹点间的运动连贯性,因此,服务器基于该运动信息能够进行后续运动学条件的判断,以识别出该轨迹点序列中的噪声点。
S203:根据所述运动信息和运动学条件对所述多个轨迹点进行分组,其中,若所述相邻轨迹点间的运动信息满足所述运动学条件,将所述相邻轨迹点归为同一组,若所述相邻轨迹点间的运动信息不满足所述运动学条件,将所述相邻轨迹点分在不同组。
服务器得到相邻轨迹点的运动信息后,可以根据该运动信息和运动学条件对轨迹点序列中的多个轨迹点进行分组,从而可以基于轨迹点时序的顺序,将轨迹点序列中运动连贯程度较为相近的轨迹点分在同一组。通过轨迹点分组,一般可以将轨迹点序列中的多个轨迹点至少分为两个分组。
在进行轨迹点分组时,服务器会依据运动学条件。本申请实施例中运动学条件可以用于衡量运动信息是否在运动学原理下合理。
需要注意的是,由于进行运动事件的运动对象类型可能差别很大,不同类型的运动对象的运动表现也会大相径庭,从而导致不同类型的运动对象在运动学原理下的合理区间可能各不相同。
例如运动信息具体为根据相邻轨迹点的上报时间间隔,完成相邻轨迹点所标识间距的速度时,若速度为60km/h,如果对应的运动对象为汽车,基于与汽车相关的运动学原理来说可以认为属于合理范围,这两个轨迹点具有运动连贯性,如果对于的运动对象为人,基于与人相关的运动学原理来说就属于不合理范围,这两个轨迹点不具有运动连贯性。
为此,为了让本申请实施例的适用性更好,在一种可能的实现方式中,本步骤中的运动学条件可以基于运动事件中运动对象的类型进行确定。针对不同类型的运动对象可以确定出不同的运动学条件。
运动对象类型标识可以携带在轨迹点序列中,用于标识实施前述运动事件的运动对象的类型。该类型可以标识、突出运动对象在运动表现上的特点。例如,运动对象类型标识可以标识运动对象的类型为汽车、人、电动车等。
需要说明的是,运动对象类型标识的表现形式可以是运动对象类型名称、运动对象类型编号等标识。下面以运动对象类型名称作为运动对象类型标识为例,若运动事件为一次网约车事件,则该网约车事件的运动对象类型标识可以为汽车;若运动事件为一次用户夜跑事件,则该用户夜跑事件的运动对象类型可以为人;若运动事件为一次送外卖事件,则该送外卖事件的运动对象类型可以为电动车等。在实际应用中,可以根据不同的情况进行设置,在此不作任何限定。
运动学条件可以预先设定并保存在服务器中,服务器可以运动对象类型标识确定出与运动事件对应的运动学条件。以上述网约车事件为例,服务器获取的轨迹点序列中包括汽车标识,根据该汽车标识,服务器可以确定出与网约车事件对应的运动学条件。
具体应用时,服务器可以根据运动信息确定运动学条件。例如,针对运动信息中的相邻轨迹点的上报时间间隔,可以对应地设置一个时间阈值作为运动学条件,例如5分钟或者10分钟等;针对运动信息中的相邻轨迹点所标识间距,可以对应地设置一个距离阈值作为运动学条件,例如500米或者1000米等;针对运动信息中的相邻轨迹点所标识间距的速度,可以对应地设置一个速度阈值作为运动学条件,例如140千米每小时或者150千米每小时等;针对运动信息中的相邻轨迹点的角度差,可以对应地设置一个设置角度阈值作为运动学条件,例如60度或者90度等。阈值的实际设定值,可以针对不同类型的运动对象设定不同的数值,在此不作任何限定。
基于上述,服务器可以根据运动信息和运动学条件,通过判断相邻轨迹点的运动信息是否满足运动学条件,对轨迹点序列中的多个轨迹点进行分组。当相邻轨迹点的运动信息满足运动学条件时,将该相邻轨迹点归于同一个分组中,且将后一个轨迹点归于前一个轨迹点所在的分组中。当相邻轨迹点的运动信息不满足运动学条件时,例如相邻轨迹点的上报时间间隔超过了时间阈值,或者,相邻轨迹点所标识间距超过了距离阈值,或者,相邻轨迹点的所标识间距的速度,或者,相邻轨迹点的角度差超过了角度阈值,则将该相邻轨迹点归于不同的分组中,即后一个轨迹点不归于前一个轨迹点所在的分组,即将后一个轨迹点归于一个新的分组中。
S204:针对已完成分组的目标分组,确定所述目标分组的分组特征是否满足噪声条件。
如前所述,服务器在基于运动信息对轨迹点序列中的轨迹点进行分组时,是基于轨迹点的时序依次遍历的。故在分组过程中,从确定第一个分组开始,每产生一个新的分组,该新的分组之前的分组中将不会再加入新的轨迹点,其组成将不会发生改变,即该分组已完成分组。
服务器可以对已完成的分组,以组为单位进行噪声点识别,目标分组为已完成的分组中的任意一个,本步骤中以目标分组为例,说明如何对目标分组进行噪声点识别。
为了更好地理解,下面结合图3所示的轨迹点序列x1,x2,x3,x4,x5,x6,x7对目标分组进行介绍。
如图3所示,轨迹点序列包括轨迹点:x1,x2,x3,x4,x5,x6,x7,通过确定相邻轨迹点的运动信息然后对依次判断该轨迹点序列的运动信息是否满足运动学条件,依次对该轨迹点序列进行分组。若运动信息满足运动学条件,则将轨迹点x1和轨迹点x2归于同一个分组G1中,进而,判断出运动信息/>满足运动学条件,则将轨迹点x2和轨迹点x3归于同一个分组,且将轨迹点x3归于轨迹点x2所在的分组G1中,进一步地,判断出运动/>不满足运动学条件,则轨迹点x3和轨迹点x4归于不同的分组,且将轨迹点x4归于分组G2中,此时,轨迹点x3所在的分组G1中包括的所有轨迹点x1,x2和x3,其相邻轨迹点都已经完成了分组,则分组G1可以作为目标分组,继续后续噪声条件的判断。
由于噪声点的产生主要是由于信号波动和建筑物遮挡等原因,也就是说,噪声点的出现具有短暂性、突发性、间隔性等特点,一般情况下噪声点不会在运动过程中延续很长时间,即不具有很强的持续性。基于噪声点在运动过程中的这种特点,由于一个分组中的轨迹点具有运动连贯性,具有整体运动趋势,而且这个分组与其相邻分组间不具有运动连贯性,故服务器可以基于目标分组确定出能够体现出上述特点的分组特征,以用于进行噪声点识别。
