CN105590330B - 基于群智感知的室内平面图生成方法、服务器及系统 - Google Patents

Abstract

本发明提供一种基于群智感知的室内平面图生成方法、服务器及系统，该方法包括：获取移动智能终端内部的惯性传感器采样收集的用户数据；对用户数据进行分析，获取用户移动距离及方向，生成用户运动轨迹；根据预设的特征向量表，对用户数据进行处理和分析，识别用户运动轨迹中的与特征向量表中特定行为对应的特征点，并将其映射到用户运动轨迹上的具体位置，得到标注了特征点的用户运动轨迹；采用三角形匹配的轨迹融合算法，将标注了特征点的用户运动轨迹进行融合，生成室内平面图。上述方法能无需室内基础设施的支持而生成准确可靠的室内平面图，增强了可用性和可拓展性，同时对群智感知带来的噪声和歧义性具有良好的适应能力。

Description

基于群智感知的室内平面图生成方法、服务器及系统

技术领域

本发明涉及移动互联网领域，尤其涉及一种基于群智感知的室内平面图生成方法、服务器及系统。

背景技术

随着移动互联网的迅猛发展和大数据处理技术的日益成熟，群智感知技术逐渐被应用到越来越多的传统领域当中，它主要利用大规模用户所产生的数据，进行信息的收集、加工和处理，并向用户提供所需服务。如何将群智感知的思想应用于室内定位和平面图生成领域，成为该方向研究的一大热点和难点。

精确的室内平面图不仅可以为市场上众多基于定位的应用和服务提供帮助，而且有助于提高室内定位的精确度。显然，手动绘制室内平面图需要耗费大量的人力物力，因此目前已有大量研究工作致力于室内平面图的自动生成。然而，目前的工作几乎都需要特定基础设施的支持，例如相当数量的WiFi接入点，WiFi接入点的具体位置信息，或者WiFi信号的指纹信息。这些要求无疑限制了现有工作的适用范围和可扩展性，使其无法正常工作在WiFi覆盖不全或没有指纹数据库的环境中。

随着智能手机传感器功能的普及和提升，航迹推算技术因其自身追踪行人移动轨迹的能力而被逐渐应用在室内定位和地图生成领域，它能够利用移动智能终端惯性传感器的信息，推算出行走距离和方向。但该技术对于行走轨迹有较高要求且需要起始位置作为锚点，此外，累积误差的存在严重影响了航迹推算的性能和生成平面图的准确性。

鉴于此，如何能够在不需要基础设施支持的情况下生成准确可靠的室内平面图成为当前需要解决的技术问题。

发明内容

针对现有技术中的缺陷，本发明提供一种基于群智感知的室内平面图生成方法、服务器及系统，能够无需室内基础设施的支持而生成准确可靠的室内平面图，增强了可用性和可拓展性，同时对群智感知带来的噪声和歧义性具有良好的适应能力。

第一方面，本发明提供一种基于群智感知的室内平面图生成方法，包括：

获取移动智能终端内部的惯性传感器采样收集的用户数据；

对所述用户数据进行分析，获取所述用户移动的距离及方向，生成所述用户的运动轨迹；

根据预设的特征向量表，对所述用户数据进行处理和分析，识别所述用户的运动轨迹中的与所述特征向量表中特定行为对应的特征点，并将所述特征点映射到所述用户的运动轨迹上的具体位置，得到标注了所述特征点的所述用户的运动轨迹；

采用三角形匹配的轨迹融合算法，将所述标注了所述特征点的所述用户的运动轨迹进行融合，生成室内平面图；

其中，所述移动智能终端内部的惯性传感器采样收集的用户数据，包括：加速度计采样收集的加速度数据、陀螺仪采样收集的角速度数据和罗盘采样收集的方向数据。

可选地，所述对所述采样收集数据进行分析，获取所述用户移动的距离及方向，生成所述用户的运动轨迹，包括：

对所述采样收集数据进行分析，采用步长检测的方法获取所述用户移动的距离及方向，生成所述用户的运动轨迹。

可选地，所述根据预设的特征向量表，对所述用户数据进行处理和分析，识别所述用户的运动轨迹中的与所述特征向量表中特定行为对应的特征点，并将所述特征点映射到所述用户的运动轨迹上的具体位置，得到标注了所述特征点的所述用户的运动轨迹，包括：

