CN105223619A - 基于智能移动设备的室内门判定方法 - Google Patents

Abstract

本发明涉及智能移动设备移动计算领域，具体涉及一种基于智能移动设备的室内门判定方法：对获取到的磁场强度信号进行归一化处理，得到归一化的磁场强度信号；根据第一预设算法，滤除归一化的磁场强度信号中的高斯噪声，获取滤波后的磁场强度信号中的磁场强度差值大于预设磁场强度值的任意两点，判定所述两点分别对应时间的差值是否小于预设时间，若小于，则判定有门事件。本发明提供的这种被动式的门检测方法，不需要预先安装任何设备，根据时间轴和磁场强度轴两个维度的磁场信号强度变化做门特征分析，相比现有技术数据处理量小；在做门事件判定时，引入了贝叶斯公式和多种非磁感应器做二次确认，提高了门事件判定的准确度。

Description

基于智能移动设备的室内门判定方法

技术领域

本发明涉及智能移动设备移动计算领域，具体涉及一种基于智能移动设备的室内门判定方法。

背景技术

室内门定位服务是主流移动计算应用的重要基础之一，能在诸如火灾、地震等应急场景中起到至关重要的作用。

而实现室内门定位之前，需要先对门位置进行判定，门位置判定准确与否直接关系到门位置的定位是否精准。当前智能移动设备，比如手机、IPAD等已经内置了大量传感器，为实现基于智能移动设备的室内门定位系统提供了基础。

现有技术中，针对门位置的判定方法，已有的研究主要集中在图像分析和从提前架设好的基础设施中获取信息并分析获得，它们数据分析量大、图像容易受到外界影响，或需要提前在监控区域搭建基础设施，系统部署时间长、造价高。

由于在建筑物内，用户活动会引起周围环境磁场的变化，如图1所示，当持有智能移动设备的用户进入一个房间时，磁场强度存在一个较明显的变化，出门的时候也会同样产生变化。用户在室内行动，如转身时也会制造磁场的变化，但总的来说，门的结构对于磁场的影响是显而易见的。

但磁场信号可以被多种环境事件所干扰，现有技术主要是通过磁场强度轴的一维磁场信号变化情况来进行门判定的，对于无设备门检测方法的最大挑战是，当用户转动身体或者摇晃智能移动设备时，磁场的信号都会发生较大的变化，为准确的判定磁场变化是由于进出门引起的，必须排除类似上述描述的噪音信号，现有技术在准确地抓取用户通过门时所产生的信号特征，提高判定门事件的准确度上尚有改善空间。

发明内容

本发明所要解决的技术问题是，如何根据用户活动引发的磁场强度变化，判定出是否存在室内门。

针对上述问题，本发明提出了一种基于智能移动设备的室内门判定方法，包括：

获取用户运动过程中环境磁场的三轴磁场强度信号；

对获取到的磁场强度信号进行归一化处理，得到归一化的磁场强度信号；

根据第一预设算法，滤除归一化的磁场强度信号中的高斯噪声，获取滤波后的磁场强度信号中的磁场强度差值大于预设磁场强度值的任意两点，判定所述两点分别对应时间的差值是否小于第一预设时间，若小于，则判定存在门事件。

优选地，所述第一预设算法为：

$F{\[M\]}_p=\frac{1}{N_P}\underset{q\∈s}{\Σ}{G}_{{\mathrm{\σ}}_S}\left(\right||p-q|\left|\right)G_{{\mathrm{\σ}}_r}\left(\right|\left|M\right(p)-M(q\left)\right|\left|\right)M\left(q\right),$

其中，N_p为同质化参数， $N_P=\underset{q\∈s}{\Σ}{G}_{{\mathrm{\σ}}_S}\left(\right||p-q|\left|\right)G_{{\mathrm{\σ}}_r}\left(\right|\left|M\right(p)-M(q\left)\right|\left|\right),$

其中，S为采样空间，p和q为任意时刻对应的两个采样点，F[M]_p为采样点p到采样点q的滤波函数，M(p)和M(q)分别为p点和q点的磁场信号强度，G_σs为空间高斯核心函数，σ_s表示从采样点p到采样点q的时间间隔，||p-q||≤σ_s；为磁场强度高斯核心函数，表示采样点p到采样点q的磁场强度变化，参数σ_r为控制保边的效果，

$G_{{\mathrm{\σ}}_s}\left(x\right)=\frac{1}{2\Π{\mathrm{\σ}}_s^2}\exp (-\frac{x^2}{2{\mathrm{\σ}}_s^2}),G_{{\mathrm{\σ}}_r}\left(y\right)=\frac{1}{2\Π{\mathrm{\σ}}_r^2}\exp (-\frac{y^2}{2{\mathrm{\σ}}_r^2}).$

优选地，所述方法还包括：

根据第二预设算法，获取所述门事件为真的概率，若所述概率大于预设阈值，则判定门事件为真，否则，判定所述门事件为假。

优选地，所述第二预设算法包括：

若第一预设算法判定预设时间内存在门事件，则查找预设时间内三轴磁场信号强度的幅值变化图及对应的门事件概率P(d)，若P(d)大于第一阈值，则判定门事件为真，否则判定门事件为假。

优选地，所述第二预设算法还包括：

查询存在门事件时用户活动em_i发生的概率P(em_i/d)，以及不存在门事件时用户活动em_i发生的概率则用户活动em_i发生的概率

$P{\left(em\right)}_i=P({\mathrm{em}}_i/d)*P\left(d\right)+P({\mathrm{em}}_i/\stackrel{\‾}{d})*P\left(\stackrel{\‾}{d}\right),$ 其中 $P\left(\stackrel{\‾}{d}\right)=1-P\left(d\right),$ i≥1；

计算用户活动em引发门事件的概率

P(d/em)＝P(em/d)*P(d)/P(em)，

其中 $P\left(em\right)=\underset{i=1}{\Σ}P{\left(em\right)}_i,P(em/d)*P\left(d\right)=\underset{i=1}{\Σ}P({\mathrm{em}}_i/d)*P\left(d\right);$

若P(d/em)大于第二阈值，则判定门事件为真，否则判定门事件为假。

优选地，所述方法还包括：

若所述门事件为真，则判定磁场信号强度中间幅值对应的采样时刻为门事件发生时刻；

若所述门事件为假，则滤除预设时间内磁场信号强度幅值的变化，计算相邻两预设时间内所述幅值的变化速率，若所述变化速率小于第三阈值，则滤除相邻两预设时间内所述幅值的变化；若大于，则判定相邻两预设时间的中间时刻发生了门事件。

优选地，所述根据第一预设算法，滤除归一化的磁场信号强度中的高斯噪声后，还包括：

读取非磁传感器的读数，若读数发生大于第四阈值的跳变，则以跳变时刻为中心值建滑动窗，若滑动窗所覆盖的第二预设时间内，发生大于预设磁场强度值的跳变，则判定存在门事件。

优选地，所述非磁传感包括：

陀螺传感器、WiFi接收器、光线传感器和惯性传感器中的任意一个或多个。

一种基于云平台的室内门判定方法，包括：

获取多个当前时刻的三轴环境磁场信号强度，上传到云服务器；

云服务器对采集到的数据进行训练，判定出多个门事件后，再通过回朔算法判定门事件的真假。

一种基于上述方法的室内门判定系统，包括：

获取单元，用于获取用户运动过程中环境磁场的三轴磁场强度信号；

归一化单元，用于对获取到的磁场强度信号进行归一化处理，得到归一化的磁场强度信号；

计算单元，用于根据第一预设算法，滤除归一化的磁场强度信号中的高斯噪声，获取滤波后的磁场强度信号中的磁场强度差值大于预设磁场强度值的任意两点，判定所述两点分别对应时间的差值是否小于预设时间，若小于，则判定存在门事件。

