若转发请于分明处标明出处,若转发请于鲜明处标明出处

小说版权由小编李晓晖和微博共有,若转发请于显著处标明出处:http://www.cnblogs.com/naaoveGIS/

小说版权由作者李晓晖和微博共有,若转发请于明显处标明出处:http://www.cnblogs.com/naaoveGIS/

文章版权由小编李晓晖和今日头条共有,若转发请于明显处标明出处:http://www.cnblogs.com/naaoveGIS/

1.背景

近年项目须求,对轨道的改正、音信挖掘、体现等做了一比比皆是的批判性商量。在前面的博客中,写到了基于中值滤波的轨迹修正(http://www.cnblogs.com/naaoveGIS/p/6492889.html),实际运用中,我们是把卡尔曼滤波算法与实际场景结合(加上一些性能和各细节优化)来进行的轨迹纠正,在以后的博客中我将和大家一起分享。这里我要和大家一起探讨的是在前端如何对轨迹进行平滑的展示。

以下是未经处理过的原有轨迹:

 图片 1

眼看能够见到,当职员在有个别地点来回走动时,纠缠在一道的轨道线会尤其的多。普通的轨迹平滑,是指将直线连接以bezel曲线进行平整,可是对于这种疑神疑鬼的情状,则无从单独以曲线拟合来化解。那里,大家谈论一种以聚类算法来让有个别打结点整合成一个点从而达成平滑的方案。

1.背景

近年来项目供给,对轨道的拨乱反正、新闻挖掘、显示等做了一文山会海的开拓性研商。在前边的博客中,写到了依照中值滤波的轨迹勘误(http://www.cnblogs.com/naaoveGIS/p/6492889.html),实际运用中,我们是把卡尔曼滤波算法与实际场景结合(加上一些性能和各细节优化)来进行的轨迹纠正,在以后的博客中我将和大家一起分享。这里我要和大家一起探讨的是在前端如何对轨迹进行平滑的展示。

以下是未经处理过的原始轨迹:

 图片 2

肯定能够看到,当人士在某些地点来回走动时,纠缠在一块儿的轨迹线会尤其的多。普通的轨道平滑,是指将直线连接以bezel曲线进行平整,可是对于这种疑虑的场景,则无法单独以曲线拟合来化解。那里,大家商量一种以聚类算法来让部分打结点整合成1个点从而实现平滑的方案。

1.背景

在无路网的场地下,如何开始展览轨迹纠正偏差或偏向也是2个居几人在研商的内容,各类方案均有许多,有依照分裂滤波算法的,也有依照机器学习的,等等。那里,小编探究一种实现相对简便易行的依据中值滤波来开始展览轨迹纠正偏差或偏向的章程。

2.思路详解

2.思路详解

2.中值滤波简介

中值滤波是基于排序计算理论的一种能使得抑制噪声的非线性信号处理技术,中值滤波的基本原理是把数字图像或数字连串中有些的值用该点的三个邻域中各点值的中值代替,让周围的像素值接近的真实值,从而扫除孤立的噪声点。

中值滤波法对化解椒盐噪声分外有效,在光学度量条纹图象的相位分析处理方法中有特殊功能,但在条纹核心分析方法中成效十分的小.中值滤波在图像处理中,常用于保证边缘新闻,是经典的坦荡噪声的不二法门。

 图片 3

传说中值滤波对去噪平滑有相比较好的遵循,那里品尝将中值滤波那种思路用在对轨道点去噪平滑中。

2.1一般聚类方法

 图片 4

普通聚类一般有网格聚类法、K中值聚类法等,那么些聚类方法一般是仅从地理维度出发来开始展览聚类,可是在我们轨迹的实际上意况中我们亟须将时刻那一个维度考虑进来才是更合理的,不然所有轨迹图很不难丢失一些主要的节点新闻。所以,那里大家以距离、时间多少个维度来开始展览聚类。

2.1貌似聚类方法

 图片 5

万般聚类一般有网格聚类法、K中值聚类法等,那些聚类方法一般是仅从地理维度出发来进展聚类,不过在我们轨迹的莫过于情状中我们务必将时间那一个维度考虑进来才是更客观的,不然全部轨迹图很容易丢失一些首要的节点音讯。所以,那里大家以距离、时间五个维度来进展聚类。

3.算法设计

2.2参预时间维度的聚类方法

此间大家必须考虑那样多少个影响因子:

GPS是很简单漂浮的,假设某多少个点出现畸变,它同样应干归咎为聚类点中。

时间维度和空间维度的重组,能够分解为在某些时间段内,一而再运动的长空地方与聚类点之间的聚类均没有当先阈值,则归结为同一些。

于是乎大家以此聚类方法能够描述为:在规定时间及以上,某物体延续运动的相距没有超越聚类点的相距阈值,时期允许出现某两次阈值距离外的畸变点,那么如此的有的点集合能够聚类为多少个点。

具体聚类步骤为:

 图片 6

 

2.2参与时间维度的聚类方法

此地我们不可能不考虑那样几个影响因子:

