CN104700056B - 煤矿入井人员唯一性检测方法 - Google Patents
煤矿入井人员唯一性检测方法 Download PDFInfo
- Publication number
- CN104700056B CN104700056B CN201510061244.5A CN201510061244A CN104700056B CN 104700056 B CN104700056 B CN 104700056B CN 201510061244 A CN201510061244 A CN 201510061244A CN 104700056 B CN104700056 B CN 104700056B
- Authority
- CN
- China
- Prior art keywords
- rssi
- label
- curves
- distance
- curve
- 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.)
- Active
Links
Landscapes
- Image Analysis (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种煤矿入井人员唯一性检测方法,包括如下步骤:基站接收并测量标签的RSSI;建立RSSI序列数据库;根据标签发送数据周期选择滑动窗口,对窗口内的RSSI进行滤波处理;将滤波后的RSSI拟合成曲线;任选滤波拟合处理之后的两条曲线,对其中一条曲线进行上下平移处理;利用动态时间规整算法求得两条曲线之间最优路径对应的相似性距离;通过求得的最小的相似性距离与所设阈值作比较,准确判断是否一人多卡。本发明基于动态时间规整算法对比标签的RSSI的相似度,进而判断标签的空间位置,实现了煤矿入井人员唯一性检测,解决了目前基于标签的矿井人员定位系统不能精确检测煤矿入井人员唯一性的问题。
Description
技术领域
本发明涉及煤矿入井人员唯一性检测方法,特别是利用动态时间规整(DynamicTime Warping,简称DTW)算法进行两个标签接收信号强度RSSI的相似度分析从而检测煤矿入井人员唯一性检测方法。
背景技术
国家对煤矿井下作业人员的人身安全日益重视,监管力度不断加强,《煤矿安全规程》第十条要求:煤矿企业必须建立入井检身制度和出入井人员清点制度;《煤矿井下安全避险“六大系统”建设完善基本要求及检查验收暂行办法》第十七条规定:所有入井人员必须携带识别卡;AQ6210-2007及AQ1048-2007《煤矿井下作业人员管理系统使用与管理规范》中要求:各个人员出入井口应设置检验标识卡是否正常和唯一性检测的装置。
目前在基于标签技术的矿山人员定位领域,实际使用中经常出现一人带多卡的现象,很难有效监督值班领导或当班员工是否下井,难以真实反映煤矿井下人数,给煤矿安全管理留下了隐患。唯一性检测即是针对该问题提出来的,主要用来检测员工带卡的唯一性。现有的唯一性检测方法主要有:
1、员工通过队列方式依次通过唯一性检测装置,且相互之间保持适当距离,通过检测员工身上标签发送数据的接收信号强度指示即RSSI的个数判断是否有一人多卡现象。然而在实际应用中,标签的发射距离很难统一,最长和最短发射距离可能相差10m以上,当前面的人经过唯一性检测装置时,如果后面人员的标签信号太强,则信号很容易被检测装置接收到,造成误判断。
2、采用无源卡的方式,通过刷卡来判定唯一性。该方法需要绑定无源卡,安装和通行要求高。
3、采用生物特征识别技术,它以人体唯一性的生物特征作为识别依据,通过图像采集、处理、特征点提取、生物特征搜索以及比对,实现人的唯一性检测,目前常用的生物特征识别技术主要有指纹识别、掌纹识别、虹膜识别、人脸识别、声纹识别等。
中煤科工集团重庆研究院的郭海军等发表的“矿井人员定位系统中标识卡唯一性检测装置设计”(《工矿自动化》,2012(6):4-6页)利用人像识别技术进行人员识别,通过依次扫描入矿人员身上识别卡发送信息个数和脸部特征信息进行唯一性检测标准,但是没有考虑到矿井环境对人脸特征信息的污染,且执行速度比较慢。