对所述用户数据进行噪声过滤；

根据预设的特征向量表中特定行为的持续时间，采用滑动窗口方式将噪声过滤后的所述用户数据进行分段，获取与预设的特征向量表中特定行为对应的特征点片段；

根据预设的特征向量表，将所述与预设的特征向量表中特定行为对应的特征点片段进行分类，每一分类的类别对应所述特征向量表中的类别；

根据时间戳的对应关系，将分类后的特征点片段的特定行为的特征点映射到所述用户的运动轨迹上的具体位置，得到标注了所述特征点的所述用户的运动轨迹。

可选地，所述对所述用户数据进行噪声过滤，包括：

使用低通滤波器对所述用户数据进行噪声过滤，过滤掉高频噪声并使信号平滑；

和/或，

在所述对所述用户数据进行噪声过滤之前，还包括：

对所述用户数据进行数据过滤，过滤所述用户数据中除加速度数据的z轴方向及角速度数据的x和z轴方向的其他维度的数据；

相应地，所述对所述用户数据进行噪声过滤，具体为：

对数据过滤后的所述用户数据进行噪声过滤。

可选地，所述根据预设的特征向量表，将所述与预设的特征向量表中特定行为对应的特征点片段进行分类，包括：

使用基于预设的特征向量表的支持向量机，将所述与预设的特征向量表中特定行为对应的特征点片段进行分类，每一分类的类别对应所述特征向量表中的类别。

可选地，所述采用三角形匹配的轨迹融合算法，将所述标注了所述特征点的所述用户的运动轨迹进行融合，生成室内平面图，包括：

将所述标注了所述特征点的所述用户的运动轨迹进行过滤，获取能生成三角形的轨迹，构造三角形轨迹集合和过滤后的非三角形轨迹集合；

根据预设的匹配规则，将所述三角形轨迹集合进行分类；

根据预设的优先级规则，获取一个三角形类，将所有包含所述三角形类的轨迹以所述三角形类为基准进行融合，循环本步骤，直到所有三角形的轨迹均已融合或所有三角形类使用完毕；

在轨迹融合结果为多个集合时，在所述过滤后的非三角形轨迹集合中获取可靠的轨迹，将作为轨迹融合结果的多个集合进行合并；

在所述可靠的轨迹不存在时，确定室内环境并非一个连通图，存在独立空间。

第二方面，本发明提供一种基于群智感知的室内平面图生成服务器，包括：

数据获取模块，用于获取移动智能终端内部的惯性传感器采样收集的用户数据；

轨迹生成模块，用于对所述用户数据进行分析，获取所述用户移动的距离及方向，生成所述用户的运动轨迹；

特征点识别模块，用于根据预设的特征向量表，对所述用户数据进行处理和分析，识别所述用户的运动轨迹中的与所述特征向量表中特定行为对应的特征点，并将所述特征点映射到所述用户的运动轨迹上的具体位置，得到标注了所述特征点的所述用户的运动轨迹；

平面图生成模块，用于采用三角形匹配的轨迹融合算法，将所述标注了所述特征点的所述用户的运动轨迹进行融合，生成室内平面图；

其中，所述移动智能终端内部的惯性传感器采样收集的用户数据，包括：加速度计采样收集的加速度数据、陀螺仪采样收集的角速度数据和罗盘采样收集的方向数据。

可选地，所述轨迹生成模块，具体用于

对所述采样收集数据进行分析，采用步长检测的方法获取所述用户移动的距离及方向，生成所述用户的运动轨迹；

和/或，

所述特征点识别模块，包括：

噪声过滤单元，用于对所述用户数据进行噪声过滤；

分段单元，用于根据预设的特征向量表中特定行为的持续时间，采用滑动窗口方式将噪声过滤后的所述用户数据进行分段，获取与预设的特征向量表中特定行为对应的特征点片段；

分类单元，用于根据预设的特征向量表，将所述与预设的特征向量表中特定行为对应的特征点片段进行分类，每一分类的类别对应所述特征向量表中的类别；

映射单元，用于根据时间戳的对应关系，将分类后的特征点片段的特定行为的特征点映射到所述用户的运动轨迹上的具体位置，得到标注了所述特征点的所述用户的运动轨迹；

和/或，

所述平面图生成模块，包括：

集合构造单元，用于将所述标注了所述特征点的所述用户的运动轨迹进行过滤，获取能生成三角形的轨迹，构造三角形轨迹集合和过滤后的非三角形轨迹集合；

集合分类单元，用于根据预设的匹配规则，将所述三角形轨迹集合进行分类；

融合单元，用于根据预设的优先级规则，获取一个三角形类，将所有包含所述三角形类的轨迹以所述三角形类为基准进行融合，循环本步骤，直到所有三角形的轨迹均已融合或所有三角形类使用完毕；

