一种基于RFID的室内目标追踪方法与流程

本发明涉及定位技术领域，尤其是一种基于rfid的室内目标追踪方法。

背景技术：

rfid(radiofrequencyidentification，射频识别)技术是从八十年代起走向成熟的一项自动识别技术，它利用射频方式进行非接触双向通信，以达到识别目的并交换数据。射频识别(rfid)技术是一种非接触式自动识别技术，已经越来越多的被用于室内定位和目标检测。粘贴有rfid标签的目标可以被识别和追踪，在复杂室内环境，多径效应与非视距的影响下依然可以工作。基于rfid的定位方法大致可以分为基于测距和非测距两类。测距类方法主要有信号到达时间法(toa)、到达角度法(aoa)等。非测距的方法主要有基于信号接收强度(rssi)的指纹定位。

由于室内环境的多变性、复杂性，无线信号在传播时受多径效应、反射、折射及时钟不同步等的影响，所测得的距离会产生较大的误差，造成信号强度波动，无法满足对室内定位的精确度要求。以及相关算法的复杂度较大并且对环境的依赖性较强，实时性不高；而且对于移动目标不断变换的rfid标签，很多传统定位方法很难达到连续跟踪定位。另外，通过不同的天线测量不同的标签得到的相位值和信号强度值存在差异，这会造成额外的定位误差，如何对室内动态目标实现实时精确定位成为研究的难点问题。

技术实现要素：

针对室内环境的多变性、复杂性，无线信号在传播时受多径效应、反射、折射及时钟不同步等的影响，无法满足对室内定位的精确度，本发明提供一种基于rfid的室内目标追踪方法。

其目的在于：对室内动态目标实现实时精确定位。

本发明采用的技术方案如下：

一种基于rfid的室内目标追踪方法，所述rfid的室内目标追踪方法包括以下步骤：

步骤1：采集参考点位置的接收信号强度值rssi，其中参考点位置为已知量；

步骤2：将rssi值经过数据标准化处理，得到新指纹ri；

步骤3：用新指纹ri建立指纹库:

步骤4：根据指纹匹配方式，实时从指纹库中估计室内目标的粗略位置；

步骤5：阅读器根据载波波长和传播距离测出相位值，计算出瞬时速度；

步骤6：计算预测结果的误差；

步骤7：采用卡尔曼滤波将目标点粗略位置信息和瞬时速度信息结合确定目标精确位置；

采用了此方案，通过采集参考点的信号强度值建立指纹库，利用数据标准化处理可以有效抑制rfid标签多样性对指纹匹配方法的影响，提高了定位精度；利用卡尔曼滤波融合接收信号强度和相位值进行室内目标追踪，该方法计算量小，可以确保实时性。

其中，所述步骤2所述数据标准化处理为：

rssii是参考点i记录的指纹，mean(rssii)是在参考点i的平均信号强度值，std(rssii)是在参考点i的信号强度标准差，ri是经过标准化处理并且不受标签多样性影响的新指纹。

采用了此方案，经过标准化处理，标签天线增益gt可以被消掉，由此可以消除rfid标签多样性对指纹定位精度的影响。

其中，步骤4所述指纹匹配方式为一种基于机器学习的指纹定位算法。

其中，所述基于机器学习的指纹定位算法是指基于极限学习机的指纹定位算法。

其中，所述步骤5包括：

步骤4.1：测量目标沿rfid射频信号发射端i和射频信号接收端之间径向方向移动位移δdi；

步骤4.2：计算目标径向移动速度vi(tn)；

步骤4.3：将瞬时速度v(tn)和径向速度vi(tn)之间非线性关系转换为线性关系式；

步骤4.4：根据最小二乘法拟合目标的瞬时速度v(tn)；

其中，所述步骤6为：预测协方差

其中，所述预测误差和观测误差r计算卡尔曼增益(权重)

