CN107645772B - 人体定位方法、人体定位系统与定位服务器 - Google Patents
人体定位方法、人体定位系统与定位服务器 Download PDFInfo
- Publication number
- CN107645772B CN107645772B CN201610648119.9A CN201610648119A CN107645772B CN 107645772 B CN107645772 B CN 107645772B CN 201610648119 A CN201610648119 A CN 201610648119A CN 107645772 B CN107645772 B CN 107645772B
- Authority
- CN
- China
- Prior art keywords
- human body
- wireless
- wireless devices
- positioning
- devices
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000004891 communication Methods 0.000 claims abstract description 89
- 238000013528 artificial neural network Methods 0.000 claims abstract description 59
- 210000002569 neuron Anatomy 0.000 claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 230000005021 gait Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000004804 winding Methods 0.000 claims description 2
- 230000004807 localization Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 12
- 230000005540 biological transmission Effects 0.000 description 11
- 230000001537 neural effect Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 208000003443 Unconsciousness Diseases 0.000 description 2
- 208000010125 myocardial infarction Diseases 0.000 description 2
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- 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
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
-
- 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
- H04W4/025—Services making use of location information using location based information parameters
- H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
- Automation & Control Theory (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
一种人体定位方法、人体定位系统与定位服务器。所述人体定位方法适于定位特定空间中的人体,所述方法包括:依据无线设备的通信品质,寻找无线设备中的目标无线设备与定位服务器之间的多个理想绕送路径;依据理想绕送路径估算目标无线设备的装置定位结果;建立理想绕送路径上的工作无线设备所形成的无线网络拓扑;将三维空间影像的多个原始体积像素传送至无线网络拓扑之中,并基于将每一工作无线设备作为关联于人体检测模型的类神经网络架构中的神经元与基于原始体积像素来检测人体;若判定检测到人体,将人体定位于装置定位结果。本发明可提升受限于空间复杂度或信号特性的定位稳定度,并可进一步准确定位特定空间中的人体。
Description
技术领域
本发明涉及一种人体检测技术,且特别涉及一种人体定位方法、人体定位系统与定位服务器。
背景技术
近年来,由于无线传输技术的进步及无线节点具有无线与易布建等特性,使得各式无线传输技术广泛应用于各种数据传输上,例如无线感测网络(Wireless SensorNetwork,WSN)、ZigBee、Wi-Fi、蓝牙等。随着这些无线传输的进步与无线通信装置的广泛使用,上述这些无线传输技术也广泛地应用于定位特定场所内的无线通信装置。
然而,受限于空间环境的复杂度与无线信号的一些物理特性(像是多重路径衰减或时间延迟等),一旦空间环境过于复杂,利用上述这些无线传输技术进行定位的稳定性便有不足之虞。此外,即便无线通信装置可基于无线信号的传输而被定位,但无线通信装置的持有者或该特定空间中的人士不一定可以被精准地定位。举例而言,当一个心脏病发者将手机置放于远处,则无法通过定位其手机而得知该心脏病发者的所在。或者,在火场中的昏迷者失去意识而无法自行求救时,纵使可定位火场中的无线设备也无法得知昏迷者的所在位置。因此,如何利用无线设备来精准地定位特定空间中的人体实为本领域技术人员所关心的议题之一。
因此,需要提供一种人体定位方法、人体定位系统与定位服务器来解决上述问题。
发明内容
本发明提供一种人体定位方法、人体定位系统与定位服务器,可利用无线传输技术定位一特定空间中的一人体。
本发明提出一种人体定位方法,所述方法适于定位一特定空间中的一人体,而多个无线设备与一定位服务器位于该特定空间中,所述方法包括:依据该些无线设备的通信品质,寻找该些无线设备中的一目标无线设备与该定位服务器之间的多个理想绕送(routing)路径,其中该些理想绕送路径分别由该些无线设备中的多个工作无线设备所形成;依据该些理想绕送路径估算该目标无线设备的一装置定位结果;建立该些工作无线设备所形成的一无线网络拓扑;获取该目标无线设备周遭的一三维空间影像;将该三维空间影像的多个原始体积像素传送至该无线网络拓扑之中,并基于将每一该些工作无线设备作为关联于一人体检测模型的一类神经网络架构中的一神经元与基于该些原始体积像素来检测该人体;以及若判定检测到该人体,将该人体定位于该装置定位结果。
