[发明专利]一种室内人员行为识别及位置跟踪系统及方法

权利要求书

1.一种室内人员行为识别及位置跟踪系统，其特征在于：包括PIR传感器单元、运动传感器单元及服务器PC；

PIR传感器单元安装在室内定位区域的天棚上，用于采集室内人员的人体红外信号，粗略识别室内人员的位置，并发送给服务器PC；

运动传感器单元由室内人员携带，用于采集室内人员运动引起的三轴加速度信号并根据该信号识别运动状态发送给服务器PC；

服务器PC用于根据室内环境布局及室内人员的行为习惯来产生不同类别的行为地图，并根据运动引起的三轴加速度信号选择行为地图，进行人员行为识别及位置跟踪。

2.根据权利要求1所述的室内人员行为识别及位置跟踪系统，其特征在于：所述PIR传感器单元包括PIR传感器、第一微控制器和第一无线通信模块，PIR传感器的输出端连接第一微控制器的输入端，第一微控制器的输出端连接第一无线通信单元的输入端，第一微控制器通过第一无线通信模块与服务器PC建立无线通信。

3.根据权利要求1所述的室内人员行为识别及位置跟踪系统，其特征在于：所述运动传感器单元包括三轴加速度传感器、第二微控制器和第二无线通信模块，三轴加速度传感器的输出端连接第二微控制器的输入端，第二微控制器的输出端连接第二无线通信单元的输入端，第二微控制器通过第二无线通信模块与服务器PC建立无线通信。

4.采用权利要求1所述的室内人员行为识别及位置跟踪系统的室内人员行为识别及位置跟踪方法，其特征在于：包括以下步骤：

步骤1：服务器PC根据室内环境布局及室内人员的行为习惯来产生不同类别的行为地图；

步骤2：将PIR传感器单元布置于室内天棚上，人员携带运动传感器进入室内；

步骤3：当携带运动传感器单元的人员在室内运动时，PIR传感器单元通过实时获取该人员的人体红外信号，运动传感器单元实时采集室内人员运动引起的三轴加速度信号；

步骤4：当PIR传感器在其感知半径内检测到人员的红外信号时，转换成开关量信号输出到第一微控制器并经无线通信模块传递给服务器PC，当运动传感器检测到人员运动引起的三轴加速度信号时，将信号转化成数字信号输出至第二控制器，再传至服务器PC；

步骤5：服务器PC根据运动引起的三轴加速度信号选择行为地图，进行人员行为识别及位置跟踪；

步骤5.1：根据运动引起的三轴加速度信号识别人员姿态，并选择行为地图；

步骤5.1.1：取时间窗口Δt，计算重力加速度a_x在Δt时间里的变化率

运动引起的三轴加速度信号包括：重力加速度a_x，人员移动方向加速度a_y，根据右手定则垂直于a_x和a_y的平面a_z；

步骤5.1.2：计算重力加速度a_x在Δt时间里的变化率的方差variance；

步骤5.1.3：计算时间窗口Δt内重力加速度方向a_x的均值mean；

步骤5.1.4：如果方差variance大于方差阈值vth1，人员当前姿态为走路；如果均值mean大于均值阈值mth2小于均值阈值mth3，人员当前姿态为坐；如果均值mean大于均值阈值mth4，人员当前姿态为躺；其余情况时，人员当前姿态为站立；

步骤5.1.5：根据人员当前姿态选择相应的行为地图；

步骤5.2：进行基于粒子滤波的室内人员行为识别及位置跟踪；

步骤5.2.1：初始化人员的室内位置分别为的横坐标、纵坐标，第k个粒子状态即位置具有相同的权重N为预测室内位置点的个数；令k＝1，t为当前时刻；

步骤5.2.2：建立用于预测t+1时刻第k个粒子状态的状态转移模型

skt+1=xkt+1ykt+1=fxktykt=xkt+vkt·Δt·cos(θkt)ykt+vkt·Δt·sin(θkt)]]>

式中，表示t时刻第k个粒子状态的速度，表示t时刻第k个粒子状态的方向；

根据室内人员的运动习惯，确定人员的移动速度满足：

且.vkt=vkt,0<vkt<vmax|vkt|,vkt<02*vmax-vkt,vkt>vmax]]>

σv=min(vmax,Δt)]]>

其中，表示高斯随机函数，表示t-1时刻人员移动速度，v_max表示人员移动速度最大值，σ_v表示人员室内移动速度方差；

人员的移动方向和有关，满足：

且θkt=θkt,-π<θkt<πθkt+2π,θkt<-πθkt-2π,θkt>π]]>

σh=0.4π-arctan(vkt-12)]]>

其中，σ_h表示人员室内移动速度方向方差；

步骤5.2.3：建立用于估计t+1时刻第k个粒子的预测粒子状态信度的观察模型计算每个预测粒子状态的可信度；

p(zkt+1|skt)=p(zkt+1,PIR|skt)×p(zkt+1,IMU|skt)]]>

其中，为t+1时刻第k个粒子的PIR传感器观察模型，为t+1时刻第k个粒子的运动传感器观察模型，是PIR传感器获得的人体运动引发的观察数据，为M位“0”或“1”二进制数，其中M表示PIR传感器个数，“0”表示人员不在PIR传感器感知范围内，“1”表示人员在PIR传感器感知范围内；为t+1时刻第k个粒子的运动传感器观察模型，是运动传感器获得人体运动状态变化引起的三轴加速度[a_x，a_y，a_z]；

步骤5.2.4：如果k不大于最大粒子数N，令k＝k+1，返回步骤5.2.2，如果k大于最大粒子数N，执行步骤5.2.5；

步骤5.2.5：根据预测的N个粒子状态即预测人员位置，以及N个预测粒子状态的可信度，计算粒子状态加权平均值，得到t时刻的粒子状态即最佳人员位置，完成粒子状态估计；

步骤5.2.6：归一化N个预测粒子状态的可信度值，去掉N/2个可信度低的粒子状态，随机生成新的N/2个粒子状态，t＝t+1，返回步骤5.2.1。

5.采用权利要求4所述的室内人员行为识别及位置跟踪方法，其特征在于：步骤5.2.3按如下步骤进行：

步骤5.2.3.1：建立t+1时刻第k个粒子的PIR传感器观察模型

p(zkt+1,PIR|skt)=1,|sk-Csi|≤rsi0,|sk-Csi|>rsi]]>

其中，表示PIR传感器的感知范围的中心坐标，表示PIR传感器的感知半径；

步骤5.2.3.2：建立t+1时刻第k个粒子运动传感器观察模型

p(zkt+1,IMU|skt)=Σi=1nP(zkt+1,IMU|Ai)·P(Ai|skt)]]>

其中，A_i表示识别的人员行为，i＝1，...n，n为人员行为种类个数，表示在t+1时刻相应的三轴加速度信息[a_x，a_y，a_z]；表示在人员的行为是A_i时，根据贝叶斯公式计算得到运动传感器观察模型的观察值为的概率；

P(Ai|skt)=P(skt|Ai)*P(Ai)P(skt)]]>

其中，是尺度因子常数，P(A_i)为人员行为是A_i的概率，表示t时刻行为是A_i所对应的行为地图中位置坐标为的位置点的像素灰度值；

步骤5.2.3.3：根据PIR传感器观察模型和运动传感器观察模型，得到每个预测粒子状态的可信度。