一种基于人工智能与身体阴影评估的人员定位方法及系统与流程

1.本发明涉及人工智能技术领域，具体涉及一种基于人工智能与身体阴影评估的人员定位方法及系统。


背景技术：

2.在一些特殊的室内场景中，常常需要对一些目标人员进行定位。现有无线定位技术可以快速的通过目标人员发出的无线信号获得目标人员的位置。但是在一些特殊场景中，存在大量人员，导致无线信号通过人身体时因为身体的大小、姿态、距离、方向等造成信号衰减，影响定位精度。
3.现有技术中还常常利用视觉定位方法实现室内人员定位，通过定位区域的图像进行人员识别，获得目标人员所在的位置，但是会因为人员互相遮挡导致无法及时准确的确定目标人员位置。


技术实现要素：

4.为了解决上述技术问题，本发明的目的在于提供一种于人工智能与身体阴影评估的人员定位方法及系统，所采用的技术方案具体如下：
5.本发明提出了一种基于人工智能与身体阴影评估的人员定位方法，所述方法包括：
6.获取定位区域图像；处理所述定位区域图像，获得定位区域内所有人员的人员姿态信息；
7.在所述定位区域内通过多个信号接收端接收定位人员发射的无线信号，获得候选初步定位坐标区域和初步定位坐标；
8.根据所述人员姿态信息获得所述定位区域内的人员投影点集合；将所述人员投影点集合和所述初步定位坐标聚类，以包含初步定位坐标的簇作为待匹配坐标集合；
9.将所述待匹配坐标集合构建三角网；以包含所述初步定位坐标的多个三角形作为一阶邻近三角形；以所有所述一阶邻近三角形中除所述初步定位坐标以外的角点作为一阶邻近投影点；以所述一阶邻近投影点为中心根据预设区域边长构建投影区域；以所述初步定位坐标为中心构建根据所述预设区域边长初步定位区域；根据所述初步定位区域、所述投影区域和所述候选初步定位坐标区域获得匹配度，以所述匹配度最高的所述投影区域作为匹配区域；所述匹配区域的中心坐标为匹配坐标；
10.以所述定位区域图像中所述匹配坐标和所述信号接收端的连线上每个人员的所述人员姿态信息构建身体参数矩阵；将所述身体参数矩阵和初步定位坐标送入预先训练好的卷积神经网络中，将身体参数矩阵和所述初步定位坐标融合并进行特征映射，输出精确定位坐标。
11.进一步地，所述获得候选初步定位坐标区域和初步定位坐标包括：
12.将所述定位区域图像经过透视变换处理，获得平面网格图像；
13.将所述无线信号基于信号强度利用多点定位法进行定位，获得所述信号强度与所述定位人员的距离关系；
14.根据所述距离关系获得每个所述信号接收端的定位范围；
15.所有所述定位范围的交集为所述候选初步定位坐标区域；以所述候选初步定位坐标区域的质心作为所所述初步定位坐标；所述初步定位坐标为所述平面网格图像中网格标号。
16.进一步地，所述信号强度与所述定位人员的距离关系通过以下公式获得：
[0017][0018]
其中，rssi为所述信号强度；d为距离；d0为预设参考距离；a为在所述预设参考距离中的所述信号强度；n为环境衰减指数值。
[0019]
进一步地，所述根据所述初步定位区域、所述投影区域和所述候选初步定位坐标区域获得匹配度包括：
[0020]
获得所述初步定位区域和所述投影区域的第一交集面积；
[0021]
获得所述候选初步定位坐标区域与所述投影区域的第二交集面积；
[0022]
获得所述初步定位坐标和所述投影坐标的距离；
[0023]
根据所述交集面积和所述距离计算所述匹配度。
[0024]
进一步地，所述匹配度的计算公式包括：
[0025][0026]
其中，p为所述匹配度，h为所述第一交集面积，j为所述第二交集面积，d为所述距离；w1为第一权重，w2为第二权重。
[0027]
进一步地，所述以所述一阶邻近投影点为中心构建投影区域包括：
[0028]
以所述一阶邻近投影点为中心，根据所述预设区域边长构建正四边形作为第一投影区域；
[0029]
根据所述定位区域图像中所述一阶邻近投影点到所述信号接收端连线上的人员数量调整第一投影区域边长，获得所述投影区域。
[0030]
进一步地，所述根据所述一阶邻近投影点到所述信号接收端连线上的人员数量调整所述第一投影区域边长包括：
[0031]
通过边长调整公式调整所述第一投影区域边长，所述边长调整公式为：
[0032][0033]
其中，r为所述投影区域的边长，ceil为向上取整函数，n为所述信号接收端的数量，n