合并单元，用于在轨迹融合结果为多个集合时，在所述过滤后的非三角形轨迹集合中获取可靠的轨迹，将作为轨迹融合结果的多个集合进行合并；

确定单元，用于在所述可靠的轨迹不存在时，确定室内环境并非一个连通图，存在独立空间。

可选地，所述噪声过滤单元，具体用于

使用低通滤波器对所述用户数据进行噪声过滤，过滤掉高频噪声并使信号平滑；

和/或，

所述特征点识别标注模块，还包括：

数据过滤单元，用于对所述用户数据进行数据过滤，过滤所述用户数据中除加速度数据的z轴方向及角速度数据的x和z轴方向的其他维度的数据；

相应地，所述噪声过滤单元，具体用于

对数据过滤后的所述用户数据进行噪声过滤；

和/或，

所述分类单元，具体用于

使用基于预设的特征向量表的支持向量机，将所述与预设的特征向量表中特定行为对应的特征点片段进行分类，每一分类的类别对应所述特征向量表中的类别。

第三方面，本发明提供一种基于群智感知的室内平面图生成系统，包括：上述任一服务器和移动智能终端内部包括加速度计、陀螺仪和罗盘的惯性传感器；

所述服务器获取的移动智能终端内部的惯性传感器采样收集的用户数据，包括：加速度计采样收集的加速度数据、陀螺仪采样收集的角速度数据和罗盘采样收集的方向数据。

由上述技术方案可知，本发明的基于群智感知的室内平面图生成方法、服务器及系统，通过获取移动智能终端内部的惯性传感器所采样收集的用户数据，对用户数据进行分析，获取用户移动的距离及方向，生成用户的运动轨迹，根据预设的特征向量表，对用户数据进行处理和分析，识别用户的运动轨迹中的特征向量表中特定行为的特征点，并将特征点映射到用户的运动轨迹上的具体位置，得到标注了特征点的用户的运动轨迹，采用三角形匹配的轨迹融合算法，将标注了所述特征点的用户的运动轨迹进行融合，生成室内平面图，由此，能够无需室内基础设施的支持而生成准确可靠的室内平面图，增强了可用性和可拓展性，同时对群智感知带来的噪声和歧义性具有良好的适应能力。

附图说明

图1为本发明一实施例提供的基于群智感知的室内平面图生成方法的流程示意图；

图2为本发明实施例提供的一种特定行为特征为直行时对应的惯性传感器读数的示意图；

图3为本发明实施例提供的一种特定行为特征为在门附近时对应的惯性传感器读数的示意图；

图4为本发明实施例提供的轨迹融合的示例图；

图5为本发明一实施例提供的基于群智感知的室内平面图生成服务器的结构示意图；

图6为本发明一实施例提供的基于群智感知的室内平面图生成系统的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他的实施例，都属于本发明保护的范围。

图1示出了本发明一实施例提供的基于群智感知的室内平面图生成方法的流程示意图，如图1所示，本实施例的基于群智感知的室内平面图生成方法如下所述。

101、获取移动智能终端内部的惯性传感器采样收集的用户数据。

其中，所述移动智能终端内部的惯性传感器采样收集的用户数据，包括：加速度计采样收集的加速度数据、陀螺仪采样收集的角速度数据和罗盘采样收集的方向数据。

本发明实施例采取群智感知的方式，用户自愿安装并运行程序，安装后的移动智能终端(例如，智能手机等)作为客户端，负责采样和收集包括加速度计、陀螺仪、罗盘的惯性传感器数据，数据暂存在本地缓存中，当可连接到网络时，上传到服务器端进行后续处理和分析。与传统的航迹推算方式不同，该方法不需要连续记录用户的移动轨迹，而采用随机采样的方式，可在很大程度上减少耗电量。此外，贡献数据的用户ID不会被记录和存储，有利于保护用户隐私。

102、对所述用户数据进行分析，获取所述用户移动的距离及方向，生成所述用户的运动轨迹。

在具体应用中，上述步骤102，可以包括：

对所述采样收集数据进行分析，采用步长检测的方法获取所述用户移动的距离及方向，生成所述用户的运动轨迹。

应说明的是，本实施例获取所述用户移动的距离及方向的方法可以优选为步长检测的方法，其获取结果更加准确，但本实施例并不对其进行限制，本实施例也可以采用其他方法来获取所述用户移动的距离及方向。

采用改进的步长检测方法代替原始的加速度位移计算方法(S＝a·t²)，能够有效地减少累积误差和磁场干扰，利用步长和步数的乘积计算出移动距离，并根据传感器读数获得移动方向，不需要用户进行额外的手动输入。

103、根据预设的特征向量表，对所述用户数据进行处理和分析，识别所述用户的运动轨迹中的与所述特征向量表中特定行为对应的特征点，并将所述特征点映射到所述用户的运动轨迹上的具体位置，得到标注了所述特征点的所述用户的运动轨迹。

可理解的是，本实施例所述方法是基于一个重要发现：人的行为特征与空间地理位置具有相关性；而同时，移动智能终端上惯性传感器的读数可以反映出人的行为特征，因此通过对传感器数据的处理和分析，可以对特定的行为特征进行识别和分类，从而标记出轨迹上的特征点。

可理解的是，本实施例中的标注了所述特征点的所述用户的运动轨迹为标注了轨迹上特殊位置信息的所述用户的运动轨迹。

在具体应用中，本实施例所得到的标注了所述特征点的所述用户的运动轨迹可以表示为：

T＝((v₁,l₁),(v₂,l₂),…,(v_i,l_i),…,(v_n,l_n))，

其中，v_i为每一步的向量，l_i为每一向量对应的类标。

举例来说，图2示出了本发明实施例提供的一种特定行为特征为直行时对应的惯性传感器读数的示意图；图3示出了本发明实施例提供的一种特定行为特征为在门附近时对应的惯性传感器读数的示意图。

