基于物联网的动态建筑标识导引方法、系统和电子设备与流程

1.本技术涉及智能标识导向的领域，且更为具体地，涉及一种基于物联网的动态建筑标识导引方法、系统和电子设备。


背景技术：

2.标识导向显示系统的目的是通过特定的符号，表达具体的位置信息及指引系统，更好地引导人们到达目的地。随着信息技术的迅速发展，数字化信息标识显示系统的出现给城市或建筑标识导向系统的建设提供了新的解决方式。标识显示系统采用数字化网络连接，可随时更新标识信息，这使得其时效性和可靠性得到了较大的提升。
3.目前，公共信息标识引导系统，如建筑标识内容不能变化，不能修改包括标识内容的字体、字号、背景色、显示颜色、标识内容整体显示排列方式，更不能与建筑设备系统实现联动完成消防紧急疏散。传统静态标识存在标识牌版面设计不合理，标识符号和文字偏小，存在让人难以看清或影响识读的情况，标识内容单一固定、缺乏科学合理、人性化的标识导向系统，会致使人们因寻路、寻出口等需求困难，以致其产生消极情绪和负面心理影响，增加了人们无效的滞留时间，也可能会导致交通堵塞、人员恐慌等严重情况的出现。
4.在消防紧急疏散情况下，传统的建筑静态标识无法显示消防逃生疏散通道的预案规划路线，无法与消防系统联动显示火情信息，着火点距离当前位置的距离、火情的类别等信息。并且，大型建筑的功能布局复杂性，传统的无联动无显示无火情情报显示的建筑标识会因寻找逃生通道而增加人们逃生时间，找不到最佳的逃生路线，可能会影响人们的生命安全。
5.因此，期望一种基于物联网的动态建筑标识导引方案。


技术实现要素：

6.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于物联网的动态建筑标识导引方法、系统和电子设备，其通过卷积神经网络的空间卷积机制来对由温度值构成的建筑物内部的热力图中的各个位置的隐藏信息进行显式编码，以使得特征在包含温度信息的基础上获得建筑物内部空间信息的表达，且进一步再基于神经辐射场的原理进行计算候选路径的辐射向量，就可以基于温度要素和空间要素这两方面来获得较为准确的规划路径。这样，可提高火灾发生时动态建筑标识导引的有效性和准确性。
7.根据本技术的一个方面，提供了一种基于物联网的动态建筑标识导引方法，其包括：
8.基于建筑物内的各处设置的温度传感器所采集的温度值，生成用于表示整个所述建筑物内部的热力分布的热力图，其中，所述建筑物内的各处设置的温度传感器基于物联网相互连接；
9.使用卷积神经网络对所述热力图的隐藏信息进行显示编码以获得热力特征图，其中，所述卷积神经网络的每层的通道数为1以使得所述热力特征图与所述热力图具有相同
的尺寸；
10.获得多条逃生备选路径，每条所述逃生备选路径为所述建筑物内的多个位置组成的有向序列；
11.基于神经辐射场的原理，确定每条所述逃生备选路径在所述热力特征图中对应的辐射特征向量，其中，所述辐射特征向量基于所述逃生备选路径中各个位置在所述热力特征图中特征值和每个位置的特征值与其在序列中之前的一系列特征值的连乘积生成；
12.将所述辐射特征向量作为分类特征向量输入分类器以获得分类结果，所述分类结果用于表示所述多条逃生备选路径中哪条逃生备选路径为最优逃生路径；以及
13.显示所述分类结果中所指示的逃生备选路径于屏幕作为动态建筑逃生标识。
14.在上述基于物联网的动态建筑标识导引方法中，基于建筑物内的各处设置的温度传感器所采集的温度值，生成用于表示整个所述建筑物内部的热力分布的热力图，包括：对所述建筑物进行网格化处理以获得矩阵，其中，所述网格化的网格大小小于等于两个温度传感器之间的距离；以及，将所述温度传感器所采集的温度值基于所述温度传感器在所述建筑物内的位置填充至所述矩阵的相应位置，以获得所述热力图。
15.在上述基于物联网的动态建筑标识导引方法中，使用卷积神经网络对所述热力图的隐藏信息进行显示编码以获得热力特征图，包括：所述卷积神经网络的最后一层以sigmoid函数作为激活函数以将所述热力特征图中各个位置的特征值映射到概率空间中。