其中，所述步骤7为通过指纹算法得到一个观测结果，再通过上一时刻目标的位置和瞬时速度测出预测结果，用观测结果和预测结果通过卡尔曼滤波得出目标点精确位置轨迹。

采用了此方案，通过卡尔曼滤波将通过指纹算法得到一个位置估计(观测结果)和由上一时刻的目标位置和瞬时速度来预测的当前位置(预测结果)，做加权平均得到定位结果。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1.通过采集参考点的信号强度值建立指纹库，利用数据标准化处理可以有效抑制rfid标签多样性对指纹匹配方法的影响，提高了定位精度；利用卡尔曼滤波融合接收信号强度和相位值进行室内目标追踪，该方法计算量小，可以确保实时性。

2.经过标准化处理，标签天线增益gt可以被消掉，由此可以消除rfid标签多样性对指纹定位精度的影响。

3.通过卡尔曼滤波将通过指纹算法得到一个观测结果和由上一时刻的目标位置和瞬时速度来预测的预测结果，做加权平均得到定位结果。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1是本发明实施例中室内定位方法流程图。

图2是为本发明方法的速度估计原理图。

图3为本发明实施例中拟合速度示意图。

图4为本发明实施例中位置估计误差示意图。

图5位本发明实施例中轨迹估计示意图。

具体实施方式

本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

下面结合图1-图5对本发明作详细说明。

需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

一种基于rfid的室内目标追踪方法，所述rfid的室内目标追踪方法包括以下步骤：

步骤1：采集参考点位置的接收信号强度值rssi，其中参考点位置为已知量；

步骤2：将rssi值经过数据标准化处理，得到新指纹ri；

步骤3：用新指纹ri建立指纹库:

步骤4：根据指纹匹配方式，实时从指纹库中估计室内目标的粗略位置；

步骤5：rfid阅读器根据载波波长和传播距离测出相位值，计算出瞬时速度；

步骤6：计算预测结果的误差；

步骤7：采用卡尔曼滤波将目标点粗略位置信息和瞬时速度信息结合确定目标精确位置。

优选的，所述步骤2所述数据标准化处理为：

其中rssii是参考点i记录的指纹，mean(rssii)是在参考点i的平均信号强度值，std(rssii)是在参考点i的信号强度标准差，ri是经过标准化处理并且不受标签多样性影响的新指纹。

优选的，所述步骤4所述指纹匹配方式为一种基于机器学习的指纹定位算法。

优选的，所述基于机器学习的指纹定位算法是指基于极限学习机的指纹定位算法。

优选的，所述步骤5包括：

步骤4.1：测量目标沿rfid射频信号发射端i和射频信号接收端之间径向方向移动位移δdi；

步骤4.2：计算目标径向移动速度vi(tn)；

步骤4.3：将瞬时速度v(tn)和径向速度vi(tn)之间非线性关系转换为线性关系式；

步骤4.4：根据最小二乘法拟合目标的瞬时速度v(tn)。

优选的，所述步骤6为：预测协方差

优选的，预测误差和观测误差r计算卡尔曼增益(权重)

优选的，所述步骤7为通过指纹算法得到一个观测结果，再通过上一时刻目标的位置和瞬时速度测出预测结果，用观测结果和预测结果通过卡尔曼滤波得出目标点精确位置轨迹。

参见图1，提供了本发明实施例中室内定位方法，该方法包括，所述方法的具体步骤为：采集参考点位置的接收信号强度值rssi，其中参考点位置为已知量；将rssi值经过数据标准化处理建立指纹库，消除rfid标签多样性对指纹定位精度的影响；依据指纹匹配方式，实时从指纹库中估计室内目标的粗略位置；然后根据测得的相位值，计算目标的瞬时速度；采用卡尔曼滤波将目标点粗略位置信息和瞬时速度信息结合确定目标精确位置。

本实施例中，首先采集参考点位置的接收信号强度值rssi。rssi指纹是指rfid标签在室内某一已知位置接收每一个信号接入点信号(ap)强度序列值，rssi指纹库可以表示为：

根据信道衰减模型，rfid信号接收强度rssi可以计算为：

其中t是信号传递功率，dij是信号接入点apj与第i个参考点位置之间距离，gr，gt分别是rfid读写器和标签天线增益，λ是波长，α是信号衰减系数，xσ是服从高斯分布的变量。

对rssii作数据标准化处理：

经过标准化处理，标签天线增益gt可以被消掉，由此可以消除rfid标签多样性对指纹定位精度的影响。

进一步，依据指纹匹配方式，实时从指纹库中估计室内目标的观测结果。其中指纹匹配方式为一种基于极限学习机(extremelearningmachine,elm)的指纹定位算法，模型可以表示为：

其中，αi，βi分别是权重和偏置项，ηi是输出权重，g是激活方程，l为隐藏层节点数量。

本实施例中采用rfid阅读器工作频率范围860-960mhz，标签读取速率为100次/秒。对于工作频率为865mhz的rfid阅读器，发送载波信号波长为34cm。假设室内目标移动速度为5m/s，移动目标在rfid阅读器读取时间间隔内移动位移是5cm，远小于半个信号波长。这种特征可以用来估计移动目标沿信号接入点api和被读取标签之间径向方向位移δdi

rfid阅读器测得的相位值由载波波长和信号传播距离决定：

其中θt，θr，θtag分别是由rfid阅读器信号发射端，接收端和标签引入的额外相位量。参见图2，在rfid阅读器连续读取标签时间间隔内，标签径向位移可以计算为：

其中φi(tn)是信号接入点api在时刻tn测得的相位值。进一步，标签径向速度vi(tn)可以计算为：

标签瞬时速度v(tn)和径向速度的关系可以表达为：

其中θ为瞬时速度v(tn)和径向速度之间的夹角。瞬时速度和径向速度可以分别表达为v(tn)＝(v^x，v^y)，因此可以将瞬时速度v(tn)和径向速度vi(tn)之间非线性关系转换为线性关系式：

根据最小二乘法拟合目标的瞬时速度v(tn)。参见图3，本实施例中目标绕着圆形轨迹做匀速运动，经过拟合得到的目标瞬时速度方向如箭头方向所示，基本上围绕着轨迹方向，拟合得到的速度大小如图中箭头长度所示，大小基本相等。由上述步骤计算的目标速度无论大小还是方向都与实际近似相等。

通过指纹算法得到一个观测结果，然后由上一时刻的目标位置和瞬时速度来预测出预测结果。把这个观测结果和预测结果通过卡尔曼滤波得出目标点精确位置轨迹。

卡尔曼滤波(kalmanfilter,kf)可以用来迭代更新离散时间控制的线性动态系统，用以下状态模型表示：

xt＝axt-1+but+ωt

其中向量xt＝[位置坐标x，位置坐标y，速度v^x，速度v^y]表示目标在时刻t的状态，包含坐标信息和速度信息。状态变换矩阵将目标上一时刻状态关联到当前时刻状态。b为控制矩阵。随机变量ωt～n(0，qt)代表预测过程误差。观测模型表示为：

zt＝hxt+μt

观测矩阵h为单位矩阵，随机变量μ1～n(0，rt)代表观测误差。其中zt＝[指纹匹配x，指纹匹配y，速度v^x，速度v^y]。通过卡尔曼滤波将观测结果和预测结果做加权平均作为定位结果，具体步骤为：

步骤1：初始化目标状态x0＝[指纹匹配x，指纹匹配y，速度v^x，速度v^y]，协方差p0＝0

步骤2：由上一时刻的状态预测当前状态

步骤3：预测协方差

步骤4：由预测误差和观测误差r计算卡尔曼增益(权重)

步骤5：对预测结果和观测结果做加权平均，得到当前时刻的状态估计

步骤6：更新协方差pt，代表本次状态估计的不确定性

参见图4，在实施例中，按本发明提供的融合方法(fusion)估计的目标位置在任意时刻的误差相比于指纹匹配法(elm)和指纹匹配法加卡尔曼滤波(elm+kf)更小。因此，如图5所示，融合方法估计的轨迹更接近真实路径。

本发明提供的一种室内目标追踪方法，经过数据标准化处理，消除指纹库中rfid标签多样性的影响，之后利用基于机器学习的指纹匹配方法给出目标粗略位置。通过连续测量目标位置接收信号相位值，可以计算目标径向位移速度。根据线性最小二乘法得到目标瞬时速度。最后，通过卡尔曼滤波将通过指纹算法得到一个观测结果和由上一时刻的目标位置和瞬时速度来预测的预测结果，做加权平均得到定位结果。

以上所述实施例仅表达了本申请的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请技术方案构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。