在本发明的一实施例中,上述的将三维空间影像的多个原始体积像素传送至无线网络拓扑之中,并基于将每一工作无线设备作为类神经网络架构中的神经元与基于原始体积像素来检测人体的步骤包括下列步骤。将三维空间影像的原始体积像素分送给工作无线设备其中的多个第一层装置。之后,依据原始体积像素与类神经网络架构检测出多个第一特征信息,并将第一特征信息传送给工作无线设备其中的多个第二层装置。接着,依据第一特征信息与利用类神经网络架构检测出多个第二特征信息,并将第二特征信息传送给工作无线设备其中的多个第三层装置。最后,依据上述的第二特征信息检测人体。
在本发明的一实施例中,上述的类神经网络架构为一深度类神经网络,上述的第二层装置与第三层装置隶属于深度类神经网络的隐藏层。
在本发明的一实施例中,上述的类神经网络架构为一反馈式类神经网络,每一工作无线设备作为反馈式类神经网络中的动态神经元,致使工作无线设备利用对应至一时间点的三维空间影像与对应至另一时间点的另一三维空间影像检测人体。
在本发明的一实施例中,上述的依据无线设备的通信品质,寻找无线设备中的目标无线设备与定位服务器之间的理想绕送路径的步骤包括下列步骤。首先,依据无线设备的无线连接能力,建立无线设备之间的多个无线通信连接,致使这些无线设备形成一自组织网络(ad-hoc network)。接着,获取无线通信连接的通信品质参数,并依据无线通信连接的通信品质参数寻找无线设备中的该目标无线设备与定位服务器之间这些理想绕送路径。
在本发明的一实施例中,上述的依据理想绕送路径估算目标无线设备的该装置定位结果的步骤包括下列步骤。获取分别对应至理想绕送路径的多个定位位置。对定位位置进行一统计运算而获取装置定位结果。
在本发明的一实施例中,所述人体定位方法还包括下列步骤。基于关联于一人体辨识模型的另一类神经网络架构,获取检测到的人体的多个语意特征(semanticfeature)。比对语意特征与多个人体样本的多个语意样本,以辨识人体为该人体样本其中之一。
在本发明的一实施例中,上述的基于关联于人体辨识模型的另一类神经网络架构,获取检测到的人体的多个语意特征包括下列步骤。获取人体的多个步态向量,并将这些步态向量传送至无线网络拓扑之中,以基于将工作无线设备作为另一类神经网络架构的神经元与基于步态向量获取语意特征。
从另一观点来看,本发明提出一种人体定位系统,所述系统适于定位一特定空间中的一人体,所述系统包括:一定位服务器以及多个无线设备;该定位服务器位于该特定空间中;该些无线设备位于该特定空间中,其中该定位服务器依据该些无线设备的通信品质,寻找该些无线设备中的一目标无线设备与该定位服务器之间的多个理想绕送路径,并依据该些理想绕送路径估算该目标无线设备的一装置定位结果,其中该些理想绕送路径分别由该些无线设备中的多个工作无线设备所形成,且该定位服务器建立该些工作无线设备所形成的一无线网络拓扑,其中该目标无线设备获取该目标无线设备周遭的一三维空间影像,并将该三维空间影像的多个原始体积像素传送至该无线网络拓扑之中,其中作为关联于一人体检测模型的一类神经网络架构中的一神经元的每一该些工作无线设备基于该些原始体积像素来检测该人体,其中若该定位服务器或该些工作无线设备其中之一判定检测到该人体,该定位服务器将该人体定位于该装置定位结果。
从又一观点来看,本发明提出一种定位服务器,适于定位一特定空间中的一人体。多个无线设备位于特定空间中并形成一自组织网络,而所述定位服务器包括通信装置与处理器。处理器依据无线设备的通信品质,寻找无线设备中的目标无线设备与定位服务器之间的多个理想绕送路径。这些想绕送路径分别由上述的无线设备中的多个工作无线设备所形成。处理器依据理想绕送路径估算目标无线设备的装置定位结果。处理器建立工作无线设备所形成的无线网络拓扑。处理器基于将每一工作无线设备作为关联于一人体检测模型的一类神经网络架构中的一神经元来检测人体。若判定检测到人体,处理器将人体定位于装置定位结果。
从又一观点来看,本发明提出一种定位服务器,所述定位服务器适于定位一特定空间中的一人体,其中多个无线设备位于该特定空间中并形成一自组织网络,而所述定位服务器包括:一通信装置;以及一处理器,该处理器耦接该通信装置,依据该些无线设备的通信品质,寻找该些无线设备中的一目标无线设备与该定位服务器之间的多个理想绕送路径,其中该些理想绕送路径分别由该些无线设备中的多个工作无线设备所形成,其中该处理器依据该些理想绕送路径估算该目标无线设备的一装置定位结果,并建立该些工作无线设备所形成的一无线网络拓扑,其中该处理器基于将每一该些工作无线设备作为关联于一人体检测模型的一类神经网络架构中的一神经元来检测该人体,若判定检测到该人体,该处理器将该人体定位于该装置定位结果。
基于上述,本发明可先基于特定空间中的无线设备的通信品质而寻找出目标设备与定位服务器之间的多条理想绕送路径,并将这些理想绕送路径上的多个工作无线设备分别作为类神经网络的神经元。通过每一工作无线设备分别执行单一神经元的运算与通过无线传输传递单一神经元的运算结果,本发明可通过工作无线设备的合作而检测目标无线设备所撷取的三维空间影像中的人体,从而将检测到的人体定位于目标无线设备的所在位置上。如此,本发明可提升受限于空间复杂度或信号特性的定位稳定度,并可进一步准确定位特定空间中的人体。
为让本发明的上述特征和优点能更明显易懂,下文特举实施例,并配合所附附图作详细说明如下。
附图说明
图1是依照本发明一实施例所绘示的人体定位系统的示意图。
图2是依照本发明一实施例所绘示的无线网络拓扑的示意图。
图3是依照本发明一实施例所绘示的类神经网络架构的示意图。
图4是依照本发明一实施例所绘示的动态神经元的示意图。
图5A与图5B是依照本发明一实施例所绘示的人体定位方法的示意图。
图6是依照本发明一实施例所绘示的定位服务器与无线设备的框图示意图。
主要组件符号说明:
10 人体定位系统
20 特定空间
110_1~110_N、310_1~310_9、620 无线设备
110_T、310_T、630 目标无线设备
120、610 定位服务器
P1~P3 最佳绕送路径
T1 无线网络拓扑
B1 人体
Img1、Img1,t、Img1,(t-1) 三维空间影像
V1、V2、V3、V4、V1_1~V1_n 原始体积像素
310_L1 第一层装置
f11、f12、f13、f14 第一特征信息
310_L2 第二层装置
f21、f22、f23 第二特征信息
310_L3 第三层装置
f31、f32 人体特征
f11,t、f11,(t-1) 输出值
f() 函数
θ 偏移量
W1~Wn、Wp 权重值
S501~S508 步骤
612、622、632 处理器
613、623、633 储存装置
611、621、631 通信装置
634 影像感测器
具体实施方式
为了使本发明的内容更为明了,以下列举实施例作为本发明确实能够据以实施的范例。
图1是依照本发明一实施例所绘示的人体定位系统的示意图。请参照图1,人体定位系统10适于定位特定空间20中的一人体B1。在本发明的一实施范例中,特定空间20例如是一建筑物的室内空间,但本发明并不以此为限。人体定位系统10包括位于特定空间20中的定位服务器120与N个无线设备110_1、110_2、…、110_T、…110_(N-1)、110_N,其中N为正整数。定位服务器120可以是具备无线通信能力的计算机装置,或者是由具备无线通信能力的无线存取点(access point,AP)与计算机装置所组成,本发明对此并不限制。无线设备110_1~110_N例如是智能型手机、个人数字助理、平板计算机、笔记本型计算机、游戏机等具备无线通信能力的电子装置,或者是布建于特定空间20中内具备无线通信能力的无线感测装置。无线设备110_1~110_N支持相同的无线通信协议标准,以通过无线连接彼此传递信息。上述的无线通信协议标准例如是IEEE 802.11标准、IEEE802.15.4标准、WiFi标准、蓝牙(bluetooth)标准或群蜂无线通信协议标准(简称为ZigBee),本发明对此不限制。
请参照图1,图1所示的实施例以依据无线设备110_T所撷取的影像数据来进行人体检测,因此无线设备110_T称之为目标无线设备(以下以目标无线设备110_T表示)。
在本发明的一实施例中,依据无线设备110_1~110_N的无线连接能力,无线设备110_1~110_N建立无线设备110_1~110_N之间的多个无线通信连接,致使这些无线设备110_1~110_N形成一自组织网络。进一步来说,基于无线设备110_1~110_N的无线通信能力,相距于一预定距离内的两无线设备可基于接收到对方发送的无线信号而建立无线通信连接并进行通信。需说明的是,相距于一预定距离内的两无线设备可能因为空间复杂度与障碍物的屏蔽而无法建立无线通信连接。此外,无线设备110_1~110_N彼此之间的无线通信连接的通信品质是可以被估测的。在自组织网络的架构下,特定空间20中的这些无线设备110_1~110_N可直接与定位服务器120交换信息,或可通过多重跳跃(multihop)的方式间接与定位服务器120交换信息。
在本发明的一实施例中,定位服务器120获取无线设备110_1~110_N彼此之间的无线通信连接的通信品质参数。举例而言,通信品质参数例如是接收信号强度指示(Received Signal Strength Indication,RSSI)、信噪比(Signal-to-Noise Ratio,SNR)、封包错误率(Packet Error Rate,PER)、封包遗失率(Packet Error loss Rate,PELR)等等,但本发明并不限制于此。进一步来说,无线设备110_1~110_N与周遭的无线设备建立无线通信连接之后,无线设备110_1~110_N可获取无线通信连接的通信品质参数,并将通信品质参数传送给定位服务器120。举例而言,定位服务器120可接收到无线通信设备110_6与无线通信设备110_5之间的无线通信连接的通信品质参数。如此,定位服务器120可获取每一无线设备110_1~110_N所估算的通信品质参数。
在本发明的一实施例中,定位服务器120依据无线通信连接的通信品质参数寻找无线设备110_1~110_N中的目标无线设备110_T与定位服务器120之间的理想绕送路径。举例而言,定位服务器120可依据无线设备110_1~110_N之间的通信品质参数执行主动式Q-Learning算法而获取多个最佳绕送路径。以图1所示的范例为例,定位服务器120可获取最佳绕送路径P1~P3,但本发明并不以此为限。最佳绕送路径P1~P3代表目标无线设备110_T与定位服务器120之间的通信品值可靠的路由路径。最佳绕送路径P1~P3由无线设备110_1~110_10、110_T之间的无线通信连接形成。理想绕送路径P1~P3分别由无线设备110_1~110_N中的多个工作无线设备所形成。以图1所示的范例为例,理想绕送路径P1由无线设备110_3、110_7、110_1所形成;理想绕送路径P2由无线设备110_2、110_4、110_5、110_6所形成;以及理想绕送路径P3由无线设备110_8、110_9、110_10所形成。
在本发明的一实施例中,在建立理想绕送路径P1~P3之后,定位服务器120依据这些理想绕送路径P1~P3估算目标无线设备110_T的装置定位结果。进一步来说,定位服务器120获取分别对应至理想绕送路径P1~P3的多个定位位置。进一步来说,无线设备110_1~110_N可通过无线信号的传递而得知自身与周遭无线设备之间的相对位置关系。以理想绕送路径P1进行说明,定位服务器120可获取自己与无线设备110_1之间、无线设备110_1与无线设备110_7之间、无线设备110_7与无线设备110_3之间,以及无线设备110_3与目标无线设备110_T的多个相对位置关系。在定位服务器120知道自己所在位置的状况下,定位服务器120可依据关联于理想绕送路径P1的多个相对位置关系估算出目标无线设备110_T的定位位置。相似的,定位服务器120可依据关联于理想绕送路径P2的多个相对位置关系估算出目标无线设备110_T的定位位置,并可依据关联于理想绕送路径P3的多个相对位置关系估算出目标无线设备110_T的定位位置。须说明的是,上述的这些定位位置基于无线通信品质与通信环境而彼此相异。
在本发明的一实施例中,定位服务器120对定位位置进行统计运算而获取目标无线设备的装置定位结果。以图1所示的实施例为例,定位服务器120可获取关联于理想绕送路径P1~P3的三个定位位置,于是定位服务器120可对关联于理想绕送路径P1~P3的三个定位位置进行统计运算而获取目标无线设备110_T的装置定位结果。举例而言,上述的统计运算可以是平均运算(mean)、众数运算(mod)、中值运算(median)等等,本发明并不限制于此。
另外,本发明将利用最佳绕送路径上的无线设备进行人体检测。请参照图1,在建立理想绕送路径P1~P3之后,理想绕送路径P1~P3上的无线设备110_1~110_10称之为工作无线设备(以下以工作无线设备110_1~110_10表示)。在本发明的一实施例中,定位服务器120建立这些工作无线设备110_1~110_10所形成的无线网络拓扑。图2是依照本发明一实施例所绘示的无线网络拓扑的示意图。请参照图2,在定位服务器120决定最佳绕送路径P1~P3之后,定位服务器120建立工作无线设备110_1~110_10形成的无线网络拓扑T1并记录无线网络拓扑T1的拓扑信息。
在本发明的一实施例中,目标无线设备110_T获取目标无线设备110_T周遭的三维空间影像,并将三维空间影像的多个原始体积像素传送至无线网络拓扑之中。在图1的实施例中,目标无线设备110_T例如可将三维空间影像的多个原始体积像素传送至工作无线设备110_3、110_8、110_2。之后,作为关联于一人体检测模型的一类神经网络架构中的至少一神经元的每一工作无线设备110_1~110_10基于原始体积像素来检测人体B1。若定位服务器120或工作无线设备110_1~110_10其中之一判定检测到人体B1,定位服务器120将人体B1定位于目标无线设备110_T的装置定位结果。以下将进一步详细说明本发明如何以工作无线设备所建构的类神经网络架构进行人体检测。
图3是依照本发明一实施例所绘示的类神经网络架构的示意图。请参照图3,目标无线设备310_T例如可通过断层解析成像技术(tomographic imaging)或红外线成像技术(tomographic imaging)撷取周遭环境的三维空间影像Img1,三维空间影像Img1包括多个原始体积像素(voxels)。在图3的实施范例中,目标无线设备310_T将三维空间影像Img1的多个原始体积像素传送至包括工作无线设备310_1~310_9的无线网络拓扑之中。作为类神经网络架构中的至少一神经元的每一工作无线设备310_1~310_9基于原始体积像素来检测人体。
进一步来说,目标无线设备110_T将三维空间影像Img1的原始体积像素V1、V2、V3、V4分别传送给工作无线设备310_1~310_9其中的多个第一层装置310_L1,这些第一层装置310_L1包括工作无线设备310_1~310_4。更详细来说,目标无线设备110_T将三维空间影像Img1的所有原始体积像素分配为部分的原始体积像素V1、V2、V3、V4,并将部分的原始体积像素V1、V2、V3、V4依序分配给工作无线设备310_1~310_4。举例而言,工作无线设备310_1可获取部分的原始体积像素V1。
之后,工作无线设备310_1~310_4依据原始体积像素V1、V2、V3、V4与类神经网络架构的人体检测模型检测出多个第一特征信息f11、f12、f13、f14,并将第一特征信息f11、f12、f13、f14传送给工作无线设备310_1~310_9其中的多个第二层装置310_L2中的工作无线设备310_5。这些第二层装置310_L2还包括工作无线设备310_6、310_7。接着,工作无线设备310_5依据第一特征信息f11、f12、f13、f14与利用类神经网络架构的人体检测模型检测出第二特征信息f21。相似的,工作无线设备310_6、310_7依据其他第一层装置产生的第一特征信息与利用类神经网络架构的人体检测模型检测出第二特征信息f22、f23。工作无线设备310_5将第二特征信息f21传送给工作无线设备其中的多个第三层装置310_L3。最后,工作无线设备310_8依据上述的第二特征信息f21、f22、f23检测记录于部分的原始体积像素内的人体的人体特征f31。基此,若三维空间影像Img1有撷取到人体的影像,则定位服务器320可从第三层装置310_L3中的工作无线设备310_8、310_9获取人体特征f31、f32。
须说明的是,类神经网络的人体检测模型例如是基于区域模型(local model)、全局模型(global model)以及配对比对模型(pairwise model)而训练出来的联合模型,本发明对此不限制。在图3所示的实施例中,第一特征信息f11、f12、f13、f14可以是多边形(polygons)特征,第二特征信息f21、f22、f23可以是人体部位特征,但本发明并不以此为限。第一特征信息与第二特征信息的类别可视实际应用状况而设计,本发明对此并不限制。在图3所示的实施例中,类神经网络架构为一深度(deep)类神经网络,第一层装置310_L1、第二层装置310_L2与第三层装置310_L3隶属于深度类神经网络的隐藏层(hidden layer)。然而,图3以类神经网络架构包括三层隐藏层为例进行说明,但本发明并不限制于此,隐藏层的数目可是实际应用状况而设计。再者,图3以一个工作无线设备负责一个神经元的运算工作为例进行说明,但本发明并不限制于此。在另一实施例中,一个工作无线设备可负责一个神经元以上的运算工作。举例而言,一个工作无线设备可同时作为第一层装置以及第二层装置,以负责执行位于不同隐藏层的神经元的运算工作。
在本发明的一实施例中,工作无线设备建立的类神经网络架构为一反馈式(recurrent)类神经网络,每一工作无线设备作为反馈式类神经网络中的动态神经元,致使工作无线设备利用对应至一时间点的三维空间影像与对应至另一时间点的另一三维空间影像检测人体。图4是依照本发明一实施例所绘示的动态神经元的示意图。请参照图4,以图3的工作无线设备310_1为例,作为一神经元的工作无线设备310_1可利用对应至一时间点t的三维空间影像Img1,t与对应至另一时间点(t-1)的另一三维空间影像Img1,(t-1)来检测人体。在时间点t,当作为一神经元的工作无线设备310_1接收到n个(n为正整数)输入值(以原始体积像素V1_1~V1_n表示)时,工作无线设备310_1可基于V1_1~V1_n、n个权重值(以W1~Wn表示)、前一时间点的输出值f11,(t-1)、给前一时间点的输出的权重值(以Wp表示)、以及偏移量(以θ表示)计算一函数(以f()表示),以产生输出值(以f11,t表示)。如此,时间点t的输出值f11,t与上个时间点(t-1)的输出值f11,(t-1)有关。虽然上述仅以一个工作无线设备进行说明,但其他的工作无线设备同样会依据不同时间点所撷取到的三维空间影像来进行人体的检测。
值得一提的是,本发明的定位服务器还可依据人体的影像信息进行人物辨识。也就是说,若定位服务器具备事先建立的已知人士的样本数据库,则定位服务器还可通过比对人体的影像信息与样本数据库内的样本而进一步辨识出人体对应的特定人物。在本发明的一实施例中,定位服务器可基于关联于一人体辨识模型的另一类神经网络架构,获取检测到的人体的多个语意特征。定位服务器比对语意特征与多个人体样本的多个语意样本,以辨识人体为该人体样本其中之一。可知的,定位服务器已建立包括人体样本的语意样本的样本数据库。
在本发明的一实施范例中,目标无线装置可获取人体的多个步态向量(gaitvector),并将这些步态向量传送至无线网络拓扑之中的工作无线设备。所述的无线网络拓扑同样可基于前述的最佳绕送路径而建立。于是,基于将这些工作无线设备作为另一类神经网络架构的神经元与基于步态向量,定位服务器可以获取人体的语意特征。然而,用于撷取语意特征的类神经网络架构可参照图3的实施范例,须说明的是,所述另一类神经网络架构的人体辨识模型可以是深度语意相似度模型(Deep Semantic Similarity Model),但本发明并不限制于此。之后,在本发明的一实施范例中,藉由计算事后机率(posteriorprobability)的方式,定位服务器可从人体样本中找出相似度最高的人体样本。
图5A与图5B是依照本发明一实施例所绘示的人体定位方法的示意图。请先参照图5A,在步骤S501,依据无线设备的通信品质,寻找无线设备中的目标无线设备与定位服务器之间的多个理想绕送路径。在步骤S502,依据理想绕送路径估算目标无线设备的装置定位结果。在步骤S503,建立理想绕送路径上的工作无线设备所形成的一无线网络拓扑。在步骤S504,获取目标无线设备周遭的一三维空间影像。在步骤S505,将三维空间影像的多个原始体积像素传送至无线网络拓扑之中,并基于将每一工作无线设备作为关联于一人体检测模型的一类神经网络架构中的神经元与基于所述原始体积像素来检测人体。在步骤S506,若判定检测到人体,将人体定位于装置定位结果。关于最佳绕送路径的寻找以及如何利用类神经网络架构来检测人体已在前述实施例说明,在此不再赘述。基此,藉由分析无线设备所撷取的三维空间影像,定位服务器可判断是否检测到人体并定位人体的位置。
请参照图5B,在完成人体的定位后,在步骤S507,基于关联于一人体辨识模型的另一类神经网络架构,获取检测到的人体的多个语意特征。在步骤S508,比对语意特征与多个人体样本的多个语意样本,以辨识人体为该人体样本其中之一。关于如何利用类神经网络架构来辨识人体已在前述实施例说明,在此不再赘述。基此,藉由分析无线设备所撷取的三维空间影像,定位服务器可进一步获取人体的人物辨识结果。
图6是依照本发明一实施例所绘示的定位服务器与无线设备的框图示意图。请参照图6,定位服务器610包括通信装置611、处理器612以及储存装置613。处理器612耦接通信装置611以及储存装置613。无线设备620(工作无线设备)包括通信装置621、处理器622以及储存装置623。处理器622耦接通信装置621以及储存装置623。目标无线设备630包括通信装置631、处理器632、储存装置633以及影像感测器634。处理器632耦接通信装置631、储存装置633以及影像感测器634。
处理器612、处理器622、处理器632例如是由单核心或多核心组成的中央处理单元(Central Processing Unit,CPU),或是其他可编程的一般用途或特殊用途的微处理器(Microprocessor)、数字信号处理器(Digital Signal Processor,DSP)、可编程控制器、特殊应用集成电路(Application Specific Integrated Circuits,ASIC)、可编程逻辑设备(Programmable Logic Device,PLD)或其他类似装置或这些装置的组合。处理器612、622、632经配置以执行图1至图5B所说明的相关功能。
储存装置613、储存装置623、储存装置633例如是任意形式的固定式或可移动式随机存取存储器(Random Access Memory,RAM)、只读存储器(Read-Only Memory,ROM)、闪存(Flash memory)、硬盘或其他类似装置或这些装置的组合,而用以记录可由处理器612、622、632执行的多个软件指令以及各种软件程序。处理器612、622、632分别可存取储存装置613、储存装置623、储存装置633内的软件组件而执行图1至图5B所说明的相关功能。此外,定位服务器610的储存装置613还可记录无线网络拓扑的拓扑信息以及用以进行人物辨识的样本数据库。
通信装置611、通信装置621、通信装置631包括天线组件、收发器电路以及支持一无线通信协议标准的通信协议电路,以与支持相同的无线通信协议标准的其他无线设备建立无线通信连接。举例而言,通信装置611、通信装置621、通信装置631的软硬件组件可支持像是IEEE 802.11标准、IEEE 802.15.4标准、WiFi标准、蓝牙标准或ZigBee标准,以提供无线通信功能。影像感测器634用以撷取三维空间影像,例如是红外线影像感测器或断层解析成像感测器。
综上所述,通过每一工作无线设备分别执行至少一神经元的运算与通过无线传输传递神经元的运算结果,本发明可通过工作无线设备的合作而检测目标无线设备所撷取的三维空间影像中的人体,从而将检测到的人体定位于目标无线设备的所在位置上。如此,本发明可提升受限于空间复杂度或信号特性的定位稳定度,并可进一步准确定位特定空间中的人体。另外,通过工作无线设备的合作分担类神经网络的运算工作,定位服务器的负担可以大幅降低,并可基于分布式的运算而提升人体定位系统的处理效能。除此之外,本发明的最佳绕送路径与无线网络拓扑可随时间动态改变,因此本发明的人体定位系统可适用于无线设备动态移动的环境中且无线设备的运算工作也可适应性分配。
虽然本发明已以实施例公开如上,然而其并非用以限定本发明,任何所属技术领域中的普通技术人员,在不脱离本发明的精神和范围的情况下,应当可作些许的更动与润饰,故本发明的保护范围应当视所附的权利要求书所界定者为准。
Claims (20)
1.一种人体定位方法,所述方法适于定位一特定空间中的一人体,而多个无线设备与一定位服务器位于该特定空间中,所述方法包括:
该定位服务器依据该些无线设备的通信品质,寻找该些无线设备中的一目标无线设备与该定位服务器之间的多个理想绕送路径,其中该些理想绕送路径分别由该些无线设备中的多个工作无线设备所形成;
该定位服务器依据该些理想绕送路径估算该目标无线设备的一装置定位结果;
该定位服务器建立该些工作无线设备所形成的一无线网络拓扑;
该目标无线设备获取该目标无线设备周遭的一三维空间影像;
该目标无线设备将该三维空间影像的多个原始体积像素传送至该无线网络拓扑之中,并基于将每一该些工作无线设备作为关联于一人体检测模型的一类神经网络架构中的一神经元与基于该些原始体积像素来检测该人体;以及
若该定位服务器或该些工作无线设备其中之一判定检测到该人体,该定位服务器将该人体定位于该装置定位结果。
2.如权利要求1所述的人体定位方法,其中将该三维空间影像的多个原始体积像素传送至该无线网络拓扑之中,并基于将每一该些工作无线设备作为该类神经网络架构中的该神经元与基于该些原始体积像素来检测该人体的步骤包括:
将该三维空间影像的该些原始体积像素分送给该些工作无线设备其中的多个第一层装置;
依据该些原始体积像素与该类神经网络架构检测出多个第一特征信息,并将该些第一特征信息传送给该些工作无线设备其中的多个第二层装置;
依据该些第一特征信息与利用该类神经网络架构检测出多个第二特征信息,并将该些第二特征信息传送给该些工作无线设备其中的多个第三层装置;以及
依据该些第二特征信息检测该人体。
3.如权利要求2所述的人体定位方法,其中该类神经网络架构为一深度类神经网络,该些第一层装置、该些第二层装置与该些第三层装置隶属于该深度类神经网络的隐藏层。
4.如权利要求1所述的人体定位方法,其中该类神经网络架构为一反馈式类神经网络,每一该些工作无线设备作为该反馈式类神经网络中的一动态神经元,致使该些工作无线设备利用对应至一时间点的该三维空间影像与对应至另一时间点的另一三维空间影像检测该人体。
5.如权利要求1所述的人体定位方法,其中依据该些无线设备的通信品质,寻找该些无线设备中的该目标无线设备与该定位服务器之间的该些理想绕送路径的步骤包括:
依据该些无线设备的无线连接能力,建立该些无线设备之间的多个无线通信连接,致使该些无线设备形成一自组织网络;以及
获取该些无线通信连接的通信品质参数,并依据该些无线通信连接的通信品质参数寻找该些无线设备中的该目标无线设备与该定位服务器之间的该些理想绕送路径。
6.如权利要求1所述的人体定位方法,其中依据该些理想绕送路径估算该目标无线设备的该装置定位结果的步骤包括:
获取分别对应至该些理想绕送路径的多个定位位置;以及
对该些定位位置进行一统计运算而获取该装置定位结果。
7.如权利要求1所述的人体定位方法,还包括:
基于关联于一人体辨识模型的另一类神经网络架构,获取检测到的该人体的多个语意特征;以及
比对该些语意特征与多个人体样本的多个语意样本,以辨识该人体为该人体样本其中之一。
8.如权利要求7所述的人体定位方法,其中基于关联于该人体辨识模型的该另一类神经网络架构,获取检测到的该人体的该些语意特征的步骤包括:
获取该人体的多个步态向量,并将该些步态向量传送至该无线网络拓扑之中,以基于将该些工作无线设备作为该另一类神经网络架构的神经元与基于该些步态向量获取该些语意特征。
9.一种人体定位系统,所述系统适于定位一特定空间中的一人体,所述系统包括:
一定位服务器,该定位服务器位于该特定空间中;以及
多个无线设备,该些无线设备位于该特定空间中,
其中该定位服务器依据该些无线设备的通信品质,寻找该些无线设备中的一目标无线设备与该定位服务器之间的多个理想绕送路径,并依据该些理想绕送路径估算该目标无线设备的一装置定位结果,
其中该些理想绕送路径分别由该些无线设备中的多个工作无线设备所形成,且该定位服务器建立该些工作无线设备所形成的一无线网络拓扑,
其中该目标无线设备获取该目标无线设备周遭的一三维空间影像,并将该三维空间影像的多个原始体积像素传送至该无线网络拓扑之中,
其中作为关联于一人体检测模型的一类神经网络架构中的一神经元的每一该些工作无线设备基于该些原始体积像素来检测该人体,
其中若该定位服务器或该些工作无线设备其中之一判定检测到该人体,该定位服务器将该人体定位于该装置定位结果。
10.如权利要求9所述的人体定位系统,其中该目标无线设备将该三维空间影像的该些原始体积像素分送给该些工作无线设备其中的多个第一层装置,
其中该些第一层装置依据该些原始体积像素与该类神经网络架构检测出多个第一特征信息,并将该些第一特征信息传送给该些工作无线设备其中的多个第二层装置,
其中该些第二层装置依据该些第一特征信息与利用该类神经网络架构检测出多个第二特征信息,并将该些第二特征信息传送给该些工作无线设备其中的多个第三层装置,
其中该些第三层装置依据该些第二特征信息检测该人体。
11.如权利要求10所述的人体定位系统,其中该类神经网络架构为一深度类神经网络,该些第一层装置、该些第二层装置与该些第三层装置隶属于该深度类神经网络的隐藏层。
12.如权利要求9所述的人体定位系统,其中该类神经网络架构为一反馈式类神经网络,每一该些工作无线设备作为该反馈式类神经网络中的一动态神经元,致使该些工作无线设备利用对应至一时间点的该三维空间影像与对应至另一时间点的另一三维空间影像检测该人体。
13.如权利要求9所述的人体定位系统,其中依据该些无线设备的无线连接能力,该些无线设备建立该些无线设备之间的多个无线通信连接,致使该些无线设备形成一自组织网络,
其中该定位服务器获取该些无线通信连接的通信品质参数,并依据该些无线通信连接的通信品质参数寻找该些无线设备中的该目标无线设备与该定位服务器之间的该些理想绕送路径。
14.如权利要求9所述的人体定位系统,其中该定位服务器获取分别对应至该些理想绕送路径的多个定位位置,并对该些定位位置进行一统计运算而获取该装置定位结果。
15.如权利要求9所述的人体定位系统,其中基于将每一该些工作无线设备作为关联于一人体辨识模型的另一类神经网络架构的神经元,该些工作无线设备其中的部分或该定位服务器获取检测到的该人体的多个语意特征,
该定位服务器比对该些语意特征与多个人体样本的多个语意样本,以辨识该人体为该人体样本其中之一。
16.如权利要求15所述的人体定位系统,其中该定位服务器建立包括该些人体样本的该些语意样本的一样本数据库。
17.一种定位服务器,所述定位服务器适于定位一特定空间中的一人体,其中多个无线设备位于该特定空间中并形成一自组织网络,而所述定位服务器包括:
一通信装置;以及
一处理器,该处理器耦接该通信装置,依据该些无线设备的通信品质,寻找该些无线设备中的一目标无线设备与该定位服务器之间的多个理想绕送路径,其中该些理想绕送路径分别由该些无线设备中的多个工作无线设备所形成,
其中该处理器依据该些理想绕送路径估算该目标无线设备的一装置定位结果,并建立该些工作无线设备所形成的一无线网络拓扑,
其中该处理器基于将每一该些工作无线设备作为关联于一人体检测模型的一类神经网络架构中的一神经元来检测该人体,若判定检测到该人体,该处理器将该人体定位于该装置定位结果。
18.如权利要求17所述的定位服务器,其中该些无线设备之间的多个无线通信连接依据该些无线设备的无线连接能力而建立,且该处理器获取该些无线通信连接的通信品质参数,并依据该些无线通信连接的通信品质参数寻找该些无线设备中的该目标无线设备与该定位服务器之间的该些理想绕送路径。
19.如权利要求17所述的定位服务器,其中该处理器获取分别对应至该些理想绕送路径的多个定位位置,以及对该些定位位置进行一统计运算而获取该装置定位结果。
20.如权利要求17所述的定位服务器,其中该处理器建立包括多个人体样本的多个语意样本的一样本数据库,并比对该人体的多个语意特征与该些人体样本的该些语意样本,以辨识该人体为该人体样本其中之一。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105123157 | 2016-07-22 | ||
TW105123157A TWI585435B (zh) | 2016-07-22 | 2016-07-22 | 人體定位方法、人體定位系統與定位伺服器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107645772A CN107645772A (zh) | 2018-01-30 |
CN107645772B true CN107645772B (zh) | 2020-03-06 |
Family
ID=59687951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610648119.9A Active CN107645772B (zh) | 2016-07-22 | 2016-08-09 | 人体定位方法、人体定位系统与定位服务器 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10175051B2 (zh) |
CN (1) | CN107645772B (zh) |
TW (1) | TWI585435B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI578262B (zh) * | 2015-08-07 | 2017-04-11 | 緯創資通股份有限公司 | 風險評估系統及資料處理方法 |
US10706349B2 (en) | 2017-05-25 | 2020-07-07 | Texas Instruments Incorporated | Secure convolutional neural networks (CNN) accelerator |
EP3673672B1 (en) * | 2017-08-25 | 2021-12-01 | Sony Group Corporation | Methods and devices for communication based on image recognition in a wireless communication system |
CN109239661A (zh) * | 2018-09-18 | 2019-01-18 | 广西大学 | 一种基于深度q网络的rfid室内定位系统及算法 |
TWI749676B (zh) * | 2020-08-03 | 2021-12-11 | 緯創資通股份有限公司 | 影像品質評估裝置及其影像品質評估方法 |
EP4282203A2 (en) * | 2021-03-01 | 2023-11-29 | Google LLC | Device using neural network for combining cellular communication with sensor data |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6411946B1 (en) * | 1998-08-28 | 2002-06-25 | General Instrument Corporation | Route optimization and traffic management in an ATM network using neural computing |
US7558417B2 (en) * | 2004-11-29 | 2009-07-07 | General Electric Company | Method and apparatus for analyzing three-dimensional images containing voxels |
CN102707305A (zh) * | 2012-06-06 | 2012-10-03 | 山东大学 | 摔倒检测定位系统及方法 |
CN102722714A (zh) * | 2012-05-18 | 2012-10-10 | 西安电子科技大学 | 基于目标跟踪的人工神经网络扩张式学习方法 |
CN103945533A (zh) * | 2014-05-15 | 2014-07-23 | 济南嘉科电子技术有限公司 | 基于大数据的无线实时位置定位方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6236365B1 (en) * | 1996-09-09 | 2001-05-22 | Tracbeam, Llc | Location of a mobile station using a plurality of commercial wireless infrastructures |
CN102802280A (zh) * | 2012-08-24 | 2012-11-28 | 江苏安文电子科技有限公司 | 一种无线网格网络 |
AU2014101617A4 (en) * | 2013-11-29 | 2019-05-09 | Stephen Edward Ecob | Human Activity Reporting System |
CN104655714B (zh) * | 2014-12-05 | 2018-12-04 | 广州丰谱信息技术有限公司 | 基于宽频磁波反射通路参数辨识的检测与成像方法及装置 |
TWM514576U (zh) * | 2015-03-02 | 2015-12-21 | Sheng Mao System Design Co Ltd | 動作偵測裝置 |
-
2016
- 2016-07-22 TW TW105123157A patent/TWI585435B/zh active
- 2016-08-09 CN CN201610648119.9A patent/CN107645772B/zh active Active
- 2016-10-11 US US15/289,985 patent/US10175051B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6411946B1 (en) * | 1998-08-28 | 2002-06-25 | General Instrument Corporation | Route optimization and traffic management in an ATM network using neural computing |
US7558417B2 (en) * | 2004-11-29 | 2009-07-07 | General Electric Company | Method and apparatus for analyzing three-dimensional images containing voxels |
CN102722714A (zh) * | 2012-05-18 | 2012-10-10 | 西安电子科技大学 | 基于目标跟踪的人工神经网络扩张式学习方法 |
CN102707305A (zh) * | 2012-06-06 | 2012-10-03 | 山东大学 | 摔倒检测定位系统及方法 |
CN103945533A (zh) * | 2014-05-15 | 2014-07-23 | 济南嘉科电子技术有限公司 | 基于大数据的无线实时位置定位方法 |
Also Published As
Publication number | Publication date |
---|---|
US10175051B2 (en) | 2019-01-08 |
TW201804169A (zh) | 2018-02-01 |
CN107645772A (zh) | 2018-01-30 |
US20180023956A1 (en) | 2018-01-25 |
TWI585435B (zh) | 2017-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107645772B (zh) | 人体定位方法、人体定位系统与定位服务器 | |
Chen et al. | Robust cooperative Wi-Fi fingerprint-based indoor localization | |
Guo et al. | WiFi-enabled smart human dynamics monitoring | |
Atia et al. | Dynamic online-calibrated radio maps for indoor positioning in wireless local area networks | |
Huang et al. | WiDet: Wi-Fi based device-free passive person detection with deep convolutional neural networks | |
US10459066B2 (en) | Self-adaptive system and method for robust Wi-Fi indoor localization in large public site | |
US20180367942A1 (en) | Ble networking systems and methods providing central and peripheral role reversal | |
US11871299B2 (en) | Self-supervised passive positioning using wireless data | |
Higuchi et al. | Clearing a crowd: Context-supported neighbor positioning for people-centric navigation | |
Kato et al. | CSI2Image: Image reconstruction from channel state information using generative adversarial networks | |
Bahadori et al. | ReWiS: Reliable Wi-Fi sensing through few-shot multi-antenna multi-receiver CSI learning | |
Le et al. | Fingerprinting indoor positioning method based on kernel ridge regression with feature reduction | |
Le et al. | Received signal strength based indoor positioning algorithm using advanced clustering and kernel ridge regression | |
Di Felice et al. | WI-LO: Wireless indoor localization through multi-source radio fingerprinting | |
Fu et al. | Compressive sensing approach based mapping and localization for mobile robot in an indoor wireless sensor network | |
Shi et al. | WiFi-based activity recognition using activity filter and enhanced correlation with deep learning | |
Elgui et al. | Learning methods for RSSI-based geolocation: A comparative study | |
Pourahmadi et al. | Indoor positioning and distance-aware graph-based semi-supervised learning method | |
KR20210048697A (ko) | 실내측위 장치 및 방법 | |
Voggu et al. | Decimeter level indoor localisation with a single WiFi router using CSI fingerprinting | |
Shirazi et al. | Second order cone programming for sensor network localization with anchor position uncertainty | |
Han et al. | Building a disaster rescue platform with utilizing device-to-device communication between smart devices | |
Zhang et al. | Efficient BLE fingerprinting through UWB sensors for indoor localization | |
Naveed et al. | Smart indoor Positioning Model for Deterministic Environment | |
US20220360944A1 (en) | Method and apparatus for sensor selection for localization and tracking |
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 |