一种基于费马点求解的自适应运动轨迹数据去噪方法技术

本发明专利技术公开了一种基于费马点求解的自适应运动轨迹数据去噪方法，包括：(1)轨迹数据归一化；(2)确定海明窗大小；(3)滑动海明窗，计算窗内点集费马点；(4)主干数据输出。本发明专利技术去噪方法可以快速准确的找出移动物体运动轨迹数据的主干部分，同时去掉绝大部分的噪音数据，方便了对轨迹数据的准确分析，同时有利于优化轨迹数据的存储，占用更少的存储空间。同时，本发明专利技术可以自适应的处理各种各样运动轨迹的数据并进行去噪声，处理后的数据可以有效的反映出物体的宏观运动规律，方便用于压缩存储运动轨迹数据，亦方便对运动数据做进一步的几何处理和优化。

【技术实现步骤摘要】

本专利技术属于运动数据处理
，具体涉及一种基于费马点求解的自适应运动轨迹数据去噪方法。
技术介绍
轨迹数据是观测对象的历史位置数据构成的序列，在某种程度上能够体现出移动对象的状态、意图、行为等总体特征。随着科技的发展，移动轨迹数据的提取、分析在越来越多的领域展示出用途。比如公安机构利用嫌疑份子的动态位置数据来判断其犯罪用途，互联网公司可以利用用户的位置信息判断用户的需求，生物实验中依据移动轨迹判断生物体的行为等等。通常情况下，移动对象短时间内的活动往往具有比较大的随机性，加上位置采集的误差，数据往往带有比较多的噪声。特别在监控跟踪领域，摄像头的帧率往往比较高，再加上抖动及光照、环境变化等的影响，经常影响采集到的位置数据的准确性。而且在有些场景下，轨迹数据点会发生非常频繁的扰动，噪音数据会占据很多额外的存储空间，这种情况下，我们需要尽量去除噪声数据，提取和存储数据中最重要的主干成份。因此，对轨迹数据进行去噪是非常重要的一步，高效、准确的轨迹去噪算法能够节省机器资源的、提高计算效率、保证轨迹数据的质量，为后续的数据挖掘和分析提供非常重要的基础支撑。卡尔曼滤波(Kalman Filter)是一种最优化自回归数据处理算法，已广泛应用于许多工程领域，包括航天器雷达系统、导弹追踪、信号去噪与轨道修正等。现在也被应用用于组合导航与动态定位领域，对于许多波形及运动轨迹数据的去噪有很好的效果。卡尔曼滤波的方法如下：首先，定义系统状态变量(即提滤波去噪后的数据)Xk∈Rn，控制输入(即当前输入数据)为Uk，那么滤波公式为：Xk＝AXk-1+BUk其中：A为数据源的状态转移矩阵，AXk-1的作用为根据前一时刻的状态来判断当前时刻的状态；B为矫正矩阵，BUk的作用为根据当前的输入数据来矫正根据AXk-1得出的结果。卡尔曼滤波对于轨迹数据的噪声处理也可以有一定的应用，但是卡尔曼滤波在给移动对象轨迹去噪方面有一个比较大的问题：它的数学假设前提是高斯白噪声，但对许多轨迹数据来说，噪声点的分布并不满足高斯白噪声性质，而是非常灵活、时空方向上缺乏一致性、差异较大的几何噪声点，很难使用卡尔曼滤波统一进行有效的解决。
技术实现思路
针对现有技术所存在的上述技术问题，本专利技术提供了一种基于费马点求解的自适应运动轨迹数据去噪方法，其对轨迹的噪声不需要任何假设，可以灵活的应对各种各样的噪声，这也是随机算法的优势。一种基于费马点求解的自适应运动轨迹数据去噪方法，包括如下步骤：(1)将轨迹数据中每个空间数据点的值归一化至[0,1]区间内；(2)根据轨迹数据的特点设定海明窗的大小以及滑动幅度；(3)在轨迹数据上逐次滑动海明窗，通过计算确定每次滑动后海明窗内的费马点；(4)将得到的所有费马点的值按归一化等比还原，使所有费马点还原后的值组成作为主干轨迹数据。所述的步骤(1)中通过以下公式将每个空间数据点的值归一化至[0,1]区间内：x′=x-xminxmax-xmin+10-7]]>其中：x和x′分别为空间数据点归一化前后的值，xmax和xmin分别为归一化前所
有空间数据点的最大值和最小值。所述的步骤(2)中根据问题本身的需要调整海明窗的大小，海明窗越大，提取出的关键点越重要，但相应的细节会减少。所述海明窗的滑动幅度为海明窗大小的1/2或1/3。所述的费马点为海明窗内的一个点且该点与海明窗内所有空间数据点的欧式距离总和最小。所述的步骤(3)中采用模拟退火算法确定每次滑动后海明窗内的费马点。采用模拟退火算法确定海明窗内费马点的具体过程如下：3.1初始化设定温度T、步长D以及模拟退火的温度比例因子K，使海明窗内所有空间数据点的几何中心点作为优化解点并计算优化解点与海明窗内所有空间数据点的欧式距离总和即优化解点的目标适应值；3.2以优化解点为中心分别向周围N个方向按步长D进行移动，得到N个点并计算这N个点对应的目标适应值，N为大于3的自然数；若这N个点的最小目标适应值小于优化解点的目标适应值，则将最小目标适应值所对应的点更新作为优化解点，进而执行步骤3.3；若这N个点的最小目标适应值大于等于优化解点的目标适应值，则计算最小目标适应值所对应点的迁移概率，并根据迁移概率决定是将最小目标适应值所对应的点更新作为优化解点或是维持沿用原优化解点，进而执行步骤3.3；3.3调整更新所述的温度T和步长D，使温度T和步长D适当减小，并返回执行步骤3.2；依此反复执行，直至收敛后最终得到的优化解点作为海明窗内的费马点。所述迁移概率的计算表达式如下：Ptransform=exp(DIScenter-DISN_minKT)]]>其中：Ptransform为迁移概率，DISN_min为N个点的最小目标适应值，DIScenter为优化解点的目标适应值。优选地，所述的步骤(4)中得到主干轨迹数据后，利用B样条插值对主干
轨迹数据进行插值平滑处理。要正确寻找移动物体的主干轨迹，去除噪声，需要对噪点的分布和性质进行统计和分析。费马点是点集的质心，可以有效地抵抗噪声的干扰，非常适合作为点集的关键点、主干点，并且点集的费马点对于任何维度的数据均有效，适用范围广泛。直观上讲，本专利技术模拟退火在初始时会大范围跳动寻找合适的解，但随着时间的减小，寻找到的点质量会越来越好，进而随着目标差值delta的减小，转移概率相应减小，最终收敛到一个概率意义上非常优秀的解。由此，本专利技术去噪方法可以快速准确的找出移动物体运动轨迹数据的主干部分，同时去掉绝大部分的噪音数据，方便了对轨迹数据的准确分析，同时有利于优化轨迹数据的存储，占用更少的存储空间。同时，本专利技术可以自适应的处理各种各样运动轨迹的数据并进行去噪声，处理后的数据可以有效的反映出物体的宏观运动规律，方便用于压缩存储运动轨迹数据，亦方便对运动数据做进一步的几何处理和优化。附图说明图1为本专利技术去噪方法的步骤流程示意图。图2为声控大鼠原始移动轨迹数据图。图3为图2经本专利技术方法去噪后的主干轨迹数据图。具体实施方式为了更为具体地描述本专利技术，下面结合附图及具体实施方式对本专利技术的技术方案进行详细说明。本专利技术基于模拟退火求解费马点的自适应运动轨迹去燥算法，对不同类型的数据归一化后可以自动求解，本实施例主要应用解决的是脑机接口实验中大鼠的运动轨迹的去噪问题。如图1所示，本实施方式具体步骤如下：(1)轨迹数据归一化。轨迹数据归一化的目的是尽量去除不同维度数据之间的影响，因为不同数
据的不同维可能取值范围差异非常大，统一规整到区间[0,1]可以尽可能方便模拟退火在迭代时排除这些不利影响。若数据点某一维的值为x，该维的最小值为min，最大值为max，则归一化后该点在这一维的值x′为：x′=x-minmax-min+10-7]]>其中，分母上加一个很小的常数是为了防止浮点溢出，对计算结果几乎无影响。(2)确定海明窗大小。海明窗大小将决定主干点的稀疏程度。海明窗越大，主干点越稀疏，排除的噪点越多，越准确；海明窗越小，主干点越密集，排除的噪点越少，刻画的细节波动越多；可以根据需要调整海明窗选择合适的大小以及设定滑动窗移幅度为海明窗大小的1/2或1/3。(3)滑动海明窗，计算窗内点集费马点。本实施方式利用模拟退火的算本文档来自技高网...