在一些可能的实现方式中,目标分组的分组特征用于标识所述目标分组中轨迹点的数量或所述目标分组中轨迹点所标识距离。
其中,目标分组中轨迹点的数量多寡,或者目标分组中轨迹点所标识距离都可以从不同角度体现出目标分组的整体运动趋势的持续时间长短,从而可以作为识别噪声点的有效依据。
需要说明的是,噪声条件可以用于体现轨迹点定位发生偏移或者异常而具有的噪声特性。下面结合附图对产生噪声点的应用场景进行介绍。
参见图4,图4为本申请提供的一种噪声点产生的场景示意图。如图4所示,在该场景中,运动对象运动到紧密的建筑群中,信号强度较弱,导致服务器在该段时间内获取到的轨迹点为发生定位偏移的轨迹点。基于此可知,存在轨迹点序列中的某一段相邻轨迹点同时发生定位偏移的情况,故可以将目标分组中包括的轨迹点数量看作该目标分组的分组特征,以判断该目标分组是否满足噪声条件。其中,噪声条件可以设置为一个数量阈值,例如,将噪声条件设置为分组轨迹点数量阈值为3个时,图4所示轨迹点序列中的分组G2包括的轨迹点数量2个,小于3个,因此,分组G2中的轨迹点x5和轨迹点x6被识别为噪声点。
参见图5,图5为本申请实施例提供的另一种产生噪声点的场景示意图。如图5所示,在该场景中,若用户在轨迹点x4处关闭了终端的定位服务,在轨迹点x5处才重新开启定位服务,由此导致在轨迹点x4和轨迹点x5对应的时间段内,服务器长时间无法从终端获取轨迹点序列。此时,轨迹点x4和轨迹点x5之间的上报时间间隔超过运动学条件中的时间阈值,则将轨迹点x4和轨迹点x5分在不同的分组中。
图5所示的轨迹点序列,若轨迹点x1,x2,x3,x4同为分组G1中,轨迹点x1到轨迹点x4的距离L1为100米;轨迹点x5和x6同为分组G2,轨迹点x5和轨迹点x6的间距L2为25米;轨迹点x7,x8,x9,x10同为分组G3,轨迹点x7到轨迹点x10的距离L3为100米。基于此,可以将目标分组所标识距离,即目标分组中的首尾轨迹点的距离看作该目标分组的分组特征,以判断其是否满足噪声条件,从而识别噪声点。其中,噪声条件可以设置为距离阈值,例如,噪声条件中的距离阈值设置为50米,则分组G2中轨迹点所标识间距L2小于该距离阈值,因此,分组G2中的轨迹点x5和轨迹点x6被识别为噪声点。
基于上述可知,所述分组特征用于标识所述目标分组中轨迹点的数量或所述目标分组中轨迹点所标识距离。对应的,噪声条件可以设置为数量阈值或距离阈值。其中,数量阈值和距离阈值可以通过多次实验得到,在此不对其取值进行限定。
由于已经完成的目标分组具有相同的运动趋势,因此,可以将一个分组作为一个整体进行噪声条件的判断。服务器以组为单位,利用目标分组的分组特征进行噪声识别,相对于利用单个轨迹点的运动特征进行噪声点识别,具有更全面的信息,更能体现运动的整体趋势,从而提高了轨迹点的识别率,同时提高了噪声点的识别效率。
S205:若满足,将所述目标分组中的轨迹点识别为相对于所述运动事件的噪声点。
基于上述S204,若目标分组的轨迹点数量小于数量阈值,或者,目标分组中的轨迹点所标识距离小于路程阈值,则可以确定该目标分组满足噪声条件,并将该目标分组中的所有轨迹点都识别为噪声点。服务器以组单位进行噪声点识别,相较于单个轨迹点进行噪声点识别,具有更高的识别效率。
上述实施例提供的轨迹点识别方法,根据针对运动事件的轨迹点序列,确定轨迹点序列中相邻轨迹点间的运动信息,该运动信息可以体现出运动事件所对应运动对象在相邻轨迹点间的运动连贯性,故可以根据运动信息和运动学条件对轨迹点序列中的多个轨迹点进行分组,基于轨迹点序列的时序关系,将运动信息较为相近的轨迹点归为同一组,使得处于同一组中的轨迹点具有相似的运动连贯性,体现出的整体运动趋势近似,可以作为一个整体来进行后续噪声点识别。针对已完成分组中的任意一个分组,例如目标分组,若目标分组的分组特征符合漂移点的特性,即噪声条件,将目标分组中的轨迹点统一确定为相对于该运动事件的噪声点。这种通过运动信息进行轨迹点分组的方式,将具有运动连贯性的轨迹点分为一组,以组为单位来识别噪声点,由于一组具有相似的运动连贯性轨迹点,相对于单个轨迹点可以为噪声点识别提供更为全面的信息,降低了轨迹点错误识别、漏识别的概率,并达到较高的识别效率。使得后续基于轨迹点确定的运动轨迹符合实际轨迹的可能性提高。
利用上述实施例提供的噪声点识别方法,识别出轨迹点序列中的噪声点后,可以基于不包含噪声点的分组进行运动轨迹的生成。在一些情况下,运动事件所对应的一些分组间的间距可能过长,如果按照相关技术直接通过连线连接这些分组中轨迹点的话,所生成这部分运动轨迹可能会与实际差别很大。为此,本申请实施例提供了一种生成子轨迹的方式,以该子轨迹对运动轨迹进行路径补偿。
下面将介绍在生成运动轨迹时,如何利用可信的轨迹点生成子轨迹。
参见图6,图6为本申请实施例提供的生成子轨迹方法的流程示意图。为了方便描述,以服务器作为执行主体,对利用可信的轨迹点序列生成噪声点对应的轨迹部分的子轨迹进行介绍。如图6所示,包括以下步骤:
S601:针对所述轨迹点序列中不包含噪声点的分组,确定相邻分组所标识间距或上报时间间隔是否满足中断条件。
服务器对所有分组进行噪声条件判断后,得到不满足噪声条件的分组,也就是不包含噪声点的分组,进而,服务器可以对相邻分组进行判断,判断相邻分组所标识间距或者上报时间间隔是否满足中断条件。
本申请实施例中的中断条件用于标识在通过轨迹点进行运动轨迹生成时,前述分组间的间距过长,直接采用连线方式会导致连线与实际轨迹不符的情况。上述轨迹与实际不符的情况可以通过分组间不同维度的参数识别,例如相邻分组所标识间距或者相邻分组上报时间间隔。其中:
相邻分组所标识间距可以直接的体现出这两个分组间的距离,间距过长有可能会出现上述轨迹与实际不符的情况,故在一些场景下,相邻分组所标识间距过长时可以确定满足中断条件。