由上述技术方案可知，本发明提供的基于智能移动设备的室内门定位方法，通过所述第一预设算法，从时间轴和磁场强度轴两个维度考虑磁场信号强度变化，抓取门的信号特征，相比现有技术只考虑磁场强度轴的磁场信号强度变化，对门事件的判定更精准。

附图说明

图1为本发明背景技术提供的用户进出门引起的磁场信号强度幅值变化图；

图2为本发明一实施例提供的基于智能移动设备的磁场感应器的门判定方法流程示意图；

图3为本发明一实施例提供的引入第二预设算法后的门事件判定方法流程示意图；

图4A为本发明一实施例提供的第一三轴磁场信号强度幅值变化图；

图4B为本发明一实施例提供的第二三轴磁场信号强度幅值变化图；

图5为本发明一实施例提供的判定门事件采样值的仿真示意图；

图6为本发明另一实施例提供的基于云平台的门事件判定方法流程示意图。

具体实施方式

下面结合附图，对发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。本发明实施例中所使用的“第一”、“第二”、“第三”、“第四”仅为更清楚的说明本申请的内容，不具有特定含义，也不限定任何内容，而不能理解为指示或暗示相对重要性，术语“多个”指两个或两个以上，除非另有明确的限定。

图2示出了本发明一实施例提供的基于智能移动设备磁场感应器的室内门判定方法流程示意图，如图2所示，本实施例的方法包括：

S1、获取用户运动过程中环境磁场的三轴磁场强度信号；

S2、对获取到的磁场强度信号进行归一化处理，得到归一化的磁场强度信号；

S3、根据第一预设算法，滤除归一化的磁场强度信号中的高斯噪声，获取滤波后的磁场强度信号中的磁场强度差值大于预设磁场强度值的任意两点，判定所述两点分别对应时间的差值是否小于第一预设时间，若小于，则判定存在门事件。

优选地，所述S2步骤中得到归一化的磁场强度信号中含有由于智能移动设备内置的磁传感器精度不足引起的噪音磁场信号强度，这部分可以采用仪器校准法去除掉的，即在实验之前，采用高精度的磁场传感器与被测智能移动设备进行磁场强度对比，将智能移动设备磁场传感器测量不准的地方利用进行差值修正，以此保证由于智能移动设备内置磁传感器精度不够而造成的噪音磁场信号强度在后续的数据处理过程中不会出现。

由上述方法可以，本发明提供的这种被动式的门检测方法，不需要预先安装任何的设备，另外，由于依靠的是磁场信号强度变化做门特征分析，相比现有技术依靠提取图像信号，再将图像信号转换为数字信号并做处理分析判定门的方法，数据处理量小。

优选地，所述第一预设算法为：

$F{\[M\]}_p=\frac{1}{N_P}\underset{q\∈s}{\Σ}{G}_{{\mathrm{\σ}}_S}\left(\right||p-q|\left|\right)G_{{\mathrm{\σ}}_r}\left(\right|\left|M\right(p)-M(q\left)\right|\left|\right)M\left(q\right),$

其中，N_p为同质化参数， $N_P=\underset{q\∈s}{\Σ}{G}_{{\mathrm{\σ}}_S}\left(\right||p-q|\left|\right)G_{{\mathrm{\σ}}_r}\left(\right|\left|M\right(p)-M(q\left)\right|\left|\right),$

其中，S为采样空间，p和q为任意时刻对应的两个采样点，F[M]_p为采样点p到采样点q的滤波函数，M(p)和M(q)分别为p点和q点的磁场信号强度，为空间高斯核心函数，σ_s表示从采样点p到采样点q的时间间隔，||p-q||≤σ_s；为磁场强度高斯核心函数，表示采样点p到采样点q的磁场强度变化，参数σ_r为控制保边的效果，

$G_{{\mathrm{\σ}}_s}\left(x\right)=\frac{1}{2\Π{\mathrm{\σ}}_s^2}\exp (-\frac{x^2}{2{\mathrm{\σ}}_s^2}),G_{{\mathrm{\σ}}_r}\left(y\right)=\frac{1}{2\Π{\mathrm{\σ}}_r^2}\exp (-\frac{y^2}{2{\mathrm{\σ}}_r^2}).$

可以理解的是，和是根据大量的前期实验验证并调整合理的滤波参数σ_S和σ_r给出的。

由上述第一预设算法可知，本发明提供的第一预设算法为优化的保边滤波算法，通过在时间轴和磁场强度轴两个维度考虑用户活动引起的磁场强度变化，不仅将高斯噪声滤除的更干净，还最大限度地保留了采样点处的磁场强度幅值，为后续做门事件判定奠定了很好的基础。

优选地，所述方法还包括：

S4、根据第二预设算法，获取所述门事件为真的概率，若所述概率大于预设阈值，则判定门事件为真，否则，判定所述门事件为假。

引入第二预设算法后的流程示意图如图3所示。

优选地，所述第二预设算法包括：

若第一预设算法判定预设时间内存在门事件，则查找预设时间内三轴磁场信号强度的幅值变化图及对应的门事件概率P(d)，若P(d)大于第一阈值，则判定门事件为真，否则判定门事件为假。

可以理解的是，P(d)由历史经验值获得。

由上述方法可知，判定出存在门事件后，再还原出门事件对应的三轴磁场强度信号的幅值变化图，并利用历史经验值P(d)来排除假性门事件，提高了门事件判定的准确性。

优选地，所述第二预设算法还包括：

查询存在门事件时用户活动em_i发生的概率P(em_i/d)，以及不存在门事件时用户活动em_i发生的概率则用户活动em_i发生的概率

$P{\left(em\right)}_i=P({\mathrm{em}}_i/d)*P\left(d\right)+P({\mathrm{em}}_i/\stackrel{\‾}{d})*P\left(\stackrel{\‾}{d}\right),$ 其中 $P\left(\stackrel{\‾}{d}\right)=1-P\left(d\right),$ i≥1；

计算用户活动em引发门事件的概率

P(d/em)＝P(em/d)*P(d)/P(em)，

其中 $P\left(em\right)=\underset{i=1}{\overset{n}{\Σ}}P{\left(em\right)}_i,P(em/d)*P\left(d\right)=\underset{i=1}{\overset{n}{\Σ}}P({\mathrm{em}}_i/d)*P\left(d\right);$

若P(d/em)大于第二阈值，则判定门事件为真，否则判定门事件为假。

可以理解的是，P(em_i/d)和由历史经验值获得，比如在出现门的情况下，100个实施例下，有20个是em₁的，则P(em₁/d)的数值就为0.2，获取的过程类似。

例如，在预设时间0～100秒内，第一预设算法判定有门事件，查找0～100秒内的三轴磁场强度信号的幅值变化图，发现在0～50秒内三轴磁场信号强度幅值有较大变化，幅值变化和用户转身时的磁场强度信号幅值变化类似，如图4A所示。首先查询到图4A对应的磁场信号强度变化引发门事件的概率P(d)＝0.1，其次再查询到出现门事件时，是用户转身的概率是P(em₁/d)＝0.4，

利用贝叶斯公式 $\begin{array}{c}P{\left(em\right)}_1=P({\mathrm{em}}_1/d)*P\left(d\right)+P({\mathrm{em}}_1/\stackrel{\‾}{d})*P\left(\stackrel{\‾}{d}\right)\\ =0.4*0.1+0.6*0.9\\ =0.58\end{array}$

计算出此时刻的P(d/em)₁＝(0.4*0.1)/0.58≈0.07，小于阈值0.8，故预设时间内的门事件为假性事件，再进入下一个100～200秒进行类似判定，直至整个采样区间结束。

需要说明的是，图4A所示的三轴磁场信号强度幅值变化图仅是为了说明幅值的变化规律，并不限定所述的变化规律发生时间。

再例如：在预设时间0～100秒内，第一预设算法判定有门事件，查找0～100秒内的三轴磁场强度信号的幅值变化图，发现在0～100秒内三轴磁场强度信号幅值有较大变化的情况出现2次，第一次幅值变化和用户转身时的磁场信号强度变化类似；第二次幅值变化和用户靠近金属时的磁场信号强度幅值变化类似，如图4B所示。首先查询到第二次变化引发门事件的概率P(d)＝0.3，其次查询到用户靠近金属发生的概率P(em₂/d)＝0.3，

利用贝叶斯公式 $\begin{array}{c}P\left(em\right)=P({\mathrm{em}}_1/d)*P\left(d\right)+P({\mathrm{em}}_1/\stackrel{\‾}{d})*P\left(\stackrel{\‾}{d}\right)\\ +P\left({\mathrm{em}}_2/d\right)/*P\left(d\right)+P\left({\mathrm{em}}_2/\stackrel{\‾}{d}\right)*P\left(\stackrel{\‾}{d}\right)\\ =0.4*0.1+0.6*0.9*+0.3*0.3+0.2*0.7\\ =0.81\end{array}$

计算出此时刻的P(d/em)＝(0.4*0.1+0.3*0.3)/0.81≈0.16，小于阈值0.8，故预设时间内的门事件为假性事件，故预设时间内的门事件为假性事件，再进入下一个100～200秒进行类似判定，直至整个采样区间结束。

由上述方法可知，判定出存在门事件后，再还原出门事件对应的三轴磁场强度信号的幅值变化图，并利用贝叶斯公式来排除由于用户活动，比如转身、靠近金属物体等判定出的假性门事件，更大程度地提高了判定门事件的准确度。

需要说明的是，图4B所示的三轴磁场信号强度幅值变化图仅是为了说明幅值的变化规律，并不限定所述的变化规律发生时间。

归一化的磁场信号强度幅值变化图如图5中的A所示，经过优化保边滤波算法，得到的磁场信号强度幅值变化图如图5中的B所示。

优选地，所述方法还包括：

若所述门事件为真，则判定磁场信号强度中间幅值对应的采样时刻为门事件发生时刻；

若所述门事件为假，则滤除预设时间内磁场信号强度幅值的变化，计算相邻两预设时间内所述幅值的变化速率，若所述变化速率小于第三阈值，则滤除相邻两预设时间内所述幅值的变化；若大于，则判定相邻两预设时间的中间时刻发生了门事件。

滤除预设时间内假性门事件对应的磁场信号强度幅值变化后，磁场信号强度幅值变化图如图5中的C所示；经过磁场信号强度幅值变化速率判定后，磁场信号强度幅值变化图如图5中的D所示；提取对应门事件时刻的采样值，如图5中的E所示。

优选地，所述根据第一预设算法，滤除归一化的磁场信号强度中的高斯噪声后，还包括：

读取非磁传感器的读数，若读数发生大于第四阈值的跳变，则以跳变时刻为中心值建滑动窗，若滑动窗所覆盖的第二预设时间内，发生大于预设磁场强度值的跳变，则判定存在门事件。

优选地，第二预设时间为在中心值左右的各2～3秒。

引入非磁传感器后，极大缩小了门事件的判定范围，提高了门事件的判定效率，数据处理过程更快。

优选地，所述非磁传感包括：

陀螺传感器、WiFi接收器、光线传感器和惯性传感器中的任意一个或多个。

优选地，所述的四个传感器皆应用于本发明，设引入所述陀螺传感器读数后的可信度为K_g，引入WiFi接收器读数的可信度为K_w，引入光线传感器读数后的可信度为K_i，引入惯性传感器读数后的可信度为K_a，K_g+K_w+K_i+K_a＝1,K_g>K_w>K_i>K_a。

其中，可以理解的是，四个传感器的可信度通过历史经验值获得。

假定K_g＝0.4，K_w＝0.3，K_i＝0.2，K_a＝0.1，陀螺传感器和光线传感器判定出存在门事件，WIFI接收器和惯性传感器判定未发生门事件，则：

1*0.4+0*0.3+1*0.2+0*0.1＝0.6，小于阈值0.8，最终判定此时陀螺传感器和光线传感器判定的门事件为假性事件，则继续进行上述类似判定过程，直至出现真性门事件为止。

由上述方法可知，引入四个非磁传感器及其对应读数的可信度后，不仅缩小了门事件的判定范围，提高了门事件的判定效率，而且还增加了交互验证的过程，提高了门事件判定的准确度。

如图6所示，一种基于云平台的室内门判定方法，包括：

获取多个当前时刻的三轴环境磁场信号强度，上传到云服务器；

云服务器对采集到的数据进行训练，判定出多个门事件后，再通过回朔算法判定门事件的真假。

比如，当室内有多个用户，每个用户的智能移动设备采集到不同的三轴环境磁场强度信号，智能移动设备将采集的数据上传到云服务器，云服务器会根据上述的基于移动智能设备的门判定方法，判定出多个门事件，然后再根据回溯算法最终判定出真性门事件。

当有新用户上传了三轴环境磁场强度信号后，云服务器会将该条记录也作为训练数据，加以判断，并返回结果给用户。

所述基于云平台的室内门判定方法，由于采集到的基础数据多，通过对多条门事件引起的磁场强度信号变化轨迹做回溯算法判定，相比于单个智能移动设备判定的门事件，准确度更高。

一种基于上述方法的室内门判定系统，包括：

获取单元，用于获取用户运动过程中环境磁场的三轴磁场强度信号；

归一化单元，用于对获取到的磁场强度信号进行归一化处理，得到归一化的磁场强度信号；

计算单元，用于根据第一预设算法，滤除归一化的磁场强度信号中的高斯噪声，获取滤波后的磁场强度信号中的磁场强度差值大于预设磁场强度值的任意两点，判定所述两点分别对应时间的差值是否小于预设时间，若小于，则判定存在门事件。

综上所述，由上述技术方案可知，本发明提供的基于智能移动设备的室内门定位方法，通过所述第一预设算法，从时间轴和磁场强度轴两个维度考虑磁场信号强度变化，抓取门的信号特征，相比现有技术只考虑磁场强度轴的磁场信号强度变化，对门事件的判定更精准。本发明提供的这种被动式的门检测方法，不需要预先安装任何的设备。

其次，由于本发明提供的室内门判定方法，依靠的是磁场信号强度变化做门特征分析，相比现有技术依靠提取图像信号，再将图像信号转换为数字信号并做处理分析判定门的方法，数据处理量小。

另外，本发明在做门事件判定时，引入了贝叶斯公式和多种非磁感应器做二次确认，提高了门事件判定的准确度。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (10)

1.一种基于智能移动设备的室内门判定方法，其特征在于，包括：

获取用户运动过程中环境磁场的三轴磁场强度信号；

对获取到的磁场强度信号进行归一化处理，得到归一化的磁场强度信号；

根据第一预设算法，滤除归一化的磁场强度信号中的高斯噪声，获取滤波后的磁场强度信号中的磁场强度差值大于预设磁场强度值的任意两点，判定所述两点分别对应时间的差值是否小于第一预设时间，若小于，则判定存在门事件。

2.根据权利要求1所述的方法，其特征在于，所述第一预设算法为：

$F{\[M\]}_p=\frac{1}{N_P}\underset{q\∈s}{\Σ}{G}_{{\mathrm{\σ}}_S}\left(\right||p-q|\left|\right)G_{{\mathrm{\σ}}_r}\left(\right|\left|M\right(p)-M(q\left)\right|\left|\right)M\left(q\right),$

其中，N_p为同质化参数， $N_P=\underset{q\∈s}{\Σ}{G}_{{\mathrm{\σ}}_S}\left(\right||p-q|\left|\right)G_{{\mathrm{\σ}}_r}\left(\right|\left|M\right(p)-M(q\left)\right|\left|\right),$

其中，S为采样空间，p和q为任意时刻对应的两个采样点，F[M]_p为采样点p到采样点q的滤波函数，M(p)和M(q)分别为p点和q点的磁场信号强度，为空间高斯核心函数，σ_s表示从采样点p到采样点q的时间间隔，||p-q||≤σ_s；为磁场强度高斯核心函数，表示采样点p到采样点q的磁场强度变化，参数σ_r为控制保边的效果，

$G_{{\mathrm{\σ}}_s}\left(x\right)=\frac{1}{2\Π{\mathrm{\σ}}_s^2}\exp (-\frac{x^2}{2{\mathrm{\σ}}_s^2}),G_{{\mathrm{\σ}}_r}\left(y\right)=\frac{1}{2\Π{\mathrm{\σ}}_r^2}\exp (-\frac{y^2}{2{\mathrm{\σ}}_r^2}).$

3.根据权利要求2所述的方法，其特征在于，还包括：

根据第二预设算法，获取所述门事件为真的概率，若所述概率大于预设阈值，则判定门事件为真，否则，判定所述门事件为假。

4.根据权利要求3所述的方法，其特征在于，所述第二预设算法包括：

若第一预设算法判定预设时间内存在门事件，则查找预设时间内三轴磁场信号强度的幅值变化图及对应的门事件概率P(d)，若P(d)大于第一阈值，则判定门事件为真，否则判定门事件为假。

5.根据权利要求4所述的方法，其特征在于，所述第二预设算法还包括：

查询存在门事件时用户活动em_i发生的概率P(em_i/d)，以及不存在门事件时用户活动em_i发生的概率则用户活动em_i发生的概率

$P{\left(em\right)}_i=P({\mathrm{em}}_i/d)*P\left(d\right)+P({\mathrm{em}}_i/\stackrel{\‾}{d})*P\left(\stackrel{\‾}{d}\right),$ 其中 $P\left(\stackrel{\‾}{d}\right)=1-P\left(d\right),$ i≥1；

计算用户活动em引发门事件的概率

P(d/em)＝P(em/d)*P(d)/P(em)，

其中 $P\left(em\right)=\underset{i=1}{\overset{n}{\Σ}}P{\left(em\right)}_i,P(em/d)*P\left(d\right)=\underset{i=1}{\overset{n}{\Σ}}P({\mathrm{em}}_i/d)*P\left(d\right);$

若P(d/em)大于第二阈值，则判定门事件为真，否则判定门事件为假。

6.根据权利要求5所述的方法，其特征在于，还包括：

若所述门事件为真，则判定磁场信号强度中间幅值对应的采样时刻为门事件发生时刻；

若所述门事件为假，则滤除预设时间内磁场信号强度幅值的变化，计算相邻两预设时间内所述幅值的变化速率，若所述变化速率小于第三阈值，则滤除相邻两预设时间内所述幅值的变化；若大于，则判定相邻两预设时间的中间时刻发生了门事件。

7.根据权利要求2或4或5所述的方法，其特征在于，所述根据第一预设算法，滤除归一化的磁场信号强度中的高斯噪声后，还包括：

读取非磁传感器的读数，若读数发生大于第四阈值的跳变，则以跳变时刻为中心值建滑动窗，若滑动窗所覆盖的第二预设时间内，发生大于预设磁场强度值的跳变，则判定存在门事件。

8.根据权利要求7所述的方法，其特征在于，所述非磁传感包括：

陀螺传感器、WiFi接收器、光线传感器和惯性传感器中的任意一个或多个。

9.一种基于云平台的室内门判定方法，其特征在于，包括：

获取多个当前时刻的三轴环境磁场信号强度，上传到云服务器；

云服务器对采集到的数据进行训练，判定出多个门事件后，再通过回朔算法判定门事件的真假。

10.一种基于权利要求1～8所述任一方法的室内门判定系统，其特征在于，包括：

获取单元，用于获取用户运动过程中环境磁场的三轴磁场强度信号；

归一化单元，用于对获取到的磁场强度信号进行归一化处理，得到归一化的磁场强度信号；

计算单元，用于根据第一预设算法，滤除归一化的磁场强度信号中的高斯噪声，获取滤波后的磁场强度信号中的磁场强度差值大于预设磁场强度值的任意两点，判定所述两点分别对应时间的差值是否小于预设时间，若小于，则判定存在门事件。