CN105629198A - 基于密度的快速搜索聚类算法的室内多目标追踪方法 - Google Patents

Abstract

本发明公开了一种基于密度的快速搜索聚类算法的室内多目标追踪方法，主要解决现有室内定位技术精度差，无法追踪多个目标的问题。其技术方案为：1)获取无线链路信息并进行预处理，得到波动链路集合；2)去除波动链路交点中的异常点；3)对正常点进行聚类，得到目标的数量和位置；4)利用隐式马尔可夫模型修正目标数量；5)利用模糊C聚类修正目标位置；6)拼接目标数量和位置信息，生成目标移动轨迹；7)对目标移动轨迹进行多粒子滤波修正，实现对目标的精确跟踪。本发明减小了环境对定位精度的影响，提高了鲁棒性，精度能达到厘米的级别，可用于室内的多目标追踪和监控区域安全。

Description

基于密度的快速搜索聚类算法的室内多目标追踪方法

技术领域

本发明属于计算机技术领域，更进一步涉及室内多目标追踪的方法，可用于室内的多目标追踪和监控区域安全。

背景技术

室内多目标追踪就是利用无线射频信号对多个目标进行室内定位与轨迹追踪。现有的室内多目标追踪方法大致可分为3类：基于无携带设备的室内多目标追踪方法、基于便携设备的室内多目标追踪方法以及基于特殊设备的室内多目标追踪方法。基于便携设备的室内多目标追踪，使用限制较多，场景适应度单一。基于特殊设备的室内多目标追踪，其设备均需额外定制，造价昂贵，不适合商业开发。

基于快速查找的聚类算法，是2015年在Science上发表的一个聚类算法，其优点是时间复杂度可以降到接近于O(n)的级别，大大降低了算法运行的时间，使得实时追踪变得更为容易。同时这个算法可以自适应的来决定聚类的最佳数目，并且能在聚类的时候去除异常点，异常点在模型中为处在密度非常低的区域的点。该算法的缺陷在于分类的结果比期望的聚类数目大，这是因为无线链路的数据噪声造成了链路的不稳定波动，从而影响了聚类的数目。

南京邮电大学的专利申请“一种基于RSSI的室内定位方法”(专利申请号：201510031944)，首先对RSSI测量值进行基于卡尔曼的滤波优化，然后利用滤波优化后的RSSI值进行室内定位。该技术可有效消除人对无线信号传播所产生的噪声影响，并改善因为累积误差导致的定位精度的降低，在噪声均值变化幅度较大的室内环境中具有较高定位精度和定位稳定性，但是该技术对于室内的目标数量限制非常大，并不能完成三个人以上的目标追踪。没有彻底的消除多径效应，精度不够高。

武汉大学在其申请的专利“一种基于WiFi指纹的室内定位方法”(申请号：201310291716.7，公开号：103402256A)中公开了一种基于WiFi指纹的室内定位方法，该方法首先对待定位场所内的每个已知位置点，持续采集一段时间内WiFi信号的RSSI值，然后对采集到的数据进行处理，并上传至服务器，最后对采集到的待定位点数据采用多层次概率算法与数据库中的值进行匹配，得出概率最大的W个位置。该方法同样也有很多的限制和缺点：设备运行所需要的预处理步骤较多，室内空间的WiFi热点变化频繁，需要不断更新操作，定位精度较差，不适合多个目标的追踪。

发明内容

本发明的目的在于克服上述已有技术的不足，提出了一种基于密度的快速搜索聚类的室内多目标追踪方法，以提高在室内定位的精度，实现对多个目标的同时追踪。

本发明的技术思路是：在对多个目标定位的过程中，利用不同的场景、不同的界面布置方式，获取目标对链路的切割情况，通过时间序列的链路切割图对整个监控区域进行基于快速搜索的聚类，通过滤波和去除异常点得到目标的位置，通过多粒子滤波平滑目标轨迹，得到目标的移动轨迹，其实现步骤如下：

(1)在不同的场景下，对链路节点进行布置，形成场景区域，并通过中继节点得到链路信息，该链路信息包括链路信号强度值RSS、链路的发送节点、接收节点与当前时刻的时间节点；

(2)对链路信息进行预处理：

(2a)对含有各种噪声的链路进行高斯滤波，去除链路本身的噪声波动，得到相对稳定的链路信息；

(2b)在稳定的链路信息中进行判断，得到每个时间节点发生波动的所有链路：

(2b1)对经处理后的所有稳定链路分别建立一个滑动窗口，包含当前时间节点以及前四次时间节点的链路信号强度值RSS；

(2b2)对每个滑动窗口内的信号强度值集合求方差，得到当前时间节点的方差，当方差大于5时，即认为该滑动窗口对应的链路处于波动状态；

(2c)标注每个时间节点的波动链路以及各波动链路之间的交点，这些交点，包括用来确定目标位置的正常点和目标之间相互影响造成的异常点；

(2d)通过基于密度的异常点去除算法LOF，去除场景区域中的异常点。

(3)获取目标数量与轨迹：

(3a)对场景区域内的所有正常点进行聚类，获得聚类数目与聚类位置，聚类数目即为目标数量，聚类位置即为目标位置；

(3b)通过隐式马尔科夫模型对目标数量进行建模，修正目标数量；

(3c)通过模糊C聚类，修正目标位置；

(3d)对修正后的目标位置根据时间节点建模，形成目标的移动轨迹；

(4)通过多粒子滤波对目标的移动轨迹进行修正与平滑处理，得到目标的最终移动轨迹。

本发明与现有技术相比具有如下优点：

第一，由于本发明通过目标对无线链路的切割情况来获取目标位置，克服了现有技术的无线盲点问题，并且本发明采用Zigbee作为链路节点，信号具有良好的穿墙性，解决了场景形状不固定、场景内有视距路径物体遮挡的问题，使得在不同的场景下，都能够得到稳定的链路信号值。

第二，本发明由于在处理链路交点时，采用基于密度的异常点去除算法LOF，此算法是根据实验本身的特性而选取的，因此能够最大限度、更加准确的去除场景区域内的异常点，让定位追踪更为准确，定位精度能达到厘米级别。

第三，本发明由于在聚类中使用基于快速查找的聚类算法，而非通常的基于K距离的通用聚类算法，因此克服了聚类数目不准确、异常点影响大、聚类形状对聚类中心影响大的缺点，且降低了复杂度低，提高了速度，特别是在点集形状不规则的情况下，能达到很好的聚类效果。

第四，本发明由于先获取聚类数目，再通过隐式马尔科夫模型修正目标数量，通过模糊C聚类修正目标位置，因此能在目标数量不确定的情况下，快速精准的得到目标的数量以及目标的移动轨迹。

附图说明

图1是本发明的实现流程图；

图2是本发明中获取链路信息的示意图；

图3是本发明中的获取波动链路示意图；

图4是本发明中的聚类定位目标位置示意图；

图5是本发明中的定位热度示意图；

图6是本发明中的定位移动轨迹示意图。

具体实施方式

一.技术原理

本发明利用ZigBee无线节点，把场景区域的所有位置尽可能均匀的覆盖于无线链路的交叉网络下，利用人对无线链路的遮挡而造成的链路信号强度值增加或者衰减，对目标的位置进行估计。在收集到链路信息数据后，首先对整个场景区域进行链路波动检测，得到所有波动链路的分布图，接下来去除链路，仅仅留下链路所形成的交点，这个时候的场景区域就只剩下了一个点的分布坐标系，在此基础上使用基于密度的快速搜索聚类算法，得到目标的数量和位置，紧接着使用隐式马尔可夫模型来修正目标数量，并使用模糊C聚类算法来修正目标的位置，根据时间节点的先后顺序对目标的位置进行拼接，在得到一个连续状态的目标轨迹之后，使用多粒子滤波对目标的轨迹进行修正。

二.实施例

下面结合附图对本发明作进一步的描述。

参照图1，本发明的具体实现步骤如下：

步骤1，获取链路信息。

根据不同的场景形状，先在其边界周长上每隔1米的距离布置一个链路节点，形成场景区域，利用链路两端的发射节点和接收节点收集链路信息，并将该链路信息转发到中继节点；再由中继节点将链路信息转发至服务器，获取场景区域内的所有链路信息，该链路信息包括链路信号强度值RSS、链路的发送节点、接收节点与当前时刻的时间节点，如图2所示。

步骤2，获取波动链路集合。

首先，对所有链路信息进行高斯滤波，去除噪声干扰，得到稳定的链路信息；

其次，对每一条链路建立一个大小为5的滑动窗口，用该窗口记录当前时间节点和前四次时间节点的链路信号强度值RSS；

然后，计算RSS的方差，当方差大于5时，即认为该滑动窗口对应的链路处于波动状态，收集所有的波动链路，得到波动链路集合，如图3所示。

步骤3，处理波动链路集合中的链路交点。

在获取到波动链路集合之后，标注出波动链路集合中各波动链路的交点，这些交点，包括用来确定目标位置的正常点和目标之间相互影响造成的异常点，如图4a所示，需要保留正常点并去除异常点。

现有的去除异常点方法有Knorr和Ng于1998年提出的DBoutlier算法、Alex和Alessandro提出的fastsearch算法以及MarkusM.Breunig提出的基于密度的异常点去除算法LOF等。

本实例采用基于密度的异常点去除算法LOF检测每个链路交点所处位置的交点密度，移除场景区域内交点密度小于4的异常点，保留场景区域内交点密度大于4的正常点，由于本场景区域中的异常点多处于稀疏的位置，使用LOF算法能取得显著的效果，使得定位的精度更加准确。

步骤4，获取场景区域的目标数量和目标位置。

在获得所有的正常点之后，需要对正常点进行聚类来获取目标数量与目标位置，现有的聚类算法有基于K距离的通用聚类、层次聚类、基于神经网络的聚类SOM、基于模糊集合的聚类FCM以及基于快速查找的聚类等。

本实例采用基于快速查找的聚类算法，获取目标数量和目标位置，其步骤为：

首先，确定每个正常点所在位置的密度，以及每个正常点到其它正常点的最短距离；

其次，将每个正常点位置的密度和最短距离的乘积作为聚类标识；

最后，以每个正常点作为横坐标，以每个正常点对应的聚类标识作为纵坐标，绘制聚类标识分布图，找到图中峰值较高的点确定为聚类中心点，如图4b所示。聚类中心点的数量即为目标数量，聚类中心点所处的位置即为目标位置。

所述基于快速查找的聚类算法是2015年在SCI上新提出的一种聚类算法，相比于其它聚类算法，基于快速查找的聚类算法时间复杂度低，算法效率高，聚类效果更加明显。

步骤5，目标数量与目标位置修正。

在获取到目标数量和目标位置之后，需要对目标数量和目标位置进行修正：

首先，使用隐式马尔科夫模型对目标数量进行建模，根据隐式马尔科夫模型的5个元素：可观测状态、隐含状态、初始状态概率矩阵、隐含状态转移概率矩阵以及观测状态转移概率矩阵，定义可观测状态为目标位置，隐含状态为目标数量，初始状态概率矩阵、隐含状态转移概率矩阵以及观测状态转移概率矩阵根据不同的场景手动设置不同的值，完成建模并进行目标数量的修正；

其次，使用模糊C聚类，根据目标所处位置密度的大小，对每一个目标赋予不同的权值，进行加权平均计算，修正每一个目标所处的位置；

最后，经过所述修正后，得到正确的目标数量和目标位置信息，如图5所示。

步骤6，目标移动轨迹的获取与修正。

在得到正确的目标数量和目标位置信息后，首先将正确的目标数量和目标位置信息按照时间节点的先后顺序拼接起来，形成目标的移动轨迹；然后将目标的移动轨迹作为输入，建立目标的运动模型；最后，使用多粒子滤波修正曲折的轨迹，得到目标的最终移动轨迹，如图6a为一个目标在场景区域的移动轨迹，图6b为两个目标在场景区域内的移动轨迹。

以上描述仅是本发明的一个具体实例，不构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修正和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。

Claims (10)

1.一种基于密度的快速搜索聚类算法的室内多目标追踪方法，包括：

(1)在不同的场景下，对链路节点进行布置，形成场景区域，并通过中继节点得到链路信息，该链路信息包括链路信号强度值RSS、链路的发送节点、接收节点与当前时刻的时间节点；

(2)对链路信息进行预处理：

(2a)对含有各种噪声的链路进行高斯滤波，去除链路本身的噪声波动，得到相对稳定的链路信息；

(2b)在稳定的链路信息中进行判断，得到每个时间节点发生波动的所有链路：

(2b1)对经处理后的所有稳定链路分别建立一个滑动窗口，包含当前时间节点以及前四次时间节点的链路信号强度值RSS；

(2b2)对每个滑动窗口内的信号强度值集合求方差，得到当前时间节点的方差，当方差大于5时，即认为该滑动窗口对应的链路处于波动状态；

(2c)标注每个时间节点的波动链路以及各波动链路之间的交点，这些交点，包括用来确定目标位置的正常点和目标之间相互影响造成的异常点；

(2d)通过基于密度的异常点去除算法LOF，去除场景区域中的异常点。

(3)获取目标数量与轨迹：

(3a)对场景区域内的所有正常点进行聚类，获得聚类数目与聚类位置，聚类数目即为目标数量，聚类位置即为目标位置；

(3b)通过隐式马尔科夫模型对目标数量进行建模，修正目标数量；

(3c)通过模糊C聚类，修正目标位置；

(3d)对修正后的目标位置根据时间节点建模，形成目标的移动轨迹；

(4)通过多粒子滤波对目标的移动轨迹进行修正与平滑处理，得到目标的最终移动轨迹。

2.根据权利要求1所述的基于密度的快速搜索聚类算法的室内多目标追踪方法，其特征在于，步骤(1)中对链路节点进行布置，是根据不同场景的形状，在其边界周长上每隔1米的距离布置一个链路节点，形成场景区域。

3.根据权利要求1所述的基于密度的快速搜索聚类算法的室内多目标追踪方法，其特征在于，步骤(1)中通过中继节点得到链路信息，是由链路两端的发送以及接收节点收集链路信息，并将该链路信息转发到中继节点；再由中继节点将链路信息转发给服务器进行分析处理，该中继节点与服务器之间通过串口连接。

4.根据权利要求1所述的基于密度的快速搜索聚类算法的室内多目标追踪方法，其特征在于，步骤(2b2)中对每个滑动窗口内的信号强度值集合求方差，是对任意一条稳定链路，建立一个大小为5的滑动窗口，用该窗口记录当前时间节点和前四次时间节点的链路信号强度值RSS，并按照下式计算链路信号强度值的方差：

$D\left(RSS\right)=\frac{1}{5}\×{\underset{i=1}{\overset{5}{\Σ}}\[{\mathrm{RSS}}_i-E\left(RSS\right)\]}^2$

其中，D(RSS)表示链路信号强度值的方差，RSS_i表示第i个链路信号强度值，E(RSS)表示该链路信号强度值集合的期望。

5.根据权利要求1所述的基于密度的快速搜索聚类算法的室内多目标追踪方法，其特征在于，步骤(2d)中通过基于密度的异常点去除算法LOF，去除场景区域中的异常点，是用该LOF算法检测每个链路交点所处位置的交点密度，移除场景区域内交点密度小于4的异常点，保留场景区域内交点密度大于4的正常点。

6.根据权利要求1所述的基于密度的快速搜索聚类算法的室内多目标追踪方法，其特征在于，步骤(3a)中对场景区域内的所有正常点进行聚类，采用基于快速查找的聚类算法进行，其步骤如下：

首先，确定每个正常点所在位置的密度，以及每个正常点到其它正常点的最短距离；

其次，将每个正常点位置的密度和最短距离的乘积作为聚类标识，

最后，以每个正常点作为横坐标，以每个正常点对应的聚类标识作为纵坐标，绘制聚类标识分布图，找到图中峰值较高的点确定为聚类中心点。

7.根据权利要求1所述的基于密度的快速搜索聚类算法的室内多目标追踪方法，其特征在于，步骤(3b)中通过隐式马尔科夫模型对目标数量进行建模，修正目标数量，是根据隐式马尔科夫模型的5个元素：可观测状态、隐含状态、初始状态概率矩阵、隐含状态转移概率矩阵以及观测状态转移概率矩阵，定义可观测状态为目标位置，隐含状态为目标数量，初始状态概率矩阵、隐含状态转移概率矩阵以及观测状态转移概率矩阵根据不同的场景手动设置不同的值，完成建模并进行目标数量的修正。

8.根据权利要求1所述的基于密度的快速搜索聚类算法的室内多目标追踪方法，其特征在于，步骤(3c)通过模糊C聚类修正目标位置，是通过隐式马尔科夫模型修正目标数量后，得到确定的目标数量，根据目标所处位置密度的大小，对每一个目标赋予不同的权值，进行加权平均计算，修正每一个目标的位置。

9.根据权利要求1所述的基于密度的快速搜索聚类算法的室内多目标追踪方法，其特征在于，步骤(3d)中对修正后的目标位置根据时间节点建模，是根据时间节点的先后顺序，对该目标在场景区域内的位置进行拼接，得到目标的移动轨迹。

10.根据权利要求1所述的基于密度的快速搜索聚类算法的室内多目标追踪方法，其特征在于，步骤(4)中多粒子滤波对目标的移动轨迹进行修正与平滑处理，是先将目标的整个移动轨迹作为输入，建立目标的运动模型，再使用多粒子滤波修正曲折的轨迹，得到更为平滑的目标移动轨迹。