一种室内人员行为识别及位置跟踪系统及方法

1.一种室内人员行为识别及位置跟踪方法，采用一种室内人员行为识别及位置跟踪系统，包括PIR传感器单元、运动传感器单元及服务器PC；
PIR传感器单元安装在室内定位区域的天棚上，用于采集室内人员的人体红外信号，粗略识别室内人员的位置，并发送给服务器PC；
运动传感器单元由室内人员携带，用于采集室内人员运动引起的三轴加速度信号并根据该信号识别运动状态发送给服务器PC；
服务器PC用于根据室内环境布局及室内人员的行为习惯来产生不同类别的行为地图，并根据运动引起的三轴加速度信号选择行为地图，进行人员行为识别及位置跟踪；
所述PIR传感器单元包括PIR传感器、第一微控制器和第一无线通信模块，PIR传感器的输出端连接第一微控制器的输入端，第一微控制器的输出端连接第一无线通信模块的输入端，第一微控制器通过第一无线通信模块与服务器PC建立无线通信；
所述运动传感器单元包括三轴加速度传感器、第二微控制器和第二无线通信模块，三轴加速度传感器的输出端连接第二微控制器的输入端，第二微控制器的输出端连接第二无线通信模块的输入端，第二微控制器通过第二无线通信模块与服务器PC建立无线通信；
其特征在于：该方法包括以下步骤：
步骤1：服务器PC根据室内环境布局及室内人员的行为习惯来产生不同类别的行为地图；
步骤2：将PIR传感器单元布置于室内天棚上，人员携带运动传感器进入室内；
步骤3：当携带运动传感器单元的人员在室内运动时，PIR传感器单元通过实时获取该人员的人体红外信号，运动传感器单元实时采集室内人员运动引起的三轴加速度信号；
步骤4：当PIR传感器在其感知半径内检测到人员的红外信号时，转换成开关量信号输出到第一微控制器并经第一无线通信模块传递给服务器PC，当运动传感器检测到人员运动引起的三轴加速度信号时，将信号转化成数字信号输出至第二微控制器，再传至服务器PC；
步骤5：服务器PC根据运动引起的三轴加速度信号选择行为地图，进行人员行为识别及位置跟踪；
步骤5.1：根据运动引起的三轴加速度信号识别人员姿态，并选择行为地图；
步骤5.1.1：取时间窗口Δt，计算重力加速度ax在Δt时间里的变化率
运动引起的三轴加速度信号包括：重力加速度ax，人员移动方向加速度ay，根据右手定则垂直于ax和ay的平面az；
步骤5.1.2：计算重力加速度ax在Δt时间里的变化率 的方差variance；
步骤5.1.3：计算时间窗口Δt内重力加速度方向ax的均值mean；
步骤5.1.4：如果方差variance大于方差阈值vth1，人员当前姿态为走路；如果均值mean大于均值阈值mth2小于均值阈值mth3，人员当前姿态为坐；如果均值mean大于均值阈值mth4，人员当前姿态为躺；其余情况时，人员当前姿态为站立；
步骤5.1.5：根据人员当前姿态选择相应的行为地图；
步骤5.2：进行基于粒子滤波的室内人员行为识别及位置跟踪；
步骤5.2.1：初始化人员的室内位置 分别为 的横坐标、纵坐标，第k
个粒子状态即位置具有相同的权重 k＝1,…,N；N为预测室内位置点的个数；令k＝
1，t为当前时刻；
步骤5.2.2：建立用于预测t+1时刻第k个粒子状态 的状态转移模型
式中， 表示t时刻第k个粒子状态的速度， 表示t时刻第k个粒子状态的方向；
根据室内人员的运动习惯，确定人员的移动速度 满足：
且
其中， 表示高斯随机函数， 表示t-1时刻人员移动速度，vmax表示人员移动速度最大值，σv表示人员室内移动速度方差；
人员的移动方向 和 有关， 满足：
且
其中，σh表示人员室内移动速度方向方差；
