[发明专利]一种基于被动式WiFi感知的细粒度人群分析方法

说明书

本发明公开了一种基于被动式WiFi感知的细粒度人群分析方法，包括：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；将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；采用密度聚类法识别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；对每个中心像素点坐标，从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；将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，输出每个局部高密度人群的速度向量。该方法可以提高场景中人群分布估计的准确性，同时实现对局部高密度人群速度的估计。

技术领域

本发明涉及细粒度人群分析技术领域，更具体的说是涉及一种基于被动式WiFi感知的细粒度人群分析方法。

背景技术

随着城市的快速发展，对大范围场景中聚集人群的监控成为了一个重要的研究领域。然而，如何准确地进行细粒度人群分析，即理解人群在公共空间如何分布及其随时间如何移动仍然是一个开放型课题。获取这些重要人群状态信息对许多应用至关重要，包括交通管控、城市规划、商业决策、人群安全管理乃至智慧城市的建设等。

根据使用数据模态的不同，现有技术可主要分为两类：1)基于计算机视觉的人群分析方法。该类方法利用基于深度学习的检测或回归模型，从图像或视频中抽取人群的状态信息。2)基于被动式WiFi感知的人群分析方法。该类方法利用WiFi嗅探器(一种定制的WiFi接入点)捕获周围行人携带移动设备所发出的probe请求帧，从中提取唯一MAC地址、接收信号强度(RSS)等信息，以推断人群的分布和移动等属性。

其中，现有基于计算机视觉的人群分析方法存在部署成本高、计算复杂度高、存在视野盲区和遮挡、受限于光照条件等缺点；在估计人群分布(人群密度图)时，无法获取大面积场景的全局信息，同时视角畸变使得估计的密度图不直观；在估计人群速度时，受限于遮挡且存在跨摄像头协同处理的难题。

而现有基于被动式WiFi感知的人群分析方法具有低成本、覆盖范围大、扩展性强、无设备感知(Device-Free)等优点，但WiFi测量值的随机性和稀疏性导致其估计精度普遍较低。在估计人群分布方面，现有基于被动式WiFi感知的人群分析方法未能有效克服人数估计和人群位置估计的局限性，造成较大的估计误差；在人群速度估计方面，受限于MAC地址随机化和有限的应用场景(单向或双向通道型区域)。

因此，如何提高场景中人群分布估计的准确性，同时实现对局部高密度人群速度的估计，是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种至少解决上述部分技术问题的基于被动式WiFi感知的细粒度人群分析方法。

为了实现上述目的，本发明采用如下技术方案：

一种基于被动式WiFi感知的细粒度人群分析方法，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。

进一步地，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；