16.在上述基于物联网的动态建筑标识导引方法中，基于神经辐射场的原理，确定每条所述逃生备选路径在所述热力特征图中对应的辐射特征向量，包括：基于每条所述逃生备选路径的各个位置在所述热力图中对应的各个位置，确定每条所述逃生备选路径在所述热力特征图中对应的一系列位置的特征值，记为x1,x2,
…
,xn；设定每条所述逃生备选路径的起点位置为x1，计算每条所述逃生备选路径中每个位置的特征值与其在序列中之前的一系列特征值的连乘积以获得每个位置的辐射向量值；以及，将每条所述逃生备选路径中每个位置的辐射向量值排列为每条所述备选逃生路径的所述辐射特征向量。
17.在上述基于物联网的动态建筑标识导引方法中，设定每条所述逃生备选路径的起点位置为x1，计算每条所述逃生备选路径中每个位置的特征值与其在序列中之前的一系列特征值的连乘积以获得每个位置的辐射向量值，包括：设定每条所述逃生备选路径的起点位置为x1，以如下公式计算每条所述逃生备选路径中每个位置的特征值与其在序列中之前的一系列特征值的连乘积以获得每个位置的辐射向量值，其中，所述公式为：yi＝∏
j＝1～i
xj。
18.在上述基于物联网的动态建筑标识导引方法中，将所述辐射特征向量作为分类特征向量输入分类器以获得分类结果，包括：将所述辐射特征向量作为分类特征向量输入所述分类器的softmax分类函数以获得每条所述逃生备选路径对应的所述辐射特征向量属于最优逃生路径的概率值；以及，将所述多个概率值中最大者对应的所述逃生备选路径，确定为所述最优逃生路径。
19.根据本技术的另一方面，提供了一种基于物联网的动态建筑标识导引系统，其包括：
20.热力图生成单元，用于基于建筑物内的各处设置的温度传感器所采集的温度值，生成用于表示整个所述建筑物内部的热力分布的热力图，其中，所述建筑物内的各处设置
的温度传感器基于物联网相互连接；
21.显示编码单元，用于使用卷积神经网络对所述热力图生成单元获得的所述热力图的隐藏信息进行显示编码以获得热力特征图，其中，所述卷积神经网络的每层的通道数为1以使得所述热力特征图与所述热力图具有相同的尺寸；
22.逃生备选路径获取单元，用于获得多条逃生备选路径，每条所述逃生备选路径为所述建筑物内的多个位置组成的有向序列；
23.辐射特征向量生成单元，用于基于神经辐射场的原理，确定每条所述逃生备选路径获取单元获得的所述逃生备选路径在所述显示编码单元获得的所述热力特征图中对应的辐射特征向量，其中，所述辐射特征向量基于所述逃生备选路径中各个位置在所述热力特征图中特征值和每个位置的特征值与其在序列中之前的一系列特征值的连乘积生成；
24.分类单元，用于将所述辐射特征向量生成单元获得的所述辐射特征向量作为分类特征向量输入分类器以获得分类结果，所述分类结果用于表示所述多条逃生备选路径中哪条逃生备选路径为最优逃生路径；以及
25.显示单元，用于显示所述分类单元获得的所述分类结果中所指示的逃生备选路径于屏幕作为动态建筑逃生标识。
26.在上述基于物联网的动态建筑标识导引系统中，所述热力图生成单元，包括：网格化处理子单元，用于对所述建筑物进行网格化处理以获得矩阵，其中，所述网格化的网格大小小于等于两个温度传感器之间的距离；以及，填充子单元，用于将所述温度传感器所采集的温度值基于所述温度传感器在所述建筑物内的位置填充至所述网格化处理子单元获得的所述矩阵的相应位置，以获得所述热力图。
27.在上述基于物联网的动态建筑标识导引系统中，所述显示编码单元，进一步用于：所述卷积神经网络的最后一层以sigmoid函数作为激活函数以将所述热力特征图中各个位置的特征值映射到概率空间中。
28.在上述基于物联网的动态建筑标识导引系统中，所述辐射特征向量生成单元，包括：特征值确定子单元，用于基于每条所述逃生备选路径的各个位置在所述热力图中对应的各个位置，确定每条所述逃生备选路径在所述热力特征图中对应的一系列位置的特征值，记为x1,x2,
…