步骤5.2.3：建立用于估计t+1时刻第k个粒子的预测粒子状态信度的观察模型计算每个预测粒子状态的可信度；
其中， 为t+1时刻第k个粒子的PIR传感器观察模型， 为t+1
时刻第k个粒子的运动传感器观察模型， 是PIR传感器获得的人体运动引发的观察数据，为M位“0”或“1”二进制数，其中M表示PIR传感器个数，“0”表示人员不在PIR传感器感知范围内，“1”表示人员在PIR传感器感知范围内； 为t+1时刻第k个粒子的运动传感器观察模型， 是t+1时刻运动传感器获得人体运动状态变化引起的三轴加速度[ax,ay,az]；
步骤5.2.4：如果k不大于最大粒子数N，令k＝k+1，返回步骤5.2.2，如果k大于最大粒子数N，执行步骤5.2.5；
步骤5.2.5：根据预测的N个粒子状态即预测人员位置，以及N个预测粒子状态的可信度，计算粒子状态加权平均值，得到t时刻的粒子状态即最佳人员位置，完成粒子状态估计；
步骤5.2.6：归一化N个预测粒子状态的可信度值，去掉N/2个可信度低的粒子状态，随机生成新的N/2个粒子状态，t＝t+1，返回步骤5.2.1。
2.根据权利要求1所述的室内人员行为识别及位置跟踪方法，其特征在于：步骤5.2.3按如下步骤进行：
步骤5.2.3.1：建立t+1时刻第k个粒子的PIR传感器观察模型
其中， 表示PIR传感器的感知范围的中心坐标， 表示PIR传感器的感知
半径；
步骤5.2.3.2：建立t+1时刻第k个粒子运动传感器观察模型
其中，Ai表示识别的人员行为，i＝1,…n,n为人员行为种类个数， 表示t+1时刻运动传感器获得人体运动状态变化引起的三轴加速度[ax,ay,az]； 表示在人员的行为是Ai时，根据贝叶斯公式计算得到运动传感器观察模型的观察值为 的概率；
其中， 是尺度因子常数，P(Ai)为人员行为是Ai的概率， 表示t时刻行为是Ai所对应的行为地图中位置坐标为 的位置点的像素灰度值；
步骤5.2.3.3：根据PIR传感器观察模型和运动传感器观察模型，得到每个预测粒子状态的可信度。

一种室内人员行为识别及位置跟踪系统及方法\n技术领域\n[0001] 本发明属于室内定位技术领域，具体是一种室内人员行为识别及位置跟踪系统及方法。\n背景技术\n[0002] 室内环境中的人体行为定位就是确定某人在室内环境中所处的位置。“室内环境”可以是办公室、家庭居室；“位置”可以是某个坐标点，也可以是某个区域。人体位置是个非常重要的信息，很多人的行为、动作和状态的识别都依赖于他的位置。通过实时的人体定位，还可以进一步实现人体的跟踪。同室外空旷区域相比，室内环境中的人体定位还具有以下特点：1)室内环境的面积相对较小，因此对识别精度要求比较高；2)室内环境一般都比较复杂，存在很多障碍物，如桌椅、家具、墙壁等，因此一些用于室外自由空间定位的方法通常不再适用；3)室内环境中存在的一些固定设施，比如门、楼梯等，常常可以用来间接地实现人体的定位。全球定位系统(Global Position System，GPS)广泛应用于室外目标定位。然而室内环境的复杂性，如GPS信号的传播受到建筑物本身以及障碍物的影响而无法定位，而且在室内对定位精度的要求也比室外高，GPS技术不适用于室内定位。室内定位问题需要另外的解决方法。\n[0003] 现有的室内定位方法很多，多采用各种不同类型的传感器，每种传感器都能在一定条件下有很好的定位。现有技术中，应用于智能家居系统监控老年人或者病人在室内的活动情况，有一些装置及方法，如Easy Living采用摄像头；利用无线局域网的RSSI定位，Active Badges要求使用者携带硬件标签、Active Bats使用超生传感器定位、超声传感器和视频传感器。