合肥工业大学和中国人民解放军电子工程学院徐济仁等发表的“基于虹膜识别和RFID的矿山人员安全管理方案”(《煤炭科学技术》,2010,38(4):75-78页)将虹膜识别、射频卡技术、计算机网络、数据库等技术集成为一体,通过采用先进的活体虹膜识别技术,利用眼睛虹膜的生理特征来认证身份,但是没有考虑光线对虹膜识别的影响,且在现实中虹膜识别装置成本较高。
煤矿作为一种特殊的工业生产环境,与一般工业的工作环境区别较大,井下工作环境的空间相对狭小、声音嘈杂、存在煤尘、粉尘、水等物质,煤矿入井人员的指纹、掌纹、声纹、脸部等均易受煤尘、粉尘、噪声、水等污染,影响生物特征识别的准确度,为了克服准确度问题,就需要采用特殊的算法,较为复杂。虹膜识别虽然不易受各种环境因素的影响,但虹膜识别装置的成本较高。此外,由于煤矿入井方式的特殊性,入井工作人员需要乘罐车入井或升井,因此出入井会有相对集中的规律性。
发明内容
本发明要解决的技术问题为克服上述各种技术方案的局限性,提供一种能够精确检测煤矿入井人员唯一性的方法。
为了实现本发明的目的,所采用的技术方案是提供一种煤矿入井人员唯一性检测方法,包括对接收到的RSSI进行去噪拟合处理和利用动态时间规整算法对两个标签的RSSI序列进行相似判断,主要步骤如下:
步骤1,基站接收并测量入矿人员定位标签发送数据的RSSI和固化ID,与矿井人员定位系统数据库中的人员信息数据进行对比,初步完成矿井人员定位标签信息的识别;
步骤2,建立RSSI数据库
其中:
向量R(1)、R(2)、R(i)和R(N)为基站接收到的ID为1、2、i和N的标签发送数据的RSSI所组成的时间序列,N为基站收到的标签的最大ID号;其中:
R(i)=(a(i1),a(i2),…,a(ij),…a(iM)),j=1,2,…,M
a(ij)代表ID为i的标签发送的第j个RSSI,M表示ID为i的标签一次发送RSSI值的最大个数;
步骤3,根据标签发送数据周期选择滑动窗口的大小,对滑动窗口内接收到的N组RSSI所组成的时间序列进行滤波处理,并建立经滤波后的新的RSSI数据库,
其中:向量R′(1)、R′(2)、R′(i)和R′(N)分别为基站接收到的ID为1、2、i和N的标签发送数据的RSSI经滤波后的时间序列;
步骤4,将滤波后的N组RSSI所组成的时间序列拟合成N条曲线,每条曲线代表一个标签;
步骤5,任选滤波拟合处理之后的两条曲线,对其中一条曲线在±10dbm范围内进行上下平移处理,每次移动1dbm;
步骤6,每平移一次,利用动态时间规整算法求得两条曲线之间的最优路径,对比两条曲线的相似度,包括:
步骤6.1,计算两条曲线各点之间的距离,包括:构造一个n×m的距离矩阵网格,将长度分别为n和m的两条曲线局部时间弯曲,寻找这两条曲线的最优对齐,并消除两条曲线之间的时间差别,矩阵元素为两条曲线上的两个点之间的距离,且表示两个点的对齐;
步骤6.2,在距离矩阵网格中用动态规划算法找出一条最优路径,并求出两条曲线之间最优路径对应的相似性距离,包括:用动态规划算法寻找一条通过此网格的路径,定义为规整路径,从矩阵元素(0,0)开始,通过路径约束,不断搜索路径,每到一个点,累加之前所有的点计算的距离,定义为累积距离,反复递推,到达终点(n,m)后累积距离最小的路径为最优路径,用最优路径对应的相似性距离度量两条曲线之间的相似度,相似性距离越小,两条曲线越相似;
步骤6.3,每平移一次曲线,通过步骤6.1-6.2所述步骤求得两条曲线之间最优路径对应的相似性距离,最后得到曲线在上下平移±10dbm范围内的相似性距离的最小值;
步骤7,用步骤6求得的相似性距离的最小值与设定的阈值作比较,如果大于阈值,说明步骤5所选上下平移曲线所代表的标签没有一人多卡现象,本次检测结束,返回步骤5重新选择曲线进行新的检测;如果小于或者等于阈值,则说明有一人多卡现象,系统报警。
优选地,步骤3中所述滑动窗口大小选择范围为300-400。
优选地,步骤3中所述滤波处理为高斯滤波。
优选地,步骤4中所述RSSI序列拟合方法为最小二乘法。
优选地,步骤6中所述路径约束为:边界条件:规整路径必须是从距离矩阵网格左下角出发,在右上角结束;连续性:规整路径不能跨过某个点去匹配,只能和自己相邻的点对齐,以保证两条曲线中的每个坐标都在规整路径中出现;单调性:规整路径上面的点必须是随着时间单调进行的。
优选地,步骤7中所述设定阈值标准是具有相同发射功率的两个标签的空间距离始终为0.6-1米时的相似性距离。
与现有技术相比,本发明有益效果体现在:
