CN113947123B - 人员轨迹识别方法、系统、存储介质和设备 - Google Patents
人员轨迹识别方法、系统、存储介质和设备 Download PDFInfo
- Publication number
- CN113947123B CN113947123B CN202111408894.4A CN202111408894A CN113947123B CN 113947123 B CN113947123 B CN 113947123B CN 202111408894 A CN202111408894 A CN 202111408894A CN 113947123 B CN113947123 B CN 113947123B
- Authority
- CN
- China
- Prior art keywords
- grid
- mobile terminal
- rssi
- grids
- signal attenuation
- 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
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- 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
Abstract
本发明公开一种人员轨迹识别方法、系统、存储介质和设备,其中方法包括构造网格化多信道信号衰减模型;将校准节点和锚节点之间的信号强度数据和锚节点的ID作为输入,校准节点和锚节点之间的距离作为输出,对信号衰减模型进行训练;根据特定空间内的移动端接收到的信号强度数据和对应锚节点的ID,得到移动端与锚节点的距离,进而得出移动端所处的网格;随着移动端的移动,得到移动端行动的轨迹。本发明可用于对风险防控区域的人员定位与轨迹追踪,增强了待测人员的定位精准度,同时针对空旷区域或者大型场所,可通过网格化的追踪精确锁定风控区域的人员信息。同时减少了手动人员登记和检测的过程,能够防止信息泄露、误填与漏填的问题。
Description
技术领域
本发明涉及信息处理技术领域,特别涉及一种人员轨迹识别方法、系统、存储介质和设备。
背景技术
建立完善的公共场所人员轨迹追踪技术是预防疫情蔓延的关键,尤其是在某场所区域出现疫情后筛选该场所的密切接触人员对于切断传播链至关重要。
目前,有一种基于智能手机的安全距离感知与追溯方法,通过当前设备与附近设备之间的距离来追溯密切接触者,但需接触双方都使用该系统软件,否则就无法追溯密切接触者。并且这种方法根据信号强度推算手机用户与其他智能手机之间的距离,采用的衰减模型未考虑蓝牙数据包的信道不同,通过传感器读取得到的RSSI数值仅为综合各信道后的结果,识别准确率不高。
还有一种基于手机数据的呼吸道传染病密切接触者识别方法,根据手机信令数据和手机历史话单数据提取移动轨迹和通话关系判断密切接触者和接触类型。这种技术的缺陷在于排查的人群只局限于有密切关系或有通话来往的对象,对有过接触的陌生人或没有通过手机联系的人无法排查。
发明内容
鉴于现有技术中存在的问题,本发明提供一种人员轨迹识别方法、系统、存储介质和设备,通过将地区划分为网格区域,对网格内的人员设备进行自动化信息登记,锁定网格区域人员轨迹,实现区域内人员流动的细化管理,针对体育馆、商场等空间大区域多、人员密集的场所实现精细化的区域人员轨迹管理,在风险管理过程中,降低不必要成员的隔离成本。
为了实现上述目的,本发明第一方面提供一种人员轨迹识别方法,包括以下步骤:
S1、构造网格化多信道信号衰减模型,包括,
将特定空间划分成多个长方体网格;
在每个网格的顶部设置n个锚节点,n≥3,在网格接近底部处设置m个校准节点,n<m,所述锚节点和所述校准节点通信连接;
S2、根据网格所处环境位置,对网格进行归并处理,确定共享环境参数的网格归并为源域网格,源域网格进一步划分成若干次目标网格,所述次目标网格为由相邻的单个网格组成的形状规则的复合网格;次目标网格内的单个网格为目标域网格;将源域网格内所述校准节点和所述锚节点之间的信号强度数据和锚节点的ID作为输入,所述校准节点和所述锚节点之间的距离作为输出,对源域信号衰减模型进行训练;将源域信号衰减模型作为特征提取器,进一步训练次目标网格的信号衰减模型,再将次目标网格的信号衰减模型作为特征提取器,训练目标域网格的信号衰减模型,最终得到每个网格的信号衰减模型;
S3、根据特定空间内的移动端接收到的信号强度数据和对应锚节点的ID,得到所述移动端与锚节点的距离,进而得出所述移动端所处的网格;
S4、随着移动端的移动,重复步骤S3,得到移动端行动的轨迹。
进一步的,步骤S2具体为,对源域信号衰减模型进行以下操作:
S21、对源域信号衰减模型进行以下操作:在源域网格内,测量每个校准节点与各锚节点之间的距离d;测量每个校准节点在三个信道上接收到的各锚节点发送的信号强度RSSIi,其中i为信道号,i∈{37,38,39};计算最大信号强度RSSImax=max(RSSI37,RSSI38,RSSI39)、最小信号强度RSSImin=min(RSSI37,RSSI38,RSSI39)、平均信号强度和信号强度参考值构建源域信号衰减模型的训练样本数据,所述训练样本数据的输入为[RSSI37,RSSI38,RSSI39,RSSImax,RSSIavg,RSSIMRC,ID],输出为d;利用BP神经网络对所述信号衰减模型进行训练,直到损失函数收敛;