104、采用三角形匹配的轨迹融合算法，将所述标注了所述特征点的所述用户的运动轨迹进行融合，生成室内平面图。

可理解的是，本实施例与以往的航迹推算方法不同，本方法不要求所收集的轨迹拥有相同起始点，也不要求轨迹的连续性，而是通过轨迹自身的特性及轨迹上的特征点进行融合，且本发明是基于群智感知的方式，用户来自不同的群体，因此行为特征有一定的差异性，会给特征的提取和分类带来挑战，同时分类过程本身也会引入一定误差，所以采用三角形匹配的轨迹融合算法能够对特征点的提取和分类、轨迹生成和特征点映射具有容错性，能够容忍轨迹本身和特征点映射位置的偏差。

本发明实施例将群智感知的思想应用于室内平面图生成的领域中，克服了现有工作对室内基础设施的依赖。该方法主要基于现实生活中观察得到的结论：在有限的室内空间中，人的行为与他/她的位置紧密相关，且人的行为可以通过传感器数据进行识别。在设计和实现的过程中，克服了数据噪声、模糊性和多样性对结果的干扰，最终能够实现准确而可靠的室内平面图生成。

本实施例的基于群智感知的室内平面图生成方法，通过获取移动智能终端内部的惯性传感器所采样收集的用户数据，对用户数据进行分析，获取用户移动的距离及方向，生成用户的运动轨迹，根据预设的特征向量表，对用户数据进行处理和分析，识别用户的运动轨迹中的与特征向量表中特定行为对应的特征点，并将特征点映射到用户的运动轨迹上的具体位置，得到标注了特征点的用户的运动轨迹，采用三角形匹配的轨迹融合算法，将标注了所述特征点的用户的运动轨迹进行融合，生成室内平面图，能够无需室内基础设施的支持而生成准确可靠的室内平面图，增强了可用性和可拓展性，同时对群智感知带来的噪声和歧义性具有良好的适应能力。

在具体应用中，上述步骤103，可以包括图中未示出的步骤103a～103d：

103a、对所述用户数据进行噪声过滤。

可理解的是，在本实施例中，噪声过滤是必须有的，因为通过噪声过滤可以使信号更准确，便于之后使用和分析，如果不过滤噪声会有较大误差。

在具体应用中，上述步骤103a，可以包括

使用低通滤波器对所述用户数据进行噪声过滤，过滤掉高频噪声并使信号平滑。

在另一具体应用中，在该步骤103a之前，上述步骤103，还可以包括图中未示出的步骤103a1：

103a1、对所述用户数据进行数据过滤，过滤所述用户数据中除加速度数据的z轴方向及角速度数据的x和z轴方向的其他维度的数据；

相应地，上述步骤103a，具体为：

对数据过滤后的所述用户数据进行噪声过滤。

可理解的是，本实施例的惯性传感器的读数分布在x,y,z三个轴上，但本方法并不需要所有传感器每个轴上的数据，只有z轴方向的加速度，x和z轴方向的角速度能为特征识别提供有效信息。因此，在方法可以首先对传感器其它维度的数据进行过滤，能够在排除干扰的同时减少计算的复杂度。

103b、根据预设的特征向量表中特定行为的持续时间，采用滑动窗口方式将噪声过滤后的所述用户数据进行分段，获取与预设的特征向量表中特定行为对应的特征点片段。

可理解的是，噪声过滤后的所述用户数据包含了所述用户的运动轨迹上的每一个点，分段的目的是对噪声过滤后的所述用户数据进行扫描并提取出只与特征点相关的片段。

可理解的是，本实施例的滑动窗口的长度由预设的特征向量表中特定行为的持续时间决定，举例来说，为了检测转弯行为，可以将滑动窗口设置为2s。

103c、根据预设的特征向量表，将所述与预设的特征向量表中特定行为对应的特征点片段进行分类，每一分类的类别对应所述特征向量表中的类别。

举例来说，表1示出了一种可以用于分类的预设的特征向量表，可以根据该预设的特征向量表，将所述与预设的特征向量表中特定行为的特征点片段进行分类，其中，win1和win2分别为滑动窗口的时间长度，例如，win1＝2s，win2＝6s等等，Std和Inl分别为固定时间内的标准差和积分值，Max和Min则分别为最大值和最小值。

表1

在具体应用中，上述步骤103c，可以包括：

使用基于预设的特征向量表的支持向量机(Support Vector Machine，简称SVM)，将所述与预设的特征向量表中特定行为对应的特征点片段进行分类，每一分类的类别对应所述特征向量表中的类别。

应说明的是，本实施例将所述与预设的特征向量表中特定行为对应的特征点片段进行分类可以优选使用基于预设的特征向量表的SVM分类器，但本实施例并不对其进行限制，本实施例也可以使用其他基于预设的特征向量表的分类器将所述与预设的特征向量表中特定行为对应的特征点片段进行分类。

