CN108120437B - 一种基于地磁场强度序列特征点对齐的行人路径匹配方法 - Google Patents
一种基于地磁场强度序列特征点对齐的行人路径匹配方法 Download PDFInfo
- Publication number
- CN108120437B CN108120437B CN201711291054.8A CN201711291054A CN108120437B CN 108120437 B CN108120437 B CN 108120437B CN 201711291054 A CN201711291054 A CN 201711291054A CN 108120437 B CN108120437 B CN 108120437B
- Authority
- CN
- China
- Prior art keywords
- mag
- sequence
- sequences
- feature points
- magnetic field
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于地磁场强度序列特征点对齐的行人路径匹配方法,具体过程为:一、在两组待处理的磁场强度序列中寻找一组空间一致的特征点,并在该组特征点处将两序列对齐,然后将其他特征点以该组特征点为基准,依次就近对齐;对齐后通过线性插值完成两个序列长度统一,得到新的两组序列;二、计算两个新序列的相关系数;三、重复上述过程,得到两个序列的最大相关系数;四、设置相似度阈值,最大相关系数大于该阈值的两个序列,判定为同一路段的数据,其相对位置由对齐后两组序列的起始点相对位置来确定。本发明通过识别磁场序列中的特征点,完成地磁序列的尺度统一,进而实现相同空间地磁序列的准确匹配。
Description
技术领域
本发明属于室内定位技术领域,具体涉及一种基于地磁场强度序列特征点对齐的行人路径匹配方法,可用于基于众包数据的指纹地图构建和地磁序列匹配定位方面。
背景技术
随着移动互联网与智能终端的快速发展,基于地理位置的各类互联网服务不断衍生出来,人们对于室内定位的需求也越来约强烈。目前大众消费类应用场景下常用的室内定位方法主要有基于WLAN/BLE信号强度指纹的定位方法、基于地磁场的室内定位方法、基于惯性传感器的定位等。其中基于信号强度指纹的定位方法需要预先在离线阶段采集各个参考点上的各接入点的信号强度以制作信号强度指纹数据库。同时,由于室内环境的变化等原因,要持续实现一定的定位精度,就需要每隔一段时间重新采集、更新信号强度,这都需要耗费较大的人力物力。为解决上述问题,催生了志愿者指纹采集技术、指纹库推衍技术,以及基于众包数据的指纹库重构技术。目前,随着智能终端的普及和位置服务用户的增多,基于众包用户数据进行WiFi指纹地图重构的研究成为了当前的热点。另外,研究人员发现地磁场在室内的空间分布具有一定稳定性,加上地磁场相比WiFi信号,具有无源性、空间分辨力高、信号稳定性强等优势,因此基于地磁场的室内定位技术也越来越受关注。
结合上述两类技术的特点,有学者提出了利用地磁序列在同一空间路径上的特征稳定性,来进行众包用户路径的匹配和合并,最终通过片段的众包数据重构室内拓扑地图,并进而得到完整的WiFi指纹空间分布或地磁场强度空间分布的方法。此外,在基于地磁场的室内定位方法中,也需要将实时采集的地磁序列与事先测量得到的地磁强度数据库中的地磁序列进行匹配,从而估计行人当前的位置坐标。上述两种地磁定位的实例中,都面临一个相同的关键问题,即如何准确的评估两段地磁时间序列的相似度,从而将相同空间位置的地磁序列进行匹配。
在实际应用中,普通用户只能通过个人的智能终端获得到地磁场的三轴强度时间序列,用户的真实步行速度是未知的和不可测的。利用智能终端内置的加速度传感器和MEMS陀螺仪,可以利用行人航位推算(Pedestrian Dead Reckoning,PDR)技术来进行用户的步伐检测、航向估计和步长估计,从而推算用户相对于起点的位置坐标。但是由于智能手机内置的惯性器件精度有限,加上用户使用智能手机时姿势的变化,步长和航向难以准确推算。因此,在同一空间路径上,不同用户采集到的地磁时间序列呈现拉伸或收缩的状态,如图1-2所示,如何将不同伸缩状态的地磁时间序列转换到同一的空间尺度上,并准确度量两段序列的空间相似性,就是所解决的关键问题。
发明内容
本发明提供一种基于特征点对齐的磁场强度序列匹配方法,通过识别磁场序列中的特征点,完成地磁序列的尺度统一,进而实现相同空间地磁序列的准确匹配。
本发明是通过以下技术方案实现:
一种基于地磁场强度序列特征点对齐的行人路径匹配方法,具体过程为:
一、对待处理的两组磁场强度序列Mag1和Mag2,在磁场强度序列Mag1和Mag2中寻找一组空间一致的特征点,并在该组特征点处将两序列对齐,然后将其他特征点以该组特征点为基准,依次就近对齐;对齐后通过线性插值完成两个序列长度统一,得到新序列Magnew1与Magnew2;
二、计算两个新序列的相关系数cc;
三、重复上述两步骤,直至遍历完两组磁场强度序列Mag1和Mag2中空间一致的特征点为止,最终得到两个序列的最大相关系数ccMax,及最大相关系数ccMax所对应的两组对齐序列;
四、设置相似度阈值thCC,最大相关系数大于该阈值的两个序列,判定为同一路段的数据,其相对位置由对齐后两组序列的起始点相对位置来确定。
进一步地,本发明所述磁场强度序列获取方式为:利用众包用户数据中的三轴地磁场强度数据,计算各个时刻的三轴合磁场强度Mag,得到合磁场强度序列检测合磁场强度序列中的波峰和波谷,剔除不满足相邻两点之间差值均大于设定阈值thMagDiff的波峰和波谷;将所保留的波峰和波谷作为磁场强度序列的特征点。
进一步地,本发明设Mag1中的一组特征点FP1 1和FP1 2,Mag2中的一组特征点FP2 1和FP2 2,计算两组特征点间的距离比值ratioL,判断其是否在设定阈值范围[0.5,2]内,若是,判断其为空间一致的特征点,否则,重新寻找;
进一步地,本发明所述在该组特征点处将两序列对齐为:
Disnew2(n)=(Dis2(n)-Dis2(FP2 1))·ratioL+Dis1(FP1 1) (0.11)
其中,Dis2(n)表示进行缩放的特征点n到Mag2起始点的距离,Disnew2(n)表示缩放后特征点n到Mag2起始点的距离;
据此可得Mag2的起点和终点在Mag1中对应的序号:
其中,M表示Mag1的长度,N表示Mag2的长度;
若得到的起点和终点超出Mag1的起终点序号范围,则对Mag2进行相应的截取。
进一步地,设对齐后得到的对齐路径为AP={AP1,AP2,AP3,...APQ},当对齐的特征点大于设定比例时,即时,则认为寻找的特征点正确,否则,重新开始寻找一组特征点,其中Q表示对齐路径中特征点的总数,X1+Y1表示Mag1中特征点的总数(波峰特征点加波谷特征点),X2+Y2表示Mag2中特征点的总数(波峰特征点加波谷特征点)。
进一步地,本发明特征点到起始点的距离获取方式为:利用众包用户数据中的三轴加速度数据,计算各个时刻的合加速度Acc,得到合加速度序列对加速度序列进行行人步伐检测,得到行走步伐数Nstep,利用固定步长Lstep=0.6m估计出行人行走距离,得到各个特征点距起点的距离序列Dis={Dis1,Dis2,Dis3,...,DisM}。
进一步地,本发明所述相关系数的计算为:
其中,Z为新序列的长度,表示新序列Magnew1的平均磁场强度,表示新序列Magnew2的平均磁场强度,表示新序列Magnew1的第r个特征点的磁场强度,表示新序列Magnew2的第r个特征点的磁场强度,。
与现有的技术相比,本发明的有益效果是:
本发明通过检测用户路径数据中磁场强度序列的变化特征点,同时利用行人步伐检测进行距离约束,实现在不同行走速度下采集的磁场强度序列的空间缩放尺度统一,并进而实现同一空间路径上地磁序列的准确匹配。该方法能够解决由于行人行走速度不同带来的磁场强度序列伸缩和匹配不准问题,其优势在于:1)算法规避了对行人步长的估计,避免了步长估计引入的误差;2)通过地磁特征实现路径匹配,不依赖WiFi等外部辅助信号;3)与DTW(Dynamic Time Warping,动态时间规整)算法相比,时间复杂度降低。
附图说明
图1为不同时间沿同一走廊行走采集得到的磁场强度序列示意图;
图2为沿不同走廊行走采集得到的磁场强度序列示意图;
图3为本发明磁场强度序列匹配方法的架构图;
图4为某室内走廊上磁场强度序列的特征点;
图5(a)为两行人在不同时间沿同一走廊行走采集的磁场强度序列;
图5(b)为两序列的特征点提取结果;
图5(c)为根据两个对齐点进行缩放后的结果;
图5(d)为对齐与相关系数计算结果;
图6(a)为两行人在不同时间沿同一走廊行走采集的磁场强度序列示意图(其中一行人只采集一部分);
图6(b)为对图6(a)对齐与相关系数计算结果;
图7(a)两行人沿不同走廊行走采集的磁场强度序列;
图7(b)对图7(a)的对齐与相关系数计算结果;
图8不同路段长度的场景识别正确率。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。
本发明提供一种基于地磁场强度序列的特征点对齐的行人路径匹配方法,具体为:
一、对待处理的两组磁场强度序列Mag1和Mag2,在磁场强度序列Mag1和Mag2中寻找一组空间一致的特征点,并在该组特征点处将两序列对齐,然后将其他特征点以该组特征点为基准,依次就近对齐;对齐后通过线性插值完成两个序列长度统一,得到新序列Magnew1与Magnew2;
二、计算两个新序列的相关系数cc;
三、重复上述两步骤,直至遍历完两组磁场强度序列Mag1和Mag2中空间一致的特征点为止,最终得到两个序列的最大相关系数ccMax,及最大相关系数ccMax所对应的两组对齐序列;
四、设置相似度阈值thCC,最大相关系数大于该阈值的两个序列,判定为同一路段的数据,其相对位置由对齐后两组序列的起始点相对位置来确定。
下面对上述过程中的每一部分进行详细说明:
1、地磁特征点提取
本方法中的使用磁场强度序列中的一系列波峰波谷作为“特征点”,这些波峰波谷满足相邻两点之间差值均大于某阈值thMagDiff,本实例中取thMagDiff为1uT。例如,对于图4中的磁场强度序列,波峰B与相邻波谷A的差值大于1uT,但是与相邻波谷C的差值小于1uT,因此B不作为特征点,而波峰D与波谷A、E的差值均大于1uT,因此D作为特征点。
从磁场强度序列中提取出满足上述条件的特征点的算法流程如下:
输入:磁场强度序列Mag={Mag1,Mag2,Mag3…MagM}
输出:特征点序列P={P1,P2,P3…PX}(P1<P2<P3<…<PX),T={T1,T2,T3…TY}(T1<T2<T3<…<TY)
过程:
步骤1,初始化序列MP、MT,以序号i遍历Mag
步骤2,将MP与MT合成有序序列MPT,初始化lastFP=1用于标记遍历过程中最近找到的特征点、波峰点序列P长度X=0、波谷点序列T长度Y=0
步骤3,以序号j遍历MPT
2、步伐检测和距离估计
对加速度序列同样提取特征点并统计波峰数,可得到行人行走的步数Nstep。由于目前的步长估计算法均需要事先通过训练以确定步长估计模型中的参数,这不适用众包数据采集应用场景,因此本实施例对不同的行人均使用固定的步长Lstep=0.6m(该参数的数值并不会影响计算效果)以估计行人走过的距离:
L=Nstep·Lstep (0.1)
并进而得到每个采样点的距起点的距离序列Dis={Dis1,Dis2,Dis3,...,DisM},其中
3、基于特征点对齐与步长限制的相关系数计算
对待处理的两组磁场强度序列Mag1和Mag2,及其对应的距离序列Dis1和Dis2,进行两个磁场强度序列特征点的对齐,并得到最大相关系数,作为两段序列的匹配相似度。对其进行对齐并计算相关系数的算法流程如下:
输入:磁场强度序列Mag1、Mag2,位置序列Dis1、Dis2
输出:相关系数ccMax
过程:
步骤1,特征点提取
其中P为波峰特征点,T为波谷特征点。
步骤2,计算缩放比例
分别从两磁场序列的特征点序列中取出两点:
或
或
或
若特征点序列P1中的点和特征点序列P2中的对应空间中的同一点A(即与“对齐”),特征点序列P1中的点和特征点序列P2中的对应空间中的同一点B(即与“对齐”),此时假设采集两序列的行人步长分别为Lstep1、Lstep2,两行人在A、B两个点之间行走的步数分别为Nstep1、Nstep2,则应有
Nstep1·Lstep1=Nstep2·Lstep2=LAB (0.9)
其中,LAB为A、B两点之间的真实距离,据此可推导出两人的步长之比
由于行人行走距离估计误差主要来自步长估计误差,而行人的步长范围一般为0.4~0.8m,因此ratioL的合理范围为[0.5,2]。当计算得到的ratioL超出该范围时,说明选取的两个对齐特征点不正确,此时返回步骤2选取其它的对齐特征点,否则进入步骤3。
步骤3,剩余特征点对齐
Disnew2(n)=(Dis2(n)-Dis2(FP2 1))·ratioL+Dis1(FP1 1) (0.11)
若得到的起点和终点超出序列1的起终点序号范围,则对序列2进行相应的截取。例如,磁场强度序列1(Mag1)中各元素的原序号依次记为1,2,3,…,M,磁场强度序列2(Mag2)中各元素的原序号依次记为1,2,3,…,N,序列的特征点用其所对应的元素序号来标记,即表示当前的对齐特征点1为序列2的第10个元素,其他同理;公式(0.12)(0.13)中计算了将对齐,且按公式(0.11)进行序列2位置距离缩放后,序列2的起始点元素与序列1的元素序号对齐关系,即若计算得到StartPoint=5、StopPoint=30(M>30)时,当前对齐且缩放后的序列2的第1个元素与序列1的第5个元素对齐,第N个元素(最后一个元素)与序列1的第30个元素对齐;当StartPoint<1或StopPoint>M时,对序列2超出的数据进行截取。
同时,若步骤2中的对齐点选择正确,则此时两序列的波峰波谷点之间应基本对齐(即位置坐标相近),但由于行人在行走时速度会有所变化,因此在缩放后两序列的波峰波谷会稍有偏移。为达到最佳的相关系数计算结果,需要对剩余的特征点进行就近对齐,最终获得记录两序列波峰波谷之间对齐关系的“对齐路径”AP。具体过程为:起始时AP={AP1,AP2,AP3,AP4},其中AP1=[StartPoint,1]、AP4=[StopPoint,N]。对于所有尚未添加到AP中的与在已有AP以及对齐阈值thAlign的限制下寻找距离其最近的特征点——从对齐路径AP中找到Pi 2在序列1中所在的区间[IndexL,IndexR],其中
在区间[IndexL,IndexR]中找到距离Pi 2最近且距离不超过thAlign的序列1中的特征点:
距离小于阈值thAlign的限制是为了避免产生过度对齐,本发明中thAlign取经验值2m。当无法从序列1中找到满足条件的特征点时则Pi 2在序列中没有对齐点。以同样的方法找到的对齐点,然后选择对齐距离最小的两对齐点添加到对齐路径AP中:
在新的AP限制下重复以上过程直到找到所有的对齐特征点,得到对齐路径AP={AP1,AP2,AP3,...APQ},其中AP1为对齐起点、APQ为对齐终点,AP2~APQ-1为波峰波谷的对齐结果。当对齐的特征点数大于一定比例时,即时(本发明中取thMinAlign=0.8),认为步骤2中的两个对齐特征点选择正确,进行第4步,否则从步骤2开始重复。
步骤4,线性插值
对齐路径AP将序列分割为Q-1个子区间,对于每一个子区间[APq,APq+1],序列1与序列2在该子区间的长度为分别为Mq、Nq。将两序列中长度较短的序列均匀线性插值到另一个序列的长度。对所有子区间均进行插值后,得到两个长度均为Z的磁场强度序列Magnew1与Magnew2。
计算相关系数
取最大相关系数及起始点结束点计算
遍历步骤1中的所有特征点选取可能,重复上述过程,取计算得到的最大相关系数ccMax。对于取得最大相关系数的情况,计算除了起点StartPoint对齐点对和终点StopPoint对齐点对外的第一个对齐点对到最后一个之间的缩放比例
其中,APi j为AP中第i个对齐点对在序列j中的序号。然后重新计算序列2的起点和终点在序列1中对应的序号,从而得到序列2在序列1中的位置:
4、实验与性能评估
将评估本发明提出的基于特征点对齐与步伐检测的磁场强度序列匹配算法对地磁场强度序列的对齐效果、在众包数据采集的路径分类中的分类精度以及场景识别中的识别精度。
4.1实验环境与数据采集
在中国科学院北京新技术基地综合楼的7条走廊和光电研究院主楼的5条走廊上采集数据,走廊长度从25m至70m不等。对于每条走廊,4位行人分别在不同时间在走廊上采集5次数据。采集时,行人按各自平常习惯沿走廊匀速行走(行人的实际速度会有所变化)并同时使用手机以15Hz的采样率采集磁场强度和加速度数据。4位行人使用的手机分别为红米Note4、乐视1Pro、华为Mate8、一加3T。
每条走廊上有4位行人采集的共20组数据,因此共获得240组数据,以下实验均基于这240组数据。
4.2对齐与匹配效果
图5(a)为两行人在不同时间沿同一走廊行走采集的磁场强度序列,图中横坐标为步伐检测与固定步长(Lstep=0.6m)计算得到的行走距离。由图可见,由于两行人所使用的手机的磁强计灵敏度不同,同一走廊上采集的两个磁场强度序列的幅值之间存在一个固定偏移值以及缩放关系。同时,由于两行人的步长不同,因此在同一条走廊上的行走步数不同,造成两组数据的距离估计值也存在相对缩放关系。图5(b)显示了本发明算法的特征点提取结果,图5(c)为根据选择的两个对齐点进行缩放后的结果,其中箭头所指为两个对齐点,可见行人行走速度的变化造成其它本应对齐的特征点并没有对齐。图5(d)为特征点对齐及相关系数计算结果,由图可见本发明算法正确地将序列2与序列1进行了对齐并计算出了很高的相关系数,实现了不同行人采集的同一走廊采集数据的匹配。
图6(a)为两行人在不同时间沿同一走廊行走采集的磁场强度序列,与图5不同的是,其中一位行人只采集了走廊中一段的数据。图6(b)为本发明算法的对齐与相关系数计算结果,可见算法正确地将序列2与序列1进行了对齐与匹配,实现了磁场强度序列的子序列匹配。
图7(a)为两行人在不同走廊上行走采集的磁场强度序列,两序列存在明显不同的起伏特征。图7(b)为本发明算法尝试对这两个序列进行对齐与相关系数计算的结果,可见两者的相关系数很低。
4.3分类性能
如前所述,在众包数据采集这一应用场景中,需要对采集到的数据进行分类。更具体地,对于两组数据,需要对“两组数据‘是’或‘不是’同一走廊上的数据”进行判断。针对这一要求,从所有12条走廊上的240组数据中每次取出两组,使用本发明算法和DTW算法对两组数据进行匹配并给出判断结果,其中本发明算法的最小对齐比thMinAlign取0.8,相关系数阈值取0.9,DTW算法的距离阈值取为0.05。对于次匹配,统计正确判断次数、错误判断次数以及误匹配次数并相应得到正确率、错误率及误匹配率如表1所示。其中正确判断包括“两组数据是同一走廊的数据而算法给出‘是’的判断”及“两组数据不是同一走廊的数据而算法给出‘不是’的判断”,错误判断包括“两组数据是同一走廊的数据而算法给出‘不是’的判断”及“两组数据不是同一走廊的数据而算法给出‘是’的判断”,误匹配指的是“两组数据不是同一走廊的数据而算法给出‘是’的判断”,即错误判断包含误匹配的情况。
表1本发明算法与DTW算法的分类性能比较
如表1所示,本发明算法与基于DTW距离的算法在应用于众包数据采集中的走廊分类判断时,均达到了很高的判断正确率且误匹配率均为0。值得注意的是,众包数据采集这一应用场景对误匹配次率更为敏感,因为错误的将两条不同走廊上的数据认为是同一条走廊上的数据会对已分类的数据造成“污染”。需要说明的是,本发明算法与DTW算法均有相应的阈值参数可以设置,使用不同的阈值会得到不同的正确率和误匹配率结果,而DTW距离的最佳阈值确定不在本发明研究内容之内,因此本发明不对两算法的精度高低给出比较结论。表1中的耗时比较说明了本发明算法的计算时间仅为DTW算法的1/5左右,计算速度较DTW算法更快,证实了计算时间复杂度分析(耗时为在Matlab R2011b中运算的统计结果,运行环境为[email protected],内存4GB)。
4.4场景识别性能
本发明将红米Note4在每条走廊采集的5组数据中的第一组作为场景识别的指纹数据库,记为Map,即
Map={M1,M2,M3,...,MN}
其中M1,M2,M3,...,MN分别为该指纹数据库包含的每个场景的数据,本发明中N=12,即场景为12条走廊。对于剩下的228组数据,从中以2m为间隔取出长度为L米的路段数据。例如,某组数据对应的走廊的长度为60m,L取30m,则依次取出该组数据的0~30m、2~32m、4~34m…30~60m部分的数据,这模拟了行人走在走廊的不同路段上的情况(这里的长度来自于对真实场景的实际测量)。从228组数据中共取得K段长度为L的数据。对于每一段数据S,使用本发明算法将其与指纹数据库M中的每一个场景进行匹配,取相关系数最大的场景的作为场景识别结果,即:
其中match(·)表示使用本发明算法进行匹配以得到相关系数。使用识别正确率衡量识别性能:
其中C为正确识别次数,K为总识别次数。不同路段长度L的识别结果如表2所示。
表2不同路段长度的识别正确率
表2与图8说明了当用于识别的路段长度的增加时,本发明算法应用于场景识别的正确率随之提高,当行走距离大于25m时,场景识别的正确率超过80%。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于地磁场强度序列特征点对齐的行人路径匹配方法,其特征在于,具体过程为:
一、对待处理的两组磁场强度序列Mag1和Mag2,在磁场强度序列Mag1和Mag2中寻找一组空间一致的特征点,并在该组特征点处将两序列对齐,然后将其他特征点以该组特征点为基准,依次就近对齐;对齐后通过线性插值完成两个序列长度统一,得到新序列Magnew1与Magnew2;
二、计算两个新序列的相关系数cc;
三、重复上述两步骤,直至遍历完两组磁场强度序列Mag1和Mag2中所有空间一致的特征点为止,最终得到两个序列的最大相关系数ccMax,及最大相关系数ccMax所对应的两组对齐序列;
四、设置相似度阈值thCC,最大相关系数大于该阈值的两个序列,判定为同一路段的数据,其相对位置由对齐后两组序列的起始点相对位置来确定。
4.根据权利要求3所述基于地磁场强度序列特征点对齐的行人路径匹配方法,其特征在于,所述设定阈值范围为[0.5,2]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711291054.8A CN108120437B (zh) | 2017-12-08 | 2017-12-08 | 一种基于地磁场强度序列特征点对齐的行人路径匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711291054.8A CN108120437B (zh) | 2017-12-08 | 2017-12-08 | 一种基于地磁场强度序列特征点对齐的行人路径匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108120437A CN108120437A (zh) | 2018-06-05 |
CN108120437B true CN108120437B (zh) | 2021-06-25 |
Family
ID=62229036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711291054.8A Active CN108120437B (zh) | 2017-12-08 | 2017-12-08 | 一种基于地磁场强度序列特征点对齐的行人路径匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108120437B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109115205A (zh) * | 2018-07-20 | 2019-01-01 | 上海工程技术大学 | 一种基于地磁传感器阵列的室内指纹定位方法及*** |
CN109582705B (zh) * | 2018-10-31 | 2023-06-02 | 创新先进技术有限公司 | 多源序列的监测方法及装置 |
CN110689050B (zh) * | 2019-09-04 | 2022-03-04 | 大连理工大学 | 一种多个报警浪涌序列的对齐方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106092093A (zh) * | 2016-05-26 | 2016-11-09 | 浙江工业大学 | 一种基于地磁指纹匹配算法的室内定位方法 |
CN106197405A (zh) * | 2016-08-01 | 2016-12-07 | 哈尔滨工业大学 | 地磁日变影响下的惯性地磁匹配定位方法 |
CN106908064A (zh) * | 2017-01-22 | 2017-06-30 | 电子科技大学 | 一种基于Kinect2传感器的室内夜间视觉导航方法 |
CN107203587A (zh) * | 2017-04-20 | 2017-09-26 | 中国人民解放军军械工程学院 | 构建地磁图方向适配性特征的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9760996B2 (en) * | 2015-08-11 | 2017-09-12 | Nokia Technologies Oy | Non-rigid registration for large-scale space-time 3D point cloud alignment |
-
2017
- 2017-12-08 CN CN201711291054.8A patent/CN108120437B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106092093A (zh) * | 2016-05-26 | 2016-11-09 | 浙江工业大学 | 一种基于地磁指纹匹配算法的室内定位方法 |
CN106197405A (zh) * | 2016-08-01 | 2016-12-07 | 哈尔滨工业大学 | 地磁日变影响下的惯性地磁匹配定位方法 |
CN106908064A (zh) * | 2017-01-22 | 2017-06-30 | 电子科技大学 | 一种基于Kinect2传感器的室内夜间视觉导航方法 |
CN107203587A (zh) * | 2017-04-20 | 2017-09-26 | 中国人民解放军军械工程学院 | 构建地磁图方向适配性特征的方法 |
Non-Patent Citations (2)
Title |
---|
Basmag: An Optimized HMM-Based Localization System Using Backward Sequences Matching Algorithm Exploiting Geomagnetic Information;Ma Yongtao,etc;《IEEE SENSORS JOURNAL》;20161031;第16卷(第20期);第7472-7482页 * |
基于特征点的行车数据序列对齐;江诗锋,等;《福州大学学报(自然科学版)》;20100430;第38卷(第2期);第202-207页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108120437A (zh) | 2018-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ge et al. | Optimization WIFI indoor positioning KNN algorithm location-based fingerprint | |
CN108120437B (zh) | 一种基于地磁场强度序列特征点对齐的行人路径匹配方法 | |
CN108536851B (zh) | 一种基于移动轨迹相似度比较的用户身份识别方法 | |
CN105813194B (zh) | 基于指纹数据库二次校正的室内定位方法 | |
CN106017342B (zh) | 基于三维实景模型的建筑物变化自动检测方法及其*** | |
CN108919177B (zh) | 一种基于虚拟信源估计与轨迹校正的定位地图构建方法 | |
CN103916821A (zh) | 一种基于楼层间rssi差异的楼层判别方法 | |
CN105120433A (zh) | 基于连续采样及模糊聚类处理的wlan室内定位方法 | |
CN110426037A (zh) | 一种封闭环境下的行人运动轨迹实时获取方法 | |
CN105973246A (zh) | 一种地磁地图的绘制方法、装置及机器人 | |
CN106610292A (zh) | 一种基于混合wifi与航迹推算的室内定位方法 | |
CN103530649A (zh) | 一种适用于移动终端的视觉搜索方法 | |
Dari et al. | CAPTURE: A Mobile Based Indoor Positioning System using Wireless Indoor Positioning System. | |
CN109640269A (zh) | 基于csi与时域融合算法的指纹定位方法 | |
CN106952289A (zh) | 结合深度视频分析的WiFi目标定位方法 | |
CN113566820B (zh) | 一种基于位置指纹和pdr算法的融合人行定位方法 | |
CN111901749A (zh) | 一种基于多源融合的高精度三维室内定位方法 | |
CN105208651A (zh) | 基于地图结构的Wi-Fi位置指纹非监督训练方法 | |
CN111405461B (zh) | 一种优化等间隔指纹采样个数的无线室内定位方法 | |
Hoang et al. | A hidden Markov model for indoor user tracking based on WiFi fingerprinting and step detection | |
CN107328416B (zh) | 一种基于地磁的智能手机实时定位方法 | |
CN106954190A (zh) | 一种基于指数映射域的wifi室内定位方法 | |
Kwak et al. | Magnetic field based indoor localization system: A crowdsourcing approach | |
CN109541537B (zh) | 一种基于测距的普适室内定位方法 | |
CN108632763A (zh) | 一种基于WiFi指纹的室内定位加权K近邻方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20190930 Address after: 100094, No. 9 Deng Nan Road, Beijing, Haidian District Applicant after: Inst of Photoelectrics, C.A.S Applicant after: Qingdao Academy for Opto-electronics Engineering Address before: 100094, No. 9 Deng Nan Road, Beijing, Haidian District Applicant before: Inst of Photoelectrics, C.A.S |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |