[发明专利]检测物理环境中的活动的系统和检测环境中的活动的方法

说明书

技术领域

本发明一般地涉及传感器网络，更具体地，涉及使用传感器网络对 环境中人的移动进行建模以识别环境中的活动。

背景技术

如果传感器网络可以解释建筑物中人的移动和活动，则该建筑物将 是更为安全和有效的。例如，能够提供当前人口数据从而改善适应性疏 散计划的传感器网络将增强安全性。能够解释建筑物中的日常活动模式 并标记不寻常的活动的系统可以增强安全性。预测居民活动能够在供暖、 照明和电梯调度方面实现更大的能效。

Wilson等在“Simultaneous tracking & activity recognition(star)using many anonymous，binary sensors”，The Third International Conference on Pervasive Computing，2005中描述了一种传感器网络。该网络针对的对象 是任意时刻只有少量人数的家庭。Wilson使用经典的“跟踪一解释”策略。

然而，在具有更多人的环境(例如办公楼、学校或工厂)中，用于 跟踪人和解释更高级活动所必须判断的假定成指数增长。因此，该方法 仅适用于低人口的建筑，例如居住房屋。而且，传感器在家庭环境中的 精确位置是关键的。这种专用程度在大的建筑物或使用模式动态变化的 环境中是不经济的。

现有技术还描述了根据视频内的图像解释人类活动的方法，Bobick， “Movement.activity and action：the role of knowledge in the perception of motion，”Philosophical Transactions：Biological Sciences， 352(1358)：1257-1265，1997。Bobick描述了一种框架，用于使用视频内的 时间和背景(context)来解释人类行为。他将行为分成三个层次，包括： 移动、活动和行动(action)。最基本的活动被称为移动。移动与空间背 景有关联但不具有时间结构。短序列的移动与一些时间结构组合就形成 了活动。在参与者和环境的较大背景中解释这些活动以对行动进行识别。 然而，Bobick的方法需要对由昂贵的视频照相机采集的视频帧进行复杂 的图像分析。

描述对视频中的人类行为进行的解释的其他现有技术包括Stauffer 等人的“Learning patterns of activity using realtime tracking，”IEEE Transactions on Pattern Recognition and Machine Intelligence，22(8)：747-757， 2000；Johnson et al.，“Learning the distribution of object trajectories for event recognition，”Image and Vision Computing，14(8)，1996；Minnen等人的 “Expectation grammars：Leveraging high-level expectations for activity recognition，”Workshop on Event Mining，Event Detection，and Recognition in Video，Computer Vision and Pattern Recognition，volume 2，page 626，IEEE，2003；Cutler等人的“Real-time periodic motion detection，analysis and applications，”Conference on Computer and Pattern Recognition，pages 326-331，Fort Collins，USA，1999；以及Moeslund等人的“A survey of computer vision based human motion capture，”Computer Vision and Image Understanding，81：231-268，2001。

大多数现有技术工作中的共同思路是：在处理的第一阶段对对象进 行跟踪。这限制了在缺少高度推定(即视频照相机)时检测可以提供高 度精确跟踪信息的特征的工作。