i
为第i个所述信号接收端与所述一阶邻近投影点的连线上的人员数量。
[0034]
进一步地，所述将所述带匹配坐标集合构建三角网包括：
[0035]
利用delaunay三角网构建方法构建多个三角形，组成所述三角网。
[0036]
进一步地，所述获得定位区域内所有人员的人员姿态信息包括：
[0037]
以所述定位区域内所有人员的smpl人体参数化模型的参数信息作为所述人员姿
态信息。
[0038]
本发明还提出了一种基于人工智能与身体阴影评估的人员定位系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1～9任意一项所述方法的步骤。
[0039]
本发明具有如下有益效果：
[0040]
1.本发明实施例通过定位区域内人员的姿态信息获得身体参数矩阵，通过卷积神经网络将身体参数矩阵和采用无线定位的初步定位坐标融合分析，输出精确定位坐标。将机器视觉技术和无线定位技术结合，提高了定位的精度。
[0041]
2.本发明实施例通过对室内人员投影点和初步定位坐标聚类及三角网构建，实现对待匹配坐标的快速匹配，减少计算量，提高匹配效率。
附图说明
[0042]
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
[0043]
图1为本发明一个实施例所提供的一种基于人工智能与身体阴影评估的人员定位方法流程图；
[0044]
图2为本发明一个实施例所提供的根据距离关系获得每个信号接收端的定位范围示意图。
具体实施方式
[0045]
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能与身体阴影评估的人员定位方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
[0046]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
[0047]
下面结合附图具体的说明本发明所提供的一种基于人工智能与身体阴影评估的人员定位方法及系统的具体方案。
[0048]
请参阅图1，其示出了本发明一个实施例提供的一种基于人工智能与身体阴影评估的人员定位方法流程图，该方法包括：
[0049]
步骤s1：获取定位区域图像，处理所述定位区域图像，获得定位区域内所有人员的人员姿态信息。
[0050]
通过室内部署的监控摄像头获得定位区域图像。对定位区域进行三维人体姿态估计，获得定位区域内所有人员的人员姿态信息。
[0051]
在本发明实施例中，三维人体姿态估计采用单目多人人体三维重建(centerhmr)方法。
[0052]
优选的，以定位区域内所有人员的smpl人体参数化模型的参数信息作为所述人员姿态信息。smpl模型是一种参数化人体模型，该模型提出的方法可以进行任意的人体建模和动画驱动。其提出了人体姿态影像体表形貌的方法，这种方法可以模拟人的肌肉在肢体运动过程中的凸起和凹陷。因此可以避免人体在运动过程中的表面失真，可以精准的刻画人的肌肉拉伸以及收缩运动的形貌。该方法中β和θ是其中的输入参数，其中β代表是个人体高矮胖瘦、头身比等比例的10个参数，θ是代表人体整体运动位姿和24个关节相对角度的75个参数。β参数是shapeblendpose参数，可以通过10个增量模板控制人体形状变化。
[0053]
步骤s2：在定位区域内通过多个信号接收端接收定位人员发射的无线信号，获得候选初步定位坐标区域和初步定位坐标。
[0054]
无线定位方法有很多，在本发明实施例中，采用rssi多点定位法进行定位。
[0055]
在定位区域内部署多个信号接收端，接收定位人员发射的无线信号。在本发明实施例中设置三个信号接收端，信号接收端可选用蓝牙、wifi等类型，本发明实施例中采用接收蓝牙信号的信号接收端。
[0056]
通过信号接收端接收的无线信号获得候选初步定位坐标区域和初步定位坐标具体包括：
[0057]
将定位区域图像经过透视变换处理，获得平面网格图像。平面网格图像中的网格表示定位区域的坐标。
[0058]
将信号接收端接收的无线信号基于信号强度利用多点定位法进行定位，获得信号强度和定位人员的距离关系。信号强度的获取方法有：网络定位、自身定位、混合定位等。网络定位方法为：定位人员发送无线信号，由固定的信号接收端感知无线信号进行定位。自身定位为：定位人员接收一些固定信号发送端发送的信号，根据信号的特征获得自身位置。混合坐标为：基于自身定位的基础上，定位人员把检测到的信号特征发送给服务器节点，服务器节点根据所获得的信息进行定位。在本发明实施例中，选用网络定位可以很好的结合机器视觉技术，提高最终定位的准确性。
[0059]
信号强度与定位人员的距离关系通过以下公式获得：
[0060][0061]
其中，rssi为所述信号强度；d为所述距离关系；d0为预设参考距离；a为在所述预设参考距离中的所述信号强度；n为环境衰减指数值。环境衰减指数值与当前环境复杂程度有关，如室内摆放物品的数量和材质等。
[0062]
根据距离关系获得每个信号接收端的定位范围。
[0063]
请参阅图2，其示出了本发明实施例中根据距离关系获得每个信号接收端的定位范围示意图。以信号接收端为中心，以距离关系获得的距离为半径获得每个信号接收端的定位范围a。以所有定位范围a的交集u作为候选初步定位坐标区域。对候选初步定位坐标区域的质心作为初步定位坐标。在平面网格图像中，初步定位坐标为网格图像中的网格标号。
[0064]
步骤s3：根据人员姿态信息获得定位区域内的人员投影点集合，将人员投影点集合和初步定位坐标聚类，以包含初步定位坐标的簇作为待匹配坐标集合。
[0065]
获取人员姿态信息中的脚部关键点连线的中心点，以该中心点进行透视变换投影，获得定位区域内的人员投影点集合。以人员投影点表示当前定位区域所有人员的位置
可以减少图像视角引起的误差，更精确的获得定位人员附近人员影响的特征。
[0066]
将人员投影点集合和初步定位坐标构成一个坐标集合，对该坐标集合进行聚类分析。在本发明实施例中，采用dbscan聚类方法对坐标集合聚类。定义密度时的邻域半径设置为7，定义核心点时阈值设置为3。以初步定位坐标为起始点进行迭代，最终该点簇密度不可达时停止，获得包含初步定位坐标的簇作为待匹配坐标集合。
[0067]
步骤s4：将待匹配集合构建三角网，获得与初步定位坐标相关的一阶邻近投影点，以一阶邻近投影点和初步定位坐标分别为中心构建投影区域和初步定位区域，计算投影区域和初步定位坐标的匹配度，获得匹配区域及匹配坐标。
[0068]
采用delaunay三角网构建方法构建多个三角形，组成三角网。delaunay三角网具有空外接圆和最大的最小角性质，包含初步定位坐标的多个三角形作为一阶邻近三角形，一阶邻近三角形因为具有空外接圆和最大的最小角性质，所以一阶邻近三角形中除初步定位坐标以外的角点即一阶邻近投影点均与初步定位坐标具有很强的相关性。通过筛选一阶邻近投影点提高了匹配速度，减少后续匹配过程的计算量。
[0069]
以一阶邻近投影点为中心根据预设区域边长构建投影区域，以初步定位坐标为中心根据预设区域边长构建初步定位区域。构建投影区域可以减小人员投影过程中透视变换造成的误差，提高后续匹配过程的准确度。
[0070]
以一阶邻近投影点为中心构建投影区域具体包括：
[0071]
以一阶邻近投影点为中心，根据预设区域边长构建正四边形作为第一投影区域。根据定位区域图像中一阶邻近投影点到信号接收端连线上的人员数量调整第一投影区域边长，获得投影区域。
[0072]
具体通过边长调整公式调整第一投影区域边长，边长调整公式为
[0073][0074]
其中，r为所述投影区域的边长，ceil为向上取整函数，n为所述信号接收端的数量，n
i
为第i个所述信号接收端与所述一阶邻近投影点的连线上的人员数量，l为预设区域边长。
[0075]
根据初步定位区域、投影区域和候选初步定位坐标区域获得每个投影区域与初步定位区域的匹配度。
[0076]
计算匹配度具体包括：
[0077]
获得初步定位区域和投影区域的第一交集面积。获得候选初步定位坐标区域与投影区域的第二交集面积。获得初步定位坐标和投影坐标的距离。根据交集面积和距离计算每个投影区域的匹配度。
[0078]
匹配度的计算公式具体包括：
[0079][0080]
其中，p
i
为第i个投影区域的匹配度，h为第一交集面积，j为第二交集面积，d为距离；w1为第一权重，w2为第二权重。在本发明实施例中，第一权重和第二权重分别设置为0.5和5。其中最大值取1.
