一种人员轨迹的平滑方法与流程

1.本发明属于轨迹平滑方法技术领域，具体涉及一种人员轨迹的平滑方法。


背景技术：

2.当前，gnss卫星定位技术已广泛应用，终端定位的gis图形化监视、轨迹查询等功能已成为基础的gis应用。随着轨迹显示和回放运用场景的增多，用户对轨迹路径回显的质量要求也越来越高，而且还会通过对轨迹路径的分析获得一些行为特征。
3.目前，在有些实际应用的场景中，采用rtk差分定位技术获取人员的实时位置，人员轨迹一般是根据卫星定位得到的位置信息生成。然而，卫星定位数据由于环境因素会出现漂移，导致轨迹不准确，而且当人员在某个位置来回移动时，轨迹线会因为轨迹折返而出现打结，这些都严重影响了轨迹路径回显的质量。


技术实现要素：

4.针对上述卫星定位数据由于环境因素会出现漂移，导致轨迹不准确，而且当人员在某个位置来回移动时，轨迹线会因为轨迹折返而出现打结的技术问题，本发明提供了一种轨迹准确、时序性高、适用性高的人员轨迹的平滑方法。
5.为了解决上述技术问题，本发明采用的技术方案为：
6.一种人员轨迹的平滑方法，包括下列步骤：
7.s1、获取卫星定位数据；
8.s2、并对数据中的漂移点进行纠偏处理；
9.s3、采用基于密度的聚类分析算法，将轨迹线中由于轨迹折返产生打结的点聚类为一个点，同时保证轨迹点集合的时序性。
10.所述s1中获取卫星定位数据的方法为：通过手持终端以1s为采样频率获得人员位置信息，作为原始轨迹点。
11.所述手持终端输出的位置信息包含经度坐标、纬度坐标、时间戳以及rtk解算状态的位置信息。
12.所述s2中对数据中的漂移点进行纠偏处理的方法为：将位置信息点中解算状态为未经差分解算的点认为是漂移点，并对所述漂移点应用卡尔曼滤波算法进行纠偏处理。
13.所述对所述漂移点应用卡尔曼滤波算法进行纠偏处理的方法为：包括下列步骤：
14.s2.1、采用一维数据滤波，分别对漂移点的经纬度坐标值进行纠偏处理，状态预测方程为x
t
＝x
t-1
，当前时刻的状态偏差：卡尔曼增益：当前时刻状态最优值：更新状态不确定性
误差：所述measure为测量值，所述q为状态噪声协方差，r为测量噪声协方差，所述δ1为t-1时刻系统最优值误差，所述δ2为状态不确定性误差；
15.s2.2、使用s2.1中的更新状态不确定性误差值δ2，迭代执行滤波算法，最终估算出最优坐标值。
16.所述s3中基于密度的聚类分析算法进行聚类的方法为：包括下列步骤：
17.s3.1、获取某一时间段内的坐标点，并记为集合s＝{x1,x2,
…
,xn}，其中xi(i＝1,
…
n)由经度、纬度和时间戳组成，且集合s中元素按时间戳升序排序；
18.s3.2、设置邻域半径eps为t；
19.s3.3、规定密度阈值minpts为1，即保证轨迹点集合中的每一个点均为核心点；
20.s3.4、根据上述设置的参数eps、minpts以及点的密度可达性规则生成轨迹点簇，并从该集合中的每一个簇中选择一个点，构成一个新的集合e，所述集合e就是执行聚类后的轨迹点集合。
21.所述s3.4中生成轨迹点簇的方法为：根据上述参数设置以及聚类中点的密度可达性规则生成核心点簇，即取集合s中的一个点x1，找出点x1与s集合中x1点除外的密度可达点，得到点x1的密度可达点的集合c1，点x1及集合c1构成一个簇，同时从集合s中删除点x1和c1集合中的点，遍历核心点集合s，重复上述过程，得到轨迹点x1、x2、x3、
……
及其密度可达的点集合c1、c2、c3、
……
，最终构成一个簇集合。
22.所述s3.4中构成一个集合e的方法为：对簇集合中的每一个簇求得一个均值点，并最终构成一个新的点集合e，集合e就是聚类后的轨迹点集合，并保证集合e中的点按时间戳升序排序。
23.所述均值点为算数平均值点，即点的经度坐标为该簇中所有点的经度坐标的算数平均值，纬度坐标为该簇中所有点的纬度坐标的算数平均值，该点的时间戳为核心点的时间戳。
24.所述未经差分解算的点表示解状态不是伪距差分、浮动解和固定解的点。
25.本发明与现有技术相比，具有的有益效果是：
26.本发明通过应用卡尔曼滤波算法对卫星定位数据中的漂移点进行纠偏处理；本发明通过采用基于密度的聚类算法，将轨迹线中的打结点进行聚类，消除由于打结造成的轨迹线混乱的问题，使呈现出的轨迹更加清晰平滑。本发明执行聚类算法后，保证了集合中轨迹点的时序性。
附图说明
27.为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，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，还可以根据提供的附图引申获得其它的实施附图。
