Eddy_Em

ОСь какая?
В линуксе и линуксоподобных: fuser, lsof | grep имя_файла. Обе (и fuser, и lsof) работают, сканируя дерево в /proc/PIDs. Аналогично и свое реализуется.

А откуда скорость берется? Из показаний датчика ускорений скорость вычислять нельзя (слишком грубо + накапливается аддитивная ошибка).
Координаты из показаний акселерометра и углового датчика тем паче нельзя вычислять — полная бредятина же получится. А еще представьте, какая будет точность определения координат, если, скажем, угловой датчик 16-рязрядный, а робот проехал всего пару километров (подсказываю: 10см на каждый км, если робот ехал по прямой, и это если скорость вычисляется идеально)…
Конечно, шум зависит от разрядности датчиков: например, если они у вас 128-разрядные, то за первые час-два работы вы особой ошибки не заметите.

Я бы попробовал для начала построить гистограмму HL + LH компонент вейвлет-образов картинок (Хааром, например). Правда, это будет не сильно объективно.
Еще можно сгладить картинки медианой (скажем, 3x3 или 9x9, смотря какого размера исходные изображения) и вычесть из оригиналов. STD остатка вполне может быть верной характеристикой шумов.

Вам нужно именно реализовать свой метод (т.е. это — какая-то лабораторная) или же вы изобретаете велосипед?
Если второе, то советую воспользоваться, к примеру, библиотеками BLAS или GSL.

В <a href=«habrahabr.ru/blogs/image_processing/134352/>похожей задаче я просто пользовался медианным усреднением.
Как и говорили выше, если вычислить среднеквадратичное отклонение (но не от среднего, а от медианы), с большой надежностью (чем больше точек — тем лучше) получим что-то вроде центра тяжести, вокруг которого в круге с радиусом σ будет находиться наибольшее количество точек.

Еще вариант: как было предложено выше. Т.е. преобразовать эти точки в изображение, дискретизуя с большим шагом. Найдя „пиксель“ с наибольшей интенсивностью (количеством точек) перейти к меньшей дискретизации. Эдакая вариация дихотомии.

Есть еще вариант: построить вокруг точек выпуклые непересекающиеся оболочки максимальной площади, содержащие ровно по одной точке. Функция распределения площади оболочек от координат даст понятие распределения плотности точек. Но эта задача сложна математически, да и вряд ли нужно так усложнять, когда предыдущие способы вполне сгодятся.