【技术保护点】
一种基于费马点求解的自适应运动轨迹数据去噪方法，包括如下步骤：(1)将轨迹数据中每个空间数据点的值归一化至[0,1]区间内；(2)根据轨迹数据的特点设定海明窗的大小以及滑动幅度；(3)在轨迹数据上逐次滑动海明窗，通过计算确定每次滑动后海明窗内的费马点；(4)将得到的所有费马点的值按归一化等比还原，使所有费马点还原后的值组成作为主干轨迹数据。

【技术特征摘要】
1.一种基于费马点求解的自适应运动轨迹数据去噪方法，包括如下步骤：(1)将轨迹数据中每个空间数据点的值归一化至[0,1]区间内；(2)根据轨迹数据的特点设定海明窗的大小以及滑动幅度；(3)在轨迹数据上逐次滑动海明窗，通过计算确定每次滑动后海明窗内的费马点；(4)将得到的所有费马点的值按归一化等比还原，使所有费马点还原后的值组成作为主干轨迹数据。2.根据权利要求1所述的自适应运动轨迹数据去噪方法，其特征在于：所述的步骤(1)中通过以下公式将每个空间数据点的值归一化至[0,1]区间内：x′=x-xminxmax-xmin+10-7]]>其中：x和x′分别为空间数据点归一化前后的值，xmax和xmin分别为归一化前所有空间数据点的最大值和最小值。3.根据权利要求1所述的自适应运动轨迹数据去噪方法，其特征在于：所述海明窗的滑动幅度为海明窗大小的1/2或1/3。4.根据权利要求1所述的自适应运动轨迹数据去噪方法，其特征在于：所述的费马点为海明窗内的一个点且该点与海明窗内所有空间数据点的欧式距离总和最小。5.根据权利要求1所述的自适应运动轨迹数据去噪方法，其特征在于：所述的步骤(3)中采用模拟退火算法确定每次滑动后海明窗内的费马点。6.根据权利要求5所述的自适应运动轨迹数据去噪方法，其特征在于：采用模拟退火算法确定海明窗内费马点的具体过程如下：3.1初始化设定温度T、...

【专利技术属性】
技术研发人员：杨莹春，赵利强，吴朝晖，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33