1.动态时间规整(DTW)算法的基本原理是将两个序列局部时间弯曲,寻找这两个序列的最优对齐,从而判断这两个序列之间的相似程度。由于动态时间规整算法在局部上对数据进行时间弯曲,因此相比于欧式距离,动态时间规整(DTW)算法得到的最优路径的累积距离值可以更好反映两个序列的逻辑相似性。即如果两个标签的空间位置接近,则可以认为电波信号受到的环境影响接近;同理,如果两个标签的RSSI相似度高,也可以认为两个标签的空间位置接近程度高。所以利用最优路径的累积距离值可以很好的判断两个标签RSSI的相似程度,进而判断两个标签的空间位置。
本发明利用动态时间规整算法对采集到的RSSI集中快速处理,可同时识别多人,有效得缩短了出入矿井人员相对集中时的唯一性检测的时间;
2.本发明无需添加其他各种生物识别设备,利用标签RSSI序列的相似度精确判断一人多卡现象,算法简单易行且性能良好;
3.通过与考勤数据库和定位数据库相连,可以随时查询当天入矿人员在井下的位置信息,便于矿井管理;
4.本发明消除了矿井人员定位系统不能对入矿人员身份进行唯一性检测的缺陷,并有效得消除了矿井环境因素的影响。
附图说明
图1是本发明的一种基本方法流程示意图。
图2是本发明的动态时间规整算法原理示意图。
图3是本发明动态规整时搜索路径示意图。
图4是本发明实施例中基站接收测量1号和2号定位标签发射的RSSI的示意图。
图5是本发明图4中的RSSI经高斯滤波和最小二乘法拟合后的曲线。
图6是本发明图5中的曲线在±10dbm范围内经过上下平移后具有最小相似性距离的曲线。
图7是发明中实施例中基站接收测量3号和4号定位标签发射的RSSI的示意图。
图8是本发明图7中的RSSI经高斯滤波和最小二乘法拟合后的曲线。
图9是本发明图8中的曲线在±10dbm范围内经过上下平移后具有最小相似性距离的曲线。
具体实施方式
下面结合附图及实施例对本发明做进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
具体实施方式一:
根据现有设备水平,矿井人员携带定位标签发射信号范围为500-600米,每2秒发送一次信号,矿井人员定位系统和基站以此采集到的标签信号进行考勤和唯一性检测的数据依据。
图1是本发明的一种基本方法流程示意图。由该图可见,煤矿入井人员唯一性检测方法的主要步骤如下:
步骤1,基站接收并测量入矿人员定位标签发送数据的RSSI和固化ID,与矿井人员定位系统数据库中的人员信息数据进行对比,初步完成矿井人员定位标签信息的识别,之后将采集到的RSSI传到上位机进行处理。
步骤2,建立RSSI数据库如下:
上式中:
向量R(1)、R(2)、R(i)和R(N)为基站接收到的ID为1、2、i和N的标签发送数据的RSSI所组成的时间序列,N为基站收到的标签的最大ID号;其中:
R(i)=(a(i1),a(i2),…,a(ij),…a(iM)),j=1,2,…,M
a(ij)代表ID为i的标签发送的第j个RSSI,M表示ID为i的标签一次发送RSSI值的最大个数;
步骤3,选择大小为360的滑动窗口,窗口每次滑动时间为2秒,新窗口内为最新接收到的RSSI序列。对窗口内接收到的RSSI序列进行高斯滤波处理,消除RSSI在实际环境中易受干扰、稳定性差等问题。滤波过程为:
RSSI服从(0,σ2)的高斯分布,其概率密度函数为:
上式中:
μ为任意实数x的数学期望;
σ为任意实数x的标准差;
σ2为任意实数x的方差;
n为任意实数x的个数;
xi为第i个任意实数。
根据工程中的经验值,高概率发生区选择概率大于0.6的范围。
设0.6≤F(X)≤1,可得出:
0.15σ+μ≤x≤3.09σ+μ
上式中:
F(X)为随机变量X的分布函数;
μ为任意实数x的数学期望;
σ为任意实数x的标准差。
通过高斯滤波后,可以得到RSSI的范围为:
[0.15σ+μ,3.09σ+μ]
上式中:
μ为任意实数RSSI的数学期望;
σ为任意实数RSSI的标准差;
RSSIi为ID为i的标签发送的RSSI;
n为ID为i的标签发送的RSSI的个数。
把经过高斯滤波后的RSSI全部取出,再求几何平均值,即可得到新的RSSI序列,建立新的数据库:
上式中:
向量R′(1)、R′(2)、R′(i)和R′(N)分别为基站接收到ID为1、2、i和N的标签发送数据的RSSI经高斯滤波后的时间序列。
步骤4:将滤波后的N个RSSI序列用最小二乘法拟合成N条曲线,每条曲线代表一个标签,拟合过程为:
RSSI信号在实际传输中,会受到环境中各种因素的干扰,不同的应用环境受到的干扰不相同,即使同一信号在同一环境中不同位置的衰减程度也不一样,为了消除环境影响,利用多项式函数进行拟合。
最小二乘法是按照偏差平方和最小的原则来选取拟合曲线,即:
上式中:
pi(xi,yi)为待拟合的数据点;
为拟合后的曲线;
为拟合后的曲线中xi对应的函数值;
δi为偏差。
设拟合多项式为:
y=a0+a1x+a2x2+…+akxk,k=1,2,…
上式中:
a0、a1、a2和ak为待定系数;
x为自变量;
y为多项式函数;
k为最高项的次数。
求各点到这条曲线的距离之和,即偏差平方和如下:
上式中:
δi为偏差;
xi为多项式函数中第i个自变量;
yi为xi对应的函数值;
a0、a1、a2和ak为待定系数;
k为最高项的次数。
为了求得待定系数,对偏差平方和的等式右边ak求偏导数,得到:
将上述等式的左边化简并写成矩阵的形式得到:
其中:
x1、x2和xn分别为多项式函数中的第1、2和n个自变量;
a0、a1和ak为待定系数;
y1、y2和yn分别为x1、x2和xn对应的函数值;
k为最高项的次数。
用X表示A表示Y表示
即可得到X×A=Y,可求得系数矩阵A=(XTX)-1XTY,其中XT表示矩阵X的转置矩阵,在对RSSI拟合中可取k=5。
步骤5:任选滤波处理之后的两条曲线,为了消除标签节点射频发送功率不同对RSSI造成的影响,对其中一条曲线在±10dbm范围内进行上下平移处理,每次移动1dbm。
步骤6:每平移一次,利用动态时间规整算法求得两条曲线之间的最优路径,对比两条曲线的相似度。动态时间规整算法的原理参图2。
设两个标签的RSSI序列对应的曲线X和Y,长度分别为n和m,则:
X=x1,x2,…,xi,…xn,i=1,2,…,n。
Y=y1,y2,…,yj,…,ym,j=1,2,…,m。
其中:
xi为长度为n的曲线X的第i个特征值,yj为长度为m的曲线Y的第j个特征值。
步骤6.1,计算两条曲线各点之间的距离。
构造一个n×m的距离矩阵网格,将长度分别为n和m的两条曲线局部时间弯曲,寻找这两条曲线的最优对齐,消除两条曲线之间的时间差别,矩阵元素(i,j)表示xi和yj两个点的距离Dist(i,j),代表曲线X的每一个点和曲线Y的每一个点之间的相似度,距离越小则相似度越高,一般采用欧式距离Dist(i,j)=(xi-yj)2,每一个矩阵元素(i,j)表示点xi和yj的对齐。
步骤6.2,在距离矩阵网格中用动态规划算法找出一条最优路径,并求出两条曲线之间最优路径对应的相似性距离。
用动态规划算法寻找一条通过此距离矩阵网格的路径,定义这条路径为规整路径并用W来表示,W的第k个元素定义为wk=(i,j)k,定义了序列X和Y的映射,有:
W=w1,w2,…,wk,…,wK,k=1,2,…,K
max(m,n)≤K<m+n-1
上式中:
m和n分别代表了曲线X和Y的长度:
K表示路径所经过的矩阵元素个数。
规整路径W需要满足以下路径约束:
1)边界条件:w1=(1,1)和wK=(m,n),任何一种时间序列各部分的先后次序不可能改变,因此所选的路径必须是从距离矩阵网格左下角出发,在右上角结束;
2)连续性:如果wk-1=(a',b'),那么对于路径的下一个点wk=(a,b)需要满足(a-a')≤1和(b-b')≤1,也就是不可能跨过某个点去匹配,只能和自己相邻的点对齐,保证X和Y中的每个坐标都在W中出现;
3)单调性:如果wk-1=(a',b'),那么对于路径的下一个点wk=(a,b)需要满足0≤(a-a')和0≤(b-b'),这限制W上面的点必须是随着时间单调进行的,保证图2中的虚线不会相交。
图3是本发明动态规整时搜索路径示意图。结合连续性和单调性约束,每一个格点的路径就只有三个方向了,例如若路径已经通过了格点(i,j),那么下一个通过的格点只可能是下列三种情况之一:(i+1,j),(i,j+1)或者(i+1,j+1)。
定义一个累积距离,从矩阵元素(0,0)点开始,通过路径约束,不断搜索路径,每到一个点,累加之前所有的点计算的距离,反复递推,到达终点(n,m)后累积距离最小的路径为最优路径,这个累积距离就是曲线X和Y的相似性距离D(i,j),为当前格点距离Dist(i,j)与可以到达终点的邻近元素的累积距离的最小值之和,且所述邻近元素即为矩阵元素(i-1,j)、矩阵元素(i,j-1)、矩阵元素(i+1,j+1):