,xn；连乘积计算子单元，用于设定每条所述逃生备选路径的起点位置为x1，计算每条所述特征值确定子单元获得的所述逃生备选路径中每个位置的特征值与其在序列中之前的一系列特征值的连乘积以获得每个位置的辐射向量值；以及，排列子单元，用于将每条所述连乘积计算子单元获得的所述逃生备选路径中每个位置的辐射向量值排列为每条所述备选逃生路径的所述辐射特征向量。
29.在上述基于物联网的动态建筑标识导引系统中，所述连乘积计算子单元，进一步用于：设定每条所述逃生备选路径的起点位置为x1，以如下公式计算每条所述逃生备选路径中每个位置的特征值与其在序列中之前的一系列特征值的连乘积以获得每个位置的辐射向量值，其中，所述公式为：yi＝∏
j＝1～i
xj。
30.在上述基于物联网的动态建筑标识导引系统中，所述分类单元，进一步用于：将所述辐射特征向量作为分类特征向量输入所述分类器的softmax分类函数以获得每条所述逃生备选路径对应的所述辐射特征向量属于最优逃生路径的概率值；以及，将所述多个概率值中最大者对应的所述逃生备选路径，确定为所述最优逃生路径。
31.根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于物联网的动态建筑标识导引方法。
32.根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于物联网的动态建筑标识导引方法。
33.与现有技术相比，本技术提供了一种基于物联网的动态建筑标识导引方法、系统和电子设备，其通过卷积神经网络的空间卷积机制来对由温度值构成的建筑物内部的热力图中的各个位置的隐藏信息进行显式编码，以使得特征在包含温度信息的基础上获得建筑物内部空间信息的表达，且进一步再基于神经辐射场的原理进行计算候选路径的辐射向量，就可以基于温度要素和空间要素这两方面来获得较为准确的规划路径。这样，可提高火灾发生时动态建筑标识导引的有效性和准确性。
附图说明
34.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
35.图1为根据本技术实施例的基于物联网的动态建筑标识导引方法的应用场景图。
36.图2为根据本技术实施例的基于物联网的动态建筑标识导引方法的流程图。
37.图3为根据本技术实施例的基于物联网的动态建筑标识导引方法的架构示意图。
38.图4为根据本技术实施例的基于物联网的动态建筑标识导引方法中，基于神经辐射场的原理，确定每条所述逃生备选路径在所述热力特征图中对应的辐射特征向量的流程图。
39.图5为根据本技术实施例的基于物联网的动态建筑标识导引系统的框图。
40.图6为根据本技术实施例的基于物联网的动态建筑标识导引系统中辐射特征向量生成单元的框图。
41.图7为根据本技术实施例的电子设备的框图。
具体实施方式
42.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
43.场景概述
44.如上所述，在消防紧急疏散情况下，传统的建筑静态标识无法显示消防逃生疏散通道的预案规划路线，无法与消防系统联动显示火情信息，着火点距离当前位置的距离、火情的类别等信息，对于大型建筑的功能布局复杂性，传统的无联动无显示无火情情报显示的建筑标识会因寻找逃生通道而增加人们逃生时间，找不到最佳的逃生路线，可能会影响人们的生命安全。因此，期望一种基于物联网的动态建筑标识导引方案。
45.基于此，首先基于建筑物内的各处设置的温度传感器获得的温度数值，来生成整个建筑物内部的热力图，该热力图在图中的每个位置都以温度值来进行表示。然后，将该热力图输入卷积神经网络，从而得到用于表达热力图中的各个位置的隐藏信息的特征图。这里，所述卷积神经网络设置为不改变热力图的尺寸，且卷积神经网络的每层的通道数均为一，以使得所得到的特征图实际上与热力图的尺寸相同。
46.然后，为了进行路径规划，进一步应用神经辐射场的原理，得到每条候选路径的辐射向量，也就是，以候选路径在热力图中对应的各个位置为基准，确定候选路径在特征图中对应的一系列位置的特征值，例如记为x1,x2,
…
,xn，其中路线的起点为x1，然后计算yi＝∏
j＝1～i
xj，即将每个位置的特征值与其在序列中之前的一系列特征值进行连乘，获得每个位置的辐射向量值，并构成为候选路径的辐射特征向量y1,y2,
…
,yn。
47.然后，将该辐射特征向量作为分类向量输入分类器，就可以获得候选路径的分类结果，例如，可以选择基于分类器的分类函数具有最大函数值的候选路径作为发生火灾时的逃生路径。
48.基于此，本技术提出了一种基于物联网的动态建筑标识导引方法，其包括：基于建筑物内的各处设置的温度传感器所采集的温度值，生成用于表示整个所述建筑物内部的热力分布的热力图，其中，所述建筑物内的各处设置的温度传感器基于物联网相互连接；使用卷积神经网络对所述热力图的隐藏信息进行显示编码以获得热力特征图，其中，所述卷积神经网络的每层的通道数为1以使得所述热力特征图与所述热力图具有相同的尺寸；获得多条逃生备选路径，每条所述逃生备选路径为所述建筑物内的多个位置组成的有向序列；基于神经辐射场的原理，确定每条所述逃生备选路径在所述热力特征图中对应的辐射特征向量，其中，所述辐射特征向量基于所述逃生备选路径中各个位置在所述热力特征图中特征值和每个位置的特征值与其在序列中之前的一系列特征值的连乘积生成；将所述辐射特征向量作为分类特征向量输入分类器以获得分类结果，所述分类结果用于表示所述多条逃生备选路径中哪条逃生备选路径为最优逃生路径；以及，显示所述分类结果中所指示的逃生备选路径于屏幕作为动态建筑逃生标识。
49.图1图示了根据本技术实施例的基于物联网的动态建筑标识导引方法的应用场景图。如图1所示，在该应用场景中，首先通过部署在建筑物(例如，如图1中所示意的b)内部各个场所(例如，如图1中所示意的p)的温度传感器(例如，如图1中所示意的t)来采集建筑物内部各处的温度值，以及基于建筑物内的多个位置来获得多条逃生备选路径(例如，如图1中所示意的f1-fn)，其中，所述建筑物内的各处设置的温度传感器基于物联网相互连接，且每条所述逃生备选路径为所述建筑物内的多个位置组成的有向序列。然后，将获得的所述温度值和所述逃生备选路径输入至部署有基于物联网的动态建筑标识导引算法的服务器中(例如，如图1中所示意的s)，其中，所述服务器能够以基于物联网的动态建筑标识导引算法对所述温度值和所述逃生备选路径进行处理，以生成用于表示所述多条逃生备选路径中哪条逃生备选路径为最优逃生路径的分类结果，进而再显示所述分类结果中所指示的逃生备选路径于屏幕(例如，如图1中所示意的d)以作为动态建筑的逃生标识。通过这样的方式，可以基于温度要素和空间要素这两方面来获得较为准确的规划路径作为动态建筑的逃生标识指示，以提高火灾发生时的逃生几率。
50.在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限
制性实施例。
51.示例性方法
52.图2图示了根据本技术实施例的基于物联网的动态建筑标识导引方法的流程图。如图2所示，根据本技术实施例的基于物联网的动态建筑标识导引方法，包括步骤：s110，基于建筑物内的各处设置的温度传感器所采集的温度值，生成用于表示整个所述建筑物内部的热力分布的热力图，其中，所述建筑物内的各处设置的温度传感器基于物联网相互连接；s120，使用卷积神经网络对所述热力图的隐藏信息进行显示编码以获得热力特征图，其中，所述卷积神经网络的每层的通道数为1以使得所述热力特征图与所述热力图具有相同的尺寸；s130，获得多条逃生备选路径，每条所述逃生备选路径为所述建筑物内的多个位置组成的有向序列；s140，基于神经辐射场的原理，确定每条所述逃生备选路径在所述热力特征图中对应的辐射特征向量，其中，所述辐射特征向量基于所述逃生备选路径中各个位置在所述热力特征图中特征值和每个位置的特征值与其在序列中之前的一系列特征值的连乘积生成；s150，将所述辐射特征向量作为分类特征向量输入分类器以获得分类结果，所述分类结果用于表示所述多条逃生备选路径中哪条逃生备选路径为最优逃生路径；以及，s160，显示所述分类结果中所指示的逃生备选路径于屏幕作为动态建筑逃生标识。
53.图3图示了根据本技术实施例的基于物联网的动态建筑标识导引方法的架构示意图。如图3所示，在该网络架构中，首先，基于建筑物内的各处设置的温度传感器所采集的温度值(例如，如图3中所示意的in1)生成用于表示整个所述建筑物内部的热力分布的热力图(例如，如图3中所示意的in2)；s120，使用卷积神经网络(例如，如图3中所示意的cnn)对所述热力图的隐藏信息进行显示编码以获得热力特征图(例如，如图3中所示意的f)；s140，基于神经辐射场的原理，确定获得的每条所述逃生备选路径(例如，如图3中所示意的in3)在所述热力特征图中对应的辐射特征向量(例如，如图3中所示意的vf)；s150，将所述辐射特征向量作为分类特征向量输入分类器(例如，如图3中所示意的圈s)以获得分类结果，所述分类结果用于表示所述多条逃生备选路径中哪条逃生备选路径为最优逃生路径；以及，s160，显示所述分类结果中所指示的逃生备选路径于屏幕作为动态建筑逃生标识。
54.在步骤s110中，基于建筑物内的各处设置的温度传感器所采集的温度值，生成用于表示整个所述建筑物内部的热力分布的热力图，其中，所述建筑物内的各处设置的温度传感器基于物联网相互连接。如前所述，火灾逃生路线的动态建筑标识导引本质上是一个基于已知信息的路径规划问题，而物联网能够将建筑物内的各处的信息汇总以进行集中控制，因此，本技术考虑在发生火灾时利用基于物联网的传感器信息来进行逃生路径规划。
55.应可以理解，由于发生火灾时主要考虑空间内部的温度因素，因此在本技术的技术方案中，采用由所述温度值构成的建筑物内部的热力图，可以使得路径规划符合火灾时逃生路线选择的特定场景。相应地，在一个具体示例中，可以通过部署在建筑物内部各处的温度传感器来采集建筑物内部各处的温度值，其中，所述建筑物内的各处设置的温度传感器基于物联网相互连接。
56.具体地，在本技术实施例中，基于建筑物内的各处设置的温度传感器所采集的温度值，生成用于表示整个所述建筑物内部的热力分布的热力图的过程，包括：首先，对所述建筑物进行网格化处理以获得矩阵，其中，所述网格化的网格大小小于等于两个温度传感器之间的距离。应可以理解，通过对建筑物进行基于温度传感器之间的网格化处理可使得
所构造的矩阵中每个位置具有一个温度值，利于后续的数据处理；然后，将所述温度传感器所采集的温度值基于所述温度传感器在所述建筑物内的位置填充至所述矩阵的相应位置，以获得所述热力图。
57.在步骤s120中，使用卷积神经网络对所述热力图的隐藏信息进行显示编码以获得热力特征图，其中，所述卷积神经网络的每层的通道数为1以使得所述热力特征图与所述热力图具有相同的尺寸。也就是，通过卷积神经网络对所述热力图进行处理，以得到用于表达所述热力图中的各个位置的隐藏信息的热力特征图。值得一提的是，这里，所述卷积神经网络设置为不改变所述热力图的尺寸，且所述卷积神经网络的每层的通道数均为一，以使得所得到的所述热力特征图实际上与所述热力图的尺寸相同。应可以理解，通过卷积神经网络的空间卷积机制来对图中的各个位置的不透明信息，也就是，隐藏信息进行显式编码，可以使得特征在包含温度信息的基础上，获得空间信息的表达。具体地，在本技术实施例中，所述卷积神经网络的最后一层以sigmoid函数作为激活函数以将所述热力特征图中各个位置的特征值映射到概率空间中，以便于后续计算。
58.在步骤s130和步骤s140中，获得多条逃生备选路径，每条所述逃生备选路径为所述建筑物内的多个位置组成的有向序列，并基于神经辐射场的原理，确定每条所述逃生备选路径在所述热力特征图中对应的辐射特征向量，其中，所述辐射特征向量基于所述逃生备选路径中各个位置在所述热力特征图中特征值和每个位置的特征值与其在序列中之前的一系列特征值的连乘积生成。应可以理解，为了进行路径规划，进一步应用神经辐射场的原理，以得到每条候选路径的辐射向量。也就是，在本技术的技术方案中，首先，基于建筑物内的多个位置来获得多条逃生备选路径，其中，每条所述逃生备选路径为所述建筑物内的多个位置组成的有向序列；然后，再基于神经辐射场的原理进行计算候选路径的辐射向量。
