TW201804169A - 人體定位方法、人體定位系統與定位伺服器 - Google Patents
人體定位方法、人體定位系統與定位伺服器 Download PDFInfo
- Publication number
- TW201804169A TW201804169A TW105123157A TW105123157A TW201804169A TW 201804169 A TW201804169 A TW 201804169A TW 105123157 A TW105123157 A TW 105123157A TW 105123157 A TW105123157 A TW 105123157A TW 201804169 A TW201804169 A TW 201804169A
- Authority
- TW
- Taiwan
- Prior art keywords
- human body
- wireless
- wireless devices
- positioning
- neural network
- Prior art date
Links
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
一種人體定位方法、人體定位系統與定位伺服器,適於定位特定空間中的人體。依據無線設備的通訊品質,尋找無線設備中的目標無線設備與定位伺服器之間的多個理想繞送路徑。依據理想繞送路徑估算目標無線設備的裝置定位結果。建立理想繞送路徑上的工作無線設備所形成的無線網路拓樸。將三維空間影像的多個原始體積像素傳送至無線網路拓樸之中,並基於將每一工作無線設備作為關聯於人體偵測模型的類神經網路架構中的神經元與基於原始體積像素來偵測人體。若判定偵測到人體,將人體定位於裝置定位結果。
Description
本發明是有關於一種人體偵測技術,且特別是有關於一種人體定位方法、人體定位系統與定位伺服器。
近年來,由於無線傳輸技術的進步及無線節點具無線與易佈建等特性,使得各式無線傳輸技術廣泛應用於各種資料傳輸上,例如無線感測網路(Wireless Sensor Network, WSN)、ZigBee、Wi-Fi、藍牙等。隨著這些無線傳輸的進步與無線通訊裝置的廣泛使用,上述這些無線傳輸技術也廣泛的應用於定位特定場所內的無線通訊裝置。
然而,受限於空間環境的複雜度與無線訊號的一些物理特性(像是多重路徑衰減或時間延遲等),一旦空間環境過於複雜,利用上述這些無線傳輸技術進行定位的穩定性便有不足之虞。此外,即便無線通訊裝置可基於無線訊號的傳輸而被定位,但無線通訊裝置的持有者或該特定空間中的人士不一定可以被精準的定位。舉例而言,當一個心臟病發者將手機置放於遠處,則無法透過定位其手機而得知該心臟病發者的所在。或者,在火場中的昏迷者失去意識而無法自行求救時,縱使可定位火場中的無線設備也無法得知昏迷者的所在位置。因此,如何利用無線設備來精準的定位特定空間中的人體實為本領域技術人員所關心的議題之一。
本發明提供一種人體定位方法、人體定位系統與定位伺服器,可利用無線傳輸技術定位一特定空間中的一人體。
本發明提出一種人體定位方法,適於定位一特定空間中的一人體。多個無線設備與一定位伺服器位於所述特定空間中,所述方法包括下列步驟。依據無線設備的通訊品質,尋找無線設備中的目標無線設備與定位伺服器之間的多個理想繞送路徑。這些理想繞送路徑分別由無線設備中的多個工作無線設備所形成。接著,依據理想繞送路徑估算目標無線設備的裝置定位結果。建立這些工作無線設備所形成的一無線網路拓樸。獲取目標無線設備周遭的一三維空間影像。之後,將三維空間影像的多個原始體積像素傳送至無線網路拓樸之中,並基於將每一工作無線設備作為關聯於一人體偵測模型的一類神經網路架構中的神經元與基於所述原始體積像素來偵測人體。若判定偵測到人體,將人體定位於上述的裝置定位結果。
於本發明的一實施例中,上述的將三維空間影像的多個原始體積像素傳送至無線網路拓樸之中,並基於將每一工作無線設備作為類神經網路架構中的神經元與基於原始體積像素來偵測人體的步驟包括下列步驟。將三維空間影像的原始體積像素分送給工作無線設備其中之多個第一層裝置。之後,依據原始體積像素與類神經網路架構偵測出多個第一特徵資訊,並將第一特徵資訊傳送給工作無線設備其中之多個第二層裝置。接著,依據第一特徵資訊與利用類神經網路架構偵測出多個第二特徵資訊,並將第二特徵資訊傳送給工作無線設備其中之多個第三層裝置。最後,依據上述的第二特徵資訊偵測人體。
於本發明的一實施例中,上述的類神經網路架構為一深度類神經網路,上述的第二層裝置與第三層裝置隸屬於深度類神經網路之隱藏層。
於本發明的一實施例中,上述的類神經網路架構為一回饋式類神經網路,每一工作無線設備作為回饋式類神經網路中的動態神經元,致使工作無線設備利用對應至一時間點的三維空間影像與對應至另一時間點的另一三維空間影像偵測人體。
於本發明的一實施例中,上述的依據無線設備的通訊品質,尋找無線設備中的目標無線設備與定位伺服器之間的理想繞送路徑的步驟包括下列步驟。首先,依據無線設備的無線連線能力,建立無線設備之間的多個無線通訊連結,致使這些無線設備形成一隨意網路(ad-hoc network)。接著,獲取無線通訊連結的通訊品質參數,並依據無線通訊連結的通訊品質參數尋找無線設備中的該目標無線設備與定位伺服器之間這些理想繞送路徑。
於本發明的一實施例中,上述的依據理想繞送路徑估算目標無線設備的該裝置定位結果的步驟包括下列步驟。獲取分別對應至理想繞送路徑的多個定位位置。對定位位置進行一統計運算而獲取裝置定位結果。
於本發明的一實施例中,所述人體定位方法更包括下列步驟。基於關聯於一人體辨識模型的另一類神經網路架構,獲取偵測到的人體的多個語意特徵(semantic feature)。比對語意特徵與多個人體樣本的多個語意樣本,以辨識人體為該人體樣本其中之一。