这些装置系统在实施费用、安装、可靠性及隐私保护方面各有不足。\n发明内容\n[0004] 针对现有技术存在的不足，本发明提供一种室内人员行为识别及位置跟踪系统及方法。\n[0005] 本发明的技术方案是：\n[0006] 一种室内人员行为识别及位置跟踪系统，包括PIR传感器单元、运动传感器单元及服务器PC；\n[0007] PIR传感器单元安装在室内定位区域的天棚上，用于采集室内人员的人体红外信号，粗略识别室内人员的位置，并发送给服务器PC；\n[0008] 运动传感器单元由室内人员携带，用于采集室内人员运动引起的三轴加速度信号并根据该信号识别运动状态发送给服务器PC；\n[0009] 服务器PC用于根据室内环境布局及室内人员的行为习惯来产生不同类别的行为地图，并根据运动引起的三轴加速度信号选择行为地图，进行人员行为识别及位置跟踪。\n[0010] 所述PIR传感器单元包括PIR传感器、第一微控制器和第一无线通信模块，PIR传感器的输出端连接第一微控制器的输入端，第一微控制器的输出端连接第一无线通信单元的输入端，第一微控制器通过第一无线通信模块与服务器PC建立无线通信。\n[0011] 所述运动传感器单元包括三轴加速度传感器、第二微控制器和第二无线通信模块，三轴加速度传感器的输出端连接第二微控制器的输入端，第二微控制器的输出端连接第二无线通信单元的输入端，第二微控制器通过第二无线通信模块与服务器PC建立无线通信。\n[0012] 采用所述的室内人员行为识别及位置跟踪系统的室内人员行为识别及位置跟踪方法，包括以下步骤：\n[0013] 步骤1：服务器PC根据室内环境布局及室内人员的行为习惯来产生不同类别的行为地图；\n[0014] 步骤2：将PIR传感器单元布置于室内天棚上，人员携带运动传感器进入室内；\n[0015] 步骤3：当携带运动传感器单元的人员在室内运动时，PIR传感器单元通过实时获取该人员的人体红外信号，运动传感器单元实时采集室内人员运动引起的三轴加速度信号；\n[0016] 步骤4：当PIR传感器在其感知半径内检测到人员的红外信号时，转换成开关量信号输出到第一微控制器并经无线通信模块传递给服务器PC，当运动传感器检测到人员运动引起的三轴加速度信号时，将信号转化成数字信号输出至第二控制器，再传至服务器PC；\n[0017] 步骤5：服务器PC根据运动引起的三轴加速度信号选择行为地图，进行人员行为识别及位置跟踪；\n[0018] 步骤5.1：根据运动引起的三轴加速度信号识别人员姿态，并选择行为地图；\n[0019] 步骤5.1.1：取时间窗口Δt，计算重力加速度ax在Δt时间里的变化率[0020] 运动引起的三轴加速度信号包括：重力加速度ax，人员移动方向加速度ay，根据右手定则垂直于ax和ay的平面az；\n[0021] 步骤5.1.2：计算重力加速度ax在Δt时间里的变化率 的方差variance；\n[0022] 步骤5.1.3：计算时间窗口Δt内重力加速度方向ax的均值mean；\n[0023] 步骤5.1.4：如果方差variance大于方差阈值vth1，人员当前姿态为走路；如果均值mean大于均值阈值mth2小于均值阈值mth3，人员当前姿态为坐；如果均值mean大于均值阈值mth4，人员当前姿态为躺；其余情况时，人员当前姿态为站立；\n[0024] 步骤5.1.5：根据人员当前姿态选择相应的行为地图；\n[0025] 步骤5.2：进行基于粒子滤波的室内人员行为识别及位置跟踪；\n[0026] 步骤5.2.1：初始化人员的室内位置 