59.具体地，在本技术实施例中，基于神经辐射场的原理，确定每条所述逃生备选路径在所述热力特征图中对应的辐射特征向量的过程，包括：首先，基于每条所述逃生备选路径的各个位置在所述热力图中对应的各个位置，确定每条所述逃生备选路径在所述热力特征图中对应的一系列位置的特征值，记为x1,x2,
…
,xn。也就是，以所述候选路径在所述热力图中对应的各个位置为基准，确定所述候选路径在所述热力特征图中对应的一系列位置的特征值，例如记为x1,x2,
…
,xn。然后，设定每条所述逃生备选路径的起点位置为x1，计算每条所述逃生备选路径中每个位置的特征值与其在序列中之前的一系列特征值的连乘积以获得每个位置的辐射向量值。也就是，在一个具体示例中，首先，设定每条所述逃生备选路径的起点位置为x1；接着，再以如下公式计算每条所述逃生备选路径中每个位置的特征值与其在序列中之前的一系列特征值的连乘积以获得每个位置的辐射向量值，其中，所述公式为：yi＝∏
j＝1～i
xj。最后，将每条所述逃生备选路径中每个位置的辐射向量值排列为每条所述备选逃生路径的所述辐射特征向量。应可以理解，通过基于所述神经辐射场的原理进行计算所述候选路径的辐射向量，就可以基于温度要素和空间要素这两方面来获得较为准确的规划路径。
60.图4为根据本技术实施例的基于物联网的动态建筑标识导引方法中，基于神经辐射场的原理，确定每条所述逃生备选路径在所述热力特征图中对应的辐射特征向量的流程图。如图4所示，在本技术实施例中，基于神经辐射场的原理，确定每条所述逃生备选路径在所述热力特征图中对应的辐射特征向量，包括：s210，基于每条所述逃生备选路径的各个位
置在所述热力图中对应的各个位置，确定每条所述逃生备选路径在所述热力特征图中对应的一系列位置的特征值，记为x1,x2,
…
,xn；s220，设定每条所述逃生备选路径的起点位置为x1，计算每条所述逃生备选路径中每个位置的特征值与其在序列中之前的一系列特征值的连乘积以获得每个位置的辐射向量值；以及，s230，将每条所述逃生备选路径中每个位置的辐射向量值排列为每条所述备选逃生路径的所述辐射特征向量。
61.在步骤s150和步骤s160中，将所述辐射特征向量作为分类特征向量输入分类器以获得分类结果，所述分类结果用于表示所述多条逃生备选路径中哪条逃生备选路径为最优逃生路径，并显示所述分类结果中所指示的逃生备选路径于屏幕作为动态建筑逃生标识。也就是，首先，将该辐射特征向量作为分类向量输入分类器，就可以获得所述多条逃生备选路径中哪条逃生备选路径为最优逃生路径的分类结果，在一个具体示例中，可以选择基于分类器的分类函数具有最大函数值的候选路径作为发生火灾时的逃生路径。然后，显示所述分类结果中所指示的逃生备选路径于屏幕作为动态建筑逃生标识。应可以理解，通过基于温度要素和空间要素这两方面来规划逃生路径，可以使得发生火灾时的所述逃生路径标识更为准确。
62.具体地，在本技术的实施例中，将所述辐射特征向量作为分类特征向量输入分类器以获得分类结果的过程，包括：首先，将所述辐射特征向量作为分类特征向量输入所述分类器的softmax分类函数以获得每条所述逃生备选路径对应的所述辐射特征向量属于最优逃生路径的概率值；然后，将所述多个概率值中最大者对应的所述逃生备选路径，确定为所述最优逃生路径。
63.综上，基于本技术实施例的基于物联网的动态建筑标识导引方法被阐明，其采用由温度值构成的建筑物内部的热力图，可以使得路径规划符合火灾时逃生路线选择的特定场景。并且，本技术还通过使用卷积神经网络的空间卷积机制来对图中的各个位置的隐藏信息进行显式编码，以使得特征在包含温度信息的基础上，获得空间信息的表达。这样，进一步再基于神经辐射场的原理进行计算候选路径的辐射向量，就可以基于温度要素和空间要素这两方面来获得较为准确的规划路径。
64.示例性系统
65.图5图示了根据本技术实施例的基于物联网的动态建筑标识导引系统的框图。如图5所示，根据本技术实施例的基于物联网的动态建筑标识导引系统500，包括：热力图生成单元510，用于基于建筑物内的各处设置的温度传感器所采集的温度值，生成用于表示整个所述建筑物内部的热力分布的热力图，其中，所述建筑物内的各处设置的温度传感器基于物联网相互连接；显示编码单元520，用于使用卷积神经网络对所述热力图生成单元510获得的所述热力图的隐藏信息进行显示编码以获得热力特征图，其中，所述卷积神经网络的每层的通道数为1以使得所述热力特征图与所述热力图具有相同的尺寸；逃生备选路径获取单元530，用于获得多条逃生备选路径，每条所述逃生备选路径为所述建筑物内的多个位置组成的有向序列；辐射特征向量生成单元540，用于基于神经辐射场的原理，确定每条所述逃生备选路径获取单元530获得的所述逃生备选路径在所述显示编码单元520获得的所述热力特征图中对应的辐射特征向量，其中，所述辐射特征向量基于所述逃生备选路径中各个位置在所述热力特征图中特征值和每个位置的特征值与其在序列中之前的一系列特征值的连乘积生成；分类单元550，用于将所述辐射特征向量生成单元540获得的所述辐射
特征向量作为分类特征向量输入分类器以获得分类结果，所述分类结果用于表示所述多条逃生备选路径中哪条逃生备选路径为最优逃生路径；以及，显示单元560，用于显示所述分类单元550获得的所述分类结果中所指示的逃生备选路径于屏幕作为动态建筑逃生标识。
66.在一个示例中，在上述基于物联网的动态建筑标识导引系统500中，所述热力图生成单元510，包括：网格化处理子单元，用于对所述建筑物进行网格化处理以获得矩阵，其中，所述网格化的网格大小小于等于两个温度传感器之间的距离；以及，填充子单元，用于将所述温度传感器所采集的温度值基于所述温度传感器在所述建筑物内的位置填充至所述网格化处理子单元获得的所述矩阵的相应位置，以获得所述热力图。
67.在一个示例中，在上述基于物联网的动态建筑标识导引系统500中，所述显示编码单元520，进一步用于：所述卷积神经网络的最后一层以sigmoid函数作为激活函数以将所述热力特征图中各个位置的特征值映射到概率空间中。
68.在一个示例中，在上述基于物联网的动态建筑标识导引系统500中，如图6所示，所述辐射特征向量生成单元540，包括：特征值确定子单元541，用于基于每条所述逃生备选路径的各个位置在所述热力图中对应的各个位置，确定每条所述逃生备选路径在所述热力特征图中对应的一系列位置的特征值，记为x1,x2,
…
,xn；连乘积计算子单元542，用于设定每条所述逃生备选路径的起点位置为x1，计算每条所述特征值确定子单元541获得的所述逃生备选路径中每个位置的特征值与其在序列中之前的一系列特征值的连乘积以获得每个位置的辐射向量值；以及，排列子单元543，用于将每条所述连乘积计算子单元542获得的所述逃生备选路径中每个位置的辐射向量值排列为每条所述备选逃生路径的所述辐射特征向量。
69.在一个示例中，在上述基于物联网的动态建筑标识导引系统500中，所述连乘积计算子单元542，进一步用于：设定每条所述逃生备选路径的起点位置为x1，以如下公式计算每条所述逃生备选路径中每个位置的特征值与其在序列中之前的一系列特征值的连乘积以获得每个位置的辐射向量值，其中，所述公式为：yi＝∏
j＝1～i
xj。
70.在一个示例中，在上述基于物联网的动态建筑标识导引系统500中，所述分类单元550，进一步用于：将所述辐射特征向量作为分类特征向量输入所述分类器的softmax分类函数以获得每条所述逃生备选路径对应的所述辐射特征向量属于最优逃生路径的概率值；以及，将所述多个概率值中最大者对应的所述逃生备选路径，确定为所述最优逃生路径。
71.这里，本领域技术人员可以理解，上述基于物联网的动态建筑标识导引系统500中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的基于物联网的动态建筑标识导引方法的描述中得到了详细介绍，并因此，将省略其重复描述。
72.如上所述，根据本技术实施例的基于物联网的动态建筑标识导引系统500可以实现在各种终端设备中，例如基于物联网的动态建筑标识导引算法的服务器等。在一个示例中，根据本技术实施例的基于物联网的动态建筑标识导引系统500可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于物联网的动态建筑标识导引系统500可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于物联网的动态建筑标识导引系统500同样可以是该终端设备的众多硬件模块之一。
73.替换地，在另一示例中，该基于物联网的动态建筑标识导引系统500与该终端设备
也可以是分立的设备，并且该基于物联网的动态建筑标识导引系统500可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
74.示例性电子设备
75.下面，参考图7来描述根据本技术实施例的电子设备。
76.如图7所示，所述电子设备10包括至少一个处理器11和至少一个存储器12。
77.处理器11可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
78.存储器12可以包括至少一个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储至少一个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的基于物联网的动态建筑标识导引方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如热力特征图、分类特征向量等各种内容。
79.在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
80.该输入装置13可以包括例如键盘、鼠标等等。
81.该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
82.当然，为了简化，图7中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
83.示例性计算机程序产品和计算机可读存储介质
84.除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的基于物联网的动态建筑标识导引方法中的步骤。
85.所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
86.此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的基于物联网的动态建筑标识导引方法中的步骤。
87.所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电
磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有至少一个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
88.以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
89.本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
90.还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
91.提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。