一种基于被动式WiFi感知的细粒度人群分析方法

本发明涉及细粒度人群分析，更具体的说是涉及一种基于被动式wifi感知的细粒度人群分析方法。

背景技术：

1、随着城市的快速发展，对大范围场景中聚集人群的监控成为了一个重要的研究领域。然而，如何准确地进行细粒度人群分析，即理解人群在公共空间如何分布及其随时间如何移动仍然是一个开放型课题。获取这些重要人群状态信息对许多应用至关重要，包括交通管控、城市规划、商业决策、人群安全管理乃至智慧城市的建设等。

2、根据使用数据模态的不同，现有技术可主要分为两类：1)基于计算机视觉的人群分析方法。该类方法利用基于深度学习的检测或回归模型，从图像或视频中抽取人群的状态信息。2)基于被动式wifi感知的人群分析方法。该类方法利用wifi嗅探器(一种定制的wifi接入点)捕获周围行人携带移动设备所发出的probe请求帧，从中提取唯一mac地址、接收信号强度(rss)等信息，以推断人群的分布和移动等属性。

3、其中，现有基于计算机视觉的人群分析方法存在部署成本高、计算复杂度高、存在视野盲区和遮挡、受限于光照条件等缺点；在估计人群分布(人群密度图)时，无法获取大面积场景的全局信息，同时视角畸变使得估计的密度图不直观；在估计人群速度时，受限于遮挡且存在跨摄像头协同处理的难题。

4、而现有基于被动式wifi感知的人群分析方法具有低成本、覆盖范围大、扩展性强、无设备感知(device-free)等优点，但wifi测量值的随机性和稀疏性导致其估计精度普遍较低。在估计人群分布方面，现有基于被动式wifi感知的人群分析方法未能有效克服人数估计和人群位置估计的局限性，造成较大的估计误差；在人群速度估计方面，受限于mac地址随机化和有限的应用场景(单向或双向通道型区域)。

5、因此，如何提高场景中人群分布估计的准确性，同时实现对局部高密度人群速度的估计，是本领域技术人员亟需解决的问题。

技术实现思路

1、有鉴于此，本发明提供了一种至少解决上述部分技术问题的基于被动式wifi感知的细粒度人群分析方法。

2、为了实现上述目的，本发明采用如下技术方案：

3、一种基于被动式wifi感知的细粒度人群分析方法，包括如下步骤：

4、s1、获取连续时刻下，目标监控区内由wifi感知得到的粗粒度人群密度图；

5、s2、将所述粗粒度人群密度图输入至训练好的深度卷积自编码器模型中，输出连续时刻下细粒度的全局人群密度图；

6、s3、采用密度聚类法识别所述全局人群密度图中每个局部高密度人群的中心像素点坐标；

7、s4、对每个所述中心像素点坐标，从所述全局人群密度图中对应位置处裁剪出一个局部块，并结合之前若干时刻同一位置的局部块，形成人群密度图块序列；

8、s5、将所述人群密度图块序列输入至训练好的双向卷积长短期神经网络模型中，输出每个所述局部高密度人群的速度向量。

9、进一步地，所述步骤s1具体包括：

10、s11、针对目标监控区，离线构建wifi定位指纹库；

11、s12、基于所述wifi定位指纹库，采用knn定位法结合滑动窗口机制对连续时刻下所述目标监控区中的所有wifi感知设备的指纹进行wifi指纹定位，获得wifi感知设备的定位集合；

12、s13、将所述定位集合转换为粗粒度人群密度图。

13、进一步地，所述步骤s11具体包括：

14、针对目标监控区建立二维直角坐标系，并在所述目标监控区内设定若干参考点；所述目标监控区内均匀部署有多个wifi嗅探器；所述wifi嗅探器用于采集每个所述参考点位置处参考设备的wifi感知数据；

15、采用所述目标监控区中的多个参考设备对所述参考点采集预设维度的rss均值指纹向量，并根据所述rss均值指纹向量结合参考点位置离线构建wifi定位指纹库。

16、进一步地，所述wifi嗅探器的数量为大于或等于3个。

17、进一步地，所述步骤s12具体包括：

18、利用时间窗口对连续时刻下wifi感知数据中每个设备mac地址的感知数据进行过滤处理，并构建每个设备mac地址的指纹向量；

19、采用knn定位法结合所述wifi定位指纹库，对每个所述指纹向量进行定位，获得wifi感知设备的定位集合。

20、进一步地，所述步骤s13具体包括：

21、将所述定位集合中每个物理空间坐标转化为对应的像素坐标，形成像素坐标集；

22、将所述像素坐标集转化为离散的中间图像；

23、采用固定高斯核函数对所述中间图像进行卷积和平滑操作，生成wifi感知的粗粒度人群密度图。

24、进一步地，所述深度卷积自编码器模型通过如下步骤进行训练：

25、将监控场景分割为多个子区域；所述监控场景内均匀部署多个wifi嗅探器；每个所述子区域均能够被单个固定的或临时的摄像头覆盖；

26、基于所述wifi嗅探器和摄像头，对应获得所述目标监控区在连续时刻下的wifi感知数据和视频数据；

27、基于所述wifi感知数据和视频数据，分别获得第一粗粒度人群密度图以及与所述第一粗粒度人群密度图相对应的全局人群密度图标签；

28、将所述第一粗粒度人群密度图作为输入，将所述全局人群密度图标签作为输出，采用adam优化器和融合损失函数训练深度卷积自编码器模型。

29、进一步地，所述深度卷积自编码器模型由一个编码器和一个解码器构成，共包括10个基础模块和3个卷积注意力模块；

30、通过所述基础模块实现将3×3的卷积层、激活函数和批归一化层相结合；

31、通过所述卷积注意力模块实现同时提取通道域和空间域的注意力。

32、进一步地，所述双向卷积长短期神经网络模型通过如下步骤进行训练：

33、基于行人追踪数据集，获得第一全局人群密度图；

34、基于所述第一全局人群密度图，获得对应的第一人群密度图块序列，以及获得所述第一全局人群密度图中每个第一局部高密度人群对应位置区域中行人的速度向量均值；将所述速度向量均值作为每个第一局部高密度人群的速度向量标签；

35、将所述第一人群密度图块序列作为输入，将所述每个第一局部高密度人群的速度向量标签作为输出，采用adam优化器和mes损失函数训练所述双向卷积长短期神经网络模型。

36、进一步地，所述双向卷积长短期神经网络模型包括两个convlstm层和一个全连接层；每个所述convlstm层包括16个3×3卷积核。

37、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于被动式wifi感知的细粒度人群分析方法，包括如下有益效果：

38、1、本发明使用深度卷积自编码器模型学习被动式wifi感知数据中蕴含的深层潜在特征，缓解了由移动设备随机扫描和mac地址随机化导致wifi测量的随机性和稀疏性，并以图像重构的方法从粗粒度人群密度图wdm中回归出准确的全局人群密度图cdm，从而有助于提高人群分布估计的准确性。

39、2、本发明设计了面向密度图的密度聚类算法dm-dbscan，以便从cdm中识别出更重要的局部高密度人群，并利用双向卷积长短期神经网络模型从人群密度图块序列scdmp中推断出局部高密度人群的速度向量(分解后可得到速度的大小和方向)，该信息有利于判断人群的紧急状况以及预测人群流向。该方法避免了被动式wifi感知中mac地址随机化导致的wifi测量匿名化问题，创新地利用局部密度值的变化进行群体而非个体的速度估计，从而实现了局部高密度人群的速度估计。