基于被动红外传感器的室内行为轨迹运动语义解析方法

摘要

本发明公开了一种基于被动红外传感器的室内行为轨迹运动语义解析方法，包括：(1)依据室内平面图、传感器位置与相邻关系构建传感器网络图；（2）以室内兴趣点定义空间分析窗口，建立包含中心兴趣点与四个邻域方向传感器的五邻域模型作为最小空间单位，进行邻域编码；（3）以兴趣点相关的兴趣时刻定义时间分析窗口，以传感器响应时间与响应先后顺序划定前、后响应序列；（4）依托五邻域模型及邻域编码，建立单体与群体运动编码；（5）建立语义提取规则，计算前、后响应序列构成的运动编码，对应最小语义单元解释得到最终运动语义。本发明将运动语义关系融入到传感器信息表达中，解决了在仅有杂乱响应序列下的人类活动轨迹的语义化解析问题。

说明书

技术领域

本发明涉及计算机和地理信息系统领域，特别是传感器网络相关的轨迹及人体行为分析。

背景技术

随着物联网、移动新兴技术的迅猛发展，地理信息定位技术日益成熟，时空轨迹数据的采集成为常态。其中，PIR传感器(passive infrared sensor)又称为被动红外传感器，得益于其被动红外方式探测人体红外线信息在成本和功耗上的优势，已经被广泛应用于室内监控、安保位置服务等领域。同时由于其数据获取方式容易并可有效保护个人隐私，也常被用于分析个体和群体行为。基于PIR传感器的个体和群体行为分析其难点在于抽象数据量庞大的时空数据集，从杂乱响应序列中生成可与人类行为对应的轨迹。

在传统的轨迹分析模式下，比如在轨迹的重建与轨迹的模式挖掘方面，已经取得了一系列研究成果。现有研究方法有基于标定的轨迹空间重构、基于滤波的轨迹重建、基于2D行为序列的3D周期行为轨迹重建、基于监控视频运动目标的频繁轨迹模式挖掘等等，能够从一系列的轨迹点中生成出轨迹路径。但上述重构方式仅是路径重构，不涉及语义提取。对PIR传感器来说，其记录结果为感应到人体红外辐射的时间段(包括开始时间和结束时间)，坐标信息仅是传感器的安置位置。它无法确定穿越特定区域的人数，也无法识别穿越对象，导致难以提取特定对象的行为状态。现有轨迹应用分析中，例如视频监控等手段，都力图从轨迹中挖掘出行为信息，进而作为人类行为模式、突发事件预测等重大研究的支撑手段。而PIR传感器数据完全不存在显性的行为语义，不能满足轨迹行为语义的巨大需求，对分析和应用上造成了巨大的困难，急需科学有效的解决方案。

因此，从信息整合的视角，引入运动行为的内部语义信息，并结合传感器的连通性拓扑是解决上述问题，进而提取出有效的轨迹的可能途径。而轨迹数据本身并不存在语义信息，语义信息是数据挖掘的结果。若轨迹分析模型包涵语义特征与结构特征，信息挖掘与轨迹还原同步，能最大程度保证信息完整性，简化数据分析复杂度。

发明内容

发明目的：针对现有轨迹分析方法存在的问题，本发明目的在于提供一种基于被动红外传感器的室内行为轨迹运动语义解析方法，该方法基于人体运动特征与空间语义模型架构，利用PIR传感器节点的位置与响应序列阐述人体行为，进行室内行为轨迹的运动语义解析。

技术方案：本发明是一种基于被动红外传感器的室内行为轨迹运动语义解析方法，具体步骤包括：

(1)依据室内区域平面图与红外传感器分布坐标位置，结合传感器的邻接关系，以传感器作为节点，构建无向无权重的传感器网络图；

(2)以选定的分析兴趣点作为搜索中心，向外拓展上下左右四个方向的最邻接节点组成空间分析窗口，从空间分析窗口内筛选出选定兴趣点及其四邻域方向的传感器节点，构成连通子图，建立包含中心节点与四个邻域方向节点的五邻域模型作为最小空间单位，利用几何代数中的blade对象对连通子图进行邻域编码，实现由连通子图向代数化编码的转变；

(3)在空间分析窗口内，选定兴趣时段，依据传感器响应时间建立时间分析窗口。以中心节点的响应数据为核心，其余邻域节点按响应先后顺序将数据分为前响应序列与后响应序列；

(4)以步骤(2)中的五邻域模型建立最小语义单元，将五邻域模型中节点呈现出的不同空间状态转化为单体运动编码或群体运动编码，每种编码对应一种具体的运动语义；

(5)按定义的语义提取规则，判定前、后响应序列的不同组合方式，以邻域编码计算得到单体运动编码或群体运动编码，对应最小语义单元预定义的运动语义类型转化为最终运动语义。

