CN102928815B - 一种室内定位中的鲁棒用户轨迹估计的方法、装置及智能通讯设备 - Google Patents
一种室内定位中的鲁棒用户轨迹估计的方法、装置及智能通讯设备 Download PDFInfo
- Publication number
- CN102928815B CN102928815B CN201210434579.3A CN201210434579A CN102928815B CN 102928815 B CN102928815 B CN 102928815B CN 201210434579 A CN201210434579 A CN 201210434579A CN 102928815 B CN102928815 B CN 102928815B
- Authority
- CN
- China
- Prior art keywords
- user
- indoor positioning
- robust
- user trajectory
- track
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000004891 communication Methods 0.000 title claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 31
- 230000011218 segmentation Effects 0.000 claims abstract description 20
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 230000000694 effects Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013461 design Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000008450 motivation Effects 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Landscapes
- Position Fixing By Use Of Radio Waves (AREA)
- Navigation (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种室内定位中的鲁棒用户轨迹估计的方法,包括:S1.将用户轨迹分成K个分段,每个分段具有N个采样点;S2.抓取用户轨迹分段处的采样点的信息,采用鲁棒统计学的方法来估计这些采样点的距离,并区分用户信息S3.抓取用户轨迹上连续采样点的信息,结合用户信息,采用加权平均的方法来估计所有采样点间的距离值;其中,K,N均为正整数。本发明还公开了一种室内定位中的鲁棒用户轨迹估计的装置及智能设备。本发明的室内定位中的鲁棒用户轨迹估计的方法、装置及智能通讯设备用于限制异常用户或者传感器的异常读数对基于众包的室内定位的负面影响,从而使基于众包的室内定位技术在实际应用中变得鲁棒。
Description
技术领域
本发明涉及用户轨迹估计领域,尤其涉及一种室内定位中的鲁棒用户轨迹估计的方法、装置及智能通讯设备。
背景技术
近年来,智能手机装备了各种功能的传感器,并且具有强大的计算和通信功能,智能手机的流形吸引了很多研究人员的关注,他们致力于利用手机上的传感器来改善基于指纹的室内定位方法。在传统方法中,基于指纹的定位包括两个阶段:标定阶段和实施阶段。在标定阶段中,我们需要采集在感兴趣的地点的指纹数据(通常是RSS值(Received SignalStrength,是指接收信号强度)),来构建一个指纹数据库;然后在实施阶段,当用户查询他的位置时,系统会在指纹数据库中匹配他的手机传感器读数,并估计他的位置。标定阶段对于基于指纹的定位方法来说是非常昂贵的但又不可避免的,因此成为这些定位方法的关键瓶颈。
在最新的研究中,研究人员探索了用户移动轨迹与指纹的关系,并提出了联系原来离散的指纹的方法。这些最新的方法的共同点在于利用了众包采集的数据来取代昂贵的现场标定,众包获得的指纹数据以及用户轨迹足以进行指纹数据库的构建。虽然这些新方法有效的节省了显式的构建指纹数据库的花费,极大的推动了室内定位方法在现实中部署的进度,然而在实际场景中,搭建的系统应该能够对异常数据有鲁棒性,这恰恰在最新的研究文献中被忽略了,因此这些新的算法在遇到异常值时很可能会失效。具体来说,众包获得的轨迹数据中,由于各种各样的因素,比如用户的异常行为或者设备故障,很可能会包含传感器的异常读数,这些异常读数会导致错误的轨迹估计,使得轨迹估计与平面图错误匹配,因此接下去的定位步骤变会全部错误。