D(i,j)=Dist(i,j)+min[D(i-1,j),D(i,j-1),D(i-1,j-1)]
用最优路径对应的相似性距离度量两条曲线之间的相似度,相似性距离越小,两条曲线越相似,即两个标签空间距离越相近。
步骤6.3,每平移一次曲线,通过步骤6.1和6.2求得两条曲线之间最优路径对应的相似性距离,并通过比较得到曲线在上下平移±10dbm范围内的相似性距离的最小值。
为了减少计算量,规定先计算未移动之前两条曲线之间的相似性距离,之后用曲线向下移动一次得到的相似性距离跟之前计算的相似性距离作比较,如果小于,保存当前值,继续往下移动,直到求得最小的相似性距离;相反,如果大于之前求得的相似性距离,则向上移动曲线,继续作比较,直到求得最小的相似性距离,结束运算。
步骤7:用步骤6求得的相似性距离的最小值与设定的阈值作比较,如果大于阈值,说明步骤5所选上下平移曲线所代表的标签没有一人多卡现象,本次鉴别结束,返回步骤5重新选择曲线进行新的鉴别;如果小于或者等于阈值,则说明有一人多卡现象,系统报警。
本实施例中设定阈值标准是具有相同发射功率的两个标签的空间距离始终为0.8米时的相似性距离为500。
具体实施方式二:
下面结合图4至图9给出具体实施方式二。
本实验设定一个人同时携带1号标签和2号标签移动,3号标签和4号标签分别由两个人携带,即一个人携带3号标签,另一个人携带4号标签。
在此场景下,对本发明提出的算法进行验证,其中图4是基站接收测量1号和2号定位标签发射的RSSI的示意图,图5是本发明图4中的RSSI经高斯滤波和最小二乘法拟合的曲线,图6是本发明图5中的曲线在±10dbm范围内经过上下平移后具有最小相似性距离的曲线。图7是发明中基站接收测量3号和4号定位标签发射的RSSI的示意图,图8是本发明图7中的RSSI经高斯滤波和最小二乘法拟合后的曲线,图7是本发明图8中的曲线在±10dbm范围内经过上下平移后具有最小相似性距离的曲线。
用动态时间规整算法得出1号标签和2号标签之间的相似性距离的最小值为385,3号标签和4号标签之间的相似性距离的最小值为764,与阈值500作比较,可以很精确的判断1号标签和2号标签空间距离很近,3号标签和4号标签空间距离相对较远,存在一人多卡现象。
综上所述,本发明通过对接收到的RSSI序列进行滤波和曲线拟合后用动态时间规整算法对两个标签的RSSI序列进行相似分析,进而判断两个标签的空间位置,精确检测出一人多卡现象,很好的解决了煤矿入井人员的唯一性检测问题。
Claims (6)
1.一种煤矿入井人员唯一性检测方法,其特征在于,包括以下步骤:
步骤1,基站接收并测量入矿人员定位标签发送数据的RSSI和固化ID,与矿井人员定位系统数据库中的人员信息数据进行对比,初步完成矿井人员定位标签信息的识别;
步骤2,建立RSSI数据库
其中:
向量R(1)、R(2)、R(i)和R(N)为基站接收到的ID为1、2、i和N的标签发送数据的RSSI所组成的时间序列,N为基站收到的标签的最大ID号;其中:
R(i)=(a(i1),a(i2),…,a(ij),…a(iM)),j=1,2,…,M
a(ij)代表ID为i的标签发送的第j个RSSI,M表示ID为i的标签一次发送RSSI值的最大个数;
步骤3,根据标签发送数据周期选择滑动窗口的大小,对滑动窗口内接收到的N组RSSI所组成的时间序列进行滤波处理,并建立经滤波后的新的RSSI数据库如下:
其中:向量R′(1)、R′(2)、R′(i)和R′(N)分别为基站接收到的ID为1、2、i和N的标签发送数据的RSSI经滤波后的时间序列;
步骤4,将滤波后的N组RSSI所组成的时间序列拟合成N条曲线,每条曲线代表一个标签;
步骤5,任选滤波拟合处理之后的两条曲线,对其中一条曲线在±10dbm范围内进行上下平移处理,每次移动1dbm;
步骤6,每平移一次,利用动态时间规整算法求得两条曲线之间的最优路径,对比两条曲线的相似度,对比相似度的步骤包括:
步骤6.1,计算两条曲线各点之间的距离,包括:构造一个n×m的距离矩阵网格,将长度分别为n和m的两条曲线局部时间弯曲,寻找这两条曲线的最优对齐,并消除两条曲线之间的时间差别,矩阵元素为两条曲线上的两个点之间的距离,且表示两个点的对齐;
