本發(fā)明屬于計算機視覺和無線網絡室內定位技術領域，特別是涉及一種結合深度視頻分析的wifi目標定位方法。

背景技術：

隨著移動設備(如手機、平板電腦、可穿戴設備等)種類和數(shù)量的激增以及無線網絡技術的快速發(fā)展，基于位置識別的服務(locationbasedservices，lbs)和應用在日常生活工作及科學研究中起到了越來越重要的作用。艾瑞咨詢分析中國位置簽到服務市場發(fā)現(xiàn)2016年位置簽到服務用戶規(guī)模達到5.2億人，并且還在以每年11％的速度增長?，F(xiàn)在的人員密集型場合如大學校園、機場、博物館、住宅區(qū)、大型商場等為方便人們無時無刻的上網需求都已經覆蓋了wifi熱點。正由于wifi基礎設施的覆蓋較廣，使得基于wifi的定位成了自然的選擇和研究的熱點。

目前，wifi目標定位的方法主要分為兩類：(1)三邊測量定位。該類方法很大程度上依賴于確知的ap位置信息及準確的信號傳輸損耗模型，然而，現(xiàn)實生活中，由于環(huán)境復雜多變，影響信號傳輸?shù)囊蛩睾芏?，建立一個準確的、符合實際情況的損耗模型存在著很大的困難。(2)位置指紋定位。目前實現(xiàn)算法可以分為兩類：基本位置指紋定位算法和最大似然估計算法。其中基本指紋定位算法又分為很多小類。由于采用的算法不同，該類方法的定位精度往往差別較大。

李楨，黃勁松[基于rssi抗差濾波的wifi定位[j].武漢大學學報信息科學版，2016，41(3):361-366.]通過對rssi信號進行抗差卡爾曼濾波來估計信號強度，達到了信號平滑的目的，為wifi定位精度提供了保障，提高了定位精度。但缺點是只是靜態(tài)的在一定程度上提高了單點定位精度，仍無法滿足更高的定位需求。中國發(fā)明專利第2013100770115號中公開了一種wifi定位方法，在該方法中，ap通過廣播的ssid里攜帶的oid、三維位置和標準信號強度信息來告訴終端ap的位置；終端通過對ssid解碼得到三維位置、標準信號強度，結合測量到的該ap的rssi來確定與該ap的距離；通過ssid和信號強度來確定wifi目標終端位置。雖然該方法可以通過解碼得到ap的位置，但是確定ap和終端之間距離還是通過rssi值計算所得。而且由于同一設備同一短時間段獲取的rssi值具有較大的波動，因此在沒有對rssi值進行預處理的前提下直接用于計算距離存在著較大的誤差。

技術實現(xiàn)要素：

為了解決上述問題，本發(fā)明的目的在于提供一種結合深度視頻分析的wifi目標定位方法。

為了達到上述目的，本發(fā)明提供的結合深度視頻分析的wifi目標定位方法包括按順序進行的下列步驟：

1)構建結合深度視頻分析的wifi目標定位系統(tǒng)，該系統(tǒng)包括kinect深度攝像頭、多個wifi探針和計算機；其中kinect深度攝像頭和多個wifi探針均設置在待檢測場景的邊緣；計算機利用數(shù)據線與kinect深度攝像頭和wifi探針相連接；

2)利用kinect深度攝像頭獲取待檢測場景中作為視頻運動目標的人體深度圖像，再把人體簡化為一個質點，用一個骨骼點來代替，并記錄下骨骼點在待檢測場景中的運動軌跡，進而獲得人體運動軌跡點集合；

3)利用wifi探針獲取待檢測場景中人體攜帶的移動終端設備mac碼地址和相應的rssi信號值，然后對上述rssi信號值進行優(yōu)選，之后計算rssi信號值差值，然后建立rssi信號值差值位置對應關系表，定位時利用獲得的rssi信號值差值通過查表方式即可找到移動終端設備的位置，進而獲得移動終端設備運動軌跡點集合；

4)利用卡爾曼濾波算法平滑上述人體運動軌跡點集合和移動終端設備運動軌跡點集合，再分別將集合中的點連接而形成軌跡曲線；

5)使用費雷歇距離來度量人體運動軌跡曲線和移動終端設備運動軌跡曲線的相似系數(shù)，并計算出軌跡映射成軌跡圖像后兩個軌跡圖像之間的相關系數(shù)；綜合二者的結果，輸出人體運動軌跡和移動終端設備運動軌跡的匹配結果。

在步驟2)中，所述的利用kinect深度攝像頭獲取待檢測場景中作為視頻運動目標的人體深度圖像，再把人體簡化為一個質點，用一個骨骼點來代替，并記錄下骨骼點在待檢測場景中的運動軌跡，進而獲得人體運動軌跡點集合的具體步驟如下：

采用kinect深度攝像頭采集待檢測場景中的人體深度圖像，該人體深度圖像中每個像素由2個字節(jié)，共16位組成，其中高13位代表kinect深度攝像頭到人體之間的距離，低3位表示人體索引編號，如果低3位全部為0，則表示不是人體，然后傳送給計算機，計算機通過遍歷判斷每一個像素的人體索引編號就可以判斷出該像素是否屬于同一人體，最后所有具有相同人體索引編號的像素即是一個人體；

將人體當作一個質點，描述質點的運動軌跡即代表人體的運動軌跡，在這里選用人體脊椎中點表示人體的空間位置，從而得到kinect深度攝像頭下攝像機坐標系中人體的三維坐標位置其中分別表示攝像機坐標系下的水平坐標、垂直坐標和深度距離坐標；i表示人體的標號；

由于攝像機坐標系并不是真實世界中的坐標，在這里還需要轉換到實際場景中的坐標才有意義；世界坐標用表示；設kinect深度攝像頭在x軸、y軸、z軸的偏轉角度分別為θx,θy,θz，世界坐標系與攝像機坐標系原點的偏移量為δx,δy,δz，通過式(1)就可以實現(xiàn)攝像機坐標系到世界坐標系之間的轉換：

其中：

在不考慮人體的身高因素時，也無需考慮垂直方向上的坐標，僅僅使用三維坐標系下的x和z坐標即可實現(xiàn)定位，即將三維空間轉化到二維平面，用表示；

最后將得到的二維平面坐標按采樣時間記錄下來，作為人體運動軌跡點集合，記作pⁱ＝{pⁱ(t0),pⁱ(t1),…}。

在步驟3)中，所述的利用wifi探針獲取待檢測場景中人體攜帶的移動終端設備mac碼地址和相應的rssi信號值，然后對上述rssi信號值進行優(yōu)選，之后計算rssi信號值差值，然后建立rssi信號值差值位置對應關系表，定位時利用獲得的rssi信號值差值通過查表方式即可找到移動終端設備的位置，進而獲得移動終端設備運動軌跡點集合的具體步驟如下：

將待檢測場景用網格法劃分成多個小方格，對每一小方格進行標號，并將方格對應的位置記作loca(xi,yi)；

將移動終端設備分別放置在每個位置loca(xi,yi)處，利用多個wifi探針探測該移動終端設備mac碼及其對應的rssi信號值和時間戳，然后傳送給計算機，由計算機進行后續(xù)的處理；

對同一短時間段內得到的同一mac碼的多個rssi信號值進行優(yōu)選，方法是：設每一wifi探針采集到的同一時間段內同一移動終端設備的所有rssi信號值為：rssi1,rssi2,…,rssin；

概率分布函數(shù)的公式如式(2)所示：

其中：

μ表示rssi信號值的均值；σ²表示rssi信號值的方差；n表示rssi信號值的個數(shù)；x表示wifi探針采集到同一時間段內同一移動終端設備的多個rssi信號值；

將所有rssi信號值rssi1,rssi2,…,rssin帶入上述概率分布函數(shù)f(x)中，計算出f(x)；當0.5≤f(x)≤1時，保留該rssi信號值，否則刪除，以對所有rssi信號值進行篩選；將篩選后保留下的m個rssi信號值設為rssi1,rssi2,…,rssim；