发明内容
本发明的目的在于提出一种室内定位中的鲁棒用户轨迹估计的方法、装置以及设备,能够使得基于众包数据采集的室内定位算法变得鲁棒,该方法不仅引入了距离测量的鲁棒性,而且基于众包的实际情形,提出了用户级别的鲁棒性,从而解决了众包采集的数据中用户轨迹空间分布不规则的问题,使得该方法具备了两个层面的鲁棒性,很好的应对了众包数据中存在异常值的情况。
为达此目的,本发明采用以下技术方案:
本发明公开了一种室内定位中的鲁棒用户轨迹估计的方法,包括:
S1.将用户轨迹划分为M个部分,每个部分分成K个分段,每个分段具有N个采样点;其中,如果所述用户轨迹的一部分轨迹中包括了所有用户的数据,则该部分轨迹为主轨迹,其余部分为边缘轨迹;
S2.抓取所述主轨迹中每个分段所具有的全部N个采样点的信息,采用最小协方差行列式的方法来估计所述主轨迹包含的所有采样点之间的距离,并区分用户类别;
S3.抓取所述边缘轨迹上连续采样点的信息,结合所述用户类别,采用加权平均的方法来估计所述边缘轨迹包含的所有采样点间的距离值;其中,M,K,N均为正整数。
在本发明所述的室内定位中的鲁棒用户轨迹估计的方法中,所述用户类别,具体包括:正常用户以及异常用户。
在本发明所述的室内定位中的鲁棒用户轨迹估计的方法中,所述的正常用户与异常用户区分在于:通过计算主轨迹来获得每个用户的权重,权重大于预设值则为正常用户,权重低于预设值则为异常用户。
在本发明所述的室内定位中的鲁棒用户轨迹估计的方法中,所述的用户轨迹包括:用户行走的步数以及从开始点到结束点的RSS值的记录。
本发明公开了一种室内定位中的鲁棒用户轨迹估计的装置,包括:
轨迹分段单元,用于将用户轨迹划分为M个部分,每个部分分成K个分段,每个分段具有N个采样点;其中,如果所述用户轨迹的一部分轨迹中包括了所有用户的数据,则该部分轨迹为主轨迹,其余部分为边缘轨迹;
距离估计单元,用于抓取所述主轨迹每个分段所具有的全部N个采样点的信息,采用最小协方差行列式的方法来估计所述主轨迹包含的所有采样点之间的距离,并区分用户类别;
用户区分单元,抓取所述边缘轨迹上连续采样点的信息,结合所述用户类别,采用加权平均的方法来估计所述边缘轨迹包含的所有采样点间的距离值;其中,M,K,N均为正整数。
在本发明所述的室内定位中的鲁棒用户轨迹估计的装置中,所述用户类别,具体包括:正常用户以及异常用户。
在本发明所述的室内定位中的鲁棒用户轨迹估计的装置中,所述的正常用户与异常用户区分在于:通过计算主轨迹来获得每个用户的权重,权重大于预设值则为正常用户,权重低于预设值则为异常用户。
在本发明所述的室内定位中的鲁棒用户轨迹估计的装置中,所述的用户轨迹包括:用户行走的步数以及从开始点到结束点的RSS值的记录。
本发明公开了一种智能通讯设备,包括智能通讯设备本体,还包括与所述智能通讯设备本体相连的如上述的室内定位中的鲁棒用户轨迹估计的装置。
在本发明所述的智能通讯设备中,所述的智能通讯设备为智能手机。
实施本发明的一种室内定位中的鲁棒用户轨迹估计的方法、装置以及设备,有益效果在于:
用于限制异常用户或者传感器的异常读数对基于众包的室内定位的负面影响,从而使基于众包的室内定位技术在实际应用中变得鲁棒。
附图说明
图1是本发明室内定位中的鲁棒用户轨迹估计的方法流程图;
图2是本发明室内定位中的鲁棒用户轨迹估计的方法的动机场景图;
图3表示了基本的MCD估计量辨别异常值的例子;
图4是本发明方法用在LiFS室内定位框架时所使用的办公楼平面图;
图5是用户在办公楼内行走轨迹的示意图;
图6表示了不同用户采集的数据间的鲁棒距离和马氏距离;
图7展示了三维指纹空间的对比图。
图8是我们设计的方法TrMCD与传统的最小二乘法的映射误差累积分布函数。
图9是本发明室内定位中的鲁棒用户轨迹估计的装置构造方框图;
图10是本发明一种智能通讯设备构造方框图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
请参阅图1,本发明的较佳实施例,一种室内定位中的鲁棒用户轨迹估计的方法,包括:
S1.将用户轨迹分成K个分段,每个分段具有N个采样点;
S2.抓取用户轨迹分段处的采样点的信息,采用鲁棒统计学的方法来估计这些采样点的距离,并区分用户信息;
S3.抓取用户轨迹上连续采样点的信息,结合用户信息,采用加权平均的方法来估计所有采样点间的距离值;其中,K,N均为正整数。
其中,所述的区分用户信息,具体包括:正常用户以及异常用户,所述的正常用户与异常用户区分在于:如果有一段轨迹中包括了所有用户的数据,由该段轨迹为主轨迹,通过计算主轨迹来获得每个用户的权重,权重大于预调设值则为正常用户,权重低于预设值则为异常用户,所述的用户轨迹包括:用户行走的步数以及从开始点到结束点的RSS值的记录。