S22、对次目标网格的信号衰减模型进行以下操作:在次目标网格内,按照构建源域信号衰减模型中训练样本数据的步骤重构模型训练样本数据;在训练好的源域网格信号衰减模型的结构中增加一全连接层;再对增加全连接层后的次目标网格信号衰减模型进行训练,直到损失函数收敛;
S23、对目标域网格的信号衰减模型进行以下操作:在目标域网格内,再次重构模型训练样本数据;在训练好的次目标网格信号衰减模型的模型结构中增加一全连接层;再对增加全连接层后的目标域网格信号衰减模型进行训练,直到损失函数收敛;
对次目标网格的信号衰减模型构建次数由所选取次目标网格的次数决定,对次目标网格进行选取,依次递进训练直至单个目标域网格;
S24、对特定空间重复S21~S23,得到待测空间中每个网格区域的多信道信号衰减模型。
进一步的,步骤S3具体为:
移动端接收到多个锚节点的信号按照每个锚节点在三个信道上的平均信号强度RSSIavg大小进行排序,取大于预定阈值的平均信号强度对应的锚节点,将锚节点ID按照所在网格归类,同时具有n个锚节点的网格为有效网格,有效网格内的锚节点为有效锚节点;利用有效网格的信号衰减模型计算,得到在有效网格内,每个有效锚节点与移动端之间的距离;选择移动端与有效网格内所有锚节点的距离之和最小的有效网格,即为移动端所处网格。
一种人员轨迹识别方法,包括以下步骤:
特定空间内的移动端接收多个锚节点发送的信号,所述特定空间被划分为多个长方体网格,每个网格构造一个信号衰减模型,所述锚节点设置在每个网格的顶部,每个网格内的锚节点的数量不小于3;
所述移动端将来自每个锚节点在三个信道上的信号强度数据和对应锚节点的ID发送给服务器,由所述服务器利用预先构造和训练好的网格化多信道信号衰减模型计算出所述移动端与锚节点的距离,确定当前所在的网格;构造和训练网格化多信道信号衰减模型的过程具体为,在每个网格接近底部处设置若干个校准节点,校准节点的数量大于锚节点数量,所述锚节点和所述校准节点通信连接;对每个网格的信号衰减模型执行以下操作:构造相同环境参数的源域网格,构造源域内的次目标网格,将源域网格内所述校准节点和所述锚节点之间的信号强度数据和锚节点的ID作为输入,所述校准节点和所述锚节点之间的距离作为输出,对源域信号衰减模型进行训练,将训练好的源域网格模型结构作为特征提取器,增加全连接层,得到次目标网格模型,对所述次目标网格进行模型迁移,重构次目标网格的样本数据,对次目标网格信号衰减模型进行训练;将训练好的次目标网格模型结构作为特征提取器,增加全连接层,得到目标域网格模型;
所述移动端在特定空间内移动,每间隔一定时间向服务器发送当前接收到的信号强度数据和对应锚节点的ID,由服务器判断移动端所在的网格,记录移动端移动的轨迹。
本发明第二方面,提供一种密切接触者排查方法,包括上述任一项所述的人员轨迹识别步骤,还包括S5、筛选出同一时间点与目标移动端位于同一网格的移动端,初步判断为密切接触者。
本发明第三方面提供一种人员轨迹识别系统,包括,
锚节点,分布在特定空间的顶部,所述特定空间被划分为若干个长方体网格,每个网格内的锚节点不少于三个;
移动端,接收所述锚节点发送的信号,生成包括信号强度信息和对应锚节点ID的数据记录,发送给服务器;
服务器,所述服务器预先根据特定空间划分的网格构造和训练网格化多信道信号衰减模型,将移动端发送的每个锚节点在三个信道上的信号强度数据和对应锚节点的ID作为所述信号衰减模型的输入,计算得到移动端与锚节点之间的距离,进而得到移动端所在的网格;随着移动端的移动,得出在不同时间点移动端所在的网格,形成移动轨迹。
进一步,所述锚节点和所述移动端通过蓝牙进行通信。
进一步,所述服务器为本地服务器或云端服务器。
进一步,该系统还包括存储装置,与服务器通信连接,用来存储服务器生成的各种数据包括过程数据,包括但不限于多个移动端在各时间点接收到的信号强度、所处位置与锚节点之间的距离、锚节点ID、移动端所在网格的ID、移动端移动的轨迹等。
本发明第四方面,提供一种计算机可读的存储介质,所述计算机可读的存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项技术方案中所述的方法。
本发明第五方面,提供一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项技术方案中所述的方法。
本发明将特定空间网格化,对某个时间段内在该空间活动的人员进行精细化的轨迹识别。具体将具备空间大、区域多特点的公共场所按照一定标准分割为网格区域,然后针对网格区域对进出人员通过测距的方式进行轨迹识别,实现疫情追踪的细节化精准化,人员在网格区域的轨迹信息可自动上传保存。本发明可避免需要人员手动交互时可能产生的疏漏,比如缺少监管者时人员未扫码记录行程就进入某封闭场所。目前对于密切接触者的轨迹识别主要采用调查人员进行询问的方式,本发明可减少由于密切接触者记忆混乱无法确定导致的疏漏,并且还可以避免调查人员被感染的风险。当有确诊病例出现时,疾控中心可以根据确诊患者的行动轨迹锁定风险区域,根据该风险网格区域的蓝牙设备信息对密切接触者进行查找追踪,行动轨迹范围缩小至网格区域,避免无关人员的隔离成本,例如进入同一间大型商场但未有相交区域的人员。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一种人员轨迹识别方法流程图;
图2为图1实施例中在网格化的特定空间中锚节点和校准节点分布图;
图3为实例中网格划分及锚节点分布示意图;
图4为图1实施例中BP神经网络结构图;
图5为本发明一实例一种风险区域的网格化人员轨迹识别流程图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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实施例,都应当属于本申请保护的范围。
实施例一
本实施例提供的一种在特定空间内的人员轨迹识别方法,通过计算用户携带的移动端与固定设置在特定空间内的有效锚节点之间的距离,判断人员所处的位置,如图1所示,具体包括以下步骤:
S1、构造网格化多信道信号衰减模型,包括,
S101、将特定空间划分成多个长方体网格;特定空间可以是体育馆、候车(机)室、商场、超市、图书馆等公共活动空间,长方体网格的长、宽、高分别为a、b、c。将共享环境参数的网格归并为源域网格,例如,将四边没有墙壁的网格归并,或者将一侧靠墙边的网格进行归并;根据源域网格大小,选取次目标网格。
S102、在每个网格的顶部设置n个锚节点,n≥3,在网格接近底部处设置m个校准节点, n<m,锚节点和校准节点通信连接。
因为网格为长方体,优选的锚节点数量为4个,分别设置在长方体顶部4个角处。校准节点的数量在本实施例中示例性的选择m=8,高度设在离地面约1米处,与人随身携带的移动端高度相仿,其中4个校准节点设在离地1米的长方体的四个角处,另外4个校准节点分布在离地1米的上述四个角连线的中点处,如图2所示。相邻的网格区域可共享节点,减少设备成本。
在基于测距的定位方法中,测距的精度很大程度地受到测距精度以及定位算法的影响,因此,一般通过提高测距精度以及优化定位算法达到提高定位精度的目的。现有的基于蓝牙 5.0标准的信号强度测距方法中存在不区分信道的问题,仅仅计算来自不同信道的相同数量的RSSI值的平均值会造成后期RSSI估计误差。
所述锚节点和校准节点在本实施例中通过蓝牙进行通信,分别采集三个信道上的数据,减少信号衰减模型的频率依赖性,有效减少误差,提高测距精度。
S2、在源域网格内,将校准节点和锚节点之间的信号强度数据和锚节点的ID作为输入,校准节点和锚节点之间的距离作为输出,对源域网格的信号衰减模型进行训练,将训练好的源域网格模型结构与参数进行迁移,对次目标域网格信号衰减模型进行训练,重复选取次目标网格,并进行模型训练与迁移后,直至得到目标域网格的信号衰减模型。
在样本数据采集阶段,在一个网格内,测量每个校准节点与各锚节点之间的距离d,在本实施例中每个网格有四个锚节点和八个校准节点,共得到三十二个距离数据[d1,d2,d3, d4,…,d32]。本实施例分别采集三个信道上的数据,相比现有技术中不区分信道,减少了信号衰减模型的频率依赖性,有效减少了误差,提高测距精度。
由于低功耗蓝牙通信过程中,发送设备会在CH37,CH38和CH39三个信道上分别依次发送信号,等待接收设备应答。因此,将锚节点作为发送设备,校准节点作为接收设备,依次测量每个校准节点在三个信道上接收到的各锚节点发送的信号强度RSSIi,其中i为信道号, i∈{37,38,39}。在本实施例中,每个校准节点能接收本网格中四个锚节点发送的信号。
构建信号衰减模型的训练样本数据,所述训练样本数据的输入为[RSSI37,RSSI38,RSSI39, RSSImax,RSSIavg,RSSIMRC,ID],其中ID为锚节点的ID,输出为校准节点与锚节点之间的距离d。
利用BP神经网络对所述信号衰减模型进行训练,具体为,源域网格的BP神经网络采用三层网络,分别是输入层、隐含层和输出层,隐含层节点根据经验公式得出,其中h为隐含层节点数目,x为输入层节点数目,y为输出层节点数目,z为之间的调节常数,本实施例设置隐含层节点个数为4。如图4所示。采用sigmoid作为激励函数,误差函数为其中dk(i)为对应输入x(i)的期望输出,yk(i)为实际输出。对模型进行训练,得到源域网格的多信道信号衰减模型;对源域网格的模型结构和参数进行迁移,增加一全连接层后,进行参数微调,重复上述样本数据构建过程,得到次目标域网格的信号衰减模型,再次选取次目标网格,迭代训练直至得到单个目标域网格的信号衰减模型。
本发明采用BP神经网络对多信道的信号衰减模型进行网格化的训练,训练过程采用迁移学习的方法,解决了距离判定使用单一信号衰减函数造成的准确度较低的问题。
RSSI值容易受到环境的影响,如墙壁反射、衍射、多径效应等,针对整体区域训练得到的信号衰减模型不一定适用于区域中不同环境参数下的网格区域,因此为了减少环境因素对模型精度造成的影响,对待测区域进行网格划分,采用迁移学习的方式进行网格化的训练,得到每个网格的多信道信号衰减模型。
通过步骤S1~S2,构建了一种基于多信道的网格化信号衰减模型,为了确定人员在区域内的轨迹,需要通过距离进一步判定人员所在的网格号,从而实现对人员在区域内各个网格的路径追溯。
S3、根据特定空间内的移动端接收到的信号强度数据和对应锚节点的ID,得到移动端与锚节点的距离,进而得出移动端所处的网格。
当携带待测设备的人员进入到布置了固定锚节点的区域后,在可接收信号范围内获取到多个锚节点的信号强度。由于低功耗蓝牙通信过程中,每个锚节点在三个信道上分别发送信号,因此针对每个锚节点,对待测设备接收到的信号强度取平均值,即其中i为信道号。再对这些RSSIavg值进行初步筛选,按照平均信号强度RSSIavg大小进行排序,取大于预定阈值的平均信号强度对应的锚节点,具体的,根据RSSIavg进行降序排列,在降序排列的RSSIavg中选取前16个值,每个RSSIavg对应一个锚节点ID,即选取了16个锚节点ID。按照所在网格归类,同时具有4个锚节点的网格为有效网格,由于部分网格共享锚节点,因此划分之后将得到至多9个不同的有效网格,有效网格内的锚节点为有效锚节点。
利用信号衰减模型计算,得到在有效网格内,每个有效锚节点与移动端之间的距离。具体的,移动端将接收到的有效网格内的锚节点的信号强度及相应锚节点ID上传至服务器,即多组[RSSI37,RSSI38,RSSI39,ID]数据。服务器分别计算每组数据的最大RSSImax=max(RSSI37, RSSI38,RSSI39),最小RSSImin=min(RSSI37,RSSI38,RSSI39),平均 通过已训练得到的每个网格的多信道信号衰减模型,根据锚节点所属的有效网格将[RSSI37,RSSI38,RSSI39,RSSImax,RSSIavg,RSSIMRC,ID]作为输入数据,输入到对应网格的多信道信号衰减模型中,通过模型输出,得到该网格内每个有效锚节点与移动端的距离。重复上述步骤,得到所筛选出的所有有效锚节点与移动端的距离。
选择移动端与有效锚节点的距离之和最小的有效网格,即为移动端所处网格。具体的,根据有效网格内各自的有效锚节点与移动端之间的距离,计算每个有效网格内4个锚节点与移动端的距离之和,取距离之和中的最小值,根据该最小值所对应的4个有效锚节点ID,判断出移动端所属网格ID。
S4、随着移动端的移动,重复步骤S3,得到移动端行动的轨迹。
实施例二
在实施例一的基础上,本实施例提供一种密切接触者排查方法,包括上述任一项所述的人员轨迹识别步骤,还包括S5、筛选出同一时间点与目标移动端位于同一网格的移动端,初步判断为密切接触者。
实施例三
本实施例提供一种人员轨迹识别系统,包括,
锚节点,分布在特定空间的顶部,特定空间被划分为若干个长方体网格,每个网格内的锚节点不少于三个;锚节点搭载低功耗蓝牙,作为发送设备在CH37、CH38和CH39三个信道上分别依次发送信号。
移动端,接收锚节点发送的信号,生成包括信号强度信息和对应锚节点ID的数据记录,发送给服务器。具体的,移动端为搭载低功耗蓝牙的智能终端设备,可以是智能手机,作为接收设备接收锚节点发送的蓝牙信号,生成一条由[uuid,RSSI37,RSSI38,RSSI39,ID,Time] 组成的数据记录后发送至服务器端,其中uuid为该设备服务的唯一识别码,RSSI37、RSSI38、 RSSI39分别为当前设备接收到的来自锚节点的三个信道上的信号强度指示,ID为对应锚节点号,Time为设备接收信号时刻。
服务器,接收移动端发送的数据记录,对数据记录进行处理,得到移动端所在的网格和移动轨迹,具体为:服务器预先构造和训练信号衰减模型,信号衰减模型的输入为移动端发送的数据记录[uuid,RSSI37,RSSI38,RSSI39,ID,Time],输出为移动端与锚节点的距离,根据该距离判断移动端所在的网格,形成记录[uuid,所属网格ID,Time];随着移动端的移动,得到多组数据记录,形成一条由网格组成的移动轨迹。
需要说明的是,服务器可以是本地服务器或云端服务器。
进一步的,该系统还包括存储装置,与服务器通信连接,用来存储服务器生成的各种数据包括过程数据,包括但不限于多个移动端在各时间点接收到的信号强度、所处位置与锚节点之间的距离、锚节点ID、移动端所在网格的ID、移动端移动的轨迹等。
本发明可用于对风险防控区域的人员定位与轨迹追踪,相比于传统定位方法,采取多信道的网格化信号衰减模型,增强了待测人员的定位精准度,同时针对空旷区域或者大型场所,可通过网格化的追踪精确锁定风控区域的人员信息。本发明的实施通过提前在风控区域布置锚节点和数据采集训练模型,即可在实施阶段对待测人员进行被动识别与记录,减少了手动人员登记和检测的过程,同时能够防止信息泄露、误填与漏填的问题。
下面用一个实例说明本发明在特定场景中的应用过程。
以体育馆为例,体育馆针对各类体育项目有不同的场馆,低功耗蓝牙的通信范围一般为 10m-15m内,本实例同样将场馆空间分割为长、宽、高分别为10m、10m、5m的网格区域,针对该网格区域进行人员的轨迹识别。
本实例提供的一种风险区域的网格化人员轨迹识别系统由移动端、服务器和锚节点构成,识别流程如图5所示。
本实例中采用智能手机作为移动端,智能手机作为现代人随身携带的通信设备,且搭载蓝牙服务,通过使用手机接收蓝牙信号,同时将必要数据发送至服务器。
服务器通过基于多信道的网格化信号衰减模型获得移动端和锚节点之间的距离,继而通过距离判定得到手机终端所在网格信息,保存一条该手机此刻的网格信息记录。得到多组记录后形成一条由网格组成的动态轨迹。
具体地,包括离线阶段与在线阶段。
离线阶段具体流程如下:
Step11、划分场馆内网格以及配置网格内的设备,如图3所示,将场馆空间划分为长宽高分别为10m×10m×5m的16个网格区域,每个网格区域按照发明内容一布置共有4个锚节点和8个校准节点。
Step12、采用BP神经网络来训练基于多信道的网格化信号衰减模型,根据网格内的信号强度与距离构建训练样本,为每个网格训练该场馆内的信号衰减距离模型。具体地,该模型以[RSSI37,RSSI38,RSSI39,RSSImax,RSSIavg,RSSIMRC,ID]为输入,其中RSSI37、RSSI38、RSSI39分别为37、38、39信道上的手机关于锚节点的接收信号强度指示值,RSSImax=max(RSSI37, RSSI38,RSSI39),以锚节点与校准节点的距离d为期望输出。该模型采用三层网络,隐藏层有4个节点。采用sigmoid 作为激励函数。误差函数为其中dk(i)为对应输入x(i)的期望输出,yk(i)为实际输出。
Step13、对邻近的网格进行归并,得到源域网格,通过模型训练和模型迁移得到每个网格的多信道信号衰减模型,以图3为例,源域网格6-7-10-11区域为没有墙壁的中心网格,锚节点7、8、9、12、13、14、17、18、19都作为数据来源,通过训练得到该源域网格的信号衰减模型。选取源域网格中的网格6-7为次目标网格,显然次目标网格为复合网格的一部分,与复合网格共享一部分节点且环境相似,锚节点7、8、9、12、13、14作为数据来源,保持源域网格模型结构不变,作为次目标网格的预训练模型,在此基础上增加一层全连接的隐藏层,对次目标网格的模型其他参数进行微调后进一步训练得到次目标网格的信号衰减模型。进一步选择次目标网格中的网格6为目标域网格,锚节点7、8、12、13作为数据来源,保持次目标网格模型的隐藏层作为目标网格的预训练模型,在此基础上继续增加一层全连接层进行微调训练,得到目标域网格6的信号衰减模型。重复上述训练过程即可分别得到该场馆内16个网格区域的信号衰减模型。
在线阶段具体流程如下:
Step21、用户携带智能手机进入待测区域,同时打开蓝牙功能。
Step22、手机实时扫描区域内的锚节点信号,获取锚节点发送的信号强度、对应锚节点 ID发送至服务器。如图3所示,若手机所在地点为网格区域6,假定设备接收到了1-20号锚节点发送的信号强度值,将[uuid,RSSI37,RSSI38,RSSI39,ID,Time]构成的20组数据记录后发送至服务器端,其中uuid为该设备服务的唯一识别码,RSSI37、RSSI38、RSSI39分别为当前设备接收到的来自锚节点的三个信道上的信号强度指示,ID为对应的20个锚节点号,Time为设备接收信号时刻。
Step23、服务器分别计算上述20个锚节点三个信道上的平均信号强度对RSSIavg进行降序排列并选取RSSIavg值为前16各的锚节点,假定该实施例的前16个锚节点为1-4、6-9、11-14、16-19号。对16个锚节点进行分组,同属一个网格的锚节点分为一组,即网格1的锚节点[1,2,6,7]为一组,网格2的锚节点[2,3,7,8]为一组,网格3的锚节点[3,4,8,9]为一组,网格5的锚节点[6,7,11,12]为一组,网格6的锚节点[7,8,12,13]为一组,网格7的锚节点[8,9,13,14]为一组,网格9的锚节点[11,12,16,17]为一组,网格10的锚节点[12,13,17,18]为一组,网格11的锚节点[13,14,18,19]为一组。
Step24、服务器根据离线阶段训练好的每个网格的信号衰减模型计算该手机终端与16个锚节点之间的距离。计算每个网格中一组锚节点与手机的距离之和,对各个网格的距离和进行比较,找出其中的最小值。该最小值对应的网格即为手机所在网格,从而锁定手机所属区域网格。例如,在step23中通过计算得出网格6中的距离之和d7,8,12,13为所有组别中的最小值,则判断手机终端所属网格为网格6。
Step25、当服务器判断出该手机终端所属网格ID后,服务器保存一条关于手机终端蓝牙服务的uuid、所属网格ID、当前时间的数据记录。重复上述操作得到多组记录,形成一条由网格组成的动态轨迹。
本发明还提供一种计算机可读的存储介质,所述计算机可读的存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项技术方案中所述的方法。需要说明的是,本发明所述的计算机可读的存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM 或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。计算机可读的信号介质还可以是计算机可读存储介质以为的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
除此之外,本发明还提供一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项技术方案中所述的方法
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (8)
1.一种人员轨迹识别方法,其特征在于,包括以下步骤,
S1、构造网格化多信道信号衰减模型,包括,
将特定空间划分成多个长方体网格;
在每个网格的顶部设置n个锚节点,n≥3,在网格接近底部处设置m个校准节点,n<m,所述锚节点和所述校准节点通信连接;
S2、根据网格所处环境位置,对网格进行归并处理,确定共享环境参数的网格归并为源域网格,源域网格进一步划分成若干次目标网格,所述次目标网格为由相邻的单个网格组成的形状规则的复合网格;次目标网格内的单个网格为目标域网格;将源域网格内所述校准节点和所述锚节点之间的信号强度数据和锚节点的ID作为输入,所述校准节点和所述锚节点之间的距离作为输出,对源域信号衰减模型进行训练;将源域信号衰减模型作为特征提取器,进一步训练次目标网格的信号衰减模型,再将次目标网格的信号衰减模型作为特征提取器,训练目标域网格的信号衰减模型,最终得到每个网格的信号衰减模型;
S3、根据特定空间内的移动端接收到的信号强度数据和对应锚节点的ID,得到所述移动端与锚节点的距离,进而得出所述移动端所处的网格;
S4、随着移动端的移动,重复步骤S3,得到移动端行动的轨迹;
其中步骤S2具体为,
S21、对源域信号衰减模型进行以下操作:在源域网格内,测量每个校准节点与各锚节点之间的距离d;测量每个校准节点在三个信道上接收到的各锚节点发送的信号强度RSSIi,其中i为信道号,i∈{37,38,39};计算最大信号强度RSSImax=max(RSSI37,RSSI38,RSSI39)、最小信号强度RSSImin=min(RSSI37,RSSI38,RSSI39)、平均信号强度和信号强度参考值构建源域信号衰减模型的训练样本数据,所述训练样本数据的输入为[RSSI37,RSSI38,RSSI39,RSSImax,RSSIavg,RSSIMRC,ID],输出为d;利用BP神经网络对所述信号衰减模型进行训练,直到损失函数收敛;
S22、对次目标网格的信号衰减模型进行以下操作:在次目标网格内,按照构建源域信号衰减模型中训练样本数据的步骤重构模型训练样本数据;在训练好的源域网格信号衰减模型的结构中增加一全连接层;再对增加全连接层后的次目标网格信号衰减模型进行训练,直到损失函数收敛;
S23、对目标域网格的信号衰减模型进行以下操作:在目标域网格内,再次重构模型训练样本数据;在训练好的次目标网格信号衰减模型的模型结构中增加一全连接层;再对增加全连接层后的目标域网格信号衰减模型进行训练,直到损失函数收敛;
对次目标网格的信号衰减模型构建次数由所选取次目标网格的次数决定,对次目标网格进行选取,依次递进训练直至单个目标域网格;
S24、对特定空间重复S21~S23,得到待测空间中每个网格区域的多信道信号衰减模型。
2.根据权利要求1所述的人员轨迹识别方法,其特征在于,步骤S3具体为,
移动端接收到多个锚节点的信号按照每个锚节点在三个信道上的平均信号强度RSSIavg大小进行排序,取大于预定阈值的平均信号强度对应的锚节点,将锚节点ID按照所在网格归类,同时具有n个锚节点的网格为有效网格,有效网格内的锚节点为有效锚节点;
利用有效网格的信号衰减模型计算,得到在有效网格内,每个有效锚节点与移动端之间的距离;
选择移动端与有效网格内所有锚节点的距离之和最小的有效网格,即为移动端所处网格。
3.一种密切接触者排查方法,其特征在于,包括权利要求1或2所述的人员轨迹识别方法,还包括S5、筛选出同一时间点与目标移动端位于同一网格的移动端,初步判断为密切接触者。
4.基于权利要求1或2所述的人员轨迹识别方法实现的人员轨迹识别系统,其特征在于,包括,
锚节点,分布在特定空间的顶部,所述特定空间被划分为若干个长方体网格,每个网格内的锚节点不少于三个;
移动端,接收所述锚节点发送的信号,生成包括信号强度信息和对应锚节点ID的数据记录,发送给服务器;
服务器,所述服务器预先根据特定空间划分的网格构造和训练网格化多信道信号衰减模型,将移动端发送的每个锚节点在三个信道上的信号强度数据和对应锚节点的ID作为所述信号衰减模型的输入,计算得到移动端与锚节点之间的距离,进而得到移动端所在的网格;随着移动端的移动,得出在不同时间点移动端所在的网格,形成移动轨迹。
5.根据权利要求4所述的人员轨迹识别系统,其特征在于,所述锚节点和所述移动端通过蓝牙进行通信。
6.根据权利要求4所述的人员轨迹识别系统,其特征在于,该系统还包括存储装置,与服务器通信连接。
7.一种计算机可读的存储介质,其特征在于,所述计算机可读的存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1或2所述的方法。
8.一种电子设备,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1或2所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111408894.4A CN113947123B (zh) | 2021-11-19 | 2021-11-19 | 人员轨迹识别方法、系统、存储介质和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111408894.4A CN113947123B (zh) | 2021-11-19 | 2021-11-19 | 人员轨迹识别方法、系统、存储介质和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113947123A CN113947123A (zh) | 2022-01-18 |
CN113947123B true CN113947123B (zh) | 2022-06-28 |
Family
ID=79338651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111408894.4A Active CN113947123B (zh) | 2021-11-19 | 2021-11-19 | 人员轨迹识别方法、系统、存储介质和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113947123B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116777947B (zh) * | 2023-06-21 | 2024-02-13 | 上海汉朔信息科技有限公司 | 一种用户轨迹识别预测方法、装置及电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2259282T3 (es) * | 1999-03-17 | 2006-10-01 | Funkwerk Dabendorf Gmbh | Circuito para compensar la atenuacion. |
CN104093205A (zh) * | 2014-07-14 | 2014-10-08 | 国家电网公司 | 基于接收信号强度指示的无线定位系统锚节点部署方法 |
CN104217245A (zh) * | 2014-08-27 | 2014-12-17 | 高阳 | 基于异构网络的人流轨迹追踪和区域停留时间统计的方法与系统 |
CN104501807A (zh) * | 2014-12-30 | 2015-04-08 | 杭州云象网络技术有限公司 | 基于地磁场和历史定位轨迹的室内定位方法 |
CN105282705A (zh) * | 2015-10-23 | 2016-01-27 | 广东小天才科技有限公司 | 一种定位移动终端的方法及装置 |
CN112712902A (zh) * | 2020-12-29 | 2021-04-27 | 医渡云(北京)技术有限公司 | 传染病的传染概率预测方法及装置、存储介质、电子设备 |
CN112770258A (zh) * | 2021-01-21 | 2021-05-07 | 南京邮电大学 | 一种基于信标筛选的实时室内位置定位方法 |
CN112887485A (zh) * | 2021-01-27 | 2021-06-01 | 大连理工大学 | 一种基于电子痕迹的接触跟踪方法 |
CN113093162A (zh) * | 2021-04-14 | 2021-07-09 | 国能智慧科技发展(江苏)有限公司 | 基于aiot与视频联动的人员轨迹追踪系统 |
CN113220680A (zh) * | 2021-04-29 | 2021-08-06 | 北京理工大学珠海学院 | 疫情密切接触者轨迹确定方法、系统、装置及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7653371B2 (en) * | 2004-09-27 | 2010-01-26 | Qualcomm Mems Technologies, Inc. | Selectable capacitance circuit |
US10446272B2 (en) * | 2009-12-09 | 2019-10-15 | Veracyte, Inc. | Methods and compositions for classification of samples |
EP3324169A1 (en) * | 2016-11-22 | 2018-05-23 | Xieon Networks S.à r.l. | Detection of gainers and exaggerated losses in unidirectional otdr traces |
-
2021
- 2021-11-19 CN CN202111408894.4A patent/CN113947123B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2259282T3 (es) * | 1999-03-17 | 2006-10-01 | Funkwerk Dabendorf Gmbh | Circuito para compensar la atenuacion. |
CN104093205A (zh) * | 2014-07-14 | 2014-10-08 | 国家电网公司 | 基于接收信号强度指示的无线定位系统锚节点部署方法 |
CN104217245A (zh) * | 2014-08-27 | 2014-12-17 | 高阳 | 基于异构网络的人流轨迹追踪和区域停留时间统计的方法与系统 |
CN104501807A (zh) * | 2014-12-30 | 2015-04-08 | 杭州云象网络技术有限公司 | 基于地磁场和历史定位轨迹的室内定位方法 |
CN105282705A (zh) * | 2015-10-23 | 2016-01-27 | 广东小天才科技有限公司 | 一种定位移动终端的方法及装置 |
CN112712902A (zh) * | 2020-12-29 | 2021-04-27 | 医渡云(北京)技术有限公司 | 传染病的传染概率预测方法及装置、存储介质、电子设备 |
CN112770258A (zh) * | 2021-01-21 | 2021-05-07 | 南京邮电大学 | 一种基于信标筛选的实时室内位置定位方法 |
CN112887485A (zh) * | 2021-01-27 | 2021-06-01 | 大连理工大学 | 一种基于电子痕迹的接触跟踪方法 |
CN113093162A (zh) * | 2021-04-14 | 2021-07-09 | 国能智慧科技发展(江苏)有限公司 | 基于aiot与视频联动的人员轨迹追踪系统 |
CN113220680A (zh) * | 2021-04-29 | 2021-08-06 | 北京理工大学珠海学院 | 疫情密切接触者轨迹确定方法、系统、装置及存储介质 |
Non-Patent Citations (3)
Title |
---|
一种用于室内人员定位的RSSI定位算法;石为人等;《计算机工程与应用》;20100611(第17期);全文 * |
井下动态目标位置跟踪系统及其实现;申彦春等;《煤炭工程》;20081231(第05期);全文 * |
低功耗蓝牙5.0邻居发现协议时延模型研究;骆冰清等;《通信学报》;20210630;第42卷(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113947123A (zh) | 2022-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109743683B (zh) | 一种采用深度学习融合网络模型确定手机用户位置的方法 | |
CN102170697B (zh) | 一种室内定位方法及装置 | |
EP2411831B1 (en) | Location detection system and method with fingerprinting | |
CN109963287A (zh) | 天线方向角优化方法、装置、设备及介质 | |
CN104869630B (zh) | 基于离线指纹库的伪基站快速定位方法与系统 | |
CN106550331A (zh) | 一种室内定位方法和设备 | |
CN113596989B (zh) | 一种用于智慧车间的室内定位方法及系统 | |
CN110933632A (zh) | 一种终端室内定位方法及系统 | |
CN104540168A (zh) | 一种测量人群拥挤度的方法、装置与系统 | |
CN110213710A (zh) | 一种基于随机森林的高性能室内定位方法、室内定位系统 | |
CN107850656A (zh) | 用于定位目的的模型参数的确定 | |
CN113947123B (zh) | 人员轨迹识别方法、系统、存储介质和设备 | |
CN106060841B (zh) | 一种基于非自主部署ap的室内定位方法及装置 | |
CN111461251A (zh) | 基于随机森林与自编码器的WiFi指纹的室内定位方法 | |
CN115082250B (zh) | 个体移动与生态空间的网络关系分析方法、装置及终端 | |
Jin et al. | Toward scalable and robust indoor tracking: Design, implementation, and evaluation | |
CN113438733B (zh) | 基于5g和wifi实现室内定位的系统、方法及电子设备 | |
CN207939741U (zh) | 一种智能识别室内弱覆盖的装置 | |
CN103841639A (zh) | 用于室内定位的无线局域网技术 | |
CN108574927B (zh) | 一种移动终端定位方法及装置 | |
CN108521631A (zh) | 一种面向室内定位的移动ap识别方法 | |
Soro et al. | Performance comparison of indoor fingerprinting techniques based on artificial neural network | |
CN112738715A (zh) | 一种基于GloVe模型的移动信令轨迹相关性表示方法 | |
CN116095600A (zh) | 一种基于5g时空大数据协同的室内定位方法 | |
CN111356104A (zh) | 一种基于无线信标位置感知的定位方法 |
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 |