計算上述篩選后的rssi信號值rssi1,rssi2,…,rssim的均值，用rssiaver表示：

將上述均值rssiaver作為該rssi信號值的優(yōu)選值；

多個wifi探針在該位置處獲得的rssi信號值的優(yōu)選值分別表示為：rssiaver1，rssiaver2，rssiaver3，……；

將上述rssi信號值的優(yōu)選值rssiaver1，rssiaver2，rssiaver3，……兩兩做差，并用drssi表示相減的結果：

最后共得到多個該位置處的rssi信號值差值drssi1,drssi2,…,drssim；

將上述rssi信號值差值drssi1,drssi2,…,drssim和位置loca(xi,yi)建立一個對應關系表；

在定位時，只需根據按上述方法獲得的rssi信號值差值通過查表即可反推出移動終端設備所在的位置；

對獲得的rssi信號值差值和對應關系表中的rssi信號值差值使用最近鄰算法進行運算而得到最相似的一組rssi信號值差值drssi1,drssi2,drssi3,.....，具體步驟是：

3.1、分別計算每一個wifi探針探測到的一組rssi信號值差值與對應關系表中所有組的rssi信號值差值的曼哈頓距離，公式如下：

其中：x,y表示兩個n維向量，維數(shù)由rssi信號值差值的個數(shù)決定；

3.2、將每一個wifi探針探測到的一組rssi信號值差值定義為查詢點，然后根據上述曼哈頓距離利用最近鄰算法查找出離查詢點最近的數(shù)據對象，即rssi信號值差值在對應關系表中的位置，并記錄下該位置的坐標loca(xi,yi)；

3.3、重復步驟3.1到3.2，得到不同時刻同一移動終端設備不同位置的多個坐標，這些坐標的集合即為該移動終端設備運動軌跡點集合；

在步驟4)中，所述的利用卡爾曼濾波算法平滑上述人體運動軌跡點集合和移動終端設備運動軌跡點集合，再分別將集合中的點連接而形成軌跡曲線的具體步驟如下：

4.2、卡爾曼濾波：

由于集合中的每一個點都是由x軸坐標和z軸坐標構成，因此分別對x軸坐標和z軸坐標進行修正，設要進行卡爾曼濾波的集合為x，對應k時刻的點為x(k)，具體的步驟為：

4.1.1、預估計其中就是人體運動軌跡點集合或移動終端設備運動軌跡點集合中的x、z坐標的集合，f(k,k-1)為狀態(tài)轉移矩陣，x(k-1)是k-1時刻的狀態(tài)矢量；

4.1.2、計算預估計協(xié)方差矩陣：

其中：q(k)＝u(k)×u(k)^t，u(k)為k時刻動態(tài)噪聲；

4.1.3、計算卡爾曼增益矩陣：

其中：r(k)＝n(k)×n(k)^t，n(k)為k時刻觀測噪聲，h(k)為k時刻觀測矩陣；

4.1.4、用觀測值和預測值更新估計值：

4.1.5、計算更新后估計協(xié)方差矩陣：

4.1.6、令重復上述步驟；

通過以上處理即可完成對人體運動軌跡點集合或移動終端設備運動軌跡點集合的x,z坐標的平滑；

(4.2)將平滑后的同一人體和移動終端設備不同時刻的運動軌跡點集合中的點連接成直線，由此形成人體運動軌跡曲線和移動終端設備運動軌跡曲線。

在步驟5)中，所述的使用費雷歇距離來度量人體運動軌跡曲線和移動終端設備運動軌跡曲線的相似系數(shù)，并計算出軌跡映射成軌跡圖像后兩個軌跡圖像之間的相關系數(shù)；綜合二者的結果，輸出人體運動軌跡和移動終端設備運動軌跡的匹配結果的具體步驟如下：

5.4、進行距離度量

使用弗雷歇距離進行距離度量，公式如下:

5.1.1、設定t為采樣間隔，該時刻人體運動軌跡曲線a上的采樣點為移動終端設備運動軌跡曲線b上的采樣點為

5.1.2、計算上述兩采樣點間的歐式距離:

5.1.3、計算該采樣點下的最大距離

5.1.4、更換采樣間隔t的數(shù)值，重復步驟5.1.1至5.1.3，獲取多個最大距離，利用式(7)所示的弗雷歇距離公式計算并選擇一個最小的最大距離的值即為這兩條曲線的相似系數(shù)，弗雷歇距離就是使該最大距離最小化的采樣方式下的值；

5.1.5、以人體為主鍵，對所有移動終端設備移動軌跡曲線與人體運動軌跡曲線進行以上操作，得到多個相似系數(shù)，并將度量結果從大到小排序；

5.5、進行圖像度量

從圖像角度，使用全局圖像進行相似性度量，通過比較兩個軌跡圖像之間的相關程度，完成軌跡的匹配；

5.2.1、將相同人體和相同移動終端設備在不同時刻的多個坐標點集合分別連成線段，線的顏色用黑色表示，背景使用白色表示，由此得到二值圖；

5.2.2、將上述二值圖使用相關系數(shù)法進行相似性度量：

其中：h1表示wifi探針探測到的一組rssi信號值差值；

h2表示對應關系表中每一位置對應的rssi信號值差值；

n等于每組rssi信號值差值的個數(shù)；

5.2.3、以人體為主鍵，對所有移動終端設備移動軌跡圖像與人體運動軌跡圖像進行相關系數(shù)度量，并將度量的結果從大到小排序；

5.6、進行綜合度量

綜合上述距離度量和圖像度量的結果，考慮到距離度量相比圖像度量的可靠性較高，因此分別將距離度量和圖像度量的結果乘以0.6和0.4的權重，再次排序，排名第一的軌跡圖像即認為是相應人體所攜帶的移動終端設備的軌跡圖像，由此完成視頻運動目標與其所攜帶移動終端設備的mac碼匹配。

本發(fā)明提供的結合深度視頻分析的wifi目標定位方法是將深度攝像頭應用在wifi定位領域，通過對深度攝像頭和wifi探針所探測到的多個目標的移動軌跡進行動態(tài)分析，確定待檢測場景中目標與mac地址的對應關系，進而得到每個wifi目標的實際位置坐標。定位過程中并非直接使用rssi信號值計算靜態(tài)距離，而是利用了深度攝像頭的位置探測功能，因而可以減小定位誤差。

附圖說明

圖1為本發(fā)明提供的結合深度視頻分析的wifi目標定位方法流程圖。

圖2為本發(fā)明提供的結合深度視頻分析的wifi目標定位系統(tǒng)構成示意圖。

圖3為采用kinect深度攝像頭采集的待檢測場景中的人體深度圖像。

圖4為獲取人體骨骼點信息的人體深度圖像。

具體實施方式

下面結合附圖和具體實施例對本發(fā)明提供的結合深度視頻分析的wifi目標定位方法進行詳細說明。

如圖1所示，本發(fā)明提供的結合深度視頻分析的wifi目標定位方法包括按順序進行的下列步驟：

1)構建如圖2所示的結合深度視頻分析的wifi目標定位系統(tǒng)，該系統(tǒng)包括kinect深度攝像頭1、多個wifi探針2和計算機3；其中kinect深度攝像頭1和多個wifi探針2均設置在待檢測場景的邊緣；計算機3利用數(shù)據線與kinect深度攝像頭1和wifi探針2相連接；

2)利用kinect深度攝像頭1獲取待檢測場景中作為視頻運動目標的人體深度圖像，再把人體簡化為一個質點，用一個骨骼點來代替，并記錄下骨骼點在待檢測場景中的運動軌跡，進而獲得人體運動軌跡點集合；