於本發明的一實施例中,上述的基於關聯於人體辨識模型的另一類神經網路架構,獲取偵測到的人體的多個語意特徵包括下列步驟。獲取人體的多個步態向量,並將這些步態向量傳送至無線網路拓樸之中,以基於將工作無線設備作為另一類神經網路架構的神經元與基於步態向量獲取語意特徵。
從另一觀點來看,本發明提出一種人體定位系統,適於定位一特定空間中的一人體,所述系統包括位於該特定空間中的一定位伺服器與多個無線設備。定位伺服器依據這些無線設備的通訊品質,尋找這些無線設備中的目標無線設備與定位伺服器之間的多個理想繞送路徑,並依據這些理想繞送路徑估算目標無線設備的一裝置定位結果。上述的理想繞送路徑分別由無線設備中的多個工作無線設備所形成,且定位伺服器建立這些工作無線設備所形成的一無線網路拓樸。目標無線設備獲取目標無線設備周遭的三維空間影像,並將三維空間影像的多個原始體積像素傳送至無線網路拓樸之中。作為關聯於一人體偵測模型的一類神經網路架構中的一神經元的每一工作無線設備基於原始體積像素來偵測人體。若定位伺服器或工作無線設備其中之一判定偵測到人體,定位伺服器將人體定位於該裝置定位結果。
從又一觀點來看,本發明提出一種定位伺服器,適於定位一特定空間中的一人體。多個無線設備位於特定空間中並形成一隨意網路,而所述定位伺服器包括通訊裝置與處理器。處理器依據無線設備的通訊品質,尋找無線設備中的目標無線設備與定位伺服器之間的多個理想繞送路徑。這些想繞送路徑分別由上述的無線設備中的多個工作無線設備所形成。處理器依據理想繞送路徑估算目標無線設備的裝置定位結果。處理器建立工作無線設備所形成的無線網路拓樸。處理器基於將每一工作無線設備作為關聯於一人體偵測模型的一類神經網路架構中的一神經元來偵測人體。若判定偵測到人體,處理器將人體定位於裝置定位結果。
基於上述,本發明可先基於特定空間中之無線設備的通訊品質而尋找出目標設備與定位伺服器之間的多條理想繞送路徑,並將這些理想繞送路徑上的多個工作無線設備分別作為類神經網路的神經元。透過每一工作無線設備分別執行單一神經元的運算與透過無線傳輸傳遞單一神經元的運算結果,本發明可透過工作無線設備的合作而偵測目標無線設備所擷取的三維空間影像中的人體,從而將偵測到的人體定位於目標無線設備的所在位置上。如此,本發明可提昇受限於空間複雜度或訊號特性的定位穩定度,並可進一步準確定位特定空間中的人體。
為讓本發明的上述特徵和優點能更明顯易懂,下文特舉實施例,並配合所附圖式作詳細說明如下。
為了使本發明之內容更為明瞭,以下列舉實施例作為本發明確實能夠據以實施的範例。
圖1是依照本發明一實施例所繪示的人體定位系統的示意圖。請參照圖1,人體定位系統10適於定位特定空間20中的一人體B1。於本發明的一實施範例中,特定空間20例如是一建築物的室內空間,但本發明並不以此為限。人體定位系統10包括位於特定空間20中的定位伺服器120與N個無線設備110_1、110_2、…、110_T、…110_(N-1)、110_N,其中N為正整數。定位伺服器120可以是具備無線通訊能力的計算機裝置,或者是由具備無線通訊能力的無線存取點(access point,AP)與計算機裝置所組成,本發明對此並不限制。無線設備110_1~110_N例如是智慧型手機、個人數位助理、平板電腦、筆記型電腦、遊戲機等具備無線通訊能力的電子裝置,或者是佈建於特定空間20中內具備無線通訊能力的無線感測裝置。無線設備110_1~110_N支援相同的無線通訊協定標準,以透過無線連結彼此傳遞訊息。上述的無線通訊協定標準例如是IEEE 802.11標準、IEEE 802.15.4標準、WiFi標準、藍牙(bluetooth)標準或群蜂無線通信協定標準(簡稱為ZigBee),本發明對此不限制。
請參照圖1,圖1所示之實施例係以依據無線設備110_T所擷取之影像資料來進行人體偵測,因此無線設備110_T稱之為目標無線設備(以下以目標無線設備110_T表示)。
於本發明的一實施例中,依據無線設備110_1~110_N的無線連線能力,無線設備110_1~110_N建立無線設備110_1~110_N之間的多個無線通訊連結,致使這些無線設備110_1~110_N形成一隨意網路(ad-hoc network)。進一步來說,基於無線設備110_1~110_N的無線通訊能力,相距於一預定距離內的兩無線設備可基於接收到對方發送的無線訊號而建立無線通訊連結並進行通訊。需說明的是,相距於一預定距離內的兩無線設備可能因為空間複雜度與障礙物的屏蔽而無法建立無線通訊連結。此外,無線設備110_1~110_N彼此之間的無線通訊連結的通訊品質是可以被估測的。在隨意網路的架構下,特定空間20中的這些無線設備110_1~110_N可直接與定位伺服器120交換訊息,或可透過多重跳躍(multihop)的方式間接與定位伺服器120交換訊息。
於本發明的一實施例中,定位伺服器120獲取無線設備110_1~110_N彼此之間的無線通訊連結的通訊品質參數。舉例而言,通訊品質參數例如是接收信號強度指示(Received Signal Strength Indication,RSSI)、訊雜比(Signal-to-Noise Ratio,SNR)、封包錯誤率(Packet Error Rate,PER)、封包遺失率(Packet Error loss Rate,PELR)等等,但本發明並不限制於此。進一步來說,無線設備110_1~110_N與周遭的無線設備建立無線通訊連結之後,無線設備110_1~110_N可獲取無線通訊連結的通訊品質參數,並將通訊品質參數傳送給定位伺服器120。舉例而言,定位伺服器120可接收到無線通訊設備110_6與無線通訊設備110_5之間之無線通訊連結的通訊品質參數。如此,定位伺服器120可獲取每一無線設備110_1~110_N所估算的通訊品質參數。
於本發明的一實施例中,定位伺服器120依據無線通訊連結的通訊品質參數尋找無線設備110_1~110_N中的目標無線設備110_T與定位伺服器120之間的理想繞送路徑。舉例而言,定位伺服器120可依據無線設備110_1~110_N之間的通訊品質參數執行主動式Q-Learning演算法而獲取多個最佳繞送路徑。以圖1所示之範例為例,定位伺服器120可獲取最佳繞送路徑P1~P3,但本發明並不以此為限。最佳繞送路徑P1~P3代表目標無線設備110_T與定位伺服器120之間的通訊品值可靠的路由路徑。最佳繞送路徑P1~P3係由無線設備110_1~110_10、110_T之間的無線通訊連結形成。理想繞送路徑P1~P3分別由無線設備110_1~110_N中的多個工作無線設備所形成。以圖1所示之範例為例,理想繞送路徑P1係由無線設備110_3、110_7、110_1所形成;理想繞送路徑P2係由無線設備110_2、110_4、110_5、110_6所形成;以及理想繞送路徑P3係由無線設備110_8、110_9、110_10所形成。
於本發明的一實施例中,在建立理想繞送路徑P1~P3之後,定位伺服器120依據這些理想繞送路徑P1~P3估算目標無線設備110_T的裝置定位結果。進一步來說,定位伺服器120獲取分別對應至理想繞送路徑P1~P3的多個定位位置。進一步來說,無線設備110_1~110_N可透過無線訊號的傳遞而得知自身與周遭無線設備之間的相對位置關係。以理想繞送路徑P1進行說明,定位伺服器120可獲取自己與無線設備110_1之間、無線設備110_1與無線設備110_7之間、無線設備110_7與無線設備110_3之間,以及無線設備110_3與目標無線設備110_T的多個相對位置關係。在定位伺服器120知道自己所在位置的狀況下,定位伺服器120可依據關聯於理想繞送路徑P1的多個相對位置關係估算出目標無線設備110_T的定位位置。相似的,定位伺服器120可依據關聯於理想繞送路徑P2的多個相對位置關係估算出目標無線設備110_T的定位位置,並可依據關聯於理想繞送路徑P3的多個相對位置關係估算出目標無線設備110_T的定位位置。須說明的是,上述的這些定位位置基於無線通訊品質與通訊環境而彼此相異。
於本發明的一實施例中,定位伺服器120對定位位置進行統計運算而獲取目標無線設備的裝置定位結果。以圖1所示之實施例為例,定位伺服器120可獲取關聯於理想繞送路徑P1~P3的三個定位位置,於是定位伺服器120可對關聯於理想繞送路徑P1~P3的三個定位位置進行統計運算而獲取目標無線設備110_T的裝置定位結果。舉例而言,上述的統計運算可以是平均運算(mean)、眾數運算(mod)、中值運算(median)等等,本發明並不限制於此。
另外,本發明將利用最佳繞送路徑上的無線設備進行人體偵測。請參照圖1,在建立理想繞送路徑P1~P3之後,理想繞送路徑P1~P3上的無線設備110_1~110_10稱之為工作無線設備(以下以工作無線設備110_1~110_10表示)。於本發明的一實施例中,定位伺服器120建立這些工作無線設備110_1~110_10所形成的無線網路拓樸。圖2是依照本發明一實施例所繪示的無線網路拓樸的示意圖。請參照圖2,在定位伺服器120決定最佳繞送路徑P1~P3之後,定位伺服器120建立工作無線設備110_1~110_10形成的無線網路拓樸T1並紀錄無線網路拓樸T1的拓樸資訊。
於本發明的一實施例中,目標無線設備110_T獲取目標無線設備110_T周遭的三維空間影像,並將三維空間影像的多個原始體積像素傳送至無線網路拓樸之中。於圖1的實施例中,目標無線設備110_T例如可將三維空間影像的多個原始體積像素傳送至工作無線設備110_3、110_8、110_2。之後,作為關聯於一人體偵測模型的一類神經網路架構中之至少一神經元的每一工作無線設備110_1~110_10基於原始體積像素來偵測人體B1。若定位伺服器120或工作無線設備110_1~110_10其中之一判定偵測到人體B1,定位伺服器120將人體B1定位於目標無線設備110_T的裝置定位結果。以下將進一步詳細說明本發明如何以工作無線設備所建構之類神經網路架構進行人體偵測。
圖3是依照本發明一實施例所繪示的類神經網路架構的示意圖。請參照圖3,目標無線設備310_T例如可透過斷層解析成像技術(tomographic imaging)或紅外線成像技術(tomographic imaging)擷取周遭環境的三維空間影像Img1,三維空間影像Img1包括多個原始體積像素(voxels)。於圖3的實施範例中,目標無線設備310_T將三維空間影像Img1的多個原始體積像素傳送至包括工作無線設備310_1~310_9的無線網路拓樸之中。作為類神經網路架構中之至少一神經元的每一工作無線設備310_1~310_9基於原始體積像素來偵測人體。
進一步來說,目標無線設備110_T將三維空間影像Img1的原始體積像素V1、V2、V3、V4分別分送給工作無線設備310_1~310_9其中之多個第一層裝置310_L1,這些第一層裝置310_L1包括工作無線設備310_1~310_4。更詳細來說,目標無線設備110_T將三維空間影像Img1的所有原始體積像素分配為部份的原始體積像素V1、V2、V3、V4,並將部份的原始體積像素V1、V2、V3、V4依序分配給工作無線設備310_1~310_4。舉例而言,工作無線設備310_1可獲取部份的原始體積像素V1。
之後,工作無線設備310_1~310_4依據原始體積像素V1、V2、V3、V4與類神經網路架構的人體偵測模型偵測出多個第一特徵資訊f11、f12、f13、f14,並將第一特徵資訊f11、f12、f13、f14傳送給工作無線設備310_1~310_9其中之多個第二層裝置310_L2中的工作無線設備310_5。這些第二層裝置310_L2還包括工作無線設備310_6、310_7。接著,工作無線設備310_5依據第一特徵資訊f11、f12、f13、f14與利用類神經網路架構的人體偵測模型偵測出第二特徵資訊f21。相似的,工作無線設備310_6、310_7依據其他第一層裝置產生的第一特徵資訊與利用類神經網路架構的人體偵測模型偵測出第二特徵資訊f22、f23。工作無線設備310_5將第二特徵資訊f21傳送給工作無線設備其中之多個第三層裝置310_L3。最後,工作無線設備310_8依據上述的第二特徵資訊f21、f22、f23偵測紀錄於部份的原始體積像素內的人體之人體特徵f31。基此,若三維空間影像Img1有擷取到人體的影像,則定位伺服器320可從第三層裝置310_L3中的工作無線設備310_8、310_9獲取人體特徵f31、f32。
須說明的是,類神經網路的人體偵測模型例如是基於區域模型(local model)、全域模型(global model)以及配對比對模型(pairwise model)而訓練出來的聯合模型,本發明對此不限制。於圖3所示的實施例中,第一特徵資訊f11、f12、f13、f14可以是多邊形(polygons)特徵,第二特徵資訊f21、f22、f23可以是人體部位特徵,但本發明並不以此為限。第一特徵資訊與第二特徵資訊的類別可視實際應用狀況而設計之,本發明對此並不限制。於圖3所示的實施例中,類神經網路架構為一深度(deep)類神經網路,第一層裝置310_L1、第二層裝置310_L2與第三層裝置310_L3隸屬於深度類神經網路之隱藏層(hidden layer)。然而,圖3係以類神經網路架構包括三層隱藏層為例進行說明,但本發明並不限制於此,隱藏層的數目可是實際應用狀況而設計之。再者,圖3係以一個工作無線設備負責一個神經元的運算工作為例進行說明,但本發明並不限制於此。於另一實施例中,一個工作無線設備可負責一個神經元以上的運算工作。舉例而言,一個工作無線設備可同時作為第一層裝置以及第二層裝置,以負責執行位於不同隱藏層之神經元的運算工作。
於本發明的一實施例中,工作無線設備建立的類神經網路架構為一回饋式(recurrent)類神經網路,每一工作無線設備作為回饋式類神經網路中的動態神經元,致使工作無線設備利用對應至一時間點的三維空間影像與對應至另一時間點的另一三維空間影像偵測人體。圖4是依照本發明一實施例所繪示的動態神經元的示意圖。請參照圖4,以圖3的工作無線設備310_1為例,作為一神經元的工作無線設備310_1可利用對應至一時間點t的三維空間影像Img1,t與對應至另一時間點(t-1)的另一三維空間影像Img1,(t-1)來偵測人體。於時間點t,當作為一神經元的工作無線設備310_1接收到n個(n為正整數)輸入值(以原始體積像素V1_1~V1_n表示)時,工作無線設備310_1可基於V1_1~V1_n、n個權重值(以W1~Wn表示)、前一時間點之輸出值f11,(t-1)、給前一時間點之輸出的權重值(以Wp表示)、以及偏移量(以θ表示)計算一函式(以f
()表示),以產生輸出值(以f11,t表示)。如此,時間點t的輸出值f11,t與上個時間點(t-1)的輸出值f11,(t-1)有關。雖然上述僅以一個工作無線設備進行說明,但其他的工作無線設備同樣會依據不同時間點所擷取到的三維空間影像來進行人體的偵測。
值得一提的是,本發明的定位伺服器還可依據人體的影像資訊進行人物辨識。也就是說,若定位伺服器具備事先建立之已知人士的樣本資料庫,則定位伺服器還可透過比對人體的影像資訊與樣本資料庫內的樣本而進一步辨識出人體對應的特定人物。於本發明的一實施例中,定位伺服器可基於關聯於一人體辨識模型的另一類神經網路架構,獲取偵測到的人體的多個語意特徵(semantic feature)。定位伺服器比對語意特徵與多個人體樣本的多個語意樣本,以辨識人體為該人體樣本其中之一。可知的,定位伺服器已建立包括人體樣本的語意樣本的樣本資料庫。
於本發明的一實施範例中,目標無線裝置可獲取人體的多個步態向量(gait vector),並將這些步態向量傳送至無線網路拓樸之中的工作無線設備。所述的無線網路拓樸同樣可基於前述的最佳繞送路徑而建立。於是,基於將這些工作無線設備作為另一類神經網路架構的神經元與基於步態向量,定位伺服器可以獲取人體的語意特徵。然而,用於擷取語意特徵的類神經網路架構可參照圖3的實施範例,須說明的是,所述另一類神經網路架構的人體辨識模型可以是深度語意相似度模型(Deep Semantic Similarity Model),但本發明並不限制於此。之後,於本發明的一實施範例中,藉由計算事後機率(posterior probability)的方式,定位伺服器可從人體樣本中找出相似度最高的人體樣本。
圖5A與圖5B是依照本發明一實施例所繪示的人體定位方法的示意圖。請先參照圖5A,於步驟S501,依據無線設備的通訊品質,尋找無線設備中的目標無線設備與定位伺服器之間的多個理想繞送路徑。於步驟S502,依據理想繞送路徑估算目標無線設備的裝置定位結果。於步驟S503,建立理想繞送路徑上的工作無線設備所形成的一無線網路拓樸。於步驟S504,獲取目標無線設備周遭的一三維空間影像。於步驟S505,將三維空間影像的多個原始體積像素傳送至無線網路拓樸之中,並基於將每一工作無線設備作為關聯於一人體偵測模型的一類神經網路架構中的神經元與基於所述原始體積像素來偵測人體。於步驟S506,若判定偵測到人體,將人體定位於裝置定位結果。關於最佳繞送路徑的尋找以及如何利用類神經網路架構來偵測人體已於前述實施例說明,於此不再贅述。基此,藉由分析無線設備所擷取的三維空間影像,定位伺服器可判斷是否偵測到人體並定位人體的位置。
請參照圖5B,在完成人體的定位後,於步驟S507,基於關聯於一人體辨識模型的另一類神經網路架構,獲取偵測到的人體的多個語意特徵(semantic feature)。於步驟S508,比對語意特徵與多個人體樣本的多個語意樣本,以辨識人體為該人體樣本其中之一。關於如何利用類神經網路架構來辨識人體已於前述實施例說明,於此不再贅述。基此,藉由分析無線設備所擷取的三維空間影像,定位伺服器可進一步獲取人體的人物辨識結果。
圖6是依照本發明一實施例所繪示的定位伺服器與無線設備的方塊示意圖。請參照圖6,定位伺服器610包括通訊裝置611、處理器612,以及儲存裝置613。處理器612耦接通訊裝置611以及儲存裝置613。無線設備620(工作無線設備)包括通訊裝置621、處理器622,以及儲存裝置623。處理器622耦接通訊裝置621以及儲存裝置623。目標無線設備630包括通訊裝置631、處理器632、儲存裝置633,以及影像感測器634。處理器632耦接通訊裝置631、儲存裝置633以及影像感測器634。
處理器612、處理器622、處理器632例如是由單核心或多核心組成的中央處理單元(Central Processing Unit,CPU),或是其他可程式化之一般用途或特殊用途的微處理器(Microprocessor)、數位訊號處理器(Digital Signal Processor,DSP)、可程式化控制器、特殊應用積體電路(Application Specific Integrated Circuits,ASIC)、可程式化邏輯裝置(Programmable Logic Device,PLD)或其他類似裝置或這些裝置的組合。處理器612、622、632經配置以執行圖1至圖5所說明的相關功能。
儲存裝置613、儲存裝置623、儲存裝置633例如是任意型式的固定式或可移動式隨機存取記憶體(Random Access Memory,RAM)、唯讀記憶體(Read-Only Memory,ROM)、快閃記憶體(Flash memory)、硬碟或其他類似裝置或這些裝置的組合,而用以記錄可由處理器612、622、632執行的多個軟體指令以及各種軟體程式。處理器612、622、632分別可存取儲存裝置613、儲存裝置623、儲存裝置633內的軟體元件而執行圖1至圖5所說明的相關功能。此外,定位伺服器610的儲存裝置613還可紀錄無線網路拓樸的拓樸資訊以及用以進行人物辨識的樣本資料庫。
通訊裝置611、通訊裝置621、通訊裝置631包括天線元件、收發器電路以及支援一無線通訊協定標準的通訊協定電路,以與支援相同之無線通訊協定標準的其他無線設備建立無線通訊連接。舉例而言,通訊裝置611、通訊裝置621、通訊裝置631的軟硬體元件可支援像是IEEE 802.11標準、IEEE 802.15.4標準、WiFi標準、藍牙標準或ZigBee標準,以提供無線通訊功能。影像感測器634用以擷取三維空間影像,例如是紅外線影像感測器或斷層解析成像感測器。
綜上所述,透過每一工作無線設備分別執行至少一神經元的運算與透過無線傳輸傳遞神經元的運算結果,本發明可透過工作無線設備的合作而偵測目標無線設備所擷取的三維空間影像中的人體,從而將偵測到的人體定位於目標無線設備的所在位置上。如此,本發明可提昇受限於空間複雜度或訊號特性的定位穩定度,並可進一步準確定位特定空間中的人體。另外,透過工作無線設備的合作分擔類神經網路的運算工作,定位伺服器的負擔可以大幅降低,並可基於分散式的運算而提昇人體定位系統的處理效能。除此之外,本發明的最佳繞送路徑與無線網路拓樸可隨時間動態改變,因此本發明的人體定位系統可適用於無線設備動態移動的環境中且無線設備的運算工作也可適應性分配。
雖然本發明已以實施例揭露如上,然其並非用以限定本發明,任何所屬技術領域中具有通常知識者,在不脫離本發明的精神和範圍內,當可作些許的更動與潤飾,故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
10‧‧‧人體定位系統
20‧‧‧特定空間
110_1~110_N、310_1~310_9、620‧‧‧無線設備
110_T、310_T、630‧‧‧目標無線設備
120、610‧‧‧定位伺服器
P1~P3‧‧‧最佳繞送路徑
T1‧‧‧無線網路拓樸
B1‧‧‧人體
Img1、Img1,t、Img1,(t-1)‧‧‧三維空間影像
V1、V2、V3、V4、V1_1~V1_n‧‧‧原始體積像素
310_L1‧‧‧第一層裝置
f11、f12、f13、f14‧‧‧第一特徵資訊
310_L2‧‧‧第二層裝置
f21、f22、f23‧‧‧第二特徵資訊
310_L3‧‧‧第三層裝置
f31、f32‧‧‧人體特徵
f11,t、f11,(t-1)‧‧‧輸出值f()‧‧‧函式
θ‧‧‧偏移量
W1~Wn、Wp‧‧‧權重值
S501~S508‧‧‧步驟
612、622、632‧‧‧處理器
613、623、633‧‧‧儲存裝置
611、621、631‧‧‧通訊裝置
634‧‧‧影像感測器
20‧‧‧特定空間
110_1~110_N、310_1~310_9、620‧‧‧無線設備
110_T、310_T、630‧‧‧目標無線設備
120、610‧‧‧定位伺服器
P1~P3‧‧‧最佳繞送路徑
T1‧‧‧無線網路拓樸
B1‧‧‧人體
Img1、Img1,t、Img1,(t-1)‧‧‧三維空間影像
V1、V2、V3、V4、V1_1~V1_n‧‧‧原始體積像素
310_L1‧‧‧第一層裝置
f11、f12、f13、f14‧‧‧第一特徵資訊
310_L2‧‧‧第二層裝置
f21、f22、f23‧‧‧第二特徵資訊
310_L3‧‧‧第三層裝置
f31、f32‧‧‧人體特徵
f11,t、f11,(t-1)‧‧‧輸出值f()‧‧‧函式
θ‧‧‧偏移量
W1~Wn、Wp‧‧‧權重值
S501~S508‧‧‧步驟
612、622、632‧‧‧處理器
613、623、633‧‧‧儲存裝置
611、621、631‧‧‧通訊裝置
634‧‧‧影像感測器
圖1是依照本發明一實施例所繪示的人體定位系統的示意圖。 圖2是依照本發明一實施例所繪示的無線網路拓樸的示意圖。 圖3是依照本發明一實施例所繪示的類神經網路架構的示意圖。 圖4是依照本發明一實施例所繪示的動態神經元的示意圖。 圖5A與圖5B是依照本發明一實施例所繪示的人體定位方法的示意圖。 圖6是依照本發明一實施例所繪示的定位伺服器與無線設備的方塊示意圖。
S501~S506‧‧‧步驟
Claims (20)
- 一種人體定位方法,適於定位一特定空間中的一人體,而多個無線設備與一定位伺服器位於該特定空間中,所述方法包括: 依據該些無線設備的通訊品質,尋找該些無線設備中的一目標無線設備與該定位伺服器之間的多個理想繞送路徑,其中該些理想繞送路徑分別由該些無線設備中的多個工作無線設備所形成; 依據該些理想繞送路徑估算該目標無線設備的一裝置定位結果; 建立該些工作無線設備所形成的一無線網路拓樸; 獲取該目標無線設備周遭的一三維空間影像; 將該三維空間影像的多個原始體積像素傳送至該無線網路拓樸之中,並基於將每一該些工作無線設備作為關聯於一人體偵測模型的一類神經網路架構中的一神經元與基於該些原始體積像素來偵測該人體;以及 若判定偵測到該人體,將該人體定位於該裝置定位結果。
- 如申請專利範圍第1項所述的人體定位方法,其中將該三維空間影像的多個原始體積像素傳送至該無線網路拓樸之中,並基於將每一該些工作無線設備作為該類神經網路架構中的該神經元與基於該些原始體積像素來偵測該人體的步驟包括: 將該三維空間影像的該些原始體積像素分送給該些工作無線設備其中之多個第一層裝置; 依據該些原始體積像素與該類神經網路架構偵測出多個第一特徵資訊,並將該些第一特徵資訊傳送給該些工作無線設備其中之多個第二層裝置; 依據該些第一特徵資訊與利用該類神經網路架構偵測出多個第二特徵資訊,並將該些第二特徵資訊傳送給該些工作無線設備其中之多個第三層裝置;以及 依據該些第二特徵資訊偵測該人體。
- 如申請專利範圍第1項所述的人體定位方法,其中該類神經網路架構為一深度類神經網路,該些第一層裝置、該些第二層裝置與該些第三層裝置隸屬於該深度類神經網路之隱藏層。
- 如申請專利範圍第1項所述的人體定位方法,其中該類神經網路架構為一回饋式類神經網路,每一該些工作無線設備作為該回饋式類神經網路中的一動態神經元,致使該些工作無線設備利用對應至一時間點的該三維空間影像與對應至另一時間點的另一三維空間影像偵測該人體。
- 如申請專利範圍第1項所述的人體定位方法,其中依據該些無線設備的通訊品質,尋找該些無線設備中的該目標無線設備與該定位伺服器之間的該些理想繞送路徑的步驟包括: 依據該些無線設備的無線連線能力,建立該些無線設備之間的多個無線通訊連結,致使該些無線設備形成一隨意網路(ad-hoc network);以及 獲取該些無線通訊連結的通訊品質參數,並依據該些無線通訊連結的通訊品質參數尋找該些無線設備中的該目標無線設備與該定位伺服器之間的該些理想繞送路徑。
- 如申請專利範圍第1項所述的人體定位方法,其中依據該些理想繞送路徑估算該目標無線設備的該裝置定位結果的步驟包括: 獲取分別對應至該些理想繞送路徑的多個定位位置;以及 對該些定位位置進行一統計運算而獲取該裝置定位結果。
- 如申請專利範圍第1項所述的人體定位方法,更包括: 基於關聯於一人體辨識模型的另一類神經網路架構,獲取偵測到的該人體的多個語意特徵(semantic feature);以及 比對該些語意特徵與多個人體樣本的多個語意樣本,以辨識該人體為該人體樣本其中之一。
- 如申請專利範圍第7項所述的人體定位方法,其中基於關聯於該人體辨識模型的該另一類神經網路架構,獲取偵測到的該人體的該些語意特徵的步驟包括: 獲取該人體的多個步態向量,並將該些步態向量傳送至該無線網路拓樸之中,以基於將該些工作無線設備作為該另一類神經網路架構的神經元與基於該些步態向量獲取該些語意特徵。
- 一種人體定位系統,適於定位一特定空間中的一人體,所述系統包括: 一定位伺服器,位於該特定空間中;以及 多個無線設備,位於該特定空間中, 其中該定位伺服器依據該些無線設備的通訊品質,尋找該些無線設備中的一目標無線設備與該定位伺服器之間的多個理想繞送路徑,並依據該些理想繞送路徑估算該目標無線設備的一裝置定位結果, 其中該些理想繞送路徑分別由該些無線設備中的多個工作無線設備所形成,且該定位伺服器建立該些工作無線設備所形成的一無線網路拓樸, 其中該目標無線設備獲取該目標無線設備周遭的一三維空間影像,並將該三維空間影像的多個原始體積像素傳送至該無線網路拓樸之中, 其中作為關聯於一人體偵測模型的一類神經網路架構中的一神經元的每一該些工作無線設備基於該些原始體積像素來偵測該人體, 其中若該定位伺服器或該些工作無線設備其中之一判定偵測到該人體,該定位伺服器將該人體定位於該裝置定位結果。
- 如申請專利範圍第9項所述的人體定位系統,其中該目標無線設備將該三維空間影像的該些原始體積像素分送給該些工作無線設備其中之多個第一層裝置, 其中該些第一層裝置依據該些原始體積像素與該類神經網路架構偵測出多個第一特徵資訊,並將該些第一特徵資訊傳送給該些工作無線設備其中之多個第二層裝置, 其中該些第二層裝置依據該些第一特徵資訊與利用該類神經網路架構偵測出多個第二特徵資訊,並將該些第二特徵資訊傳送給該些工作無線設備其中之多個第三層裝置, 其中該些第三層裝置依據該些第二特徵資訊偵測該人體。
- 如申請專利範圍第9項所述的人體定位系統,其中該類神經網路架構為一深度類神經網路,該些第一層裝置、該些第二層裝置與該些第三層裝置隸屬於該深度類神經網路之隱藏層。
- 如申請專利範圍第9項所述的人體定位系統,其中該類神經網路架構為一回饋式類神經網路,每一該些工作無線設備作為該回饋式類神經網路中的一動態神經元,致使該些工作無線設備利用對應至一時間點的該三維空間影像與對應至另一時間點的另一三維空間影像偵測該人體。
- 如申請專利範圍第9項所述的人體定位系統,其中依據該些無線設備的無線連線能力,該些無線設備建立該些無線設備之間的多個無線通訊連結,致使該些無線設備形成一隨意網路, 其中該定位伺服器獲取該些無線通訊連結的通訊品質參數,並依據該些無線通訊連結的通訊品質參數尋找該些無線設備中的該目標無線設備與該定位伺服器之間的該些理想繞送路徑。
- 如申請專利範圍第9項所述的人體定位系統,其中該定位伺服器獲取分別對應至該些理想繞送路徑的多個定位位置,並對該些定位位置進行一統計運算而獲取該裝置定位結果。
- 如申請專利範圍第9項所述的人體定位系統,其中基於將每一該些工作無線設備作為關聯於一人體辨識模型的另一類神經網路架構的神經元,該些工作無線設備其中之部份或該定位伺服器獲取偵測到的該人體的多個語意特徵(semantic feature), 該定位伺服器比對該些語意特徵與多個人體樣本的多個語意樣本,以辨識該人體為該人體樣本其中之一。
- 如申請專利範圍第15項所述的人體定位系統,其中該定位伺服器建立包括該些人體樣本的該些語意樣本的一樣本資料庫。
- 一種定位伺服器,適於定位一特定空間中的一人體,其中多個無線設備位於該特定空間中並形成一隨意網路,而所述定位伺服器包括: 一通訊裝置;以及 一處理器,耦接該通訊裝置,依據該些無線設備的通訊品質,尋找該些無線設備中的一目標無線設備與該定位伺服器之間的多個理想繞送路徑,其中該些理想繞送路徑分別由該些無線設備中的多個工作無線設備所形成, 其中該處理器依據該些理想繞送路徑估算該目標無線設備的一裝置定位結果,並建立該些工作無線設備所形成的一無線網路拓樸, 其中該處理器基於將每一該些工作無線設備作為關聯於一人體偵測模型的一類神經網路架構中的一神經元來偵測該人體,若判定偵測到該人體,該處理器將該人體定位於該裝置定位結果。
- 如申請專利範圍第17項所述的定位伺服器,其中該些無線設備之間的多個無線通訊連結依據該些無線設備的無線連線能力而建立,且該處理器獲取該些無線通訊連結的通訊品質參數,並依據該些無線通訊連結的通訊品質參數尋找該些無線設備中的該目標無線設備與該定位伺服器之間的該些理想繞送路徑。
- 如申請專利範圍第17項所述的定位伺服器,其中該處理器獲取分別對應至該些理想繞送路徑的多個定位位置,以及對該些定位位置進行一統計運算而獲取該裝置定位結果。
- 如申請專利範圍第17項所述的定位伺服器,其中該處理器建立包括多個人體樣本的多個語意樣本的一樣本資料庫,並比對該人體的多個語意特徵與該些人體樣本的該些語意樣本,以辨識該人體為該人體樣本其中之一。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
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 |
CN201610648119.9A 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 |
US15/289,985 US10175051B2 (en) | 2016-07-22 | 2016-10-11 | Method of detecting position of human body, and system and positioning server using the same |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
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 |
---|---|
TWI585435B TWI585435B (zh) | 2017-06-01 |
TW201804169A true TW201804169A (zh) | 2018-02-01 |
Family
ID=59687951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
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 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10175051B2 (zh) |
CN (1) | CN107645772B (zh) |
TW (1) | TWI585435B (zh) |
Families Citing this family (7)
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 |
US10856105B2 (en) * | 2017-08-25 | 2020-12-01 | Sony 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 |
CN112581530A (zh) * | 2020-12-01 | 2021-03-30 | 北京时代凌宇信息技术有限公司 | 室内定位的方法、存储介质、设备及系统 |
US20240146620A1 (en) * | 2021-03-01 | 2024-05-02 | Google Llc | Device using neural network for combining cellular communication with sensor data |
Family Cites Families (10)
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 |
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 |
CN102722714B (zh) * | 2012-05-18 | 2014-07-23 | 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 |
CN102707305B (zh) * | 2012-06-06 | 2014-07-16 | 山东大学 | 摔倒检测定位系统的工作方法 |
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 |
US20150156567A1 (en) * | 2013-11-29 | 2015-06-04 | Ian James Oliver | Human activity reporting system |
CN103945533B (zh) * | 2014-05-15 | 2016-08-31 | 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 |
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
Also Published As
Publication number | Publication date |
---|---|
US20180023956A1 (en) | 2018-01-25 |
CN107645772B (zh) | 2020-03-06 |
CN107645772A (zh) | 2018-01-30 |
US10175051B2 (en) | 2019-01-08 |
TWI585435B (zh) | 2017-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW201804169A (zh) | 人體定位方法、人體定位系統與定位伺服器 | |
Alrajeh et al. | Localization techniques in wireless sensor networks | |
Guo et al. | WiFi-enabled smart human dynamics monitoring | |
Chen et al. | Robust cooperative Wi-Fi fingerprint-based indoor localization | |
US9154904B2 (en) | Method and system for accurate straight line distance estimation between two communication devices | |
Mukherjee et al. | FogIoHT: A weighted majority game theory based energy-efficient delay-sensitive fog network for internet of health things | |
JP2010507985A (ja) | 無線ネットワークにおける協調位置特定 | |
US10459066B2 (en) | Self-adaptive system and method for robust Wi-Fi indoor localization in large public site | |
US10386451B2 (en) | Method for an enhanced time of arrival positioning system | |
US20190302221A1 (en) | Fog-based internet of things (iot) platform for real time locating systems (rtls) | |
JP6016383B2 (ja) | 通信装置、通信装置の制御方法、プログラム | |
Deak et al. | Detection of multi‐occupancy using device‐free passive localisation | |
Fernandes et al. | Ad hoc communication in teams of mobile robots using zigbee technology | |
Osmani et al. | An analysis of distance estimation to detect proximity in social interactions | |
WO2020192922A1 (en) | Intermediate network node and method performed therein for handling data of communication networks | |
Mundnich et al. | Bluetooth based indoor localization using triplet embeddings | |
US11894880B2 (en) | Automatic fine-grained radio map construction and adaption | |
Naveed et al. | Smart indoor Positioning Model for Deterministic Environment | |
WO2023231839A1 (zh) | 感知数据传输方式的协商方法、装置及通信设备 | |
Hung-Jun et al. | Efficient Restricted-Access Building Drawing Regeneration from Passive Radio Localization | |
US20230064871A1 (en) | Systems and methods for distinguishing persons from other entities using network presence sensing | |
Yu et al. | Distributed consensus-based cooperative spectrum sensing in cognitive radio mobile ad hoc networks | |
US20240314728A1 (en) | Positioning method and communication device | |
Tong et al. | Wi-Fi Group Monitoring System Using Free Space Propagation Model with Active Scanning | |
Faraone et al. | Device free patients localization in controlled indoor environments |