可理解的是，本实施例可以根据大量数据训练，得到基于预设的特征向量表的分类器，然后用得到的分类器进行分类，输出为每个特征点对应的类标。

103d、根据时间戳的对应关系，将分类后的特征点片段的特定行为的特征点映射到所述用户的运动轨迹上的具体位置，得到标注了所述特征点的所述用户的运动轨迹。

在具体应用中，步骤上述104，可以包括图中未示出的步骤104a～104e：

104a、将所述标注了所述特征点的所述用户的运动轨迹进行过滤，获取能生成三角形的轨迹，构造三角形轨迹集合和过滤后的非三角形轨迹集合。

应说明的是，本步骤的三角形匹配的轨迹融合算法可以将每个三角形定义为一个TriNail，第k条轨迹T_k上的第i个三角形可由如下特征向量表示：

TriNail(i,T_k)＝(f₁,f₂,f₃,e₂₃,e₁₃,e₁₂)，

其中f和e分别代表三角形的三个顶点与对应边上的特征。

因为根据群智感知技术的特点，可以做出一个合理的假设：本实施例拥有三个或三个以上特征点的轨迹足够多，因此，同一条轨迹上三个不共线的特征点即可构成一个虚拟的三角形，

应说明的是，每个TriNail的边并不一定由实际轨迹构成，而是由轨迹上的特征点相连而成的线段。

本发明实施例的三角形匹配的轨迹融合算法，采用贪心的思想，输入为处理后的运动轨迹集合{T_k}和{t}，分别为能够形成TriNail的轨迹和无法形成TriNail的轨迹。

举例来说，无法形成TriNail的轨迹可以为：特征点个数小于3。

104b、根据预设的匹配规则，将所述三角形轨迹集合进行分类。

应说明的是，本实施例的预设的匹配规则采用了一种近似策略来判定匹配：

对于两个TriNail A和B，当且仅当满足如下条件时，判定其匹配(即两个TriNail属于同一类别)：

且f(A)＝f(B)

其中，S(A)和S(B)分别为三角形A和B的面积，S(A∩B)为当A平移到B时，A和B存在的最大公共面积，α为一个预设的阈值，用来衡量A和B在形状上的相似程度，f(A)和f(B)则分别为A和B特征点的集合。

只有当最大公共面积与较大三角形的面积比值大于α，且两个TriNail包含的特征点必须完全相同时，才判定两个TriNail在形状上相似。

通过调节阈值α的大小，可在误报率和漏报率之间寻求平衡，本实施例并不限定阈值α的大小，但当α过大时，原本属于同一类的TriNail无法匹配，从而导致漏报率增加；α过小时，会导致不属于一类的TriNail划归到一类，导致误报率增加。由于在路径融合阶段，误报对算法结果和效率的影响更加严重，因此本发明可将α的值优选设置为0.8。

根据TriNail的匹配规则可将所有TriNail进行分类，每一类包含了所有具有相同特征点、相似边长和矢量方向的TriNail，此外还可以获得类别与轨迹的对应关系。例如：若某类别C₁出现在轨迹T₁上一次，则对应关系可描述成{C₁,{T₁,1}}，同时可得到该类别出现的统计数据。上述关系可用如下矩阵表示：

矩阵中的元素代表类别为C_i(1≤i≤k)的TriNail在轨迹T_i(1≤j≤m)上出现的次数，k和m均为正整数，最后一列N1～Nk则代表该类别出现的总次数。

104c、根据预设的优先级规则，获取一个三角形类，将所有包含所述三角形类的轨迹以所述三角形类为基准进行融合，循环本步骤，直到所有三角形的轨迹均已融合或所有三角形类使用完毕。

应说明的是，本实施例的预设的优先级规则为：

一、某类别出现次数(频率)越高，获得的优先级越高。这里的出现次数是在剩余未合并的轨迹中。如果两个类别出现的次数相同，则面积较大的一类拥有更高的优先级；

二、正常情况下，矩阵中的每个元素为0或1，代表该类别是否出现在该轨迹上。如果有元素的值大于1，则说明两个相似的TriNail同时出现，即该室内空间内存在重复子结构。重复子结构会对路径融合的结果造成混淆。因此出现重复子结构的类别被认定是不可靠的，优先级被降至最低。

104d、在轨迹融合结果为多个集合时，在所述过滤后的非三角形轨迹集合中获取可靠的轨迹，将作为轨迹融合结果的多个集合进行合并。

104e、在所述可靠的轨迹不存在时，确定室内环境并非一个连通图，存在独立空间。

具体地，本发明实施例的三角形匹配的轨迹融合算法可以为：

Step1：、构造集合S{T_k}，所述S{T_k}包含所有路径所形成的TriNail。

Step2：、根据匹配和分类规则将S{T_k}分类，得到n个类别的集合S{C}＝{C₁,C₂,…,C_n}，n为正整数。

Step 3、参照种子选取规则，从S{C}中选取1类作为种子。

Step 4、以种子为基准，合并所有包含该种子的路径。

Step 5、从S{C}中删除该类别并更新存储矩阵。

Step 6、判断是否存在某类别C_i，使得C_i既出现在已合并的路径中，也出现在未合并的路径中。若存在，则选择在未合并的路径中出现次数最多的类别作为下一个种子；否则，则采用与Step 3相同的办法重新选取下一个种子。