具體步驟如下：采用kinect深度攝像頭1采集待檢測場景中的人體深度圖像，如圖3所示，該人體深度圖像中每個像素由2個字節(jié)，共16位組成。其中高13位代表kinect深度攝像頭1到人體之間的距離，低3位表示人體索引編號，如果低3位全部為0，則表示不是人體，然后傳送給計算機3，計算機3通過遍歷判斷每一個像素的人體索引編號就可以判斷出該像素是否屬于同一人體，最后所有具有相同人體索引編號的像素即是一個人體。由于當描述人體運動軌跡的時候，人體的姿態(tài)和動作就不再是研究重點，那么可以將人體當作一個質點，描述質點的運動軌跡即代表人體的運動軌跡。而且在獲取人體目標的同時也可以獲取到人體的骨骼點信息，如圖4所示。在這里選用人體脊椎中點表示人體的空間位置，從而得到kinect深度攝像頭1下攝像機坐標系中人體的三維坐標位置攝像機坐標系x，y，z三個坐標系的方向如圖3所示，其中分別表示攝像機坐標系下的水平坐標、垂直坐標和深度距離坐標；i表示人體的標號。

由于攝像機坐標系并不是真實世界中的坐標，在這里還需要轉換到實際場景中的坐標才有意義。世界坐標用表示。設kinect深度攝像頭1在x軸、y軸、z軸的偏轉角度分別為θx,θy,θz，世界坐標系與攝像機坐標系原點的偏移量為δx,δy,δz，通過式(1)就可以實現(xiàn)攝像機坐標系到世界坐標系之間的轉換：

其中：

因為骨骼點在世界坐標系下是用三維坐標表示的。通常情況下可以認為人體是在地面上活動的，且移動終端設備也由人所攜帶，那么移動終端設備也是在地面這個二維平面上移動。為了便于理解、計算簡便和減少匹配誤差，在不考慮人體的身高因素時，也無需考慮垂直方向上的坐標，僅僅使用三維坐標系下的x和z坐標即可實現(xiàn)定位。即將三維空間轉化到二維平面，用表示。

最后將得到的二維平面坐標按采樣時間記錄下來，作為人體運動軌跡點集合，記作pⁱ＝{pⁱ(t0),pⁱ(t1),...}。

3)利用wifi探針2獲取待檢測場景中人體攜帶的移動終端設備mac碼地址和相應的rssi信號值，然后對上述rssi信號值進行優(yōu)選，之后計算rssi信號值差值，然后建立rssi信號值差值位置對應關系表，定位時利用獲得的rssi信號值差值通過查表方式即可找到移動終端設備的位置，進而獲得移動終端設備運動軌跡點集合；

具體步驟如下：

將待檢測場景用網格法劃分成多個小方格，對每一小方格進行標號，并將方格對應的位置記作loca(xi,yi)；

將移動終端設備分別放置在每個位置loca(xi,yi)處，利用多個wifi探針2探測該移動終端設備mac碼及其對應的rssi信號值和時間戳，獲取到的信息如表1所示，然后傳送給計算機3，由計算機3進行后續(xù)的處理。

由于wifi探針2在采集移動終端設備的rssi信號時，一般會在一個較短的時間段內獲得同一個移動終端設備返回的多個rssi信號值。一般情況下在較短時間內移動終端設備的mac碼和位置不會改變。為了提高定位的準確性，需對同一短時間段內得到的同一mac碼的多個rssi信號值進行優(yōu)選。

優(yōu)選方法是：設每一wifi探針2采集到的同一時間段內同一移動終端設備的所有rssi信號值為：rssi1,rssi2,…,rssin；

概率分布函數(shù)的公式如式(2)所示：

其中：

μ表示rssi信號值的均值；σ²表示rssi信號值的方差；n表示rssi信號值的個數(shù)；x表示wifi探針2采集到同一時間段內同一移動終端設備的多個rssi信號值。

將所有rssi信號值rssi1,rssi2,…,rssin帶入上述概率分布函數(shù)f(x)中，計算出f(x)。當0.5≤f(x)≤1時，即該rssi信號值呈正相關，保留該rssi信號值，否則刪除，以對所有rssi信號值進行篩選。將篩選后保留下的m個rssi信號值設為rssi1,rssi2,…,rssim。

計算上述篩選后的rssi信號值rssi1,rssi2,…,rssim的均值，用rssiaver表示：

將上述均值rssiaver作為該rssi信號值的優(yōu)選值。

多個wifi探針2在該位置處獲得的rssi信號值的優(yōu)選值分別表示為：rssiaver1，rssiaver2，rssiaver3，……。

由于不同品牌、型號的移動終端設備的網卡性能不盡相同，因此僅使用rssi信號值進行定位將會引入因移動終端設備功率不同而導致的誤差，由式(4)所示的rssi信號值差值可知：

其中γsf∈表示同層測試的路徑損耗指數(shù)值，faf表示附加衰減因子，di表示wifi探針2與移動終端設備之間的距離，rssi信號值差值表示功率衰減，由此可見，在同一時間內該功率衰減主要是由距離不同而造成的。因此利用rssi信號值差值可以消除由于移動終端設備不同而引入的誤差。

將上述rssi信號值的優(yōu)選值rssiaver1，rssiaver2，rssiaver3，……兩兩做差，并用drssi表示相減的結果：

最后共得到多個該位置處的rssi信號值差值drssi1,drssi2,…,drssim。

將上述rssi信號值差值drssi1,drssi2,…,drssim和位置loca(xi,yi)建立一個對應關系表。

在定位時，只需根據按上述方法獲得的rssi信號值差值通過查表即可反推出移動終端設備所在的位置。

但查表時，可能在對應關系表中找不到完全一樣的rssi信號值差值，而且wifi探針2探測到的rssi信號值差值中的每一個rssi信號值差值drssi和對應關系表中某一個位置處的rssi信號值差值中的每一個rssi信號值差值drssi的相似度也不盡相同，故需要對獲得的rssi信號值差值和對應關系表中的rssi信號值差值使用最近鄰算法進行運算而得到最相似的一組rssi信號值差值drssi1,drssi2,drssi3,.....。具體步驟是：

3.1、分別計算每一個wifi探針2探測到的一組rssi信號值差值與對應關系表中所有組的rssi信號值差值的曼哈頓距離，公式如下：

其中：x,y表示兩個n維向量，維數(shù)由rssi信號值差值的個數(shù)決定。

3.2、將每一個wifi探針2探測到的一組rssi信號值差值定義為查詢點，然后根據上述曼哈頓距離利用最近鄰算法查找出離查詢點最近的數(shù)據對象，即rssi信號值差值在對應關系表中的位置，并記錄下該位置的坐標loca(xi,yi)；

3.3、重復步驟3.1到3.2，得到不同時刻同一移動終端設備不同位置的多個坐標，這些坐標的集合即為該移動終端設備運動軌跡點集合；

4)利用卡爾曼濾波算法平滑上述人體運動軌跡點集合和移動終端設備運動軌跡點集合，再分別將集合中的點連接而形成軌跡曲線；

由步驟2)和3)可得人體運動軌跡點集合和移動終端設備運動軌跡點集合。由于上述獲取的運動軌跡可能存在噪聲，因此需要對運動軌跡點集合進行濾波，具體步驟如下：

4.3、卡爾曼濾波：

由于集合中的每一個點都是由x軸坐標和z軸坐標構成，因此分別對x軸坐標和z軸坐標進行修正，設要進行卡爾曼濾波的集合為x，對應k時刻的點為x(k)，具體的步驟為：

4.1.1、預估計其中就是人體運動軌跡點集合或移動終端設備運動軌跡點集合中的x、z坐標的集合，f(k,k-1)為狀態(tài)轉移矩陣，x(k-1)是k-1時刻的狀態(tài)矢量；

4.1.2、計算預估計協(xié)方差矩陣：

其中：q(k)＝u(k)×u(k)^t，u(k)為k時刻動態(tài)噪聲；

4.1.3、計算卡爾曼增益矩陣：

其中：r(k)＝n(k)×n(k)^t，n(k)為k時刻觀測噪聲，h(k)為k時刻觀測矩陣；

4.1.4、用觀測值和預測值更新估計值：

4.1.5、計算更新后估計協(xié)方差矩陣：

4.1.6、令重復上述步驟。

通過以上處理即可完成對人體運動軌跡點集合或移動終端設備運動軌跡點集合的x,z坐標的平滑。

(4.2)將平滑后的同一人體和移動終端設備不同時刻的運動軌跡點集合中的點連接成直線，由此形成人體運動軌跡曲線和移動終端設備運動軌跡曲線。

5)使用費雷歇距離來度量人體運動軌跡曲線和移動終端設備運動軌跡曲線的相似系數(shù)，并計算出軌跡映射成軌跡圖像后兩個軌跡圖像之間的相關系數(shù)；綜合二者的結果，輸出人體運動軌跡和移動終端設備運動軌跡的匹配結果。

具體步驟如下：

5.7、進行距離度量

本發(fā)明使用弗雷歇距離進行距離度量，公式如下:

5.1.1、設定t為采樣間隔，該時刻人體運動軌跡曲線a上的采樣點為移動終端設備運動軌跡曲線b上的采樣點為

5.1.2、計算上述兩采樣點間的歐式距離:

5.1.3、計算該采樣點下的最大距離

5.1.4、更換采樣間隔t的數(shù)值，重復步驟5.1.1至5.1.3，獲取多個最大距離，利用式(7)所示的弗雷歇距離公式計算并選擇一個最小的最大距離的值即為這兩條曲線的相似系數(shù)，弗雷歇距離就是使該最大距離最小化的采樣方式下的值。

5.1.5、以人體為主鍵，對所有移動終端設備移動軌跡曲線與人體運動軌跡曲線進行以上操作，得到多個相似系數(shù)，并將度量結果從大到小排序。

5.8、進行圖像度量

從圖像角度，使用全局圖像進行相似性度量，通過比較兩個軌跡圖像之間的相關程度，完成軌跡的匹配。

5.2.1、將相同人體和相同移動終端設備在不同時刻的多個坐標點集合分別連成線段，線的顏色用黑色表示，背景使用白色表示，由此得到二值圖；

5.2.2、將上述二值圖使用相關系數(shù)法進行相似性度量：

其中：h1表示wifi探針2探測到的一組rssi信號值差值；

h2表示對應關系表中每一位置對應的rssi信號值差值；

n等于每組rssi信號值差值的個數(shù)；

5.2.3、以人體為主鍵，對所有移動終端設備移動軌跡圖像與人體運動軌跡圖像進行相關系數(shù)度量，并將度量的結果從大到小排序；

5.9、進行綜合度量

綜合上述距離度量和圖像度量的結果，考慮到距離度量相比圖像度量的可靠性較高，因此分別將距離度量和圖像度量的結果乘以0.6和0.4的權重，再次排序，排名第一的軌跡圖像即認為是相應人體所攜帶的移動終端設備的軌跡圖像，由此完成視頻運動目標與其所攜帶移動終端設備的mac碼匹配。

通過上面的步驟，已經實現(xiàn)了mac碼與視頻運動目標的匹配。根據匹配的曲線可以得到短時間內任意時刻人體的坐標和移動終端設備坐標的對應關系。盡管通過rssi信號值優(yōu)選、rssi信號值差值處理等方法能夠在一定程度上提高wifi目標定位的準確性，但wifi定位的精度還遠遠達不到kinect深度攝像頭下拍攝的人體的位置精度(可達毫米級)。而因為移動終端設備一段時間內整體的動態(tài)移動軌跡是可信的，且已經實現(xiàn)了人體運動軌跡和移動終端設備運動軌跡的匹配，那么可使用同一時刻通過kinect深度攝像頭獲取到的人體坐標代替移動終端設備的坐標來實現(xiàn)wifi目標定位。實驗證明，本發(fā)明方法切實有效，且精度高。

表1