相邻分组上报时间间隔也可以在一些场景下体现出上述轨迹与实际不符的情况,例如虽然相邻分组所标识间距属于正常范围,但是上报时间间隔很长,这种场景中可能是因为这段时间间隔内运动对象可能运动了较长距离后又回到了附近位置,故在一些场景下,相邻分组上报时间间隔过长时也可以确定满足中断条件。
分组间出现中断或者说可能直接联系导致轨迹与实际不符的情况可能基于不同的问题导致的。例如通过前述噪声点识别导致的,也可能是轨迹点上传中断导致的。轨迹点上传中断有可能是因为终端中用于定位的客户端重启、异常关闭等原因造成的,也可能是因为定位信号被屏蔽等原因造成的。在一种可能的应用场景中,若服务器获取的轨迹点序列由于定位发生偏移,服务器将发送定位偏移的噪声点识别出来后,可信的相邻分组间的距离可能较大,由此导致服务器无法直接通过相邻分组的轨迹点确定实际的运动轨迹,因此,服务器可以通过确定相邻分组所标识间距,即相邻分组中前一个分组的最后一个轨迹点到后一个分组的第一个轨迹点的直线距离,通过判断该相邻分组所标识间距是否满足中断条件确定是否需要进行路径规划。
在另一种可能的应用场景中,若用户中途关闭了终端的定位服务,导致服务器无法获取轨迹点序列,此时,服务器可以通过确定相邻分组的上报时间间隔,即相邻分组的上报时间间隔可以理解为前一个分组的最后一个轨迹点的上报时间与后一个分组的第一个轨迹点的上报时间的间隔,通过判断该相邻分组的上报时间间隔是否满足中断条件是否需要进行路径规划。
基于上述,针对相邻分组所标识间距和相邻分组的上报时间间隔,中断条件可以分别设置一个距离阈值和时间阈值,例如,距离阈值可以设为2公里,时间阈值可以设置为10分钟。噪声条件可以预先设定并保存在服务器中,具体数值可以根据实际情况设定,在此不作任何限定。
S602:若满足,根据所述相邻分组确定用于进行路径规划的起点位置和终点位置。
服务器判断出相邻分组满足终端条件时,可以根据相邻分组确定出起点位置和终端位置,用于路径规划。由于运动具有一定的方向性,且运动对象所在的道路具有双向性,在进行路径规划过程中,需要至少两个轨迹点(起点和终端)以确定这部分子轨迹。
在一种可行的实施方式中,若满足中断条件的目标分组包括第一分组和第二分组,在该运动事件的运动方向上,第二分组处于第一分组之后;根据所述相邻分组确定用于进行路径规划的起点位置和终点位置,包括:根据所述第一分组在所述运动方向上的后n个轨迹点确定所述起点位置,n≥1;根据所述第二分组在所述运动方向上的前m个轨迹点确定所述终点位置,m≥1。
在一些应用场景中,需要通过多个轨迹点来确定起点位置或终点位置,原因在于,相邻分组中的轨迹点的定位也可能存在一定的偏差,导致利用单个轨迹点确定出的起点位置或终点位置发生偏移,最终导致补偿后的轨迹与实际的运动轨迹存在较大的偏差。
为了更好的理解需要利用多个轨迹点来确定起点位置或终点位置,参见图7,图7为本申请实施例提供的一种轨迹补偿的场景示意图。
如图7所示,运动对象运动在双向道路上,轨迹点序列中包括x1,x2,x3,…,x10,经过轨迹点识别后识别出噪声点x5,x6。进而,相邻分组G1和G3符合中断条件,即需要对其进行轨迹补偿。其中,分组G1包括轨迹点x1,x2,x3,x4,分组G3包括x7,x8,x9,x10。若仅利用单个轨迹点x4确定出起点位置,且利用轨迹点x7确定出终点位置,其按照路径规划得到的补偿路径如图7中轨迹点x4到轨迹点x7的虚线。
但是,由于定位发生偏移,导致该运动对象实际在与轨迹点x1,x2,x3所在方向道路上运动位置,被定位到与轨迹点x1,x2,x3相反的道路中的轨迹点x4所在位置。针对此种情况,需要利用分组G1中的多个轨迹点确定出起点位置,例如,利用轨迹点x1,x2,x3确定出该运动对象的运动方向,并结合轨迹点x4所在位置,确定出起点位置A。利用轨迹点x7确定出终点所在位置为轨迹点x7所在位置,基于该起点位置A和轨迹点x7所在位置按照路径规划,得到如图7所示的由起点A到轨迹点x7的实线,即为近似于实际运动轨迹的补偿轨迹。
基于上述可知,,利用相邻分组中的每个分组中的多个轨迹点可以更准确地确定出实际的运动方向,从而使得利用路径规划得到的子轨迹能够更贴近实际的运动轨迹。在实际应用中,可以根据具体情况决定使用的轨迹点的个数,在此不作任何限定。
S603:将规划出的路径作为所述运动事件的运动轨迹中所述相邻分组间的子轨迹。
服务器通过起点位置和终点位置规划出的路径,可以作为该运动事件中的子轨迹,以代替由于噪声点导致的运动轨迹偏移的部分。
上述实施例提供了一种利用可信的轨迹点生成子轨迹的方法,该方法通过确定相邻分组中对应的起点位置和终点位置,生成相邻分组间的子轨迹,能够解决由于轨迹点发生偏移,或轨迹点定位异常等情况导致运动轨迹发生偏移的问题,以得到接近于实际运动轨迹的子轨迹。
基于上文描述的轨迹点识别方法,本申请实施例还提供了一种基于统计学原理的轨迹点序列预处理的方法,可以在计算运动信息之前先对轨迹点序列中的多个轨迹点中可能的噪声点进行筛选,以提高噪声点的识别效率。
在图2所示的轨迹点识别方法的基础上,参见图8,图8为本申请实施例提供的一种轨迹点序列预处理的方法的流程示意图。具体应用时,图8所示的方法步骤可以用于图2所示的S201之后和S202之前。如图8所示,该方法包括以下步骤:
S801:获取所述轨迹点序列中轨迹点的定位精度信息。
服务器获取针对运动事件的轨迹点序列后,还获取轨迹点序列中轨迹点的定位精度信息,其中,定位精度信息是利用定位技术得到的轨迹点与实际轨迹点的偏移度,其中,定位技术包括:GPS定位、WIFI定位或者基站定位。
需要说明的是,利用不同的定位技术,其对应的定位精度是不一样的。例如,GPS定位的定位精度在15米范围内;WIFI定位的定位精度在几十米的范围;基站定位的定位精度一般是几百米的范围。具体应用时,轨迹点的定位精度信息来源于实际采用的定位技术。
S802:根据所述定位精度信息的统计学分布,从所述轨迹点序列中筛选出定位精度信息不符合统计学原理的轨迹点作为噪声点。