GPS是很简单漂浮的,假诺某多少个点现身畸变,它一律应该归纳为聚类点中。

时间维度和空间维度的组合,能够分解为在某些时间段内,延续运动的长空地点与聚类点之间的聚类均没有超越阈值,则归纳为同一些。

于是我们以此聚类方法能够描述为:在明确时间及以上,某物体三番五次运动的相距没有超越聚类点的距离阈值,时期允许出现某几回阈值距离外的畸变点,那么这么的一些点集合能够聚类为二个点。

切实聚类步骤为:

 图片 7

 

3.1上马算法设计

算法基于一定的历史轨迹点,起首设计为:

 图片 8

3.结实展现

3.结出展现

3.2算法优化

依据历史轨迹的多寡,以及轨道的性状,我们再展开如下的算法优化:

a.加上开端的滤波阈值minRange,最大滤波阈值maxRange,递增累加阈值rangeStep,中值样本数量meanNum,多个参数。那些八个参数的功力是率先遵照minRange在历史轨迹中过滤出坐标(x,y)附近的轨迹点,判断轨迹点的多少是不是超过meanNum,即便轨迹点的多少大于,则赶回由所得轨迹平均出的中值,不然将Range加上rangeStep,再重返早先判断。其跳出条件是,当Range大于maxRange后,则将原点判断为奇点,进行重临。

 图片 9

b.由于中值滤波自己是要对范围点排序,再前后去划一数量后再实行平均,但是考虑到对轨道点走位过滤再排序成效太低,那里直接将有着范围内点开展平均。

c.要是接二连三八个点均是奇点,将判断为一条新的门道而不放任,不然将奇点抛弃。即扩大2个ourRangePointNum参数,多余那个参数的奇点均是常常点,不然抛弃。

3.1原本数据聚类浮现

 图片 10

3.1原始数据聚类展现

 图片 11

3.3优化计算

算法优化的指标是:

a.尽量合清理计算出中值。

b.对无法取中值的奇点,要咬定是不荒谬点照旧噪音点,尽量确认保证轨迹特征点。

c.优化算法功用。

3.2.抬高Carl曼滤波后的结果显示

 图片 12

能够望见,Carl滤波对轨道的平整效果很通晓。

3.2.抬高Carl曼滤波后的结果呈现

 图片 13

能够望见,卡尔滤波对轨道的坦荡效果很肯定。

4.算法达成

3.3尤其优化后的展现

              图片 14

图中因为有一对轨迹数据有显然信号丢失,导致轨迹的连线出现了穿墙的题材,那里对轨道信号丢失处举行围堵处理,如图:

 图片 15

3.3尤其优化后的显示

              图片 16

图中因为有局部轨迹数据有明显信号丢失,导致轨迹的连线出现了穿墙的难点,那里对轨道信号丢失处实行围堵处理,如图:

 图片 17

4.1均值算法

 图片 18

图片 19

图片 20

 

4.优瑕疵研究

优点:将没有太马虎义的轨道点聚类成3个点,能够兑现很好的坦荡效果,并且能够杰出逗留地方。

症结:参数设置的例外会严重影响体现结果,并且恐怕会导致一些特征点的丢失。

4.优弱点商量

亮点:将尚未太马虎思的轨道点聚类成一个点,能够落成很好的坦荡效果,并且能够出色逗留地方。

缺陷:参数设置的区别会严重影响体现结果,并且也许会造成一些特征点的遗失。

4.2入口调用

 图片 21

 

           

5.越来越考虑

在经过多量轨道数据达成路网自行建造后,结合自行建造路网进行轨迹考订应该效果会更为跃然纸上。

 

                               

                                                                   
—–欢迎转发,但保留版权,请于鲜明处标明出处:http://www.cnblogs.com/naaoveGIS/

                                                                          
倘使您觉得本文确实帮忙了你,能够微信扫一扫,举行小额的打赏和鞭策,谢谢^_^

                                                                       
                                 
  图片 22

5.一发考虑

在通过大批量轨道数据完毕路网自行建造后,结合自行建造路网进行轨迹考订应该效果会愈加维妙维肖。

 

                               

                                                                   
—–欢迎转发,但保留版权,请于显著处标明出处:http://www.cnblogs.com/naaoveGIS/

                                                                          
假如你认为本文确实援救了你,能够微信扫一扫,举行小额的打赏和鞭策,谢谢^_^

                                                                       
                                 
  图片 23

5.结实突显

 

 图片 24

6.几点考虑

a.基于历史轨迹的查询通过X和Y来过滤功能偏低,能够因而geohash编码后再拓展单个字段匹配会加快历史轨迹的查询。

b.中值滤波的功能、平滑等功能一般,并且过度依靠于历史轨迹数据样本。

c.中值滤波会冒出将有些点纠正偏差或偏向过度。

 图片 25

 

 

 

 

 

                                                                       
   
 —–欢迎转发,但保留版权,请于鲜明处标明出处:http://www.cnblogs.com/naaoveGIS/

                                                                       
       
 假使您认为本文确实扶助了你,能够微信扫一扫,进行小额的打赏和鞭策,多谢^_^

                                                                       
                                           
 图片 26

 

相关文章