CN106934773A - 视频运动目标与Mac地址匹配方法 - Google Patents
视频运动目标与Mac地址匹配方法 Download PDFInfo
- Publication number
- CN106934773A CN106934773A CN201710124955.1A CN201710124955A CN106934773A CN 106934773 A CN106934773 A CN 106934773A CN 201710124955 A CN201710124955 A CN 201710124955A CN 106934773 A CN106934773 A CN 106934773A
- Authority
- CN
- China
- Prior art keywords
- rssi
- terminal device
- mobile terminal
- human body
- signal values
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000008569 process Effects 0.000 title claims abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 239000000523 sample Substances 0.000 claims abstract description 21
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 6
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 238000005315 distribution function Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 230000003068 static effect Effects 0.000 abstract description 2
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000060 site-specific infrared dichroism spectroscopy Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
一种视频运动目标与Mac地址匹配方法。其包括利用深度摄像头采集待检测场景中人体深度图像;利用Wi‑Fi探针采集人体携带的移动终端设备Mac地址和RSSI信号值;利用卡尔曼滤波算法平滑上述人体运动轨迹点集合和移动终端设备运动轨迹点集合,再分别将集合中的点连接而形成轨迹曲线;计算人体运动轨迹和移动终端设备运动轨迹之间的费雷歇距离,再计算轨迹映射成轨迹图像后两个轨迹图像之间的相关系数,将两者的结果综合后,输出目标和移动终端设备的匹配结果等步骤。本发明优点:实现了移动终端设备的Mac地址与移动终端设备的持有人的匹配。使用人体运动轨迹和移动终端设备运动轨迹进行匹配,相比静态匹配而言,提高了匹配的准确性。
Description
技术领域
本发明属于移动互联网和计算机视觉技术领域,特别是涉及一种将视频中的运动人物和其所携带的移动终端设备的Mac地址进行匹配的方法。
背景技术
智能移动终端设备作为移动互联网时代的产物,将人与移动互联网更紧密地联系在一起。以手机为例,人们可以通过智能手机随时随地获取更多智能化服务。其不仅丰富了人们的生活方式,还极大提高了人们的工作效率。与此同时,和目前的3G、4G技术相比,由于Wi-Fi热点具有成本低廉、建网方便等优点,因此人们在使用手机上网时更倾向于使用Wi-Fi上网。据中国互联网信息中心2016年2月所发布的《中国互联网发展状况统计报告》指出,我国手机网民的规模已达6.2亿,而大规模的无线网络覆盖使得网民的Wi-Fi使用率达到91.8%。因此,国内的大部分机场、车站等特定场所也设置了Wi-Fi网络,以方便乘客通过移动终端设备上网。
移动终端设备能够通过Wi-Fi上网是利用内置的无线网卡模块实现的,网卡自身有着独特的身份标识符——Mac地址。Mac地址作为网卡的物理地址,具有全球唯一性。人们在日常出行中,作为主要移动终端设备的手机几乎不离身,而手机由于其在短时间内不会被更换的特性,可以将手机网卡的Mac地址作为持有人的辅助身份标识。而完成这一标识,就需要将人物所持移动终端设备的Mac地址与持有人本身建立对应关系。
因此,建立这种匹配关系对于机场、车站等特定场所的安防和旅客标识有着重大的意义。当这种匹配关系建立后,公安机关可以查询连接公共热点的Mac地址集合来搜寻已知犯罪嫌疑人的Mac地址,从而缩小和确定犯罪嫌疑人的活动区域。随着Wi-Fi网络的更大规模普及,Mac地址与人的匹配对于公共安全将具有越来越重要的现实意义。
针对Mac地址的相关应用,高见,袁得嵛[基于Wi-Fi探针的预警系统设计与研究[J].中国人民公安大学学报(自然科学版),2016,03:89-93.]通过Wi-Fi探针分布式采集Wi-Fi网络中移动终端设备主动发送探针的数据包的Mac地址信息和SSID信息,对数据进行汇总分析,达到对大人流的预警和指定移动终端设备的行为轨迹分析,但该系统只是宏观上对Mac地址的浅层应用,无法将Mac地址对应到真实的人物。中国专利申请公开号CN10554168A中公开了Mac地址匹配手机号码的方法,其可解决现有无法将上网手机地址与用户的手机号码相匹配的问题。然而由于手机号码仍然属于一个虚拟世界的标识,将手机号码与Mac地址匹配仍然无法完成将真实人物与Mac地址匹配的任务。
发明内容
为了解决上述问题,本发明的目的在于提供一种视频运动目标与Mac地址匹配方法。
为了达到上述目的,本发明提供的视频运动目标与Mac地址匹配方法包括按顺序进行的下列步骤:
1)利用Kinect深度摄像头采集待检测场景中作为视频运动目标的人体深度图像,然后传送给与其相连的计算机,由计算机计算出人体在摄像机坐标系下的空间坐标,并进行坐标变换,得到人体运动轨迹点集合;
2)利用Wi-Fi探针采集人体携带的移动终端设备的Mac地址和RSSI信号值,然后将上述RSSI信号值进行优选,计算RSSI信号值差值,并建立RSSI信号值差值位置对应关系表;定位时利用获得的RSSI信息值差值通过查表方式反推出移动终端设备的空间坐标,进而获取移动终端设备运动轨迹点集合;
3)利用卡尔曼滤波算法平滑上述人体运动轨迹点集合和移动终端设备运动轨迹点集合,再分别将集合中的点连接而形成轨迹曲线;
4)计算人体运动轨迹和移动终端设备运动轨迹之间的费雷歇距离,再计算轨迹映射成轨迹图像后两个轨迹图像之间的相关系数,将两者的结果综合后,输出目标和移动终端设备的匹配结果。
在步骤1)中,所述的利用Kinect深度摄像头采集待检测场景中作为视频运动目标的人体深度图像,然后传送给与其相连的计算机,由计算机计算出人体在摄像机坐标系下的空间坐标,并进行坐标变换,得到人体运动轨迹点集合的方法是:
采用微软Kinect深度摄像头采集待检测场景中作为视频运动目标的人体深度图像,然后传送给与其相连的计算机,由计算机计算出人体与Kinect深度摄像头之间的距离;将Kinect深度摄像头下的人体看成一个质点并进行描述,选取人的脊柱中心的空间位置代表人体的空间位置,从而得到Kinect深度摄像头下摄像机坐标系下人的三维位置其中分别表示摄像机坐标系下的水平坐标、垂直坐标和浓度距离坐标,i表示人体的标号;
由于Kinect深度摄像头放置时会存在一定的角度,需将摄像机坐标系中三维位置变换到真实坐标系下的三维位置设摄像头在X轴、Y轴、Z轴的偏转角度分别为θx,θy,θz,且真实坐标系与摄像机坐标系原点的位移为Δx,Δy,Δz,通过式(1)可以完成坐标系的变换:
其中,
由于转换为真实坐标系下时,无需再考虑轨迹垂直方向的坐标,因此只选取X轴、Z轴位置上的坐标,从而将三维空间转换为二维平面,即选取坐标
最后将得到的二维平面坐标按采样时间记录下来,作为人体运动轨迹点集合,记作
在步骤2)中,所述的利用Wi-Fi探针采集人体携带的移动终端设备的Mac地址和RSSI信号值,然后将上述RSSI信号值进行优选,计算RSSI信号值差值,并建立RSSI信号值差值位置对应关系表;定位时利用获得的RSSI信息值差值通过查表方式反推出移动终端设备的空间坐标,进而获取移动终端设备运动轨迹点集合的方法是:
将待检测场景用网格法划分成多个小方格,对每一小方格进行标号,并将方格对应的位置记作loca(xi,zi);
将移动终端设备分别放置在每个位置loca(xi,zi)处,利用多个与计算机相连的Wi-Fi探针探测该移动终端设备Mac码及其对应的RSSI信号值和时间戳,然后传送给计算机,由计算机进行后续处理;
为了提高定位的准确性,需对同一时间段内得到的同一Mac码的多个RSSI信号值进行优选;
优选方法是:设每一Wi-Fi探针采集到的同一时间段内同一移动终端设备的所有RSSI信号值为:rssi1,rssi2,…,rssin;
概率分布函数的公式如式(2)所示:
其中:
μ表示所有RSSI信号值的均值;σ2表示所有RSSI信号值的方差;n表示所有RSSI信号值的个数;x表示输入的要进行判断的RSSI信号值;
将所有RSSI信号值rssi1,rssi2,…,rssin带入上述概率分布函数F(x)中,计算出每个RSSI信号值对应的概率密度;当0.5≤F(x)≤1时,保留该RSSI信号值,否则删除,通过上述方法对所有RSSI信号值进行筛选;将筛选后保留下的m个RSSI信号值设为rssi1,rssi2,…,rssim;
选取筛选后的RSSI信号值rssi1,rssi2,…,rssim中的最大值和均值,分别为Rssimax和Rssimean,最终利用式(3)计算出RSSI信号值的优选值:
多个Wi-Fi探针在该位置处获得的RSSI信号值的优选值分别表示为:RSSIp1,RSSIp2,RSSIp3,……;
将上述RSSI信号值的优选值RSSIp1,RSSIp2,RSSIp3……两两做差,并用dRSSI表示相减的结果:
最后共得到多个该位置处的RSSI信号值差值dRSSI1,dRSSI2,…,dRSSIm,构成RSSI信号值差值集合
将上述RSSI信号值差值dRSSI1,dRSSI2,…,dRSSIm和位置loca(xi,zi)建立一个对应关系表;
在定位时,只需根据按上述方法获得的RSSI信号值差值通过查表即可反推出移动终端设备所在的位置;但由于上述对应关系表中可能存在多个与所测得RSSI信号值差值集合相似的位置,因此需对位置进行估计,具体步骤如下:
2.1、选取K个与t时刻所测得的RSSI信号值差值集合欧式距离最小的参考点坐标为且与RSSI信号值差值集合的欧式距离分别为d1,d2,…,dK,其中:
2.2、计算最终得到的t时刻下的坐标为:
上式中取很小的数(0.001),防止分母为0,j表示移动终端设备的标号;
将上述得到的坐标按采样时间记录下来,做简单的坐标变换后,得到移动终端设备运动轨迹点集合,记作
在步骤3)中,所述的利用卡尔曼滤波算法平滑上述人体运动轨迹点集合和移动终端设备运动轨迹点集合,再分别将集合中的点连接而形成轨迹曲线的方法是:
3.3、卡尔曼滤波:
由于集合中的每一个点都是由X轴坐标和Z轴坐标构成,因此分别对X轴坐标和Z轴坐标进行修正,设要进行卡尔曼滤波的集合为X,对应k时刻的点为X(k),具体的步骤为:
3.1.1、预估计其中就是人体运动轨迹点集合或移动终端设备运动轨迹点集合中的X、Z坐标的集合,F(k,k-1)为状态转移矩阵,X(k-1)是k-1时刻的状态矢量;
3.1.2、计算预估计协方差矩阵:
其中:Q(k)=U(k)×U(k)T,U(k)为k时刻动态噪声;
3.1.3、计算卡尔曼增益矩阵:
其中:R(k)=N(k)×N(k)T,N(k)为k时刻观测噪声,H(k)为k时刻观测矩阵;
3.1.4、用观测值和预测值更新估计值:
3.1.5、计算更新后估计协方差矩阵:
3.1.6、令重复上述步骤;
通过上述步骤,分别在X轴和Z轴下,对人体运动轨迹点集合和移动终端设备运动轨迹点集合中各点的X轴坐标和Z轴坐标进行卡尔曼滤波,滤波后得到的运动轨迹点集合为和
3.4、将上述轨迹点集合连接成轨迹曲线
将上述得到的滤波后人体运动轨迹点集合和移动终端设备运动轨迹点集合中的各点按照时间顺序两两通过直线相连,由此将人体运动轨迹点集合和移动终端设备轨迹点集合变换成人体轨迹曲线和移动终端设备轨迹曲线
在步骤4)中,所述的计算人体运动轨迹和移动终端设备运动轨迹之间的费雷歇距离,再计算轨迹映射成轨迹图像后两个轨迹图像之间的相关系数,将两者的结果综合后,输出目标和移动终端设备的匹配结果的方法是:
4.2、进行距离度量
本发明选取费雷歇距离进行距离度量,公式如下:
其中,A和B代表两条待比较的轨迹曲线,α(t)和β(t)代表对轨迹曲线A和B的抽样方式,d(·)表示计算欧式距离;
通过式(8)计算出人体轨迹曲线与移动终端设备轨迹曲线的费雷歇距离为其中j=1,2,…,l;
4.2、进行图像度量
图像度量是将画出的轨迹曲线连同其所在的背景二值化为图像,从图像角度出发,利用图像的相关系数进行度量,相关系数的公式为:
其中,A和B代表两条待比较的轨迹曲线经过二值化、归一化、向量化的图像向量,μA和μB表示两条待比较的轨迹曲线A和B的均值,σA和σB表示两条待比较的轨迹曲线A和B的标准差;
通过式(9)计算出人体轨迹曲线与移动终端设备轨迹曲线的图像相关系数为其中j=1,2,…,l;
4.3、综合度量结果
将距离度量和图像度量综合考虑,得到人体轨迹曲线的综合度量为其中j=1,2,…,l;
4.5、输出匹配结果
最终与人体轨迹曲线相匹配的移动终端设备轨迹曲线的标号为:
其中j=1,2,…,l。
经上述步骤,完成了将标号为i的人体轨迹曲线匹配到标号为的移动终端设备轨迹曲线由此实现了作为视频运动目标的人体i和所携带的移动终端设备的匹配。
本发明提供的视频运动目标与Mac地址匹配方法具有如下优点:
(1)实现了移动终端设备的Mac地址与移动终端设备的持有人的匹配。
(2)使用人体运动轨迹和移动终端设备运动轨迹进行匹配,相比静态匹配而言,提高了匹配的准确性。
(3)在提取人体运动轨迹时,使用深度摄像头对视频运动目标的运动轨迹进行采集,克服了光照对传统摄像头的影响,同时提高了采集运动轨迹的性能。
(4)在提取移动终端设备运动轨迹时,采用Wi-Fi定位中的差分位置法来消除因移动终端设备不同而引入的误差。
附图说明
图1为本发明提供的视频运动目标与Mac地址匹配方法流程图。
图2为RSSI信号值差值位置对应关系表建立过程示意图。
具体实施方式
下面结合附图和具体实施例对本发明提供的视频运动目标与Mac地址匹配方法进行详细说明。
如图1所示,本发明提供的视频运动目标与Mac地址匹配方法包括按顺序进行的下列步骤:
1)利用Kinect深度摄像头采集待检测场景中作为视频运动目标的人体深度图像,然后传送给与其相连的计算机,由计算机计算出人体在摄像机坐标系下的空间坐标,并进行坐标变换,得到人体运动轨迹点集合;
本发明采用微软Kinect深度摄像头采集待检测场景中作为视频运动目标的人体深度图像,然后传送给与其相连的计算机,由计算机计算出人体与Kinect深度摄像头之间的距离。由于想要获取的人体运动轨迹与人的姿态和行为无关,因此将Kinect深度摄像头下的人体看成一个质点并进行描述,选取人的脊柱中心的空间位置代表人体的空间位置,从而得到Kinect深度摄像头下摄像机坐标系下人的三维位置其中分别表示摄像机坐标系下的水平坐标、垂直坐标和浓度距离坐标,i表示人体的标号。
由于Kinect深度摄像头放置时会存在一定的角度,需将摄像机坐标系中三维位置变换到真实坐标系下的三维位置设摄像头在X轴、Y轴、Z轴的偏转角度分别为θx,θy,θz,且真实坐标系与摄像机坐标系原点的位移为Δx,Δy,Δz,通过式(1)可以完成坐标系的变换:
其中, 由于转换为真实坐标系下时,无需再考虑轨迹垂直方向的坐标,因此只选取X轴、Z轴位置上的坐标,从而将三维空间转换为二维平面,即选取坐标
最后将得到的二维平面坐标按采样时间记录下来,作为人体运动轨迹点集合,记作
2)利用Wi-Fi探针采集人体携带的移动终端设备的Mac地址和RSSI信号值,然后将上述RSSI信号值进行优选,计算RSSI信号值差值,并建立RSSI信号值差值位置对应关系表;定位时利用获得的RSSI信息值差值通过查表方式反推出移动终端设备的空间坐标,进而获取移动终端设备运动轨迹点集合;
具体步骤如下:
将待检测场景用网格法划分成多个小方格,对每一小方格进行标号,并将方格对应的位置记作loca(xi,zi);
将移动终端设备分别放置在每个位置loca(xi,zi)处,利用多个与计算机相连的Wi-Fi探针探测该移动终端设备Mac码及其对应的RSSI信号值和时间戳,然后传送给计算机,由计算机进行后续处理。
由于Wi-Fi探针在采集移动终端设备的RSSI信号时,一般会在一个较短的时间段内获得同一个移动终端设备返回的多个RSSI信号值。一般情况下在较短时间内移动终端设备的Mac码和位置不会改变。为了提高定位的准确性,需对同一时间段内得到的同一Mac码的多个RSSI信号值进行优选。
优选方法是:设每一Wi-Fi探针采集到的同一时间段内同一移动终端设备的所有RSSI信号值为:rssi1,rssi2,…,rssin;
概率分布函数的公式如式(2)所示:
其中:
μ表示所有RSSI信号值的均值;σ2表示所有RSSI信号值的方差;n表示所有RSSI信号值的个数;x表示输入的要进行判断的RSSI信号值;
将所有RSSI信号值rssi1,rssi2,…,rssin带入上述概率分布函数F(x)中,计算出每个RSSI信号值对应的概率密度。当0.5≤F(x)≤1时,保留该RSSI信号值,否则删除,通过上述方法对所有RSSI信号值进行筛选。将筛选后保留下的m个RSSI信号值设为rssi1,rssi2,…,rssim;
选取筛选后的RSSI信号值rssi1,rssi2,…,rssim中的最大值和均值,分别为Rssimax和Rssimean,最终利用式(3)计算出RSSI信号值的优选值:
多个Wi-Fi探针在该位置处获得的RSSI信号值的优选值分别表示为:RSSIp1,RSSIp2,RSSIp3,……。
由于不同品牌、型号的移动终端设备的网卡性能不尽相同,因此仅使用RSSI信号值进行定位将会引入因移动终端设备功率不同而导致的误差,由式(4)所示的RSSI信号值差值可知:
其中γSF∈表示同层测试的路径损耗指数值,FAF表示附加衰减因子,di表示Wi-Fi探针i与移动终端设备之间的距离,RSSI信号值差值表示功率衰减,由此可见,在同一时间内该功率衰减主要是由距离不同而造成的。因此利用RSSI信号值差值可以消除由于移动终端设备不同而引入的误差。
将上述RSSI信号值的优选值RSSIp1,RSSIp2,RSSIp3……两两做差,并用dRSSI表示相减的结果:
最后共得到多个该位置处的RSSI信号值差值dRSSI1,dRSSI2,…,dRSSIm,构成RSSI信号值差值集合
将上述RSSI信号值差值dRSSI1,dRSSI2,…,dRSSIm和位置loca(xi,zi)建立一个对应关系表。图2为RSSI信号值差值位置对应关系表建立过程示意图。
在定位时,只需根据按上述方法获得的RSSI信号值差值通过查表即可反推出移动终端设备所在的位置。但由于上述对应关系表中可能存在多个与所测得RSSI信号值差值集合相似的位置,因此需对位置进行估计。具体步骤如下:
2.1、选取K个与t时刻所测得的RSSI信号值差值集合欧式距离最小的参考点坐标为且与RSSI信号值差值集合的欧式距离分别为d1,d2,…,dK,其中:
2.2、计算最终得到的t时刻下的坐标为:
上式中取很小的数(0.001),防止分母为0,j表示移动终端设备的标号。
将上述得到的坐标按采样时间记录下来,做简单的坐标变换后,得到移动终端设备运动轨迹点集合,记作
3)利用卡尔曼滤波算法平滑上述人体运动轨迹点集合和移动终端设备运动轨迹点集合,再分别将集合中的点连接而形成轨迹曲线;
由步骤1)和2)可得人体运动轨迹点集合和移动终端设备运动轨迹点集合i和j分别表示人体和移动终端设备的标号。由于上述获取的运动轨迹可能存在噪声,因此需要对运动轨迹点集合进行滤波,具体步骤如下:
3.5、卡尔曼滤波:
由于集合中的每一个点都是由X轴坐标和Z轴坐标构成,因此分别对X轴坐标和Z轴坐标进行修正,设要进行卡尔曼滤波的集合为X,对应k时刻的点为X(k),具体的步骤为:
3.1.1、预估计其中就是人体运动轨迹点集合或移动终端设备运动轨迹点集合中的X、Z坐标的集合,F(k,k-1)为状态转移矩阵,X(k-1)是k-1时刻的状态矢量;
3.1.2、计算预估计协方差矩阵:
其中:Q(k)=U(k)×U(k)T,U(k)为k时刻动态噪声;
3.1.3、计算卡尔曼增益矩阵:
其中:R(k)=N(k)×N(k)T,N(k)为k时刻观测噪声,H(k)为k时刻观测矩阵;
3.1.4、用观测值和预测值更新估计值:
3.1.5、计算更新后估计协方差矩阵:
3.1.6、令重复上述步骤。
通过上述步骤,分别在X轴和Z轴下,对人体运动轨迹点集合和移动终端设备运动轨迹点集合中各点的X轴坐标和Z轴坐标进行卡尔曼滤波,滤波后得到的运动轨迹点集合为和
3.6、将上述轨迹点集合连接成轨迹曲线
将上述得到的滤波后人体运动轨迹点集合和移动终端设备运动轨迹点集合中的各点按照时间顺序两两通过直线相连,由此将人体运动轨迹点集合和移动终端设备轨迹点集合变换成人体轨迹曲线和移动终端设备轨迹曲线
4)计算人体运动轨迹和移动终端设备运动轨迹之间的费雷歇距离,再计算轨迹映射成轨迹图像后两个轨迹图像之间的相关系数,将两者的结果综合后,输出目标和移动终端设备的匹配结果。
如果要对某特定的人体轨迹曲线进行匹配,与之匹配的移动终端设备轨迹曲线有l条,需要通过相似性度量选取最相近的轨迹曲线而完成匹配,具体步骤如下:
4.3、进行距离度量
本发明选取费雷歇距离进行距离度量,公式如下:
其中,A和B代表两条待比较的轨迹曲线,α(t)和β(t)代表对轨迹曲线A和B的抽样方式,d(·)表示计算欧式距离。
通过式(8)计算出人体轨迹曲线与移动终端设备轨迹曲线的费雷歇距离为其中j=1,2,…,l。
4.2、进行图像度量
图像度量是将画出的轨迹曲线连同其所在的背景二值化为图像,从图像角度出发,利用图像的相关系数进行度量。相关系数的公式为:
其中,A和B代表两条待比较的轨迹曲线经过二值化、归一化、向量化的图像向量,μA和μB表示两条待比较的轨迹曲线A和B的均值,σA和σB表示两条待比较的轨迹曲线A和B的标准差。
通过式(9)计算出人体轨迹曲线与移动终端设备轨迹曲线的图像相关系数为其中j=1,2,…,l。
4.3、综合度量结果
将距离度量和图像度量综合考虑,得到人体轨迹曲线的综合度量为其中j=1,2,…,l。
4.6、输出匹配结果
最终与人体轨迹曲线相匹配的移动终端设备轨迹曲线的标号为:
其中j=1,2,…,l。
经上述步骤,完成了将标号为i的人体轨迹曲线匹配到标号为的移动终端设备轨迹曲线由此实现了作为视频运动目标的人体i和所携带的移动终端设备的匹配。
经测试,本发明方法能完成视频运动目标与其所携带移动设备的Mac地址匹配。
Claims (5)
1.一种视频运动目标与Mac地址匹配方法,其特征在于:所述的视频运动目标与Mac地址匹配方法包括按顺序进行的下列步骤:
1)利用Kinect深度摄像头采集待检测场景中作为视频运动目标的人体深度图像,然后传送给与其相连的计算机,由计算机计算出人体在摄像机坐标系下的空间坐标,并进行坐标变换,得到人体运动轨迹点集合;
2)利用Wi-Fi探针采集人体携带的移动终端设备的Mac地址和RSSI信号值,然后将上述RSSI信号值进行优选,计算RSSI信号值差值,并建立RSSI信号值差值位置对应关系表;定位时利用获得的RSSI信息值差值通过查表方式反推出移动终端设备的空间坐标,进而获取移动终端设备运动轨迹点集合;
3)利用卡尔曼滤波算法平滑上述人体运动轨迹点集合和移动终端设备运动轨迹点集合,再分别将集合中的点连接而形成轨迹曲线;
4)计算人体运动轨迹和移动终端设备运动轨迹之间的费雷歇距离,再计算轨迹映射成轨迹图像后两个轨迹图像之间的相关系数,将两者的结果综合后,输出目标和移动终端设备的匹配结果。
2.根据权利要求1所述的视频运动目标与Mac地址匹配方法,其特征在于:在步骤1)中,所述的利用Kinect深度摄像头采集待检测场景中作为视频运动目标的人体深度图像,然后传送给与其相连的计算机,由计算机计算出人体在摄像机坐标系下的空间坐标,并进行坐标变换,得到人体运动轨迹点集合的方法是:
采用微软Kinect深度摄像头采集待检测场景中作为视频运动目标的人体深度图像,然后传送给与其相连的计算机,由计算机计算出人体与Kinect深度摄像头之间的距离;将Kinect深度摄像头下的人体看成一个质点并进行描述,选取人的脊柱中心的空间位置代表人体的空间位置,从而得到Kinect深度摄像头下摄像机坐标系下人的三维位置其中分别表示摄像机坐标系下的水平坐标、垂直坐标和浓度距离坐标,i表示人体的标号;
由于Kinect深度摄像头放置时会存在一定的角度,需将摄像机坐标系中三维位置变换到真实坐标系下的三维位置设摄像头在X轴、Y轴、Z轴的偏转角度分别为θx,θy,θz,且真实坐标系与摄像机坐标系原点的位移为Δx,Δy,Δz,通过式(1)可以完成坐标系的变换:
其中, 由于转换为真实坐标系下时,无需再考虑轨迹垂直方向的坐标,因此只选取X轴、Z轴位置上的坐标,从而将三维空间转换为二维平面,即选取坐标
最后将得到的二维平面坐标按采样时间记录下来,作为人体运动轨迹点集合,记作
3.根据权利要求1所述的视频运动目标与Mac地址匹配方法,其特征在于:在步骤2)中,所述的利用Wi-Fi探针采集人体携带的移动终端设备的Mac地址和RSSI信号值,然后将上述RSSI信号值进行优选,计算RSSI信号值差值,并建立RSSI信号值差值位置对应关系表;定位时利用获得的RSSI信息值差值通过查表方式反推出移动终端设备的空间坐标,进而获取移动终端设备运动轨迹点集合的方法是:
将待检测场景用网格法划分成多个小方格,对每一小方格进行标号,并将方格对应的位置记作loca(xi,zi);
将移动终端设备分别放置在每个位置loca(xi,zi)处,利用多个与计算机相连的Wi-Fi探针探测该移动终端设备Mac码及其对应的RSSI信号值和时间戳,然后传送给计算机,由计算机进行后续处理;
为了提高定位的准确性,需对同一时间段内得到的同一Mac码的多个RSSI信号值进行优选;
优选方法是:设每一Wi-Fi探针采集到的同一时间段内同一移动终端设备的所有RSSI信号值为:rssi1,rssi2,…,rssin;
概率分布函数的公式如式(2)所示:
其中:
μ表示所有RSSI信号值的均值;σ2表示所有RSSI信号值的方差;n表示所有RSSI信号值的个数;x表示输入的要进行判断的RSSI信号值;
将所有RSSI信号值rssi1,rssi2,…,rssin带入上述概率分布函数F(x)中,计算出每个RSSI信号值对应的概率密度;当0.5≤F(x)≤1时,保留该RSSI信号值,否则删除,通过上述方法对所有RSSI信号值进行筛选;将筛选后保留下的m个RSSI信号值设为rssi1,rssi2,…,rssim;
选取筛选后的RSSI信号值rssi1,rssi2,…,rssim中的最大值和均值,分别为Rssimax和Rssimean,最终利用式(3)计算出RSSI信号值的优选值:
多个Wi-Fi探针在该位置处获得的RSSI信号值的优选值分别表示为:RSSIp1,RSSIp2,RSSIp3,……;
将上述RSSI信号值的优选值RSSIp1,RSSIp2,RSSIp3……两两做差,并用dRSSI表示相减的结果:
最后共得到多个该位置处的RSSI信号值差值dRSSI1,dRSSI2,…,dRSSIm,构成RSSI信号值差值集合
将上述RSSI信号值差值dRSSI1,dRSSI2,…,dRSSIm和位置loca(xi,zi)建立一个对应关系表;
在定位时,只需根据按上述方法获得的RSSI信号值差值通过查表即可反推出移动终端设备所在的位置;但由于上述对应关系表中可能存在多个与所测得RSSI信号值差值集合相似的位置,因此需对位置进行估计,具体步骤如下:
2.1、选取K个与t时刻所测得的RSSI信号值差值集合欧式距离最小的参考点坐标为且与RSSI信号值差值集合的欧式距离分别为d1,d2,…,dK,其中:
2.2、计算最终得到的t时刻下的坐标为:
上式中取很小的数(0.001),防止分母为0,j表示移动终端设备的标号;
将上述得到的坐标按采样时间记录下来,做简单的坐标变换后,得到移动终端设备运动轨迹点集合,记作
4.根据权利要求1所述的视频运动目标与Mac地址匹配方法,其特征在于:在步骤3)中,所述的利用卡尔曼滤波算法平滑上述人体运动轨迹点集合和移动终端设备运动轨迹点集合,再分别将集合中的点连接而形成轨迹曲线的方法是:
3.1、卡尔曼滤波:
由于集合中的每一个点都是由X轴坐标和Z轴坐标构成,因此分别对X轴坐标和Z轴坐标进行修正,设要进行卡尔曼滤波的集合为X,对应k时刻的点为X(k),具体的步骤为:
3.1.1、预估计其中就是人体运动轨迹点集合或移动终端设备运动轨迹点集合中的X、Z坐标的集合,F(k,k-1)为状态转移矩阵,X(k-1)是k-1时刻的状态矢量;
3.1.2、计算预估计协方差矩阵:
其中:Q(k)=U(k)×U(k)T,U(k)为k时刻动态噪声;
3.1.3、计算卡尔曼增益矩阵:
其中:R(k)=N(k)×N(k)T,N(k)为k时刻观测噪声,H(k)为k时刻观测矩阵;
3.1.4、用观测值和预测值更新估计值:
3.1.5、计算更新后估计协方差矩阵:
3.1.6、令重复上述步骤;
通过上述步骤,分别在X轴和Z轴下,对人体运动轨迹点集合和移动终端设备运动轨迹点集合中各点的X轴坐标和Z轴坐标进行卡尔曼滤波,滤波后得到的运动轨迹点集合为和
3.2、将上述轨迹点集合连接成轨迹曲线
将上述得到的滤波后人体运动轨迹点集合和移动终端设备运动轨迹点集合中的各点按照时间顺序两两通过直线相连,由此将人体运动轨迹点集合和移动终端设备轨迹点集合变换成人体轨迹曲线和移动终端设备轨迹曲线
5.根据权利要求1所述的视频运动目标与Mac地址匹配方法,其特征在于:在步骤4)中,所述的计算人体运动轨迹和移动终端设备运动轨迹之间的费雷歇距离,再计算轨迹映射成轨迹图像后两个轨迹图像之间的相关系数,将两者的结果综合后,输出目标和移动终端设备的匹配结果的方法是:
4.1、进行距离度量
本发明选取费雷歇距离进行距离度量,公式如下:
其中,A和B代表两条待比较的轨迹曲线,α(t)和β(t)代表对轨迹曲线A和B的抽样方式,d(·)表示计算欧式距离;
通过式(8)计算出人体轨迹曲线与移动终端设备轨迹曲线的费雷歇距离为其中j=1,2,…,l;
4.2、进行图像度量
图像度量是将画出的轨迹曲线连同其所在的背景二值化为图像,从图像角度出发,利用图像的相关系数进行度量,相关系数的公式为:
其中,A和B代表两条待比较的轨迹曲线经过二值化、归一化、向量化的图像向量,μA和μB表示两条待比较的轨迹曲线A和B的均值,σA和σB表示两条待比较的轨迹曲线A和B的标准差;
通过式(9)计算出人体轨迹曲线与移动终端设备轨迹曲线的图像相关系数为其中j=1,2,…,l;
4.3、综合度量结果
将距离度量和图像度量综合考虑,得到人体轨迹曲线的综合度量为其中j=1,2,…,l;
4.4、输出匹配结果
最终与人体轨迹曲线相匹配的移动终端设备轨迹曲线的标号为:
其中j=1,2,…,l。
经上述步骤,完成了将标号为i的人体轨迹曲线匹配到标号为的移动终端设备轨迹曲线由此实现了作为视频运动目标的人体i和所携带的移动终端设备的匹配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710124955.1A CN106934773B (zh) | 2017-03-03 | 2017-03-03 | 视频运动目标与Mac地址匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710124955.1A CN106934773B (zh) | 2017-03-03 | 2017-03-03 | 视频运动目标与Mac地址匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106934773A true CN106934773A (zh) | 2017-07-07 |
CN106934773B CN106934773B (zh) | 2020-04-17 |
Family
ID=59424075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710124955.1A Expired - Fee Related CN106934773B (zh) | 2017-03-03 | 2017-03-03 | 视频运动目标与Mac地址匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106934773B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108289279A (zh) * | 2018-01-30 | 2018-07-17 | 浙江省公众信息产业有限公司 | 定位信息的处理方法、装置和计算机可读存储介质 |
CN109711370A (zh) * | 2018-12-29 | 2019-05-03 | 北京博睿视科技有限责任公司 | 一种基于wifi探测和人脸聚类的数据融合算法 |
CN110008298A (zh) * | 2019-03-28 | 2019-07-12 | 武汉星视源科技有限公司 | 驻车多维信息感知应用系统及方法 |
CN111065044A (zh) * | 2019-10-30 | 2020-04-24 | 武汉烽火众智数字技术有限责任公司 | 基于大数据的数据关联分析方法、装置及计算机存储介质 |
CN111666358A (zh) * | 2019-03-05 | 2020-09-15 | 上海光启智城网络科技有限公司 | 一种轨迹碰撞方法及系统 |
CN113473452A (zh) * | 2021-07-07 | 2021-10-01 | 上海顺舟智能科技股份有限公司 | 基于物联网的终端信息和终端图像的匹配方法及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103581831A (zh) * | 2013-10-12 | 2014-02-12 | 上海交通大学 | 基于WiFi以及移动终端的室内定位算法 |
CN103747464A (zh) * | 2014-01-17 | 2014-04-23 | 北京赢销通软件技术有限公司 | 一种移动终端运动轨迹分析系统 |
US20140122893A1 (en) * | 2009-01-27 | 2014-05-01 | Sony Electronics Inc. | Multi-Tier Wireless Home Mesh Network with a Secure Network Discovery Protocol |
CN103957503A (zh) * | 2014-04-09 | 2014-07-30 | 北京工业大学 | 一种利用传感器计步提高WiFi指纹定位鲁棒性的方法 |
CN105939520A (zh) * | 2016-03-18 | 2016-09-14 | 李明 | 一种通信连接的建立方法、设备及系统 |
-
2017
- 2017-03-03 CN CN201710124955.1A patent/CN106934773B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140122893A1 (en) * | 2009-01-27 | 2014-05-01 | Sony Electronics Inc. | Multi-Tier Wireless Home Mesh Network with a Secure Network Discovery Protocol |
CN103581831A (zh) * | 2013-10-12 | 2014-02-12 | 上海交通大学 | 基于WiFi以及移动终端的室内定位算法 |
CN103747464A (zh) * | 2014-01-17 | 2014-04-23 | 北京赢销通软件技术有限公司 | 一种移动终端运动轨迹分析系统 |
CN103957503A (zh) * | 2014-04-09 | 2014-07-30 | 北京工业大学 | 一种利用传感器计步提高WiFi指纹定位鲁棒性的方法 |
CN105939520A (zh) * | 2016-03-18 | 2016-09-14 | 李明 | 一种通信连接的建立方法、设备及系统 |
Non-Patent Citations (2)
Title |
---|
AIGUO ZHANG ET AL.: "Wireless Localization Based on RSSI Fingerprint Feature Vector", 《INTERNATIONAL JOURNAL OF DISTRIBUTED SENSOR NETWORKS》 * |
刘定俊 等: "融合多模传感器的室内实时高精度轨迹生成", 《计算机科学》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108289279A (zh) * | 2018-01-30 | 2018-07-17 | 浙江省公众信息产业有限公司 | 定位信息的处理方法、装置和计算机可读存储介质 |
CN109711370A (zh) * | 2018-12-29 | 2019-05-03 | 北京博睿视科技有限责任公司 | 一种基于wifi探测和人脸聚类的数据融合算法 |
CN109711370B (zh) * | 2018-12-29 | 2021-03-26 | 北京博睿视科技有限责任公司 | 一种基于wifi探测和人脸聚类的数据融合方法 |
CN111666358A (zh) * | 2019-03-05 | 2020-09-15 | 上海光启智城网络科技有限公司 | 一种轨迹碰撞方法及系统 |
CN110008298A (zh) * | 2019-03-28 | 2019-07-12 | 武汉星视源科技有限公司 | 驻车多维信息感知应用系统及方法 |
CN111065044A (zh) * | 2019-10-30 | 2020-04-24 | 武汉烽火众智数字技术有限责任公司 | 基于大数据的数据关联分析方法、装置及计算机存储介质 |
CN111065044B (zh) * | 2019-10-30 | 2021-11-16 | 武汉烽火众智数字技术有限责任公司 | 基于大数据的数据关联分析方法、装置及计算机存储介质 |
CN113473452A (zh) * | 2021-07-07 | 2021-10-01 | 上海顺舟智能科技股份有限公司 | 基于物联网的终端信息和终端图像的匹配方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN106934773B (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106934773A (zh) | 视频运动目标与Mac地址匹配方法 | |
Li et al. | AF-DCGAN: Amplitude feature deep convolutional GAN for fingerprint construction in indoor localization systems | |
Gu et al. | Paws: Passive human activity recognition based on wifi ambient signals | |
CN103874200B (zh) | 一种楼层识别方法及系统 | |
CN103634901B (zh) | 基于核密度估计的新型定位指纹采集提取方法 | |
CN110084195A (zh) | 基于卷积神经网络的遥感图像目标检测方法 | |
CN103916954B (zh) | 基于wlan的概率定位方法及定位装置 | |
CN105828289A (zh) | 一种基于信道状态信息的无源室内定位方法 | |
CN106802404A (zh) | 一种人体室内定位自动检测方法及系统 | |
CN110320495A (zh) | 一种基于Wi-Fi、蓝牙和PDR融合定位的室内定位方法 | |
CN106952289B (zh) | 结合深度视频分析的WiFi目标定位方法 | |
CN108717175A (zh) | 基于区域划分和稀疏支持向量回归的室内指纹定位方法 | |
CN109640269A (zh) | 基于csi与时域融合算法的指纹定位方法 | |
CN110113116B (zh) | 基于wifi信道信息的人体行为识别方法 | |
CN103297924B (zh) | 基于信道估计的新型定位指纹设计方法及室内定位系统 | |
CN107087256A (zh) | 一种基于WiFi室内定位的指纹聚类方法及装置 | |
CN105898713A (zh) | 一种基于加权余弦相似度的WiFi指纹室内定位方法 | |
CN103209478A (zh) | 基于分类阈值及信号强度权重的室内定位方法 | |
CN107071743A (zh) | 一种基于随机森林的快速KNN室内WiFi定位方法 | |
CN102831431A (zh) | 一种基于层次聚类的检测器训练方法 | |
CN110426037A (zh) | 一种封闭环境下的行人运动轨迹实时获取方法 | |
CN110536245A (zh) | 一种基于深度学习的室内无线定位方法及系统 | |
CN103338509A (zh) | 一种基于隐含马尔可夫模型的wsn室内定位方法 | |
CN110049549A (zh) | 基于WiFi指纹的多融合室内定位方法及其系统 | |
CN111901749A (zh) | 一种基于多源融合的高精度三维室内定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200417 Termination date: 20210303 |