[发明专利]一种基于被动式WiFi感知的细粒度人群分析方法

权利要求书

1.一种基于被动式WiFi感知的细粒度人群分析方法，其特征在于，包括如下步骤：

S1、获取连续时刻下，目标监控区内由WiFi感知得到的粗粒度人群密度图；

S2、将所述粗粒度人群密度图输入至训练好的深度卷积自编码器模型中，输出连续时刻下细粒度的全局人群密度图；

S3、采用密度聚类法识别所述全局人群密度图中每个局部高密度人群的中心像素点坐标；

S4、对每个所述中心像素点坐标，从所述全局人群密度图中对应位置处裁剪出一个局部块，并结合之前若干时刻同一位置的局部块，形成人群密度图块序列；

S5、将所述人群密度图块序列输入至训练好的双向卷积长短期神经网络模型中，输出每个所述局部高密度人群的速度向量。

2.根据权利要求1所述的一种基于被动式WiFi感知的细粒度人群分析方法，其特征在于，所述步骤S1具体包括：

S11、针对目标监控区，离线构建WiFi定位指纹库；

S12、基于所述WiFi定位指纹库，采用KNN定位法结合滑动窗口机制对连续时刻下所述目标监控区中的所有WiFi感知设备的指纹进行WiFi指纹定位，获得WiFi感知设备的定位集合；

S13、将所述定位集合转换为粗粒度人群密度图。

3.根据权利要求2所述的一种基于被动式WiFi感知的细粒度人群分析方法，其特征在于，所述步骤S11具体包括：

针对目标监控区建立二维直角坐标系，并在所述目标监控区内设定若干参考点；所述目标监控区内均匀部署有多个WiFi嗅探器；所述WiFi嗅探器用于采集每个所述参考点位置处参考设备的WiFi感知数据；

采用所述目标监控区中的多个参考设备对所述参考点采集预设维度的RSS均值指纹向量，并根据所述RSS均值指纹向量结合参考点位置离线构建WiFi定位指纹库。

4.根据权利要求3所述的一种基于被动式WiFi感知的细粒度人群分析方法，其特征在于，所述WiFi嗅探器的数量为大于或等于3个。

5.根据权利要求3所述的一种基于被动式WiFi感知的细粒度人群分析方法，其特征在于，所述步骤S12具体包括：

利用时间窗口对连续时刻下WiFi感知数据中每个设备MAC地址的感知数据进行过滤处理，并构建每个设备MAC地址的指纹向量；

采用KNN定位法结合所述WiFi定位指纹库，对每个所述指纹向量进行定位，获得WiFi感知设备的定位集合。

6.根据权利要求2所述的一种基于被动式WiFi感知的细粒度人群分析方法，其特征在于，所述步骤S13具体包括：

将所述定位集合中每个物理空间坐标转化为对应的像素坐标，形成像素坐标集；

将所述像素坐标集转化为离散的中间图像；

采用固定高斯核函数对所述中间图像进行卷积和平滑操作，生成WiFi感知的粗粒度人群密度图。

7.根据权利要求1所述的一种基于被动式WiFi感知的细粒度人群分析方法，其特征在于，所述深度卷积自编码器模型通过如下步骤进行训练：

将监控场景分割为多个子区域；所述监控场景内均匀部署多个WiFi嗅探器；每个所述子区域均能够被单个固定的或临时的摄像头覆盖；

基于所述WiFi嗅探器和摄像头，对应获得所述目标监控区在连续时刻下的WiFi感知数据和视频数据；

基于所述WiFi感知数据和视频数据，分别获得第一粗粒度人群密度图以及与所述第一粗粒度人群密度图相对应的全局人群密度图标签；

将所述第一粗粒度人群密度图作为输入，将所述全局人群密度图标签作为输出，采用Adam优化器和融合损失函数训练深度卷积自编码器模型。

8.根据权利要求1所述的一种基于被动式WiFi感知的细粒度人群分析方法，其特征在于，所述深度卷积自编码器模型由一个编码器和一个解码器构成，共包括10个基础模块和3个卷积注意力模块；

通过所述基础模块实现将3×3的卷积层、激活函数和批归一化层相结合；

通过所述卷积注意力模块实现同时提取通道域和空间域的注意力。