[0081]
以匹配度最高的投影区域作为匹配区域。匹配区域的中心坐标为匹配坐标。
[0082]
步骤s5：以定位区域图像中匹配坐标和信号接收端的连线上每个人员的人员姿态信息构建身体参数矩阵，将身体参数矩阵和初步定位坐标送入预先训练好的卷积神经网络中输出精确定位坐标。
[0083]
在定位区域图像中以匹配坐标为原点，连接每一个信号接收端，对于连线与其它人员投影点集合存在交集的进行记录，根据人员姿态信息构建身体参数矩阵。
[0084]
在本发明实施例中，最终形成形状为[k，86]的矩阵，其中k为连接线上的最大人员数量，经验值为5。86为smpl模型中β控制个人体高矮胖瘦、头身比等比例的10个参数，θ控制人体整体运动位姿和24个关节相对角度的75个参数，及连线上人员投影点坐标到匹配坐标的距离。当连线上无交集时，所述86个参数数值都为0。
[0085]
将身体参数矩阵和初步定位坐标送入预先训练好的卷积神经网络中，将身体参数矩阵和初步定位坐标融合并进行特征映射，输出精确定位坐标。
[0086]
卷积神经网络具体包括：
[0087]
1)卷积神经网络包括多个卷积层，第一全连接网络和第二全连接网络。卷积层包括一维卷积和全连接层。信号接收端数量与卷积层数量相等。
[0088]
2)卷积层的网络输入为身体参数矩阵，形状为[b，k，86]，其中b为批尺寸。一维卷积对输入数据特征提取后，经过全连接层输出第一高维特征向量。在本发明实施例中，输出的第一高维特征向量的维度为128。
[0089]
3)将所有卷积层输出的第一高维特征向量融合，获得第一融合特征向量。第一融合特征向量融合了匹配坐标到每一个信号接收端路径上人员的身体阴影信息。在本发明实施例中，融合操作采用muiltply进行操作。
[0090]
4)第一全连接网络的输入为每个信号接收端的信号强度，根据特征拟合输出第二高维特征向量。第二高维特征向量与第一高维特征向量维度相等。
[0091]
5)第二全连接网络输入为融合特征向量和第二高维特征向量。将第一融合特征向量和第二高维特征向量融合后的第二融合特征向量，经过第二全连接网络拟合与特征映射，输出网格标号信息，即精确定位坐标。
[0092]
6)卷积神经网络中的标签数据为历史数据中定位的坐标数据所在的坐标。
[0093]
7)卷积神经网络采用均方差损失函数进行训练。
[0094]
综上所述，本发明实施例中通过获取定位区域图像，得到定位区域内所有人员姿态信息。通过信号接收端接收的无线信号，获得候选初步定位坐标区域和初步定位坐标。通过人员姿态信息获得定位区域内的人员投影点，通过聚类和构建三角网，筛选与初步定位坐标关联的一阶邻近投影点；通过初步定位坐标与一阶邻近投影点的匹配，获得匹配坐标。将定位区域图像中匹配坐标和信号接收端连线上每个人员的人员姿态信息构建身体参数矩阵，通过身体参数矩阵和初步定位坐标获得精确定位坐标。
[0095]
本发明实施例还提出了一种基于人工智能与身体阴影评估的人员定位系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，处理器执行所述计算机程序时实现上述一种基于人工智能与身体阴影评估的人员定位方法的步骤。
[0096]
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一
些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0097]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
[0098]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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。