分别为 的横坐标、纵坐\n标，第k个粒子状态即位置具有相同的权重 N为预测室内位置点的个\n数；令k＝1，t为当前时刻；\n[0027] 步骤5.2.2：建立用于预测t+1时刻第k个粒子状态 的状态转移模型\n[0028]\n[0029] 式中， 表示t时刻第k个粒子状态的速度， 表示t时刻第k个粒子状态的方向；\n[0030] 根据室内人员的运动习惯，确定人员的移动速度 满足：\n[0031] 且\n[0032]\n[0033] 其中， 表示高斯随机函数， 表示t-1时刻人员移动速度，vmax表示人员移动速度最大值，σv表示人员室内移动速度方差；\n[0034] 人员的移动方向 和 有关， 满足：\n[0035] 且\n[0036]\n[0037] 其中，σh表示人员室内移动速度方向方差；\n[0038] 步骤5.2.3：建立用于估计t+1时刻第k个粒子的预测粒子状态信度的观察模型计算每个预测粒子状态的可信度；\n[0039]\n[0040] 其中， 为t+1时刻第k个粒子的PIR传感器观察模型，\n为t+1时刻第k个粒子的运动传感器观察模型， 是PIR传感器获得的人体运动引发的观察数据，为M位“0”或“1”二进制数，其中M表示PIR传感器个数，“0”表示人员不在PIR传感器感知范围内，“1”表示人员在PIR传感器感知范围内； 为t+1时刻第k个粒子的运动传感器观察模型， 是运动传感器获得人体运动状态变化引起的三轴加速度[ax，av，az]；\n[0041] 步骤5.2.3.1：建立t+1时刻第k个粒子的PIR传感器观察模型\n[0042]\n[0043] 其中， 表示PIR传感器的感知范围的中心坐标， 表示PIR传感器\n的感知半径；\n[0044] 步骤5.2.3.2：建立t+1时刻第k个粒子运动传感器观察模型\n[0045]\n[0046] 其中，Ai表示识别的人员行为，i＝1，...n，n为人员行为种类个数， 表示在t+1时刻相应的三轴加速度信息[ax，ay，az]； 表示在人员的行为是Ai时，根据贝叶斯公式计算得到运动传感器观察模型的观察值为 的概率；\n[0047]\n[0048] 其中， 是尺度因子常数，P(Ai)为人员行为是Ai的概率， 表示t时刻行为是Ai所对应的行为地图中位置坐标为 的位置点的像素灰度值；\n[0049] 步骤5.2.3.3：根据PIR传感器观察模型和运动传感器观察模型，得到每个预测粒子状态的可信度；\n[0050] 步骤5.2.4：如果k不大于最大粒子数N，令k＝k+1，返回步骤5.2.2，如果k大于最大粒子数N，执行步骤5.2.5；\n[0051] 步骤5.2.5：根据预测的N个粒子状态即预测人员位置，以及N个预测粒子状态的可信度，计算粒子状态加权平均值，得到t时刻的最佳粒子状态即最佳人员位置，完成粒子状态估计；\n[0052]\n[0053] 步骤5.2.6：归一化N个预测粒子状态的可信度值，去掉N/2个可信度低的粒子状态，随机生成新的N/2个粒子状态，t＝t+1，返回步骤5.2.1。\n[0054] 有益效果：\n[0055] 本发明中采用热释电红外(Pyroeletric Infrared，PIR)传感器，PIR传感器仅对波长为8-14um的红外线敏感，而人体的红外辐射集中在这一波段内，因此PIR传感器能有效检测一定范围内的运动人体，且PIR传感器价廉，体积小，稳定，抗光照变化，易于推广，使用者在自身无需携带任何设备。现有的基于PIR室内定位系统，由于PIR传感器由于只能对人的位置进行0、1的识别，大大限制识别率；针对这一问题，目前常用的方法是构造PIR传感器点阵和运行高性能的信号处理方法，本发明中将PIR传感器与其他类型传感器相结合，在多个层次进行检测、互联，以达到精确估计，类似大脑处理各种感觉器官，从而有效进行室内的人体行为位置追踪。\n附图说明\n[0056] 图1是本发明的具体实施方式室内人员行为识别及位置跟踪系统实施环境示意图；\n[0057] 图2是本发明的具体实施方式的室内人员行为识别及位置跟踪系统结构图；\n[0058] 图3是本发明的具体实施方式PIR传感器与第一微控制器连接原理图；\n[0059] 图4是本发明的具体实施方式运动传感器与第二微控制器连接原理图；\n[0060] 图5是本发明的具体实施方式的电源电路原理图；\n[0061] 图6是本发明的具体实施方式的芯片CC2540最小系统原理图；\n[0062] 图7是本发明的具体实施方式的AT mega2560最小系统原理图；\n[0063] 图8是本发明的具体实施方式的PIR传感器工作流程图；\n[0064] 图9是本发明的具体实施方式的CMA300D与芯片CC2540连接原理图；\n[0065] 图10是本发明的具体实施方式的运动传感器工作流程图；\n[0066] 图11是本发明的具体实施方式的根据运动引起的三轴加速度信号选择行为地图进行人员行为识别及位置跟踪的原理示意图；\n[0067] 图12是本发明的具体实施方式的实际跟踪某一路线平面图；\n[0068] 图13是本发明的具体实施方式的位置跟踪结果图。\n具体实施方式\n[0069] 下面结合附图对本发明的具体实施方式做详细说明。\n[0070] 一种室内人员行为识别及位置跟踪系统，如图2所示，包括PIR传感器单元、运动传感器单元及服务器PC；\n[0071] 本实施方式的室内人员行为识别及位置跟踪系统实施环境如图1所示。\n[0072] PIR传感器单元安装在室内定位区域的天棚上，其数量根据PIR传感器类型、室内被跟踪空间大小来确定，用于采集室内人员的人体红外信号，其感知半径内检测到人员的红外信号时，粗略识别室内人员的位置，并发送给服务器PC；\n[0073] 运动传感器单元由室内人员携带，用于采集室内人员运动引起的三轴加速度信号并根据该信号识别运动状态发送给服务器PC；\n[0074] 服务器PC用于根据室内环境布局及室内人员的行为习惯来产生不同类别的行为地图，并根据运动引起的三轴加速度信号选择行为地图，进行人员行为识别及位置跟踪。\n[0075] PIR传感器单元包括PIR传感器、第一微控制器和第一无线通信模块，PIR传感器的输出端连接第一微控制器的输入端，第一微控制器的输出端连接第一无线通信单元的输入端，第一微控制器通过第一无线通信模块与服务器PC建立无线通信。\n[0076] 如图3所示，PIR传感器采用热释电红外传感器EKMC1601111，它通过串口与第一微控制器相连；第一微控制器采用芯片ATMEGA2560，如图7所示，它负责采集PIR传感器信号以及无线通信模块之间的数据通信；第一无线通信模块采用CC2540，它通过蓝牙协议将采集到PIR传感器数据发送给服务器PC。PIR传感器工作流程如图8所示。\n[0077] 运动传感器单元包括三轴加速度传感器、第二微控制器和第二无线通信模块，三轴加速度传感器的输出端连接第二微控制器的输入端，第一微控制器的输出端连接第二无线通信单元的输入端，第一微控制器通过第二无线通信模块与服务器PC建立无线通信。\n[0078] 运动传感器采用三轴加速度CMA300D，第二微控制器和第二无线通信模块采用芯片CC2540，CMA300D与芯片CC2540连接原理如图9所示，芯片CC2540如图6所示。芯片CC2540既能含有8051主控芯片负责数据采集，又能实现蓝牙协议的无线传输；CC2540与CMA300D通过SPI接口相连，采集到的运动传感器数据发送给服务器PC。ATMEGA2560的RXD2(12引脚)和TXD2(13引脚)，分别通过4.7k电阻与CC2540的16引脚和17引脚相连，如图4所示。运动传感器的工作流程如图10所示。\n[0079] 本实施方式的电源电路需要使用5V和3.3V两组组直流电源。微控制器芯片ATMEGA2560需要5V供电，无线通信单元芯片CC2540需要3.3V供电，三轴加速度芯片CMA300D需要3.3V供电。5V由三端稳压芯片LM7805得到，电路如图5所示U3；3.3V采用AS1117，电路如图5所示U4。\n[0080] 采用所述的室内人员行为识别及位置跟踪系统的室内人员行为识别及位置跟踪方法，包括以下步骤：\n[0081] 步骤1：服务器PC根据室内环境布局及室内人员的行为习惯来产生不同类别的行为地图；\n[0082] 本实施方式中设定4种行为地图，包括站、坐、走、躺，其中站、坐和躺三种行为地图和室内环境中家具所在的位置有关，假设室内家具的位置固定不变。即“站”的行为与厨房操作台的位置相关，“坐”的行为与客厅沙发、餐桌座椅的位置相关，“躺”的行为与卧室里床的位置相关，这些关联用高斯分布形式表达，即以家具所在位置为中心，以一定距离为方差的概率分布，用如下公式表达：\n[0083]\n[0084] 其中， 描述地图的概率分布即行为状态是Ai的情况下，在t时刻位置 的概率是多少。μj表示的家具中心坐标的位置；δj是方差，δj＝β·μj；m表示与行为Ai有关的家具数目。\n[0085] 本实施方式中走的行为地图是根据使用者在室内环境行走的行为习惯建立，观察使用者在室内行走的可能路径，统计每条路径可能行走的概率，产生行走地图。采集运动加速度信息，通过识别方法确定使用者姿态，载入相应的地图。\n[0086] 步骤2：将PIR传感器单元布置于室内天棚上，人员携带运动传感器进入室内；\n[0087] 步骤3：当携带运动传感器单元的人员在室内运动时，PIR传感器单元通过实时获取该人员的人体红外信号，运动传感器单元实时采集室内人员运动引起的三轴加速度信号；\n[0088] 步骤4：当PIR传感器在其感知半径内检测到人员的红外信号时，转换成开关量信号输出到第一微控制器并经无线通信模块传递给服务器PC，当运动传感器检测到人员运动引起的三轴加速度信号时，将信号转化成数字信号输出至第二控制器，再传至服务器PC；\n[0089] 步骤5：服务器PC根据运动引起的三轴加速度信号选择行为地图，进行人员行为识别及位置跟踪，原理如图11所示；\n[0090] 步骤5.1：根据运动引起的三轴加速度信号识别人员姿态，并选择行为地图；\n[0091] 步骤5.1.1：取时间窗口Δt，计算重力加速度ax在Δt时间里的变化率[0092] 运动引起的三轴加速度信号包括：重力加速度ax，人员移动方向加速度ay，根据右手定则垂直于ax和ay的平面az；\n[0093] 步骤5.1.2：计算重力加速度ax在Δt时间里的变化率 的方差variance；\n[0094] 步骤5.1.3：计算时间窗口Δt内重力加速度方向ax的均值mean；\n[0095] 步骤5.1.4：如果方差variance大于方差阈值vth1，人员当前姿态为走路；如果均值mean大于均值阈值mth2小于均值阈值mth3，人员当前姿态为坐；如果均值mean大于均值阈值mth4，人员当前姿态为躺；其余情况时，人员当前姿态为站立；\n[0096] 步骤5.1.5：根据人员当前姿态选择相应的行为地图；\n[0097] 步骤5.2：进行基于粒子滤波的室内人员行为识别及位置跟踪；\n[0098] 步骤5.2.1：初始化人员的室内位置 分别为 的横坐标、纵坐\n标，第k个粒子状态(即位置)具有相同的权重 N为预测室内位置点的个\n数；令k＝1，t为当前时刻；\n[0099] 步骤5.2.2：建立用于预测t+1时刻第k个粒子状态 的状态转移模型\n[0100]\n[0101] 式中， 表示t时刻第k个粒子状态的速度， 表示t时刻第k个粒子状态的方向；\n[0102] 根据室内人员的运动习惯，确定人员的移动速度 满足：\n[0103] 且\n[0104]\n[0105] 其中， 表示高斯随机函数， 表示t-1时刻人员移动速度，vmax表示人员移动速度最大值，σv表示人员室内移动速度方差；\n[0106] 人员的移动方向 和 有关， 满足：\n[0107] 且\n[0108]\n[0109] 其中，σh表示人员室内移动速度方向方差；\n[0110] 步骤5.2.3：建立用于估计t+1时刻第k个粒子的预测粒子状态信度的观察模型计算每个预测粒子状态的可信度；\n[0111]\n[0112] 其中， 为t+1时刻第k个粒子的PIR传感器观察模型，\n为t+1时刻第k个粒子的运动传感器观察模型， 是PIR传感器获得的人体运动引发的观察数据，为M位“0”或“1”二进制数，其中M表示PIR传感器个数，“0”表示人员不在PIR传感器感知范围内，“1”表示人员在PIR传感器感知范围内； 为t+1时刻第k个粒子的运动传感器观察模型， 是运动传感器获得人体运动状态变化引起的三轴加速度[ax，av，az]；\n[0113] 步骤5.2.3.1：建立t+1时刻第k个粒子的PIR传感器观察模型\n[0114]\n[0115] 其中， 表示PIR传感器的感知范围的中心坐标， 表示PIR传感器\n的感知半径；\n[0116] 步骤5.2.3.2：建立t+1时刻第k个粒子运动传感器观察模型\n[0117]\n[0118] 其中，Ai表示识别的人员行为，i＝1，...n，n为人员行为种类个数， 表示在t时刻相应的三轴加速度信息[ax，ay，az]； 表示在人员的行为是Ai时，根据贝叶斯公式计算得到运动传感器观察模型的观察值为 的概率；\n[0119]\n[0120] 其中， 是尺度因子常数，P(Ai)为人员行为是Ai的概率， 表示行为是Ai所对应的行为地图中位置坐标为 的位置点的像素灰度值；\n[0121] 步骤5.2.3.3：根据PIR传感器观察模型和运动传感器观察模型，得到每个预测粒子状态的可信度；\n[0122] 步骤5.2.4：如果k不大于最大粒子数N，令k＝k+1，返回步骤5.2.2，如果k大于最大粒子数N，执行步骤5.2.5；\n[0123] 步骤5.2.5：根据预测的N个粒子状态即预测人员位置，以及N个预测粒子状态的可信度，计算粒子状态加权平均值，得到t时刻的粒子状态即最佳人员位置，完成粒子状态估计；\n[0124]\n[0125] 步骤5.2.6：归一化N个预测粒子状态的可信度值，去掉N/2个可信度低的粒子状态，随机生成新的N/2个粒子状态，t＝t+1，返回步骤5.2.1。\n[0126] 图12表示本实施方式中实际跟踪某一路线平面图。路线图为实际生活场景：可以描述下班后进门回家进厕所洗手①；洗手后去厨房做饭②；做饭后去餐厅的餐桌吃饭③；吃饭后在客厅沙发休息，看电视④；最后回卧室睡觉⑤。图13本实施方式位置跟踪实施效果图，黑色为实际路线，灰色为跟踪结果。