基于群智感知的室內平面圖生成方法、服務器及系統(tǒng)的制作方法
【技術領域】
[0001] 本發(fā)明涉及移動互聯(lián)網領域，尤其涉及一種基于群智感知的室內平面圖生成方 法、服務器及系統(tǒng)。
【背景技術】
[0002] 隨著移動互聯(lián)網的迅猛發(fā)展和大數據處理技術的日益成熟，群智感知技術逐漸被 應用到越來越多的傳統(tǒng)領域當中，它主要利用大規(guī)模用戶所產生的數據，進行信息的收集、 加工和處理，并向用戶提供所需服務。如何將群智感知的思想應用于室內定位和平面圖生 成領域，成為該方向研究的一大熱點和難點。
[0003] 精確的室內平面圖不僅可以為市場上眾多基于定位的應用和服務提供幫助，而且 有助于提高室內定位的精確度。顯然，手動繪制室內平面圖需要耗費大量的人力物力，因此 目前已有大量研究工作致力于室內平面圖的自動生成。然而，目前的工作幾乎都需要特定 基礎設施的支持，例如相當數量的WiFi接入點，WiFi接入點的具體位置信息，或者WiFi信 號的指紋信息。這些要求無疑限制了現(xiàn)有工作的適用范圍和可擴展性，使其無法正常工作 在WiFi覆蓋不全或沒有指紋數據庫的環(huán)境中。
[0004] 隨著智能手機傳感器功能的普及和提升，航跡推算技術因其自身追蹤行人移動軌 跡的能力而被逐漸應用在室內定位和地圖生成領域，它能夠利用移動智能終端慣性傳感器 的信息，推算出行走距離和方向。但該技術對于行走軌跡有較高要求且需要起始位置作為 錨點，此外，累積誤差的存在嚴重影響了航跡推算的性能和生成平面圖的準確性。
[0005] 鑒于此，如何能夠在不需要基礎設施支持的情況下生成準確可靠的室內平面圖成 為當前需要解決的技術問題。

【發(fā)明內容】

[0006] 針對現(xiàn)有技術中的缺陷，本發(fā)明提供一種基于群智感知的室內平面圖生成方法、 服務器及系統(tǒng)，能夠無需室內基礎設施的支持而生成準確可靠的室內平面圖，增強了可用 性和可拓展性，同時對群智感知帶來的噪聲和歧義性具有良好的適應能力。
[0007] 第一方面，本發(fā)明提供一種基于群智感知的室內平面圖生成方法，包括：
[0008] 獲取移動智能終端內部的慣性傳感器采樣收集的用戶數據；
[0009] 對所述用戶數據進行分析，獲取所述用戶移動的距離及方向，生成所述用戶的運 動軌跡；
[0010] 根據預設的特征向量表，對所述用戶數據進行處理和分析，識別所述用戶的運動 軌跡中的與所述特征向量表中特定行為對應的特征點，并將所述特征點映射到所述用戶的 運動軌跡上的具體位置，得到標注了所述特征點的所述用戶的運動軌跡；
[0011] 采用三角形匹配的軌跡融合算法，將所述標注了所述特征點的所述用戶的運動軌 跡進行融合，生成室內平面圖；
[0012] 其中，所述移動智能終端內部的慣性傳感器采樣收集的用戶數據，包括：加速度計 采樣收集的加速度數據、陀螺儀采樣收集的角速度數據和羅盤采樣收集的方向數據。
[0013] 可選地，所述對所述采樣收集數據進行分析，獲取所述用戶移動的距離及方向，生 成所述用戶的運動軌跡，包括：
[0014] 對所述采樣收集數據進行分析，采用步長檢測的方法獲取所述用戶移動的距離及 方向，生成所述用戶的運動軌跡。
[0015] 可選地，所述根據預設的特征向量表，對所述用戶數據進行處理和分析，識別所述 用戶的運動軌跡中的與所述特征向量表中特定行為對應的特征點，并將所述特征點映射 到所述用戶的運動軌跡上的具體位置，得到標注了所述特征點的所述用戶的運動軌跡，包 括：
[0016] 對所述用戶數據進行噪聲過濾；
[0017] 根據預設的特征向量表中特定行為的持續(xù)時間，采用滑動窗口方式將噪聲過濾后 的所述用戶數據進行分段，獲取與預設的特征向量表中特定行為對應的特征點片段；
[0018] 根據預設的特征向量表，將所述與預設的特征向量表中特定行為對應的特征點片 段進行分類，每一分類的類別對應所述特征向量表中的類別；
[0019] 根據時間戳的對應關系，將分類后的特征點片段的特定行為的特征點映射到所述 用戶的運動軌跡上的具體位置，得到標注了所述特征點的所述用戶的運動軌跡。
[0020] 可選地，所述對所述用戶數據進行噪聲過濾，包括：
[0021] 使用低通濾波器對所述用戶數據進行噪聲過濾，過濾掉高頻噪聲并使信號平滑；
[0022] 和 / 或，
[0023] 在所述對所述用戶數據進行噪聲過濾之前，還包括：
[0024] 對所述用戶數據進行數據過濾，過濾所述用戶數據中除加速度數據的z軸方向及 角速度數據的X和z軸方向的其他維度的數據；
[0025] 相應地，所述對所述用戶數據進行噪聲過濾，具體為：
[0026] 對數據過濾后的所述用戶數據進行噪聲過濾。
[0027] 可選地，所述根據預設的特征向量表，將所述與預設的特征向量表中特定行為對 應的特征點片段進行分類，包括：
[0028] 使用基于預設的特征向量表的支持向量機，將所述與預設的特征向量表中特定行 為對應的特征點片段進行分類，每一分類的類別對應所述特征向量表中的類別。
[0029] 可選地，所述采用三角形匹配的軌跡融合算法，將所述標注了所述特征點的所述 用戶的運動軌跡進行融合，生成室內平面圖，包括：
[0030] 將所述標注了所述特征點的所述用戶的運動軌跡進行過濾，獲取能生成三角形的 軌跡，構造三角形軌跡集合和過濾后的非三角形軌跡集合；
[0031] 根據預設的匹配規(guī)則，將所述三角形軌跡集合進行分類；
[0032] 根據預設的優(yōu)先級規(guī)則，獲取一個三角形類，將所有包含所述三角形類的軌跡以 所述三角形類為基準進行融合，循環(huán)本步驟，直到所有三角形的軌跡均已融合或所有三角 形類使用完畢；
[0033] 在軌跡融合結果為多個集合時，在所述過濾后的非三角形軌跡集合中獲取可靠的 軌跡，將作為軌跡融合結果的多個集合進行合并；
[0034] 在所述可靠的軌跡不存在時，確定室內環(huán)境并非一個連通圖，存在獨立空間。
[0035] 第二方面，本發(fā)明提供一種基于群智感知的室內平面圖生成服務器，包括：
[0036] 數據獲取模塊，用于獲取移動智能終端內部的慣性傳感器采樣收集的用戶數據；
[0037] 軌跡生成模塊，用于對所述用戶數據進行分析，獲取所述用戶移動的距離及方向， 生成所述用戶的運動軌跡；
[0038] 特征點識別模塊，用于根據預設的特征向量表，對所述用戶數據進行處理和分析， 識別所述用戶的運動軌跡中的與所述特征向量表中特定行為對應的特征點，并將所述特征 點映射到所述用戶的運動軌跡上的具體位置，得到標注了所述特征點的所述用戶的運動軌 跡；
[0039] 平面圖生成模塊，用于采用三角形匹配的軌跡融合算法，將所述標注了所述特征 點的所述用戶的運動軌跡進行融合，生成室內平面圖；
[0040] 其中，所述移動智能終端內部的慣性傳感器采樣收集的用戶數據，包括：加速度計 采樣收集的加速度數據、陀螺儀采樣收集的角速度數據和羅盤采樣收集的方向數據。
[0041] 可選地，所述軌跡生成模塊，具體用于
[0042] 對所述采樣收集數據進行分析，采用步長檢測的方法獲取所述用戶移動的距離及 方向，生成所述用戶的運動軌跡；
[0043]和 / 或，
[0044] 所述特征點識別模塊，包括：
[0045] 噪聲過濾單元，用于對所述用戶數據進行噪聲過濾；
[0046] 分段單元，用于根據預設的特征向量表中特定行為的持續(xù)時間，采用滑動窗口方 式將噪聲過濾后的所述用戶數據進行分段，獲取與預設的特征向量表中特定行為對應的特 征點片段；
[0047] 分類單元，用于根據預設的特征向量表，將所述與預設的特征向量表中特定行為 對應的特征點片段進行分類，每一分類的類別對應所述特征向量表中的類別；
[0048] 映射單元，用于根據時間戳的對應關系，將分類后的特征點片段的特定行為的特 征點映射到所述用戶的運動軌跡上的具體位置，得到標注了所述特征點的所述用戶的運動 軌跡；
[0049] 和 / 或，
[0050] 所述平面圖生成模塊，包括：
[0051] 集合構造單元，用于將所述標注了所述特征點的所述用戶的運動軌跡進行過濾， 獲取能生成三角形的軌跡，構造三角形軌跡集合和過濾后的非三角形軌