Step 7、从轨迹集合中删除已合并的轨迹。

Step 8、重复Step 4至Step 7的步骤，直到所有轨迹都合并完毕或所有类别使用完毕。

Step 9、若轨迹融合的结果不止一个集合，则从轨迹集合{t}中选取可靠的轨迹，将子集合连接成一个，若可靠的轨迹不存在，则说明室内环境并非一个连通图，因此存在独立空间。

为了保证本实施例所述方法对分类的误差具有强壮性和冗余性，在种子选取时，优先选择出现次数多且可靠的种子，使得路径合并的基准具有很高的可信度。

图4示出了本发明实施例提供的轨迹融合的示例图，分别代表了2轮迭代的过程，图中不同的数字代表不同的特征点类型。该图直观地描述了轨迹融合的思想，因此每一轮迭代仅以少数的轨迹为例。

本实施例的基于群智感知的室内平面图生成方法，能够无需室内基础设施的支持而生成准确可靠的室内平面图，增强了可用性和可拓展性，同时对群智感知带来的噪声和歧义性具有良好的适应能力。

图5示出了本发明一实施例提供的基于群智感知的室内平面图生成服务器的结构示意图，如图5所示，本实施例的基于群智感知的室内平面图生成服务器2，包括：

数据获取模块2a，用于获取移动智能终端内部的惯性传感器采样收集的用户数据；

轨迹生成模块2b，用于对所述用户数据进行分析，获取所述用户移动的距离及方向，生成所述用户的运动轨迹；

特征点识别模块2c，用于根据预设的特征向量表，对所述用户数据进行处理和分析，识别所述用户的运动轨迹中的与所述特征向量表中特定行为对应的特征点，并将所述特征点映射到所述用户的运动轨迹上的具体位置，得到标注了所述特征点的所述用户的运动轨迹；

生成平面图模块2d，用于采用三角形匹配的轨迹融合算法，将所述标注了所述特征点的所述用户的运动轨迹进行融合，生成室内平面图；

其中，所述移动智能终端内部的惯性传感器采样收集的用户数据，包括：加速度计采样收集的加速度数据、陀螺仪采样收集的角速度数据和罗盘采样收集的方向数据。

在具体应用中，所述轨迹生成模块2b，可以具体用于

对所述采样收集数据进行分析，采用步长检测的方法获取所述用户移动的距离及方向，生成所述用户的运动轨迹。

在具体应用中，所述特征点识别模块2c，可以包括图中未示出的：

噪声过滤单元2c1，用于对所述用户数据进行噪声过滤；

分段单元2c2，用于根据预设的特征向量表中特定行为的持续时间，采用滑动窗口方式将噪声过滤后的所述用户数据进行分段，获取与预设的特征向量表中特定行为对应的特征点片段；

分类单元2c3，用于根据预设的特征向量表，将所述与预设的特征向量表中特定行为对应的特征点片段进行分类，每一分类的类别对应所述特征向量表中的类别；

映射单元2c4，用于根据时间戳的对应关系，将分类后的特征点片段的特定行为的特征点映射到所述用户的运动轨迹上的具体位置，得到标注了所述特征点的所述用户的运动轨迹。

在具体应用中，所述噪声过滤单元2c1，可以具体用于

使用低通滤波器对所述用户数据进行噪声过滤，过滤掉高频噪声并使信号平滑。

在具体应用中，所述特征点识别模块2c，还可以包括图中未示出的：

数据过滤单元2c5，用于对所述用户数据进行数据过滤，过滤所述用户数据中除加速度数据的z轴方向及角速度数据的x和z轴方向的其他维度的数据；

相应地，所述噪声过滤单元2c1，可以具体用于

对数据过滤后的所述用户数据进行噪声过滤。

在具体应用中，所述分类单元2c3，可以具体用于

使用基于预设的特征向量表的支持向量机，将所述与预设的特征向量表中特定行为对应的特征点片段进行分类，每一分类的类别对应所述特征向量表中的类别。

在具体应用中，所述平面图生成模块2d，可以包括图中未示出的：

集合构造单元2d1，用于将所述标注了所述特征点的所述用户的运动轨迹进行过滤，获取能生成三角形的轨迹，构造三角形轨迹集合和过滤后的非三角形轨迹集合；

集合分类单元2d2，用于根据预设的匹配规则，将所述三角形轨迹集合进行分类；

融合单元2d3，用于根据预设的优先级规则，获取一个三角形类，将所有包含所述三角形类的轨迹以所述三角形类为基准进行融合，循环本步骤，直到所有三角形的轨迹均已融合或所有三角形类使用完毕；