进一步的，所述步骤2中的邻域的方位角区间计算方法与五邻域模型的blade编码方式分别为：

(2.1)空间窗口按方位角划分，被分为上、下、左、右共四个邻域方向，四个邻域的方位角区间分别为：

其中θ为方位角区间，其取值为以兴趣点正北为起算点的顺时针方向。

(2.2)对自身节点、上节点、右节点、下节点、左节点构成的连通子图构建适用于计算的编码模式，利用几何代数中的blade对象组<e_C，e_T，e_B，e_L，e_R>对节点进行代数化编码，e_C，e_T，e_B，e_L，e_R分别对应中心、上、下、左、右共五个节点。

进一步的，所述步骤3中的时间窗口T的计算方法与节点响应序列分类与计算顺序的约束判断为：

(3.1)时间窗口实现公式为

其中，v为人体正常的步行速度，s为传感器探测半径，d为传感器安装的可行路径距离。

(3.2)节点响应序列按响应时间先后分类，其分类规则可通过下式表示：

其中preNodeList和nextNodeList分别代表响应前、后序列，T_邻域和T_中心分别代表邻域节点与中心节点的响应时间，T为时间窗口，e_领域e_中心或e_中心e_邻域代表节点邻域编码的几何积结果，按响应情况计算先后顺序不同。

进一步的，所述步骤4中最小语义单元建立中单体运动编码与群体运动编码的具体方法为：

单体运动编码为邻域节点与中心节点邻域编码的几何积结果，所包含运动语义为站立、穿越、转弯、进入、离开和返回六种；群体运动编码通过“+”号连接不同特征的单体运动表达，形成几何代数空间内的多重向量结构，其包含运动语义为分开与聚合两种。

进一步的，所述步骤5中语义转化规则具体为：

其中，preNodeList和nextNodeList两列代表前后响应序列中响应节点的个数，前后序列关系列表示前、后序列响应节点是否相同，运动编码与运动语义列表示以邻域编码几何积计算得到的单体或群体运动编码及其对应的语义分类，e_C代表中心节点编码，e_i和e_j分别代表节点的邻域编码，下标满足i，j∈{R，L，T，B}且i≠j，R，L，T，B分别代表右、左、上、下四个方向。

有益效果：本发明利用几何代数优越的时空表达能力，将传感器响应转化为节点间的关联关系，利用空间与时间分析窗口约束了轨迹语义解析条件，建立了最小语义解析单元，完成了响应序列向运动语义一一对应的转换规则，实现了室内轨迹的自动化语义解析。

附图说明

图1为本发明实施例的核心步骤流程示意图；

图2为本发明实施例中五邻域模型的blade编码示意图；

图3为本发明实施例中运动分割时间窗口时间计算示意图；

图4为本发明实施例中最小语义单元与运动编码示意图；

图5为本发明实施例中运动轨迹语义提取案例结果示意图。

具体实施方式

下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。

本发明实施例提供一种基于被动红外传感器的室内行为轨迹运动语义解析方法，其核心步骤流程如图1所示。首先，依据室内区域平面图与红外传感器分布坐标位置，结合传感器的邻接关系，以传感器作为节点，构建无向无权重的传感器网络图；然后，以选定的分析兴趣点作为搜索中心，向外拓展上下左右四个方向的最邻接节点组成空间分析窗口，从空间分析窗口内筛选出选定兴趣点及其四邻域方向的传感器节点，构成连通子图，建立包含中心节点与四个邻域方向节点的五邻域模型作为最小空间单位，利用几何代数中的blade对象对连通子图进行邻域编码，实现由连通子图向代数化编码的转变；其次，在空间分析窗口内，选定兴趣时段，依据传感器响应时间建立时间分析窗口，以中心节点的响应数据为核心，其余邻域节点按响应先后顺序将数据分为前响应序列与后响应序列；接着，以五邻域模型建立最小语义单元，将五邻域模型中节点呈现出的不同空间状态转化为单体运动编码或群体运动编码，每种运动编码对应一种具体的运动语义；最后，按定义的语义提取规则，判定前、后响应序列的不同组合方式，以邻域编码计算得到单体运动编码或群体运动编码，并对应最小语义单元预定义的运动语义类型转化为最终运动语义。具体实施时，包括以下关键步骤：

过程一：实验数据选取与预处理，构建传感器网络图

步骤1：选取所需的实验室数据，获取数据的基本信息数据，例如包含的传感器个数、传感器ID、记录起始/终止时间、记录总条数等。

步骤2：依据室内的平面图，参考传感器分布位置与相邻关系，建立空间内传感器的无向无权重网络图。

过程二：基于兴趣点的空间分析窗口确定

步骤1：选取试验区域内重要传感器节点作为兴趣点，建立以该兴趣点为中心点的空间分析窗口，向外拓展上下左右四个方向的邻接节点，其搜索方式为寻找传感器网络图中直接与中心节点相连的四个方向上最邻近的传感器节点。

步骤2：从空间分析窗口内筛选出包含中心节点(选定兴趣点)及其四邻域(上下左右)方向的传感器节点，其空间分布区间划分依据如下公式确定。

θ取值为以兴趣点正北为起算点的顺时针方向。进而从原始传感器网络中筛选出包含所有选中节点的传感器连通子图。

步骤3：对传感器连通子图进行邻域编码，将中心节点与四个邻域方向(上、右、下、左)定义五邻域模型<C，T，R，B，L>，对中心节点、上节点、右节点、下节点、左节点构成的连通子图构建适用于计算的编码模式，本发明实施例使用几何代数空间内的blade对象组<e_C，e_T，e_B，e_L，e_R>进行编码。具体如图2中展示的五邻域模型中心与上下左右传感器的节点编码。

过程三，基于兴趣时刻的时间分析窗口确定：

步骤1：依据实验数据的采集时间跨度，选取符合分析需求的时段作为兴趣时刻，在该兴趣时刻内确定轨迹挖掘的时间分析窗口。

步骤2：时间分析窗口用来捕捉中心节点与邻域节点的响应状态，需保证邻接节点对中心节点运动的连续捕捉，依传感器分布距离而不同。假定v为人体正常的步行速度，s为传感器探测半径，d为传感器安装的可行路径距离，时间分析窗口T可由式确定。如图3所示，若从某一节点出发限定响应时间内有相邻节点响应时，则认为该节点运动连续且这两个节点相关，若无响应，则认为运动终止。

步骤3：以时间分析窗口内节点响应的先后顺序对节点排序，其运动编码计算顺序依响应序列而定，具体约束规则可通过下式表示

按与中心节点相比响应时间的先后，将响应序列划分为前响应序列(preNodeList)和后响应序列(nextNodeList)。前响应序列运动编码的计算顺序为e_邻域e_中心，而后响应序列的计算顺序为e_中心e_邻域。

过程四，语义基础单元与运动编码：

步骤1：由于人体轨迹运动是节点到邻域节点传播的过程，其运动状态在五个节点中呈现出不同的空间结构，将这种空间状态转化为单体运动编码或群体运动编码，分别对应不同的运动语义。

步骤2：如图4所示，单体运动编码以邻域节点与中心节点邻域编码几何积计算得到的k-blade(k＝1，2，3)几何积编码形式，所包含运动语义为1种站立、4种穿越、8种转弯、4种进入、4种离开和8种返回。例如当运动状态为e_L-e_C-e_R时，即代表从左至中再到右的简单穿越运动，其单体运动编码记为e_Le_Ce_R。按运动语义分类具体编码，站立语义为{O}，代表未运动；穿越语义为{e_Be_Ce_T，e_Te_Ce_B，e_Le_Ce_R，e_Re_Ce_L}，例如e_Be_Ce_T为从下到上穿越；拐弯语义为{e_Te_Ce_R，e_Re_Ce_T，e_Re_Ce_B，e_Be_Ce_R，e_Be_Ce_L，e_Le_Ce_B，e_Le_Ce_T，e_Te_Ce_L}，代表经过中间节点的转向行为，例如e_Te_Ce_R为由上至中再向右；进入语义为{e_Le_C，e_Te_C，e_Re_C，e_Be_C}，例如e_Le_C为从左侧进入中心；离开语义为{e_Ce_L，e_Ce_T，e_Ce_R，e_Ce_B}，例如e_Ce_L为从中心向左侧离开；返回语义为{e_Re_Ce_R，e_Le_Ce_L，e_Be_Ce_B，e_Te_Ce_T，e_Ce_Le_C，e_Ce_Re_C，e_Ce_Be_C，e_Ce_Te_C}，例如e_Re_Ce_R为从右侧进入中间又返回右侧。

步骤3：如图4所示，群体运动编码以“+”号连接不同特征的单体运动表达，形成几何代数空间内的多重向量结构，其包含6种分开与6种聚合运动语义。例如，当运动状态为e_C-e_L，e_C-e_B时，即代表从中心节点同时向左节点与下节点的分开运动，其群体运动编码记为e_Ce_L+e_Ce_B。按运动语义分类具体编码，分开语义为{e_Ce_L+e_Ce_B，e_Ce_L+e_Ce_T，e_Ce_L+e_Ce_R，e_Ce_T+e_Ce_B，e_Ce_T+e_Ce_B，e_Ce_B+e_Ce_R}，例如e_Ce_L+e_Ce_B为从中心节点向左节点和下节点分开；聚集语义为{e_Be_C+e_Le_C，e_Te_C+e_Le_C，e_Le_C+e_Re_C，e_Te_C+e_Re_C，e_Be_C+e_Te_C，e_Re_C+e_Be_C}，其中e_Le_C+e_Be_C为从左节点和下节点向中心节点聚集。

过程五，语义提取规则与运动语义转化

步骤1：依据前、后响应序列的组合关系，定义语义提取规则，每一种语义类型对应一种信息规则，实现一对一的语义信息转化，具体规则如下表所示：

其中，preNodeList和nextNodeList两列代表前后响应序列中响应节点的个数，前后序列关系列表示前、后序列响应节点是否相同，运动编码与运动语义列表示以邻域编码几何积计算得到的单体或群体运动编码及其对应的语义分类，e_C代表中心节点编码，e_i和e_j分别代表节点的邻域编码，下标满足i，j∈{R，L，T，B}且i≠j，R，L，T，B分别代表右、左、上、下四个方向

步骤2：将时间分析窗口内分割的前、后响应序列，依据以响应时间先后为约束的计算顺序，使用响应节点邻域编码几何积的计算方式，依语义提取规则求得运动编码，并对应最小语义单元预定义的语义类型转化为最终语义。

步骤3：重复上述语义解析过程，生成不同时间内、不同位置点的语义信息，并进行相关的统计与可视化分析。

下面以对某电气研究实验室的传感器数据分析为例，举例说明本发明实施例方法的具体实施过程。

过程一：实验数据选取与预处理，构建传感器连通图与编码

步骤1：选定实验目标区域，本实施例的数据为某电气研究实验室，实验室内共计213个传感器，该数据记录的时间长达1年，时间分布从2006年3月21日到2007年3月24日。记录数据共分为四个部分，分别为传感器id，目标探测起始时间，目标探测终止时间以及探测有效性，该数据共有30239000条记录。

步骤2：依据实验室的平面图与传感器分布位置，建立空间内传感器的无向无权重网络图。

过程二：基于兴趣点的空间分析窗口确定

步骤1：由于实验数据为某实验室探测数据，故选取区域内重要传感器节点作为兴趣点(如重要办公室、电梯口、会议室等)，建立以该兴趣点为中心点的空间分析窗口，依传感器网络图向外拓展上下左右四个方向的最邻接节点。

步骤2：从空间分析窗口内筛选出包含中心节点(选定兴趣点)及其四邻域(上下左右)方向的传感器节点，作为传感器子图，并将中心节点与四个邻域方向的节点使用几何代数空间内的blade对象组<e_C，e_T，e_B，e_L，e_R>进行编码。

过程三，基于兴趣时刻的时间分析窗口确定：

步骤1：实施例数据包含总长度一年的数据记录，选取符合分析需求的时段作为兴趣时刻(如早晨上班、午餐、傍晚下班、工作日、周末等)，在该兴趣时刻内确定轨迹挖掘的时间分析窗口。

步骤2：时间分析窗口用来捕捉中心节点与邻域节点的响应状态，本实施例中假设正常人行走速度为1.2米/秒，每个传感器分布紧密，传感器探测范围之间无缝隙或缝隙小，每个传感器的范围为2米，因此人通过一个传感器并进入邻接传感器感应时间为2秒～4秒，取中间值可设时间窗口为3秒。若从某一节点出发3秒内有相邻节点响应时，则认为该节点运动连续且这两个节点相关，若无响应，则认为运动终止。

步骤3：以时间窗口内节点响应的先后顺序对节点排序，将响应序列划分为前响应序列(preNodeList)和后响应序列(nextNodeList)。

过程四，语义基础单元与运动编码：

以五邻域模型为基本空间单位，将节点与邻域节点间由人类运动造成的传播过程编码化，按空间状态的不同转化为单体运动编码或群体运动编码，

过程五，语义提取规则与运动语义转化

步骤1：依据前、后响应序列的组合关系，定义语义提取规则，每一种语义类型对应一种信息规则，实现一对一的语义信息转化。

步骤2：将目标前、后响应序列，依据响应时间约束下的计算顺序，使用响应节点邻域编码几何积的计算方式，依语义提取规则求得运动编码，并对应最小语义单元预定义的语义类型转化为最终语义。

步骤3：重复上述语义解析过程，提取不同时间内的轨迹语义信息，并进行相关统计。以“进入”语义为例，提取并统计选定时间段内周一至周三的“进入”语义，根据“进入”语义发生的频次以及空间分布进行可视化表达，颜色越深代表该位置发生“进入”行为频率越高。如图5所示，a、b、c三张子图分别展示了周一到周三的语义频率。