步骤6.2,在所述距离矩阵网格中用动态规划算法找出一条最优路径,并求出两条曲线之间最优路径对应的相似性距离,包括:用动态规划算法寻找一条通过此网格的路径,定义为规整路径,从矩阵元素(0,0)开始,通过路径约束,不断搜索路径,每到一个点,累加之前所有的点计算的距离,定义为累积距离,反复递推,到达终点(n,m)后累积距离最小的路径为最优路径,用最优路径对应的相似性距离度量两条曲线之间的相似度,相似性距离越小,两条曲线越相似;
步骤6.3,每平移一次曲线,通过步骤6.1、步骤6.2中的所述步骤求得两条曲线之间最优路径对应的相似性距离,并通过比较得到曲线在上下平移±10dbm范围内的相似性距离的最小值;
步骤7,用步骤6求得的相似性距离的最小值与设定的阈值作比较,如果大于阈值,说明步骤5所选上下平移曲线所代表的标签没有一人多卡现象,本次检测结束,返回步骤5重新选择曲线进行新的检测;如果小于或者等于阈值,则说明有一人多卡现象,系统报警。
2.根据权利要求1所述的煤矿入井人员唯一性检测方法,其特征在于步骤3中的滑动窗口大小选择范围为300-400。
3.根据权利要求1所述的煤矿入井人员唯一性检测方法,其特征在于步骤3中的滤波处理为高斯滤波。
4.根据权利要求1所述的煤矿入井人员唯一性检测方法,其特征在于步骤4中的RSSI序列拟合方法为最小二乘法。
5.根据权利要求1所述的煤矿入井人员唯一性检测方法,其特征在于步骤6中所述路径约束包括:
边界条件:规整路径必须是从距离矩阵网格左下角出发,在右上角结束;
连续性:规整路径不能跨过某个点去匹配,只能和自己相邻的点对齐,以保证两条曲线中的每个坐标都在规整路径中出现;
单调性:规整路径上面的点必须是随着时间单调进行的。
6.根据权利要求1所述的煤矿入井人员唯一性检测方法,其特征在于步骤7中的设定阈值标准是具有相同发射功率的两个标签的空间距离始终为0.6-1米时的相似性距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510061244.5A CN104700056B (zh) | 2015-02-05 | 2015-02-05 | 煤矿入井人员唯一性检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510061244.5A CN104700056B (zh) | 2015-02-05 | 2015-02-05 | 煤矿入井人员唯一性检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104700056A CN104700056A (zh) | 2015-06-10 |
CN104700056B true CN104700056B (zh) | 2017-07-18 |
Family
ID=53347156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510061244.5A Active CN104700056B (zh) | 2015-02-05 | 2015-02-05 | 煤矿入井人员唯一性检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104700056B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107515383B (zh) * | 2017-07-19 | 2019-12-13 | 成都恒高科技有限公司 | 一种煤矿出入井唯一性检测装置及方法 |
CN108200504B (zh) * | 2018-03-02 | 2020-04-14 | 会听声学科技(北京)有限公司 | 主动降噪耳机的声腔特性分类方法 |
CN109375157B (zh) * | 2018-09-26 | 2020-10-16 | 北京永安信通科技有限公司 | 基于定位数据检测重叠对象的方法、装置和电子设备 |
CN109543625B (zh) * | 2018-11-27 | 2023-06-23 | 郑州芯力波通信息技术有限公司 | 一种矿井人员唯一性识别系统及方法 |
CN109854302A (zh) * | 2019-01-24 | 2019-06-07 | 淄博瑞安特自控设备有限公司 | 一种煤矿井下人员管理系统及控制方法 |
CN109783051B (zh) * | 2019-01-28 | 2020-05-29 | 中科驭数(北京)科技有限公司 | 一种时间序列相似性计算装置和方法 |
CN109816837A (zh) * | 2019-03-13 | 2019-05-28 | 重庆芯力源科技有限公司 | 矿井作业人员身份唯一性检测系统及方法 |
CN110457985B (zh) * | 2019-06-05 | 2022-04-05 | 深圳大学 | 基于视频序列的行人再识别方法、装置及计算机设备 |
CN111669710B (zh) * | 2020-04-21 | 2021-07-06 | 上海因势智能科技有限公司 | 人口统计去重方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101818653A (zh) * | 2009-12-31 | 2010-09-01 | 深圳市翌日科技有限公司 | 基于接收信号强度的矿井下人员的实时定位方法 |
CN102819559A (zh) * | 2012-07-03 | 2012-12-12 | 上海大学 | 一种rfid冗余数据过滤方法 |
CN103293513A (zh) * | 2013-07-02 | 2013-09-11 | 中国矿业大学(北京) | 一种基于rss和toa互补的煤矿井下人员定位系统及定位方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8294568B2 (en) * | 2006-07-10 | 2012-10-23 | Venture Corporation Limited | Wireless mine tracking, monitoring, and rescue communications system |
US7957900B2 (en) * | 2008-02-08 | 2011-06-07 | Gaurav Chowdhary | Tracking vehicle locations in a parking lot for definitive display on a GUI |
-
2015
- 2015-02-05 CN CN201510061244.5A patent/CN104700056B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101818653A (zh) * | 2009-12-31 | 2010-09-01 | 深圳市翌日科技有限公司 | 基于接收信号强度的矿井下人员的实时定位方法 |
CN102819559A (zh) * | 2012-07-03 | 2012-12-12 | 上海大学 | 一种rfid冗余数据过滤方法 |
CN103293513A (zh) * | 2013-07-02 | 2013-09-11 | 中国矿业大学(北京) | 一种基于rss和toa互补的煤矿井下人员定位系统及定位方法 |
Non-Patent Citations (6)
Title |
---|
"Dude, Where’s My Card? RFID Positioning That Works with Multipath and Non-Line of Sight";Jue Wang etal.;《ACM》;20131231;第51-62页 * |
"Multimodal Algorithm Based on Particle Filter for Indoor Localization with Smartphones";Rui Tao etal.;《International Conference on Computer, Communications and Information Technology》;20141231;第143-146页 * |
"RSSI在RFID读写器中的应用";段璞 等;《计算机工程》;20101130;第36卷(第22期);第289-290页 * |
"一种基于RSSI的RFID室内定位方法的研究";陈靖;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130215(第02期);第I138-1555页 * |
"基于虹膜识别和 RFID的矿山人员安全管理方案";徐济仁 等;《煤炭科学技术》;20100430;第38卷(第4期);第75-77页 * |
"矿井人员定位系统中标识卡唯一性检测装置设计";郭海军;《工矿自动化》;20120630(第6期);第4-6页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104700056A (zh) | 2015-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104700056B (zh) | 煤矿入井人员唯一性检测方法 | |
CN107330396B (zh) | 一种基于多属性和多策略融合学习的行人再识别方法 | |
CN106559749B (zh) | 一种基于射频层析成像的多目标被动式定位方法 | |
CN102332086B (zh) | 一种基于双阈值局部二进制模式的人脸识别方法 | |
CN104268598B (zh) | 一种基于二维扫描激光的人腿检测方法 | |
CN104866829A (zh) | 一种基于特征学习的跨年龄人脸验证方法 | |
CN108009690B (zh) | 一种基于模块度最优化的地面公交扒窃团体自动检测方法 | |
US20170186253A1 (en) | Method for monitoring access authorizations by an access monitoring system | |
CN103514606A (zh) | 一种异源遥感影像配准方法 | |
CN102393912A (zh) | 一种基于不确定推理的目标综合识别方法 | |
CN109357747B (zh) | 一种基于光纤振动信号的在线列车识别及速度估计方法 | |
CN109840523A (zh) | 一种基于图像处理的城轨列车车号识别算法 | |
CN102999951A (zh) | 基于无线网络接收信号强度的人员智能考勤方法 | |
CN102855461A (zh) | 在图像中检测手指的方法及设备 | |
CN107944344A (zh) | 供电企业施工移动安全监督平台 | |
CN106557749A (zh) | 一种基于三维形变人脸模型用于安防的人脸识别方法 | |
CN108763993A (zh) | 基于距离传感器的rfid无感控制方法、装置及系统 | |
Cui et al. | Few-shot classification of façade defects based on extensible classifier and contrastive learning | |
Yang et al. | AP optimization for Wi-Fi indoor positioning-based on RSS feature fuzzy mapping and clustering | |
CN114936799A (zh) | 一种水泥纤维板的施工过程中风险识别方法及系统 | |
CN112399137B (zh) | 一种移动轨迹确定方法和装置 | |
CN112926630A (zh) | 路线规划方法、装置、电子设备以及计算机可读介质 | |
Oliveira-Neto et al. | Tracking large trucks in real time with license plate recognition and text-mining techniques | |
Pernando et al. | Deep Learning for Faces on Orphanage Children Face Detection | |
Susanto et al. | The implementation of intelligent systems in automating vehicle detection on the road |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |