CN103399314B - 稀疏参考标签下的无收发器对象定位追踪方法 - Google Patents

Abstract

稀疏参考标签下的无收发器对象定位追踪方法，包括：定位环境构建、稀疏参考点下的定位和移动轨迹追踪等步骤。本发明在使用少量RFID标签的基础上实现了无需收发器对象的定位和追踪，实现了移动目标的静态单点定位以及长时间大范围的行迹趋势追踪，使得定位更加简单灵活。本发明还将行为识别中常使用的隐马尔可夫方法与参考点稀疏条件下的位置追踪场景结合起来，能够得到一种较好的运动趋势。

Description

稀疏参考标签下的无收发器对象定位追踪方法

技术领域

本发明属于无收发器对象定位追踪方法，涉及一种稀疏参考标签下的无收发器对象定位追踪方法。

背景技术

目前已经商用的最为著名的位置服务GPS获得了较大的成功，尤其在室外定位中有着巨大的优势。但是在室内定位中，由于环境的复杂性，测量误差较大，GPS的效果往往表现不佳，因此针对室内定位方法的研究逐渐引起了人们的关注。

随着射频识别技术的发展，基于RFID的室内定位技术越来越受到人们的重视，已经成为实现低成本、大规模室内定位的重要技术之一。当前阶段，已经形成了一些典型的室内定位系统如LANDMARC和RADAR等，它们是各自领域的典型代表。

现有的定位方法中，定位对象需要携带一个具有无线收发能力的设备，例如有源标签、传感器等。然而，在很多重要的应用场合，让移动目标携带设备以实现无线定位是不适用的而且很不方便。因此，在基于RFID的基础之上，实现无收发器对象的定位追踪方法具有很好的应用前景，特别是在有限的参考标签条件下完成定位目标更加具有实际意义。

发明内容

本发明的目的在于提供一种稀疏参考标签下的无收发器对象定位追踪方法，解决现有技术存在的移动目标需要携带设备以实现无线定位不方便的问题。

本发明的技术方案是，稀疏参考标签下的无收发器对象定位追踪方法，包括：定位环境构建步骤、稀疏参考点下的定位步骤和移动轨迹追踪步骤。

上述定位环境构建步骤具体为：

1.1、使用读写器和有源电子标签，将它们规则的部署在定位空间中，并将这些设备的基本信息进行存储，这些坐标是以当前的定位环境为基础设置的相对坐标系；

1.2、将读写器设备的IP或者串口进行设置，使其与后台的定位程序相连接；这样，读写器采集的数据就能够及时的传递到后台并进行存储；在没有任何干扰的静态环境中使读写器在一个较长的时间段内采集各个标签的信号值，构建该环境下的静态射频地图。

上述稀疏参考点下的定位步骤具体为：

2.1、定位启动后移动目标进入步骤1中部署的存在少量读写器和电子标签的空间中；当目标进入时，系统已经存储了在没有干扰，没有任何目标在定位空间中移动情况下的数据集；将这种无干扰的环境称为静态环境，相应地，在这种环境下采集到各个电子标签的射频数据构成了静态射频地图；请求定位的目标不需要携带任何其他额外的设备，当其处于某个位置点时会引起相关区域的信号波动，将这些信号值与所述静态射频地图进行匹配，计算各个标签的平均信号误差并进行记录；

2.2、设置一个信号波动阈值(threshold)，将各个标签的信号误差与信号波动阈值threshold进行比较，比较的目的是将这些参考标签进行分类；如果标签的前后信号波动超过阈值则标记为1，没有超过则标记为0；这样就能够得到一张当前移动目标引起的0,1标识图；

2.3、在这张标识图中进行判断：每一个标签是否在其周围至少存在一个与之不同的标识值；根据这个方法来确定出一条估计的移动边界线；那么，目标可能的位置点就在这条边界线附近；然后，选择这条边界线上标识为1并且信号波动最大的标签作为该目标的初始位置点；