服务器获得轨迹点序列中轨迹点的定位精度信息后,可以根据轨迹点的定位精度信息的统计学分布,根据其是否符合统计学原理判断轨迹点是否是噪声点。具体的,服务器可以基于轨迹点的定位精度服从正态分布识别噪声点,还可以按照定位精度基于盒图统计识别噪声点。
参见图9,图9为本申请实施例提供的基于定位精度的正态分布识别噪声点的示意图。
具体的,由于轨迹点的定位精度信息在固定的设备上服从正态分布,因此,可以根据整个轨迹点序列的均值m和标准差s,将轨迹点序列中轨迹点的定位精度r大于m+eps*s的轨迹点识别为噪声点。
参见图10,图10为本申请实施例提供的按照定位精度基于盒图统计识别噪声点的示意图。
具体的,服务器可以先将轨迹点的定位精度进行排序,分别得到下四分位数Q1,上四分位数Q3,并计算出对应的IQR=Q3-Q1,则可以将轨迹点序列中轨迹点的定位精度r大于Q3+eps*IQR的轨迹点识别为噪声点。
S803:将识别出的噪声点从所述轨迹点序列中删除。
服务器将基于统计学原理识别出的噪声点从轨迹点序列中删除,并用于后续基于运动学原理对轨迹点序列中的噪声点进行识别,以提高轨迹点序列的噪声点识别度。
上述实施例提供了一种轨迹点序列预处理的方法,由于定位精度在固定的设备上服从正态分布,因此,可以基于定位精度的正态分布进行噪声点识别;另外,由于一个运动事件对应的运动过程具有整体性,因此,该运动事件对应的轨迹点的定位精度也具有整体性,因此,可以按照定位精度基于盒图的统计对该轨迹点序列进行噪声点识别。鉴于此,对轨迹点序列进行噪声点识别之前,基于统计学原理对该轨迹点序列中的多个轨迹点进行过滤,从而提高对该轨迹点序列进行噪声点识别的准确度。
为了更好的理解本申请实施例提供的轨迹点识别方法,下面结合附图对本申请实施例提供的轨迹点识别方法适用进行介绍。
参见图11,图11为本申请实施例提供的一种轨迹点识别方法的流程示意图。结合图12,图12为本申请实施例提供的一种轨迹点识别方法的应用场景图。下面针对网约车事件,以司机手持终端和具有轨迹点识别功能的服务器配合执行本申请实施例提供的轨迹点识别方法作为示例进行说明。其中,司机手持终端中部署有轨迹点识别软件。
司机接到乘客后,司机可以利用终端,打开轨迹点识别软件界面,与服务器建立连接。服务器通过终端定位得到汽车运动的轨迹点序列x1,x2,…,x15,并上报给服务器。
司机将乘客送到目的地后,服务器得到此次送驾过程的轨迹点序列。服务器可以先基于定位精度的正态分布进行噪声点识别,过滤识别出的噪声点,进而,按照定位精度基于盒图的统计进行噪声点识别,过滤识别出的噪声点。进一步地,基于运动学原理对预处理后得到的轨迹点序列进行噪声点识别,从而识别出该轨迹点序列中的噪声点x14。
进一步地,服务器确定出轨迹点x13所在分组和轨迹点x15所在分组的间距符合中断条件后,服务器通过路径规划对轨迹点x13和轨迹点x15进行轨迹补偿,以生成由轨迹点x1到轨迹点x15的运动轨迹。在图12中由轨迹点x1到轨迹点x15的实线,表示为图11所示方法得到的运动轨迹。如图12所示,轨迹点x13到轨迹点x14再到轨迹点x15的虚线,表示为该轨迹点序列的原始轨迹。
针对上文描述的轨迹点识别的方法,本申请实施例还提供了对应的轨迹点识别的装置。
参见图13,图13为本申请实施例提供的轨迹点识别的装置的结构示意图。如图13所示,该轨迹点识别装置1300包括:第一获取单元1301,第一确定单元1302,分组单元1303和识别单元1304;其中,
所述第一获取单元1301,用于获取针对运动事件的轨迹点序列,所述轨迹点序列包括属于所述运动事件的多个轨迹点;
所述第一确定单元1302,用于确定所述轨迹点序列中相邻轨迹点间的运动信息;所述运动信息用于体现所述相邻轨迹点间的运动连贯性;
所述分组单元1303,用于根据所述运动信息和运动学条件对所述多个轨迹点进行分组,其中,若所述相邻轨迹点间的运动信息满足所述运动学条件,将所述相邻轨迹点归为同一组,若所述相邻轨迹点间的运动信息不满足所述运动学条件,将所述相邻轨迹点分在不同组;
所述第一确定单元1301,还用于针对已完成分组的目标分组,确定所述目标分组的分组特征是否满足噪声条件;
所述识别单元1304,用于若所述目标分组的分组特征满足噪声条件,将所述目标分组中的轨迹点识别为相对于所述运动事件的噪声点。
可选的,上述运动信息包括以下任意一种或多种的组合:
所述相邻轨迹点的上报时间间隔;
所述相邻轨迹点所标识间距;
根据所述相邻轨迹点的上报时间间隔,完成所述相邻轨迹点所标识间距的速度;
所述相邻轨迹点运动方向间的角度差。
可选的,若所述运动信息包括所述相邻轨迹点运动方向间的角度差,所述相邻轨迹点中一个轨迹点的运动方向是根据这个轨迹点和这个轨迹点在所述轨迹点序列中的前序轨迹点确定的。
可选的,所述装置1300还包括:第二确定单元1305;
所述第二确定单元1305,用于针对所述轨迹点序列中不包含噪声点的分组,确定相邻分组所标识间距或上报时间间隔是否满足中断条件;
若满足,根据所述相邻分组确定用于进行路径规划的起点位置和终点位置;
将规划出的路径作为所述运动事件的运动轨迹中所述相邻分组间的子轨迹。
可选的,若满足所述中断条件的目标分组包括第一分组和第二分组,在所述运动事件的运动方向上,所述第二分组处于所述第一分组之后;所述根据所述相邻分组确定用于进行路径规划的起点位置和终点位置,包括:
根据所述第一分组在所述运动方向上的后n个轨迹点确定所述起点位置,n≥1;
根据所述第二分组在所述运动方向上的前m个轨迹点确定所述终点位置,m≥1。
可选的,所述轨迹点序列包括运动对象类型标识,所述运动对象类型标识用于标识实施所述运动事件的运动对象的类型,所述运动学条件是根据所述运动对象的类型确定的。
可选的,所述分组特征用于标识所述目标分组中轨迹点的数量或所述目标分组中轨迹点所标识距离。
可选的,所述轨迹点序列对应完整或部分的所述运动事件。