下面进行详细说明:
本发明提供了一种基于最小协方差行列式(MCD)的鲁棒轨迹计算的实现方法,有效的辨别和抑制异常值对定位系统的影响。该方法可以很好的集成到现有基于众包的室内定位算法框架中,使得这些定位算法变得鲁棒,适应实际部署的需求。该方法包括以下步骤:
(1)用户轨迹建模
建模点到点的距离:为了测量两个采样点之间的距离,通常的做法是使用两个点之间的用户步数计数,然而,不同用户有不同的步长,而且同一个用户也可能由于一些原因(如用户如何放置智能手机,用户是否走直线,用户有没有用一些异常行为来欺骗手机传感器,等等),在相同的两个采样点之间采集到不同的数据。此外,如果用户走过多个采样点,那么相邻采样点之间的距离测量也会表现出随机性,因此不能反映这些采样点之间的真实几何关系。
考虑到这些因素,我们假定任意两个采样点之间的步数计数是个随机变量,从而避免显式的建模各种复杂因素,我们需要从众包收集的观测值中估计采样点之间的距离。我们采用鲁棒统计学的方法来估计采样点间的距离,这可以减轻异常值对估计量的影响。
建模轨迹:在基于众包的室内定位的应用场景中,我们不仅要鲁棒的估计两个采样点之间的距离,而且还希望区分正常用户和异常用户,因此轨迹估计包括两个方面:沿着轨迹的点到点的记录估计和用户分类。用户信息在众包的应用中是很自然且有用的,在我们提出的方法中很巧妙的利用了这个信息。
点到点的距离估计不足以将一个用户标记为正常或者异常,因为在实际中,哪怕一个正常的用户也可能会偶尔报告损坏了的测量数据。为了克服这个问题,我们设计利用用户轨迹上连续多个采样点间的距离测量值来区分用户的类别。在我们的应用中,我们选取MCD估计量来实现鲁棒轨迹估计。
(2)鲁棒估计计算
为了便于说明,我们给出以下两个定义:一条路迹是用户记下的包括行走步数和他从开始点到结束点的采样RSS值的记录;当有一个用户从某个可行的区域走过时,一条物理的轨迹便形成。因此,在像走廊这类区域中,一条轨迹可能对应着多条路迹记录。
简单轨迹:给定一条轨迹上的一组路迹观测值,给每个用户赋予一个唯一ID值,在第一步中,我们假设所有观测值都是沿着同一条轨迹收集的,这样我们就可以关联一个d维随机向量X给该轨迹,每条路迹观测值表示为。假设有轨迹的n条路迹记录,我们使用MCD估计量来估计真实的轨迹,估计量T(X)为:
其中,参数h控制估计量的击穿点,当h约为n+d的一半时,估计量获得最高的击穿点50%,然而在实际中,经验表明异常值含量通常在1-10%之间,因此可以设定h=0.75n,来获取高击穿点以及统计效率。
复杂轨迹:假设轨迹可以划分为m部分,第j部分有dj条分段和nj条用户数据。在所有m部分中,我们认为有一部分轨迹包含了所有用户数据,我们将这个特殊的部分成为主轨迹,其他部分成为边缘轨迹。为了估计完整的轨迹,我们通过计算主轨迹来获得每个用户的权重,即区分正常用户与异常用户。接着我们用下式来计算边缘轨迹:
其中Yi={i∈I:第i个用户在第m部分轨迹中}。
在该方法设计中,有人也许会困扰为什么不对边缘轨迹直接使用MCD估计量。首先,在边缘区域,比如一个个人办公室,可用的用户行走数据是相对较少的,在这种情况下,少量的观测数据不能够充分的揭示统计规律。另一方面,在某些极端情况下,在边缘区域中会出现异常用户数据多于正常用户数据的情况,这样用传统的MCD估计量进行轨迹估计的话会导致错误的结果。考虑这些因素,我们的设计中先通过计算主轨迹估计,获得所有用户的置信度权重,从而可以使边缘轨迹的估计经过加权变得鲁棒,这样整体的轨迹估计就变得鲁棒。
实际部署的考虑:理论上,我们前面设计的鲁棒估计方法已经足以计算所有点到点的记录,然而我们仍然需要进一步完善该设计框架,使其在应用中可行。首先,我们注意到连续两个采样点之间不同用户的步数计数变化相对较小,这使得辨别用户是正常的还是异常的变得困难。比如,在连续两个采样点之间,一个异常用户可能比其他用户少走两步,而这个偏差会被估计量认为是可接受的。可是,如果这个偏差在连续几个采样点之间累积起来,那么这个偏差就会变得很大,估计量会将其检测为异常值。其次,如果我们将所设计的方法用于一条很长的轨迹,那么我们就需要非常多的路迹记录来完成计算步骤,这在实际中有时会变得困难。
为了应对这些难题,我们将计算步骤分成两步。首先,我们将主轨迹划分为k条分段,每条分段包含4-6个采样点,如上面所述,我们应用MCD方法来计算主轨迹,这样就获得了我们所选取的一个采样点子集的鲁棒距离估计以及用户权重。其次,我们使用加权均值来计算所有剩余采样点之间的距离。
图2是本发明室内定位中的鲁棒用户轨迹估计的方法的动机场景。A和B之间的三角形标记线与圆形标记线表示了不同用户的步长不同;A和C之间的方框标记线与三角形标记线表示用户走的是弯曲的路线;A-C-B之间的轨迹有较多的用户走过,而C-D之间的轨迹较少用户行走,这反映了用户路迹分布的不均匀性。
图3表示了基本的MCD估计量辨别异常值的例子,图中在MCD椭球内的三角形被认为是正常观测值,而椭圆外的方框则被估计量认为是异常值。
图4是本发明方法用在LiFS室内定位框架时所使用的办公楼平面图。
图5是用户在办公楼内行走轨迹的示意图。
图6表示了不同用户采集的数据间的鲁棒距离和马氏距离,从图中可以看出,传统的马氏距离不能识别出所有的异常值,而鲁棒距离可以。
图7展示了三维指纹空间的对比图。从图可以看出,我们设计的鲁棒方法TrMCD获得的指纹空间与真实的平面图很好的匹配,而传统的最小二乘方法获得的指纹空间在有异常值的房间发生了变形,不能与真实的平面图匹配。
图8是我们设计的方法TrMCD与传统的最小二乘法的映射误差累积分布函数。
请参阅图9、一种室内定位中的鲁棒用户轨迹估计的装置,包括:
轨迹分段单元10,用于将用户轨迹分成K个分段,每个分段具有N个采样点;
距离估计单元20,用于抓取用户轨迹分段处的采样点的信息,采用鲁棒统计学的方法来估计这些采样点的距离,并区分用户信息
用户区分单元30,抓取用户轨迹上连续采样点的信息,结合用户信息,采用加权平均的方法来估计所有采样点间的距离值;其中,K,N均为正整数。
其中,所述的区分用户信息,具体包括:正常用户以及异常用户,所述的正常用户与异常用户区分在于:如果有一段轨迹中包括了所有用户的数据,由该段轨迹为主轨迹,通过计算主轨迹来获得每个用户的权重,权重大于预调设值则为正常用户,权重低于预设值则为异常用户,所述的用户轨迹包括:用户行走的步数以及从开始点到结束点的RSS值的记录。
请参阅图10、一种智能通讯设备,包括智能通讯设备本体100,还包括与智能通讯设备本体100相连的上述的室内定位中的鲁棒用户轨迹估计的装置110。
较佳地,智能通讯设备100为智能手机。
实施本发明的一种室内定位中的鲁棒用户轨迹估计的方法、装置以及设备,有益效果在于:
用于限制异常用户或者传感器的异常读数对基于众包的室内定位的负面影响,从而使基于众包的室内定位技术在实际应用中变得鲁棒。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种室内定位中的鲁棒用户轨迹估计的方法,其特征在于,包括:
S1.将用户轨迹划分为M个部分,每个部分分成K个分段,每个分段具有N个采样点;其中,如果所述用户轨迹的一部分轨迹中包括了所有用户的数据,则该部分轨迹为主轨迹,其余部分为边缘轨迹;
S2.抓取所述主轨迹中每个分段所具有的全部N个采样点的信息,采用最小协方差行列式的方法来估计所述主轨迹包含的所有采样点之间的距离,并区分用户类别;
S3.抓取所述边缘轨迹上连续采样点的信息,结合所述用户类别,采用加权平均的方法来估计所述边缘轨迹包含的所有采样点间的距离值;其中,M,K,N均为正整数。
2.根据权利要求1所述的室内定位中的鲁棒用户轨迹估计的方法,其特征在于,所述用户类别,具体包括:正常用户以及异常用户。
3.根据权利要求2所述的室内定位中的鲁棒用户轨迹估计的方法,其特征在于,所述的正常用户与异常用户区分在于:通过计算主轨迹来获得每个用户的权重,权重大于预设值则为正常用户,权重低于预设值则为异常用户。
4.根据权利要求1所述的室内定位中的鲁棒用户轨迹估计的方法,其特征在于,所述的用户轨迹包括:用户行走的步数以及从开始点到结束点的RSS值的记录。
5.一种室内定位中的鲁棒用户轨迹估计的装置,其特征在于,包括:
轨迹分段单元,用于将用户轨迹划分为M个部分,每个部分分成K个分段,每个分段具有N个采样点;其中,如果所述用户轨迹的一部分轨迹中包括了所有用户的数据,则该部分轨迹为主轨迹,其余部分为边缘轨迹;
距离估计单元,用于抓取所述主轨迹中每个分段所具有的全部N个采样点的信息,采用最小协方差行列式的方法来估计所述主轨迹包含的所有采样点之间的距离,并区分用户类别;
用户区分单元,抓取所述边缘轨迹上连续采样点的信息,结合所述用户类别,采用加权平均的方法来估计所述边缘轨迹包含的所有采样点间的距离值;其中,M,K,N均为正整数。
6.根据权利要求5所述的室内定位中的鲁棒用户轨迹估计的装置,其特征在于,所述用户类别,具体包括:正常用户以及异常用户。
7.根据权利要求6所述的室内定位中的鲁棒用户轨迹估计的装置,其特征在于,所述的正常用户与异常用户区分在于:通过计算主轨迹来获得每个用户的权重,权重大于预设值则为正常用户,权重低于预设值则为异常用户。
8.根据权利要求5所述的室内定位中的鲁棒用户轨迹估计的装置,其特征在于,所述的用户轨迹包括:用户行走的步数以及从开始点到结束点的RSS值的记录。
9.一种智能通讯设备,包括智能通讯设备本体,其特征在于,还包括与所述智能通讯设备本体相连的如权利要求5所述的室内定位中的鲁棒用户轨迹估计的装置。
10.根据权利要求9所述的智能通讯设备,其特征在于,所述的智能通讯设备为智能手机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210434579.3A CN102928815B (zh) | 2012-11-01 | 2012-11-01 | 一种室内定位中的鲁棒用户轨迹估计的方法、装置及智能通讯设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210434579.3A CN102928815B (zh) | 2012-11-01 | 2012-11-01 | 一种室内定位中的鲁棒用户轨迹估计的方法、装置及智能通讯设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102928815A CN102928815A (zh) | 2013-02-13 |
CN102928815B true CN102928815B (zh) | 2017-11-03 |
Family
ID=47643658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210434579.3A Expired - Fee Related CN102928815B (zh) | 2012-11-01 | 2012-11-01 | 一种室内定位中的鲁棒用户轨迹估计的方法、装置及智能通讯设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102928815B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794573B (zh) * | 2015-04-17 | 2018-05-29 | 上海交通大学 | 产品评估任务中的结果估计方法及众包众测平台 |
CN105263113B (zh) * | 2015-10-26 | 2018-08-21 | 深圳大学 | 一种基于众包的WiFi位置指纹地图构建方法及其系统 |
CN105979580B (zh) * | 2016-06-22 | 2019-08-27 | 广东工业大学 | 基于群智感知网络的小区路径地图形成系统和方法 |
CN107046711B (zh) * | 2017-02-21 | 2020-06-23 | 沈晓龙 | 一种室内定位的数据库建立方法和室内定位方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101290725A (zh) * | 2007-04-17 | 2008-10-22 | 株式会社日立制作所 | 数字道路地图的生成方法和地图生成系统 |
WO2012009328A1 (en) * | 2010-07-13 | 2012-01-19 | Qualcomm Incorporated | Indoor likelihood heatmap |
WO2012084003A1 (en) * | 2010-12-20 | 2012-06-28 | Tomtom Belgium N.V. | Method for generating map data |
CN102667408A (zh) * | 2009-12-18 | 2012-09-12 | 英派尔科技开发有限公司 | 针对环境建模的3d路径分析 |
-
2012
- 2012-11-01 CN CN201210434579.3A patent/CN102928815B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101290725A (zh) * | 2007-04-17 | 2008-10-22 | 株式会社日立制作所 | 数字道路地图的生成方法和地图生成系统 |
CN102667408A (zh) * | 2009-12-18 | 2012-09-12 | 英派尔科技开发有限公司 | 针对环境建模的3d路径分析 |
WO2012009328A1 (en) * | 2010-07-13 | 2012-01-19 | Qualcomm Incorporated | Indoor likelihood heatmap |
WO2012084003A1 (en) * | 2010-12-20 | 2012-06-28 | Tomtom Belgium N.V. | Method for generating map data |
Non-Patent Citations (2)
Title |
---|
Minimum covariance determinant;Mia Hubert 等;《Wiley Interdisciplinary Reviews: Computational Statistics》;20091231;第2卷(第1期);1-16 * |
Robust Statistical Methods for Securing Wireless Localization in Sensor Networks;Zang Li 等;《IEEE》;20051231;91-98 * |
Also Published As
Publication number | Publication date |
---|---|
CN102928815A (zh) | 2013-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020215961A1 (zh) | 面向室内环境控制的人员信息检测方法与系统 | |
CN102928815B (zh) | 一种室内定位中的鲁棒用户轨迹估计的方法、装置及智能通讯设备 | |
CN103440645B (zh) | 一种基于自适应粒子滤波和稀疏表示的目标跟踪算法 | |
CN107396321B (zh) | 基于手机传感器和iBeacon的无监督式室内定位方法 | |
CN105409306B (zh) | 移动终端位置预测方法及装置 | |
CN105376260B (zh) | 一种基于密度峰值聚类的网络异常流量监测系统 | |
CN102509088B (zh) | 一种手部运动检测的方法、装置及人机交互系统 | |
CN108960211A (zh) | 一种多目标人体姿态检测方法以及系统 | |
CN106127125B (zh) | 基于人体行为特征的分布式dtw人体行为识别方法 | |
CN108718257A (zh) | 一种基于网络流量的无线摄像头检测及定位方法 | |
CN104105067A (zh) | 基于地磁信息的实时定位系统及方法 | |
Rajasegarar et al. | Ellipsoidal neighbourhood outlier factor for distributed anomaly detection in resource constrained networks | |
WO2014082480A1 (zh) | 一种人数及人群运动方向的计算方法及装置 | |
CN101000652A (zh) | 流量计费表数字远传图像自动识别方法及数字远传抄表系统 | |
US11763566B2 (en) | Target association using occlusion analysis, clustering, or both | |
Bamis et al. | Lightweight extraction of frequent spatio-temporal activities from GPS traces | |
CN109977324A (zh) | 一种兴趣点挖掘方法及系统 | |
CN105632003B (zh) | 一种通关口岸排队时间的实时估算方法及装置 | |
TWI681306B (zh) | 基於用戶行為的群組通知方法、系統以及儲存媒體 | |
Liu et al. | A stochastic model for context-aware anomaly detection in indoor location traces | |
Stylianou | Stay-point identification as curve extrema | |
CN103313384B (zh) | 一种基于信息一致性的无线传感网络目标跟踪方法 | |
Reis et al. | Data-aware clustering for geosensor networks data collection | |
CN116246299A (zh) | 一种结合目标检测和姿态识别技术的“低头族”智能识别系统 | |
CN104008282A (zh) | 基于wifi背景噪音的被动式两人行为识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171103 |