2.4、以初始位置点为边界中线，以其他相邻的标签位置为顶点确定一个初始化的矩形区域；

2.5、由于本发明针对的问题是在稀疏参考点下的定位，因此假设在初始位置点两侧不可能出现两个均为1的标签。

上述移动轨迹追踪步骤具体为：

将隐马尔可夫(HMM)引入追踪中来，通过预测的方式得到一种运动趋势；HMM中有4个较为重要的概念：状态集S、状态转移概率集A、观测值序列O以及状态-观测值概率集K；

3.1、将每个标签视为一种状态，假设定位中使用了m个标签，那么状态集S中就包含了m个元素，其所代表的意思为移动目标出现在对应标签附近；

3.2、对定位环境中人员的移动进行长期的观察训练，得到移动目标从一个标签到另一个标签的平均概率，这样就可以形成集合A中的元素；需要注意的是，一个标签只存在到其相近标签的概率，其余的均为0；

3.3、当人在移动中产生信号的波动，为了保证几乎所有的运动轨迹都能够得到相应的观测值；提出了标准观测点的概念，标准观测点选择在沿读写器Y方向并与其垂直的最后边缘线上两侧的标签；

3.4、得到状态-观测值概率集K，具体做法为移动目标在定位空间中进行长时间的移动训练，分别记录下在某个标签位置点处两个标准观测点信号的波动情况。然后将所有数据综合起来，找出最大和最小值并根据两个标准观测点处的信号波动值分别进行分段处理，每一个段都可以视为一种类型，然后再对两个标准观测点处的类型进行两两组合；假设将标准观测点1划分为n段，标准观测点2划分为m段，那么经过组合后得到的最终观测值种类就存在n*m种；当得到一个原始的观测值Oi＝(di1,di2)时，需要进行一次转换过程，分别计算di1和di2各自属于哪一个段中，进而得到最终的观测值Oi＝(ti1,ti2)，其中(0<ti1<n+1,0<ti2<m+1)；

3.5、当开始进入实时追踪阶段时，当移动目标在定位环境中移动时，会不断引起两个标准观测点的信号波动；将整个移动的过程划分为C个阶段，那么每个阶段都会对应于一个二元组Oi＝(di1,di2)，让它们作为观测序列O中的元素；

3.6、将观测序列O以及得到的几个关键集合元素：状态集、状态转移概率集、观测值序列以及状态-观测值概率集带入Viterbi算法中，得到C个状态，这些状态都与一个具体的标签相关联，将这些标签的位置连接起来就形成了一条轨迹，即最终计算得到一个节点级的追踪结果。

本发明具有如下有益效果：

1、本发明在使用少量稀疏RFID标签的基础上实现了无需收发器对象的定位和追踪，实现了移动目标的静态单点定位以及长时间大范围的行迹趋势追踪，使得定位更加简单灵活。

2、本发明分析和验证了在RFID应用中对读写器-标签之间链路的干扰模型，能够使用实验和理论方法对干扰区域的估计给出一个较为合理的定量分析。同时，还针对稀疏标签的情形下，使用重叠区域的概念，采用了一种几何与信号强度相结合的方法，克服了现有方法的一些弊端，具有直观、易用的特点。