28.本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的
实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
29.图1为本实施例中应用聚类算法修正前后的对比示意图。
具体实施方式
30.为使本发明实施例的目的、技术方案和优点更加清楚，下面将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技术一部分实施例，而不是全部的实施例，这些描述只是为进一步说明本发明的特征和优点，而不是对本发明权利要求的限制；基于本技术中的实施例，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，都属于本技术保护的范围。
31.下面结合附图和实施例，对本发明的具体实施方式做进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
32.在本实施例中，人员轨迹的平滑方法采用如下步骤：
33.步骤1：手持终端以1s为采样频率获得人员位置信息，作为原始轨迹点，手持终端可输出包含经度坐标、纬度坐标、时间戳以及rtk解算状态的位置信息。
34.步骤2：将位置信息点中解算状态为未经差分解算(不是伪距差分、浮动解以及固定解)的点认为是漂移点，并对该点应用卡尔曼滤波算法进行纠偏处理；采用一维数据滤波，分别对经纬度坐标值进行纠偏处理。
35.步骤21：本算法中，状态预测方程为x
t
＝x
t-1
。当前时刻的状态偏差：卡尔曼增益：当前时刻状态最优值：更新状态不确定性误差：其中measure为测量值，q为状态噪声协方差，r为测量噪声协方差，δ1为t-1时刻系统最优值误差，δ2为状态不确定性误差。
36.步骤22：使用步骤21中的更新状态不确定性误差值δ2，迭代执行滤波算法，最终估算出最优坐标值。如表1列出了对解状态为单点定位的点的经纬度坐标进行纠偏处理的结果。
37.序号经度坐标纬度坐标解状态修正经度坐标修正经度坐标1112.582031637.75388875(浮动解)————2112.582031337.75388835(浮动解)————3112.582031737.75389182(伪距差分)————4112.582040237.75390002(伪距差分)————5112.582052537.75395911(单点定位)112.582042637.75391136112.582046737.75398511(单点定位)112.582051437.75396417112.581967337.75390762(伪距差分)————8112.581672937.75392011(单点定位)112.581910837.7539010
9112.581428937.75396351(单点定位)112.581818337.7539202
38.表1
39.步骤3：取某一时间段的坐标点集合，记为集合s＝{x1，x2，
…
，xn}，其中集合s中元素按时间戳升序排序。采用基于密度的聚类分析算法，将轨迹线中的打结的点聚类为一个点。
40.步骤31：根据实际坐标点间的距离以及执行程序后调整的结果，设置邻域半径eps为2.53，此参数值为判定两点间距离的阈值，这里的距离采用欧几里得距离(euclidean distance)。
41.步骤32：规定密度阈值minpts为1，即保证轨迹点集合中的每一个点均为核心点，即集合s为核心点集合。
42.步骤33：根据上述参数设置以及聚类中点的密度可达性规则生成核心点簇，即取集合s中的一个点x1，找出点x1与s集合中的密度可达点(x1点除外)，得到点x1的密度可达点的集合c1，点x1及集合c1构成一个簇，同时从集合s中删除点x1和c1集合中的点。
43.步骤34：遍历核心点集合s，重复上述过程，得到轨迹点x1、x2、x3、
……
及其密度可达的点集合c1、c2、c3、
……
，最终构成一个簇的集合。
44.步骤35：对簇集合中的每一个簇中求得一个均值点，采用求算数平均值的方式，即点的经度坐标为该簇中所有点的经度坐标的算数平均值，纬度坐标为该簇中所有点的纬度坐标的算数平均值，该点的时间戳为该核心点的时间戳。
45.步骤36：按照以上方法，遍历簇集合，并最终构成一个新的点集合e，e就是聚类后的轨迹点集合，并保证集合e中的点按时间戳升序排序。图1呈现了轨迹点集合进行聚类前后的结果比对。
46.上面仅对本发明的较佳实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化，各种变化均应包含在本发明的保护范围之内。