合并单元2d4，用于在轨迹融合结果为多个集合时，在所述过滤后的非三角形轨迹集合中获取可靠的轨迹，将作为轨迹融合结果的多个集合进行合并；

确定单元2d5，用于在所述可靠的轨迹不存在时，确定室内环境并非一个连通图，存在独立空间。

本实施例的基于群智感知的室内平面图生成服务器，能够无需室内基础设施的支持而生成准确可靠的室内平面图，增强了可用性和可拓展性，同时对群智感知带来的噪声和歧义性具有良好的适应能力。

本实施例的基于群智感知的室内平面图生成服务器，是基于群智感知的室内平面图生成系统的一部分，可以用于执行前述图1所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

图6示出了本发明一实施例提供的基于群智感知的室内平面图生成系统的结构示意图，如图6所示，本实施例的基于群智感知的室内平面图生成系统，包括：图5所示实施例所述的基于群智感知的室内平面图生成服务器和移动智能终端内部包括加速度计、陀螺仪和罗盘的惯性传感器；

所述服务器获取的移动智能终端内部的惯性传感器采样收集的用户数据，包括：加速度计采样收集的加速度数据、陀螺仪采样收集的角速度数据和罗盘采样收集的方向数据。

本实施例的基于群智感知的室内平面图生成系统，能够无需室内基础设施的支持而生成准确可靠的室内平面图，增强了可用性和可拓展性，同时对群智感知带来的噪声和歧义性具有良好的适应能力。

本实施例的基于群智感知的室内平面图生成系统，包括图5所示实施例所述的基于群智感知的室内平面图生成服务器，可以用于执行前述图1所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

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权利要求所限定的范围。

Claims (10)

1.一种基于群智感知的室内平面图生成方法，其特征在于，包括：

获取移动智能终端内部的惯性传感器采样收集的用户数据；

对所述用户数据进行分析，获取所述用户移动的距离及方向，生成所述用户的运动轨迹；

根据预设的特征向量表，对所述用户数据进行处理和分析，识别所述用户的运动轨迹中的与所述特征向量表中特定行为对应的特征点，并将所述特征点映射到所述用户的运动轨迹上的具体位置，得到标注了所述特征点的所述用户的运动轨迹；

采用三角形匹配的轨迹融合算法，将所述标注了所述特征点的所述用户的运动轨迹进行融合，生成室内平面图；

其中，所述移动智能终端内部的惯性传感器采样收集的用户数据，包括：加速度计采样收集的加速度数据、陀螺仪采样收集的角速度数据和罗盘采样收集的方向数据。

2.根据权利要求1所述的方法，其特征在于，所述对所述用户数据进行分析，获取所述用户移动的距离及方向，生成所述用户的运动轨迹，包括：

对所述用户数据进行分析，采用步长检测的方法获取所述用户移动的距离及方向，生成所述用户的运动轨迹。

3.根据权利要求1所述的方法，其特征在于，所述根据预设的特征向量表，对所述用户数据进行处理和分析，识别所述用户的运动轨迹中的与所述特征向量表中特定行为对应的特征点，并将所述特征点映射到所述用户的运动轨迹上的具体位置，得到标注了所述特征点的所述用户的运动轨迹，包括：

对所述用户数据进行噪声过滤；

根据预设的特征向量表中特定行为的持续时间，采用滑动窗口方式将噪声过滤后的所述用户数据进行分段，获取与预设的特征向量表中特定行为对应的特征点片段；

根据预设的特征向量表，将所述与预设的特征向量表中特定行为对应的特征点片段进行分类，每一分类的类别对应所述特征向量表中的类别；

根据时间戳的对应关系，将分类后的特征点片段的特定行为的特征点映射到所述用户的运动轨迹上的具体位置，得到标注了所述特征点的所述用户的运动轨迹。

4.根据权利要求3所述的方法，其特征在于，所述对所述用户数据进行噪声过滤，包括：

使用低通滤波器对所述用户数据进行噪声过滤，过滤掉高频噪声并使信号平滑；

和/或，

在所述对所述用户数据进行噪声过滤之前，还包括：

对所述用户数据进行数据过滤，过滤所述用户数据中除加速度数据的z轴方向及角速度数据的x和z轴方向的其他维度的数据；

相应地，所述对所述用户数据进行噪声过滤，具体为：

对数据过滤后的所述用户数据进行噪声过滤。

5.根据权利要求3所述的方法，其特征在于，所述根据预设的特征向量表，将所述与预设的特征向量表中特定行为对应的特征点片段进行分类，包括：

使用基于预设的特征向量表的支持向量机，将所述与预设的特征向量表中特定行为对应的特征点片段进行分类，每一分类的类别对应所述特征向量表中的类别。

6.根据权利要求1所述的方法，其特征在于，所述采用三角形匹配的轨迹融合算法，将所述标注了所述特征点的所述用户的运动轨迹进行融合，生成室内平面图，包括：

将所述标注了所述特征点的所述用户的运动轨迹进行过滤，获取能生成三角形的轨迹，构造三角形轨迹集合和过滤后的非三角形轨迹集合；

根据预设的匹配规则，将所述三角形轨迹集合进行分类；

根据预设的优先级规则，获取一个三角形类，将所有包含所述三角形类的轨迹以所述三角形类为基准进行融合，循环本步骤，直到所有三角形的轨迹均已融合或所有三角形类使用完毕；

在轨迹融合结果为多个集合时，在所述过滤后的非三角形轨迹集合中获取可靠的轨迹，将作为轨迹融合结果的多个集合进行合并；

在所述可靠的轨迹不存在时，确定室内环境并非一个连通图，存在独立空间。

7.一种基于群智感知的室内平面图生成服务器，其特征在于，包括：

数据获取模块，用于获取移动智能终端内部的惯性传感器采样收集的用户数据；

轨迹生成模块，用于对所述用户数据进行分析，获取所述用户移动的距离及方向，生成所述用户的运动轨迹；

特征点识别模块，用于根据预设的特征向量表，对所述用户数据进行处理和分析，识别所述用户的运动轨迹中的与所述特征向量表中特定行为对应的特征点，并将所述特征点映射到所述用户的运动轨迹上的具体位置，得到标注了所述特征点的所述用户的运动轨迹；

平面图生成模块，用于采用三角形匹配的轨迹融合算法，将所述标注了所述特征点的所述用户的运动轨迹进行融合，生成室内平面图；

其中，所述移动智能终端内部的惯性传感器采样收集的用户数据，包括：加速度计采样收集的加速度数据、陀螺仪采样收集的角速度数据和罗盘采样收集的方向数据。

8.根据权利要求7所述的服务器，其特征在于，所述轨迹生成模块，具体用于

对所述采样收集数据进行分析，采用步长检测的方法获取所述用户移动的距离及方向，生成所述用户的运动轨迹；

和/或，

所述特征点识别模块，包括：

噪声过滤单元，用于对所述用户数据进行噪声过滤；

分段单元，用于根据预设的特征向量表中特定行为的持续时间，采用滑动窗口方式将噪声过滤后的所述用户数据进行分段，获取与预设的特征向量表中特定行为对应的特征点片段；

分类单元，用于根据预设的特征向量表，将所述与预设的特征向量表中特定行为对应的特征点片段进行分类，每一分类的类别对应所述特征向量表中的类别；

映射单元，用于根据时间戳的对应关系，将分类后的特征点片段的特定行为的特征点映射到所述用户的运动轨迹上的具体位置，得到标注了所述特征点的所述用户的运动轨迹；

和/或，

所述平面图生成模块，包括：

集合构造单元，用于将所述标注了所述特征点的所述用户的运动轨迹进行过滤，获取能生成三角形的轨迹，构造三角形轨迹集合和过滤后的非三角形轨迹集合；

集合分类单元，用于根据预设的匹配规则，将所述三角形轨迹集合进行分类；

融合单元，用于根据预设的优先级规则，获取一个三角形类，将所有包含所述三角形类的轨迹以所述三角形类为基准进行融合，循环本步骤，直到所有三角形的轨迹均已融合或所有三角形类使用完毕；

合并单元，用于在轨迹融合结果为多个集合时，在所述过滤后的非三角形轨迹集合中获取可靠的轨迹，将作为轨迹融合结果的多个集合进行合并；

确定单元，用于在所述可靠的轨迹不存在时，确定室内环境并非一个连通图，存在独立空间。

9.根据权利要求8所述的服务器，其特征在于，所述噪声过滤单元，具体用于

使用低通滤波器对所述用户数据进行噪声过滤，过滤掉高频噪声并使信号平滑；

和/或，

所述特征点识别模块，还包括：

数据过滤单元，用于对所述用户数据进行数据过滤，过滤所述用户数据中除加速度数据的z轴方向及角速度数据的x和z轴方向的其他维度的数据；

相应地，所述噪声过滤单元，具体用于

对数据过滤后的所述用户数据进行噪声过滤；

和/或，

所述分类单元，具体用于

使用基于预设的特征向量表的支持向量机，将所述与预设的特征向量表中特定行为对应的特征点片段进行分类，每一分类的类别对应所述特征向量表中的类别。

10.一种基于群智感知的室内平面图生成系统，其特征在于，包括：如上权利要求7至9任一所述的服务器和移动智能终端，所述移动智能终端内部包括惯性传感器，所述惯性传感器包括：加速度计、陀螺仪和罗盘；

所述服务器获取的移动智能终端内部的惯性传感器采样收集的用户数据，包括：加速度计采样收集的加速度数据、陀螺仪采样收集的角速度数据和罗盘采样收集的方向数据。