3、本发明还将行为识别中常使用的隐马尔可夫方法与定位中的追踪联系起来，能够较好的得到一种运动趋势。

附图说明

图1本发明稀疏参考标签下的无收发器对象定位追踪方法的无收发器定位环境布置图；

图2本发明稀疏参考标签下的无收发器对象定位追踪方法的信号波动区域椭圆模型图；

图3为本发明稀疏参考标签下的无收发器对象定位追踪方法的重叠区域定位中目标对初始位置处两侧的标签无影响情况；

图4为本发明稀疏参考标签下的无收发器对象定位追踪方法的重叠区域定位中目标只对初始位置单侧的标签有影响情况；

图5为本发明稀疏参考标签下的无收发器对象定位追踪方法中不同参考标签间隔下的累计误差对比；

图6为本发明稀疏参考标签下的无收发器对象定位追踪方法的标准观测点的选择示意图；

图7为本发明稀疏参考标签下的无收发器对象定位追踪方法的路径(150,0)->(150,350)->(450,350)处实际-预测轨迹对比；

图8为本发明稀疏参考标签下的无收发器对象定位追踪方法的路径(450,350)->(250,350)->(250,0)处实际-预测轨迹对比；

图9为本发明稀疏参考标签下的无收发器对象定位追踪方法的路径(150,0)->(150,350)->(350,350)->(350,750)处实际-预测轨迹对比；

图10为本发明稀疏参考标签下的无收发器对象定位追踪方法的路径(350,0)->(350,700)处实际-预测轨迹对比。

具体实施方式

下面结合具体实施方式和附图对本发明作进一步详细的说明。

稀疏参考标签下的无收发器对象定位追踪方法，包括：

步骤1、定位环境构建；

1.1、参照图1的基本定位环境布置，使用一个读写器和一组有源电子标签，将它们规则的部署在定位环境中，并将这些设备的基本信息如：ID，坐标(x,y)，IP等进行存储。这些坐标是以当前的定位环境为基础设置的相对坐标系。

1.2、将读写器设备的IP或者串口进行设置，使其与后台的定位程序相连接。这样，读写器采集的数据就能够及时的传递到后台并进行存储。在没有任何干扰的静态环境中使读写器在一个较长的时间段内采集各个标签的信号值，构建该环境下的射频地图。

步骤2、稀疏参考点下的定位

2.1、定位启动后移动目标进入1中部署的环境中，目标不需要携带任何其他额外的设备。当目标处于某个位置点时会引起相关区域的信号波动，将这些信号值与2中的静态射频地图进行匹配，计算各个标签的平均信号误差并进行记录。

2.2、设置一个信号波动阈值(threshold)，将各个标签的信号误差与threshold进行比较，比较的目的是将这些参考标签进行分类。如果标签的前后信号波动超过阈值则标记为1，没有超过则标记为0。这样就能够得到一张当前移动目标引起的0,1标识图。

2.3、接下来在这张标识图中进行判断：每一个标签是否在其周围至少存在一个与之不同的标识值。根据这个方法来确定出一条估计的移动边界线。那么，移动目标可能的位置点就在这条边界线附近。然后，选择这条边界线上标识为1并且信号波动最大的标签作为该目标的初始位置点。

2.4、在步骤2.3之后得到一个初始位置点，以这个点为边界中线，以其他相邻的标签位置为顶点可以确定一个初始化的矩形区域。图2为通过实验确定的信号的干扰椭圆模型，那么就可以利用该椭圆区域与上述矩形区域的重叠部分作为移动目标的位置分布点。

2.5、由于本发明针对的问题是在稀疏参考点下的定位，因此我们假设在初始位置点两侧不可能出现两个均为1的标签。图3、图4为基于此假设所产生的两种情形。

在图3中，两侧的标签均未受影响，即表示值为0，这样可以采用求解重叠区域质心的方法来计算。具体方法为：读写器-标签之间形成一条直线，然后在椭圆的两侧分别计算与该直线平行且距离为W的另外两条直线。这两条直线将与初始矩形的边线相交，然后就确定一个三角形区域，该区域的三个点的位置坐标已知，因此可以比较容易计算出质心位置。在图4中，目标可能出现在了Ti和Tj两个标签的中间地带。假设它们各自的信号差值分别为和因为根据距离越近信号波动越大的原则，因此可以通过权值计算位置的坐标。即：取得最大的信号波动点max(Ti,Tj)，以水平间隔的1/2和垂直间隔的作为偏移量来估计移动目标的位置点。形式化描述为：

$z=z_{\max (T_i,T_j)}-d1/2$

$y=y_{\max (T_i,T_j)}\&PlusMinus;\min ({\&PartialD;}_1,{\&PartialD;}_2)/({\&PartialD;}_1,{\&PartialD;}_2)*d2$

图5说明了在参考点稀疏条件下基于重叠区域进行定位的精度以及不同标签数量和间隔下对于定位精度的影响。

步骤3、移动轨迹追踪

在使用稀疏参考标签的定位中，如果采用单点长时间的定位方式进行行迹追踪，那么复杂度较高而且定位的延迟性比较明显。因此本发明将隐马尔可夫(HMM)引入追踪中来，通过预测的方式得到一种运动趋势。HMM中有4个较为重要的概念：状态集S、状态转移概率集A、观测值序列O以及状态-观测值概率集K，接下来将介绍基于HMM的追踪形式以及这4个元素在本发明基于稀疏参考标签下的具体意义。

3.1、将每个标签视为一种状态，假设定位中使用了m个标签，那么状态集S中就包含了m个元素，其所代表的意思为移动目标出现在对应标签附近。

3.2、对定位环境中人员的移动进行长期的观察训练，得到移动目标从一个标签到另一个标签的平均概率，这样就可以形成集合A中的元素。需要注意的是，一个标签只允许存在到其相近标签的概率，其余的均为0。

3.3、当人在移动中产生信号的波动，为了保证几乎所有的运动轨迹都能够得到相应的观测值，因此提出了标准观测点的概念，如图6所示。标准观测点选择在沿读写器Y方向并与其垂直的最后边缘线上两侧的标签，原因在于这两个点与读写器所形成的椭圆区域很大，能够确保每一次信号波动的产生。

3.4、与3.2一样，需要长时间进行训练得到状态-观测值概率集K，具体做法为移动目标在定位空间中进行长时间的移动训练，分别记录下在某个标签位置点处两个标准观测点信号的波动情况。然后综合所有的数据对两个标准观测处的信号波动值分别根据最大和最小值的范围进行分段处理，每一个段都可以视为一种类型，然后再对两个标准观测点处的类型进行两两组合。假设将标准观测点1划分为n段，标准观测点2划分为m段，那么经过组合后得到的最终观测值种类就存在n*m种。当得到一个原始的观测值Oi＝(di1,di2)时，需要进行一次转换过程，分别计算di1和di2各自属于哪一个段中，进而得到最终的观测值Oi＝(ti1,ti2)，其中(0<ti1<n+1,0<ti2<m+1)。

3.5、当开始进入实时追踪阶段时，当移动目标在定位环境中移动时，会不断引起两个标准观测点的信号波动。将整个移动的过程划分为C个阶段，那么每个阶段都会对应于一个二元组Oi＝(di1,di2)，让它们作为观测序列O中的元素。

3.6、将观测序列O以及上述步骤中的得到的几个关键集合元素带入Viterbi算法中，最终将会得到C个状态，这些状态都与一个具体的标签相关联，将这些标签的位置连接起来就形成了一条轨迹，如图7-图10所示。即最终计算得到一个节点级的追踪结果。由此完成了一个在稀疏参考标签下的行迹追踪。

以下结合附图详细阐述本发明的实现原理和设计思路。

1、参照图1的基本定位环境布置，使用一个读写器和一组有源电子标签，将它们规则的部署在定位环境中，并将这些设备的基本信息如：ID，坐标(x,y)，IP等进行存储。这些坐标是以当前的定位环境为基础设置的相对坐标系。

2、将读写器设备的IP或者串口进行设置，使其与后台的定位程序相连接。这样，读写器采集的数据就能够及时的传递到后台并进行存储。在没有任何干扰的静态环境中使读写器在一个较长的时间段内采集各个标签的信号值，构建该环境下的射频地图。

3、定位启动后移动目标进入1中部署的环境中，目标不需要携带任何其他额外的设备。当目标处于某个位置点时会引起相关区域的信号波动，将这些信号值与2中的静态射频地图进行匹配，计算各个标签的平均信号误差并进行记录。

4、设置一个信号波动阈值(threshold)，将各个标签的信号误差与threshold进行比较，比较的目的是将这些参考标签进行分类。如果标签的前后信号波动超过阈值则标记为1，没有超过则标记为0。这样就能够得到一张当前移动目标引起的0,1标识图。

5、接下来在这张标识图中进行判断：每一个标签是否在其周围至少存在一个与之不同的标识值。根据这个方法来确定出一条估计的移动边界线。那么，移动目标可能的位置点就在这条边界线附近。然后，选择这条边界线上标识为1并且信号波动最大的标签作为该目标的初始位置点。

6、在步骤5之后得到一个初始位置点，以这个点为边界中线，以其他相邻的标签位置为顶点可以确定一个初始化的矩形区域。图2为通过实验确定的信号的干扰椭圆模型，那么就可以利用该椭圆区域与上述矩形区域的重叠部分作为移动目标的位置分布点。

7、由于本发明针对的问题是在稀疏参考点下的定位，因此我们假设在初始位置点两侧不可能出现两个均为1的标签。图3、图4为基于此假设所产生的两种情形。

在图3中，两侧的标签均未受影响，即表示值为0，这样可以采用求解重叠区域质心的方法来计算。具体方法为：读写器-标签之间形成一条直线，然后在椭圆的两侧分别计算与该直线平行且距离为W的另外两条直线。这两条直线将与初始矩形的边线相交，然后就确定一个三角形区域，该区域的三个点的位置坐标已知，因此可以比较容易计算出质心位置。在图4中，目标可能出现在了Ti和Tj两个标签的中间地带。假设它们各自的信号差值分别为和因为根据距离越近信号波动越大的原则，因此可以通过权值计算位置的坐标。即：取得最大的信号波动点max(Ti,Tj)，以水平间隔的1/2和垂直间隔的作为偏移量来估计移动目标的位置点。形式化描述为：

$x=x_{\max (T_i,T_j)}-d1/2,y=y_{\max (T_i,T_j)}\&PlusMinus;\min ({\&PartialD;}_1,{\&PartialD;}_2)/({\&PartialD;}_1,{\&PartialD;}_2)*d2$

图5说明了在参考点稀疏条件下基于重叠区域进行定位的精度以及不同标签数量和间隔下对于定位精度的影响。

8、在使用稀疏参考标签的定位中，如果采用单点长时间的定位方式进行行迹追踪，那么复杂度较高而且定位的延迟性比较明显。因此本发明将隐马尔可夫(HMM)引入追踪中来，通过预测的方式得到一种运动趋势。HMM中有4个较为重要的概念：状态集S、状态转移概率集A、观测值序列O以及状态-观测值概率集K，接下来将介绍基于HMM的追踪形式以及这4个元素在本发明基于稀疏参考标签下的具体意义。

8.1、将每个标签视为一种状态，假设定位中使用了m个标签，那么状态集S中就包含了m个元素，其所代表的意思为移动目标出现在对应标签附近。

8.2、对定位环境中人员的移动进行长期的观察训练，得到移动目标从一个标签到另一个标签的平均概率，这样就可以形成集合A中的元素。需要注意的是，一个标签只允许存在到其相近标签的概率，其余的均为0。

8.3、当人在移动中产生信号的波动，为了保证几乎所有的运动轨迹都能够得到相应的观测值，因此提出了标准观测点的概念，如图6所示。标准观测点选择在沿读写器Y方向并与其垂直的最后边缘线上两侧的标签，原因在于这两个点与读写器所形成的椭圆区域很大，能够确保每一次信号波动的产生。

8.4、与8.2一样，需要长时间进行训练得到状态-观测值概率集K，具体做法为移动目标在定位空间中进行长时间的移动训练，分别记录下在某个标签位置点处两个标准观测点信号的波动情况。然后综合所有的数据对两个标准观测处的信号波动值分别根据最大和最小值的范围进行分段处理，每一个段都可以视为一种类型，然后再对两个标准观测点处的类型进行两两组合。假设将标准观测点1划分为n段，标准观测点2划分为m段，那么经过组合后得到的最终观测值种类就存在n*m种。当得到一个原始的观测值O_i＝(d_i1,d_i2)时，需要进行一次转换过程，分别计算d_i1和d_i2各自属于哪一个段中，进而得到最终的观测值O_i＝(t_i1,t_i2)，其中(0<t_i1<n+1,0<t_i2<m+1)。

8.5、当开始进入实时追踪阶段时，当移动目标在定位环境中移动时，会不断引起两个标准观测点的信号波动。将整个移动的过程划分为C个阶段，那么每个阶段都会对应于一个二元组O_i＝(d_i1,d_i2)，让它们作为观测序列O中的元素。

8.6、将观测序列O以及上述步骤中的得到的几个关键集合元素带入Viterbi算法中，最终将会得到C个状态，这些状态都与一个具体的标签相关联，将这些标签的位置连接起来就形成了一条轨迹，参见图7-图10。图7-图10分别为路径(150,0)->(150,350)->(450,350)、(450,350)->(250,350)->(250,0)、(150,0)->(150,350)->(350,350)->(350,750)、(350,0)->(350,700)处的实际-预测轨迹对比。即最终计算得到一个节点级的追踪结果。由此完成了一个在稀疏参考标签下的行迹追踪。

Claims (1)

1.稀疏参考标签下的无收发器对象定位追踪方法，其特征在于，包括：定位环境构建步骤、稀疏参考点下的定位步骤和移动轨迹追踪步骤；

所述定位环境构建步骤具体为：

1.1、使用读写器和有源电子标签，将它们规则的部署在定位环境中，并将这些设备的基本信息进行存储，这些坐标是以当前的定位环境为基础设置的相对坐标系；

1.2、将读写器设备的IP或者串口进行设置，使其与后台的定位程序相连接；这样，读写器采集的数据就能够及时的传递到后台并进行存储；在没有任何干扰的静态环境中使读写器在一个较长的时间段内采集各个标签的信号值，构建该环境下的静态射频地图；

所述稀疏参考点下的定位步骤具体为：

2.1、定位启动后移动目标进入步骤1中部署的环境中，移动目标不需要携带任何其他额外的设备；当移动目标处于某个位置点时会引起相关区域的信号波动，将这些信号值与所述静态射频地图进行匹配，计算各个标签的平均信号误差并进行记录；

2.2、设置一个信号波动阈值(threshold)，将各个标签的信号误差与信号波动阈值threshold进行比较，比较的目的是将这些参考标签进行分类；如果标签的前后信号波动超过阈值则标记为1，没有超过则标记为0；这样就能够得到一张当前移动目标引起的0,1标识图；

2.3、在这张标识图中进行判断：每一个标签是否在其周围至少存在一个与之不同的标识值；根据这个方法来确定出一条估计的移动边界线；那么，目标可能的位置点就在这条边界线附近；然后，选择这条边界线上标识为1并且信号波动最大的标签作为该目标的初始位置点；

2.4、以初始位置点为边界中线，以其他相邻的标签位置为顶点确定一个初始化的矩形区域；

2.5、由于针对的问题是在稀疏参考点下的定位，因此假设在初始位置点两侧不可能出现两个均为1的标签；

所述移动轨迹追踪步骤具体为：将隐马尔可夫引入追踪中来，通过预测的方式得到一种运动趋势；HMM中有4个较为重要的概念：状态集S、状态转移概率集A、观测值序列O以及状态-观测值概率集K；

3.1、将每个标签视为一种状态，假设定位中使用了m个标签，那么状态集S中就包含了m个元素，其所代表的意思为移动目标出现在对应标签附近；

3.2、对定位环境中人员的移动进行长期的观察训练，得到移动目标从一个标签到另一个标签的平均概率，这样就可以形成集合A中的元素；需要注意的是，一个标签只存在到其相近标签的概率，其余的均为0；

3.3、当人在移动中产生信号的波动，为了保证几乎所有的运动轨迹都能够得到相应的观测值；提出了标准观测点的概念，标准观测点选择在沿读写器Y方向并与其垂直的最后边缘线上两侧的标签；

3.4、得到状态-观测值概率集K，具体做法为移动目标在定位空间中进行长时间的移动训练，分别记录下在某个标签位置点处两个标准观测点信号的波动情况；然后综合所有的数据对两个标准观测点处的信号波动值分别根据最大和最小值的范围进行分段处理，每一个段都可以视为一种类型，然后再对两个标准观测点处的类型进行两两组合；

3.5、当开始进入实时追踪阶段时，当移动目标在定位环境中移动时，会不断引起两个标准观测点的信号波动；将整个移动的过程划分为C个阶段，那么每个阶段都会对应于一个二元组Oi＝(di1,di2)，让它们作为观测序列O中的元素；

3.6、将观测序列O以及得到的几个关键集合元素：状态集、状态转移概率集、观测值序列以及状态-观测值概率集带入Viterbi算法中，得到C个状态，这些状态都与一个具体的标签相关联，将这些标签的位置连接起来就形成了一条轨迹，即最终计算得到一个节点级的追踪结果。