可选的,在所述确定所述轨迹点序列中相邻轨迹点间的运动信息之前,所述方法还包括:第二获取单元1306,筛选单元1307和删除单元1308;
所述第二获取单元1306,用于获取所述轨迹点序列中轨迹点的定位精度信息;
所述筛选单元1307,用于根据所述定位精度信息的统计学分布,从所述轨迹点序列中筛选出定位精度信息不符合统计学原理的轨迹点作为噪声点;
所述删除单元1308,用于将识别出的噪声点从所述轨迹点序列中删除。
上述实施例提供的轨迹点识别装置,根据针对运动事件的轨迹点序列,确定轨迹点序列中相邻轨迹点间的运动信息,该运动信息可以体现出运动事件所对应运动对象在相邻轨迹点间的运动连贯性,故可以根据运动信息和运动学条件对轨迹点序列中的多个轨迹点进行分组,基于轨迹点序列的时序关系,将运动信息较为相近的轨迹点归为同一组,使得处于同一组中的轨迹点具有相似的运动连贯性,体现出的整体运动趋势近似,可以作为一个整体来进行后续噪声点识别。针对已完成分组中的任意一个分组,例如目标分组,若目标分组的分组特征符合漂移点的特性,即噪声条件,将目标分组中的轨迹点统一确定为相对于该运动事件的噪声点。这种通过运动信息进行轨迹点分组的方式,将具有运动连贯性的轨迹点分为一组,以组为单位来识别噪声点,由于一组具有相似的运动连贯性轨迹点,相对于单个轨迹点可以为噪声点识别提供更为全面的信息,降低了轨迹点错误识别、漏识别的概率,并达到较高的识别效率。使得后续基于轨迹点确定的运动轨迹符合实际轨迹的可能性提高。
本申请实施例还提供了一种用于轨迹点识别的服务器和终端设备,下面将从硬件实体化的角度对本申请实施例提供的用于轨迹点识别的服务器和终端设备进行介绍。
参见图14,图14是本申请实施例提供的一种服务器结构示意图,该服务器1400可因配置或性能不同而产生比较大的差异,可以包括一个或一个以***处理器(centralprocessing units,CPU)1422(例如,一个或一个以上处理器)和存储器1432,一个或一个以上存储应用程序1442或数据1444的存储介质1430(例如一个或一个以上海量存储设备)。其中,存储器1432和存储介质1430可以是短暂存储或持久存储。存储在存储介质1430的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器1422可以设置为与存储介质1430通信,在服务器1400上执行存储介质1430中的一系列指令操作。
服务器1400还可以包括一个或一个以上电源1426,一个或一个以上有线或无线网络接口1450,一个或一个以上输入输出接口1458,和/或,一个或一个以上操作***1441,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上述实施例中由服务器所执行的步骤可以基于该图14所示的服务器结构。
其中,CPU 1422用于执行如下步骤:
获取针对运动事件的轨迹点序列,所述轨迹点序列包括属于所述运动事件的多个轨迹点;
确定所述轨迹点序列中相邻轨迹点间的运动信息;所述运动信息用于体现所述相邻轨迹点间的运动连贯性;
根据所述运动信息和运动学条件对所述多个轨迹点进行分组,其中,若所述相邻轨迹点间的运动信息满足所述运动学条件,将所述相邻轨迹点归为同一组,若所述相邻轨迹点间的运动信息不满足所述运动学条件,将所述相邻轨迹点分在不同组;
针对已完成分组的目标分组,确定所述目标分组的分组特征是否满足噪声条件;
若满足,将所述目标分组中的轨迹点识别为相对于所述运动事件的噪声点。
可选的,CPU1422还可以执行本申请实施例中轨迹点识别方法任一具体实现方式的方法步骤。
参见图15,图15为本申请实施例提供的一种终端设备的结构示意图。为了便于说明,仅示出了与本申请实施例相关的部分,具体技术细节未揭示的,请参照本申请实施例方法部分。该终端可以为包括手机、平板电脑、个人数字助理(英文全称:Personal DigitalAssistant,英文缩写:PDA)、计算机等任意终端设备,以终端为计算机为例:
针对上文描述的轨迹点识别方法,本申请实施例还提供了一种用于轨迹点识别的终端设备,以使上述轨迹点识别的方法在实际中实现以及应用。
参见图15,图15为本申请实施例提供的一种终端设备的结构示意图。为了便于说明,仅示出了与本申请实施例相关的部分,具体技术细节未揭示的,请参照本申请实施例方法部分。该终端设备可以为包括平板电脑、个人数字助理(英文全称:Personal DigitalAssistant,英文缩写:PDA)等任意终端设备:
图15示出的是与本申请实施例提供的终端相关的部分结构的框图。参考图15,该终端包括:射频(英文全称:Radio Frequency,英文缩写:RF)电路1510、存储器1520、输入单元1430、显示单元1540、传感器1550、音频电路1560、无线保真(英文全称:wirelessfidelity,英文缩写:WiFi)模块1570、处理器1580、以及电源1590等部件。本领域技术人员可以理解,图15中示出的平板电脑结构并不构成对平板电脑的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合图15对平板电脑的各个构成部件进行具体的介绍:
存储器1520可用于存储软件程序以及模块,处理器1580通过运行存储在存储器1520的软件程序以及模块,从而实现终端的各种功能应用以及数据处理。存储器1520可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器1520可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器1580是终端的控制中心,利用各种接口和线路连接整个平板电脑的各个部分,通过运行或执行存储在存储器1520内的软件程序和/或模块,以及调用存储在存储器1520内的数据,执行平板电脑的各种功能和处理数据,从而对平板电脑进行整体监控。可选的,处理器1580可包括一个或多个处理单元;优选的,处理器1580可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器1580中。
在本申请实施例中,该终端所包括的存储器1520可以存储程序代码,并将所述程序代码传输给所述处理器。
该终端所包括的处理器1580可以根据所述程序代码中的指令执行上述实施例提供的轨迹点识别的方法。
本申请实施例还提供一种计算机可读存储介质,用于存储计算机程序,该计算机程序用于执行上述实施例提供的轨迹点识别方法。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质可以是下述介质中的至少一种:只读存储器(英文:read-only memory,缩写:ROM)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,本说明书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,对于设备及***实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的设备及***实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本申请的一种具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (13)
1.一种轨迹点识别方法,其特征在于,所述方法包括:
获取针对运动事件的轨迹点序列,所述轨迹点序列包括属于所述运动事件的多个轨迹点;
确定所述轨迹点序列中相邻轨迹点间的运动信息;所述运动信息用于体现所述相邻轨迹点间的运动连贯性,所述运动信息包括以下任意一种或多种的组合:所述相邻轨迹点的上报时间间隔;所述相邻轨迹点所标识间距;根据所述相邻轨迹点的上报时间间隔,完成所述相邻轨迹点所标识间距的速度;所述相邻轨迹点运动方向间的角度差;
根据所述运动信息和运动学条件对所述多个轨迹点进行分组,其中,若所述相邻轨迹点间的运动信息满足所述运动学条件,将所述相邻轨迹点归为同一组,若所述相邻轨迹点间的运动信息不满足所述运动学条件,将所述相邻轨迹点分在不同组;
针对已完成分组的目标分组,确定所述目标分组的分组特征是否满足噪声条件;
若满足,将所述目标分组中的轨迹点识别为相对于所述运动事件的噪声点。
2.根据权利要求1所述的方法,其特征在于,若所述运动信息包括所述相邻轨迹点运动方向间的角度差,所述相邻轨迹点中一个轨迹点的运动方向是根据这个轨迹点和这个轨迹点在所述轨迹点序列中的前序轨迹点确定的。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
针对所述轨迹点序列中不包含噪声点的分组,确定相邻分组所标识间距或上报时间间隔是否满足中断条件;
若满足,根据所述相邻分组确定用于进行路径规划的起点位置和终点位置;
将规划出的路径作为所述运动事件的运动轨迹中所述相邻分组间的子轨迹。
4.根据权利要求3所述的方法,其特征在于,若满足所述中断条件的目标分组包括第一分组和第二分组,在所述运动事件的运动方向上,所述第二分组处于所述第一分组之后;所述根据所述相邻分组确定用于进行路径规划的起点位置和终点位置,包括:
根据所述第一分组在所述运动方向上的后n个轨迹点确定所述起点位置,n≥1;
根据所述第二分组在所述运动方向上的前m个轨迹点确定所述终点位置,m≥1。
5.根据权利要求1-4任意一项所述的方法,其特征在于,所述轨迹点序列包括运动对象类型标识,所述运动对象类型标识用于标识实施所述运动事件的运动对象的类型,所述运动学条件是根据所述运动对象的类型确定的。
6.根据权利要求1-4任意一项所述的方法,其特征在于,所述分组特征用于标识所述目标分组中轨迹点的数量或所述目标分组中轨迹点所标识距离。
7.根据权利要求1-4任意一项所述的方法,其特征在于,所述轨迹点序列对应完整或部分的所述运动事件。
8.根据权利要求1-4任意一项所述的方法,其特征在于,在所述确定所述轨迹点序列中相邻轨迹点间的运动信息之前,所述方法还包括:
获取所述轨迹点序列中轨迹点的定位精度信息;
根据所述定位精度信息的统计学分布,从所述轨迹点序列中筛选出定位精度信息不符合统计学原理的轨迹点作为噪声点;
将识别出的噪声点从所述轨迹点序列中删除。
9.一种轨迹点识别装置,其特征在于,所述装置包括第一获取单元,第一确定单元,分组单元和识别单元:
所述第一获取单元,用于获取针对运动事件的轨迹点序列,所述轨迹点序列包括属于所述运动事件的多个轨迹点;
所述第一确定单元,用于确定所述轨迹点序列中相邻轨迹点间的运动信息;所述运动信息用于体现所述相邻轨迹点间的运动连贯性,所述运动信息包括以下任意一种或多种的组合:所述相邻轨迹点的上报时间间隔;所述相邻轨迹点所标识间距;根据所述相邻轨迹点的上报时间间隔,完成所述相邻轨迹点所标识间距的速度;所述相邻轨迹点运动方向间的角度差;
所述分组单元,用于根据所述运动信息和运动学条件对所述多个轨迹点进行分组,其中,若所述相邻轨迹点间的运动信息满足所述运动学条件,将所述相邻轨迹点归为同一组,若所述相邻轨迹点间的运动信息不满足所述运动学条件,将所述相邻轨迹点分在不同组;
所述第一确定单元,还用于针对已完成分组的目标分组,确定所述目标分组的分组特征是否满足噪声条件;
所述识别单元,用于若所述目标分组的分组特征满足噪声条件,将所述目标分组中的轨迹点识别为相对于所述运动事件的噪声点。
10.根据权利要求9所述的装置,其特征在于,若所述运动信息包括所述相邻轨迹点运动方向间的角度差,所述相邻轨迹点中一个轨迹点的运动方向是根据这个轨迹点和这个轨迹点在所述轨迹点序列中的前序轨迹点确定的。
11.根据权利要求9所述的装置,其特征在于,所述装置还包括第二确定单元,所述第二确定单元用于:
针对所述轨迹点序列中不包含噪声点的分组,确定相邻分组所标识间距或上报时间间隔是否满足中断条件;
若满足,根据所述相邻分组确定用于进行路径规划的起点位置和终点位置;
将规划出的路径作为所述运动事件的运动轨迹中所述相邻分组间的子轨迹。
12.一种用于轨迹点识别的设备,其特征在于,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-8任意一项所述的方法。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储计算机程序,所述计算机程序用于执行权利要求1至8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010005902.XA CN111723304B (zh) | 2020-01-03 | 2020-01-03 | 一种轨迹点识别方法和相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010005902.XA CN111723304B (zh) | 2020-01-03 | 2020-01-03 | 一种轨迹点识别方法和相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111723304A CN111723304A (zh) | 2020-09-29 |
CN111723304B true CN111723304B (zh) | 2023-07-14 |
Family
ID=72564035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010005902.XA Active CN111723304B (zh) | 2020-01-03 | 2020-01-03 | 一种轨迹点识别方法和相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111723304B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114265409B (zh) * | 2021-12-24 | 2024-07-09 | 广州极飞科技股份有限公司 | 轨迹信息处理方法、装置及地面设备 |
CN115829584B (zh) * | 2022-12-02 | 2024-07-23 | 首约科技(北京)有限公司 | 飘点的确定方法、装置、电子设备及存储介质 |
CN116630994B (zh) * | 2023-07-19 | 2023-10-20 | 腾讯科技(深圳)有限公司 | 输入法中的笔势识别方法、相关装置和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593430A (zh) * | 2013-11-11 | 2014-02-19 | 胡宝清 | 一种基于移动对象时空信息轨迹分段聚类的方法 |
CN106156528A (zh) * | 2016-08-01 | 2016-11-23 | 中国科学院深圳先进技术研究院 | 一种轨迹数据停留识别方法及*** |
CN108520044A (zh) * | 2018-04-03 | 2018-09-11 | 西安交通大学 | 一种基于公度性思想的最小二乘法路径预测算法 |
CN110069585A (zh) * | 2017-12-05 | 2019-07-30 | 腾讯科技(深圳)有限公司 | 轨迹点数据的处理方法和装置、存储介质及电子装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102128626B (zh) * | 2010-01-13 | 2014-06-25 | 华为技术有限公司 | 轨迹显示方法、***和地图服务器 |
US8954265B2 (en) * | 2010-04-09 | 2015-02-10 | Tomtom North America, Inc. | Method of resolving a location from data representative thereof |
US20140236529A1 (en) * | 2013-02-18 | 2014-08-21 | Motorola Mobility Llc | Method and Apparatus for Determining Displacement from Acceleration Data |
CN104683948B (zh) * | 2015-02-04 | 2018-10-19 | 四川长虹电器股份有限公司 | 自我学习的异常位置轨迹点过滤方法 |
CN104596507B (zh) * | 2015-02-09 | 2017-10-03 | 成都小步创想畅联科技有限公司 | 一种移动终端出行轨迹的确定方法 |
CN109269514A (zh) * | 2017-07-18 | 2019-01-25 | 华为技术有限公司 | 确定运动轨迹的方法和装置 |
CN109871371B (zh) * | 2019-01-28 | 2021-07-27 | 南京航空航天大学 | Ads-b航迹去噪*** |
CN110532916B (zh) * | 2019-08-20 | 2022-11-04 | 北京地平线机器人技术研发有限公司 | 一种运动轨迹确定方法及装置 |
-
2020
- 2020-01-03 CN CN202010005902.XA patent/CN111723304B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593430A (zh) * | 2013-11-11 | 2014-02-19 | 胡宝清 | 一种基于移动对象时空信息轨迹分段聚类的方法 |
CN106156528A (zh) * | 2016-08-01 | 2016-11-23 | 中国科学院深圳先进技术研究院 | 一种轨迹数据停留识别方法及*** |
CN110069585A (zh) * | 2017-12-05 | 2019-07-30 | 腾讯科技(深圳)有限公司 | 轨迹点数据的处理方法和装置、存储介质及电子装置 |
CN108520044A (zh) * | 2018-04-03 | 2018-09-11 | 西安交通大学 | 一种基于公度性思想的最小二乘法路径预测算法 |
Non-Patent Citations (5)
Title |
---|
A progressive motion-planning algorithm and traffic flow analysis for high-density 2D traffic;Yaochao Liu;《Transportation Science》;第53卷(第6期);第1501-1525页 * |
基于网格热度值的船舶规律路径提取算法;李建江;陈玮;李明;张凯;刘雅俊;;计算机研究与发展(第05期);第18-29页 * |
移动对象轨迹数据挖掘方法研究;袁冠;《中国博士学位论文全文数据库 (信息科技辑)》(2012年第10期);I138-25 * |
质点轨迹实现人体原子行为的在线识别;高大鹏;王欣;马婷;;计算机工程与设计(第02期);第500-505+510页 * |
轨迹大数据异常检测:研究进展及***框架;毛嘉莉等;《软件学报》;第28卷(第1期);第17-34页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111723304A (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111723304B (zh) | 一种轨迹点识别方法和相关装置 | |
US10861330B2 (en) | Method and apparatus for obtaining signal light duration data | |
US11300686B2 (en) | Virtual reference station switching method and device in real time kinematic system | |
EP2553990B1 (en) | Method and apparatus for use of performance history data in positioning method selection | |
CN107333232B (zh) | 一种终端定位方法及网络设备 | |
EP2464182B1 (en) | Energy-efficient positioning system for smartphone using cell-ID sequence matching | |
CN111044056A (zh) | 基于道路匹配的定位方法、芯片子***及电子设备 | |
CN106297358A (zh) | 路况预测的实现方法及装置 | |
US9749805B2 (en) | Methods, wireless device and network node for managing positioning method based on prediction | |
CN107871400B (zh) | 路网信息更新方法及装置 | |
CN103068039A (zh) | 一种基于WiFi信号的RSSI值的定位方法 | |
CN108696558B (zh) | 位置信息处理方法和装置 | |
US10775178B2 (en) | Spatio-temporal re-routing of navigation | |
CN105066999A (zh) | 位置信息确定方法及装置 | |
CN111510859A (zh) | 一种用户轨迹定位方法、***、服务器和存储介质 | |
KR20180059536A (ko) | 주유소 poi를 자동적으로 발견하는 방법, 장치, 저장 매체 및 기기 | |
CN112527932B (zh) | 道路数据处理的方法、装置、设备及存储介质 | |
US20120040637A1 (en) | Dynamic Tag Control and Fingerprinting Event Localization | |
CN112885146A (zh) | 车辆预警方法、装置、计算机设备和存储介质 | |
CN104837114B (zh) | 用于确定用户的定位信息异常的方法和设备 | |
CN114885369A (zh) | 网络覆盖质量检测处理方法、装置、电子设备和存储介质 | |
CN111669711A (zh) | 车辆信息存储的实现方法、装置及计算机设备 | |
CN112836991B (zh) | 站点规划方法、装置、终端设备和可读存储介质 | |
CN110109153B (zh) | 导航处理方法、导航终端、设备及存储介质 | |
CN110113716B (zh) | 一种路径状态信息获取方法、装置及存储介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40028049 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |