[发明专利]一种无携带设备的目标室内轨迹追踪方法

说明书

本发明公开了一种无携带设备的目标室内轨迹追踪方法，其特征在于，包括如下步骤：1）采集训练样本集；2）采集测试样本；3）构成字典矩阵；4）得到位置类标；5）得到目标当前移动轨迹。这种方法能对目标位置进行有效的监测，能提高目标轨迹追踪及定位的准确率。

技术领域

本发明涉及室内定位技术，具体是一种无携带设备的目标室内轨迹追踪方法。

背景技术

无线定位技术在现在生活逐渐智能化的过程中，应用越来越广泛，例如：家庭或医院中的医疗保健；对消防员和火灾幸存者的位置检测；对人员的位置预测等。然而，在一些紧急情况发生的时候，定位目标不一定会携带能发射无线电的设备，因此，需要基于无线网络研究DFL(Device Free Location，简称DFL)。生活当中，无论我们身在何处，都会有一些无线信号不可避免地穿透我们的身体，这就为DFL提供了可行性，与传统的基于设备/主动跟踪方法不同，利用接收信号强度指示器(RSSI)度量的无设备定位(DFL)系统可以跟踪未标记的对象，它们可以促进基于位置的服务，如灯光控制和入侵者检测。

在实际的DFL应用中，为了扩大监测范围和提高定位精度，需要部署过多的节点，这些传感器节点会接收到大量的高维DFL数据，为了解决这一问题，将DFL看作一个基于稀疏表示的分类问题，用得到的大量高维数据建立稀疏模型，可以有效的处理高维数据并进行分类进而实现定位，提高无设备定位的效率。

基于稀疏表示分类SRC(Sparse-Representation-Based Classification,简称SRC)进行定位是机器学习中的分类问题和压缩感知相结合的结果，但是，SRC对于具有相同方向的数据不能很好的处理，因为正则化后具有相同方向的数据会互相重叠，所以不能从本质上区分它们，这就导致了SRC在这类情况下作用不明显，因此SRC不适用于具有相同方向的不同类数据，即使它们线性可分。为了解决SRC的这个问题，引入核变换建立核稀疏表示分类器KSRC(Kernel Sparse-Representation-Based Classification,简称KSRC)。基于KSRC进行定位即把机器学习中的核函数与核方法和稀疏表示相结合，是SRC的非线性扩展，将线性优化问题经过核变换之后转换为新的优化问题，通过解决这个优化问题得到定位结果。

发明内容

本发明的目的是正对现有技术的不足，而提供一种无携带设备的目标室内轨迹追踪方法。这种方法能对目标位置进行有效的监测，能提高目标轨迹追踪及定位的准确率。

实现本发明目的的技术方案是：

一种无携带设备的目标室内轨迹追踪方法，包括如下步骤：

1)采集训练样本集：依据目标对无线电遮挡的原理采集目标位于各个位置的信号数据及对应的标签，构成训练样本集，具体为：

1-1)将监控区域划分为n个相同大小的网格，每个网格都代表目标可能所处的位置，且每个网格都有一个对应的类标为y∈{1,2,…,n}；

1-2)在需要定位的定位区域周围设置均匀分布的L个固定的无线电接收传感器，每次由其中的一个传感器作为发射传感器，L-1个传感器作为接收传感器，每个发射传感器和一个接收传感器之间的无线通信为一组无线通信链路，则定位区域中共有N＝L×(L-1)组无线通信链路；

1-3)收集目标位于各个网格时的数据作为训练集，当目标位于其中一个网格时，一个发射传感器发射无线电波信号，其他L-1个接收传感器接收信号，接收的信号数据是接收信号的强度，即对接收信号在频域中的基波与二次谐波进行处理，记录此时的数据，其中每个接收天线同时接收数据；

1-4)轮换L个传感器分别作为发射传感器，其它传感器为接收传感器，当轮换完一轮后，即记录完目标在此网格中的完整数据；

2)采集测试样本：采集目标当前实时所处位置的数据及标签构成一组测试样本，具体为：