用户密度估计的空间是由计数在封闭空间的人数。它使用不仅内容集中统计、空间使用情况分析,和空间使用频率测量,而且技术用于支持优先救援位置信息,以减少危害人类生活在各种事故地点,如倒塌的建筑物或一个下沉的帆船。今天,因此,我们需要用户密度估计技术的封闭空间就像一个小会议室,客房的大旅馆,奥特莱斯购物中心的商店,等。有不同用户密度估计方法提出了许多研究人员的技术和方法。

现有技术为用户密度估计分为两类。第一节课的人数计数分析面临通过闭路电视(CCTV)视频图像或估计用户密度通过检测人的运动矢量 1- - - - - - 4]。视频图像分析方法用于宽敞的空间、公共场所等,并提出了各种技术,如Haar小波和面向梯度直方图(猪)来检测人的脸和统计的人数 5- - - - - - 7]。然而,当只有一个视频图像,分析类型使用视频图像无法计数的确切人数,它不能用在烟雾弥漫的或黑暗的空间。此外,因为有一些严重的问题涉及个人隐私风险使用视频图像时,是很难应用视频图像分析用户密度估计。

其他类的技术使用无线电设备,如无线射频识别(RFID)标签,智能设备,传感器节点,等等,而不是视频图像;每个设备的数量,用户密度估计统计( 8- - - - - - 11]。方法使用RFID可以计数的人数在实时的密闭空间( 12, 13];使用智能设备和方法可以估计用户密度没有额外的设备,因为它收集信息从wi - fi,蓝牙模块和全球定位系统(GPS) ( 14]。然而,使用RFID标签的方法必须提供额外的补充对用户密度估计一个RFID标签,并使用智能设备的方法不能用于室内空间,因为穷人从智能设备的GPS信号和/或设备切换wi - fi信号。因为wi - fi直接可以使用数据传输和数据共享,它还应该能够计算智能设备的数量使用数据传输技术。然而,因为wi - fi的报道直接约为100米,它有时有miss-detection问题的强信号干扰near-located封闭空间。尽管上述技术适用于户外和地铁等公共场所,足球体育场,或棒球字段,它们不能应用于特定的封闭空间。

因此,在本文中,我们提出一种新的用户密度估计系统使用高频传输通过服务器系统的扬声器麦克风智能设备。麦克风的智能设备可以检测到一个声音频率范围从20赫兹到22千赫,所以智能设备可以检测到特定的高频率通过应用程序(从收到的声音 15]。我们使用一个广泛使用的简单的发言人演讲者之间的服务器系统和两个高频18 kHz和22千赫。这些高频率经常用于高频研究,如智能信息服务应用程序和使用高频数据传输;这些频率有一个重要特性,那就是人不能听到他们在一个室内空间( 16, 17]。

在我们的系统中,智能设备位于相同的室内空间接收声音特定于每个空间,和设备向服务器发送一条消息时检测指定的高频率和分析接收到的声音。因此,因为服务器收集每个消息的智能设备和重要设备的数量,该系统可以估计用户密度在一个特定的封闭的空间。

评估拟议中的应用程序和服务器系统的性能,我们开发了一个高频检测申请智能设备和用户密度估计服务器系统中,我们做了一个实验用户密度估计使用10智能设备。结果表明,提出的应用程序和服务器系统的准确性大于95%。接下来,我们进行了比较实验与混合法(央视RFID和无线网络直接),该方法使用一个额外的10个智能设备来验证该方法的优越性。在这个实验中,提出了系统的准确性高于3%的混合方法,提出系统的出错率是0%。此外,我们做了一个实验在用户密度估计使用20日智能设备在同一时间在两个分裂的封闭空间。结果表明,该系统是有用的作为一个用户密度估计技术在特定的封闭空间,因为该系统的准确性超过96.5%。因此,作为该系统是一个新用户密度估计技术使用听不清高频和智能设备的麦克风,它可以是一个有用的技术来测量空间的使用频率,编译内容集中统计,支持优先救援的位置信息,以减少危害人类生活在各种事故地点。

本文组织如下。节 2,我们将解释现有的研究关于用户人群密度估计和听不清高频无线通信技术。节 3基于智能设备,我们描述该应用程序和服务器系统用户密度估计和解释提出了系统的体系结构。节 4,我们将展示四个实验使用提出了应用程序和一个服务器系统并讨论关于性能的实验结果。最后,节 5,我们报告结果,并建议未来的研究方向。

在本节中,我们解释了现有的研究人群密度估计和现有研究使用听不清高频数据通信。在更早的时期,人群密度估计方法被用来计算人类的头或脸的数量,因为人脸有一定的显著特点,如眼睛、鼻子、嘴;和电脑和智能设备可以有效地从监控视频图像的人脸或相机图像的智能设备。

阴了人群密度估计方法利用对象的检测与视频图像的背景颜色冲突( 18]。的人使用这种方法关注计算人脸的数量与少数人,而不是跟踪人民运动特定的小空间。在此之后,许多研究人员将他们的注意力从计数测量运动的人人们使用人群密度估计的运动矢量。金和歌曲等人提出这种方法使用分析值的移动速度和模式亮度从视频图像的运动矢量。他们使用光流跟踪对象的运动,基于颜色分布、纹理,轮廓对象,等,和估计的变量值对象的运动( 19, 20.]。

以弥补现有方法的低效率使用闭路电视视频图像,最近提出了各种方法使用无线电设备如射频识别、智能设备、wi - fi和蓝牙。延斯提出了一个方法使用智能设备的蓝牙和GPS信息在特定的人群密度估计空间等公共场所的足球体育场和棒球字段( 21]。公园等人提出了一个混合的人群密度估计方法使用一个视频分析技术和RFID在地铁 22]。然而,现有的方法只关注人群密度测量不准确度高,因为这些方法在户外和公共场所的地方,他们只需要大概的统计值。

接下来,有现有的方法使用高频率的声音范围(20 Hz∼22千赫)。这些方法采用听不清高频(18 kHz∼22千赫),在他们的听觉范围,人们无法识别,智能设备之间传输用户数据或运动控制使用智能设备的扬声器和麦克风。Bihler等人提出了智能导游系统中,将信息传送到用户的智能手机在博物馆使用听不清高频[ 23]。这个系统上运行Android操作系统,收到发出的高频扬声器安装在博物馆通过麦克风植入用户的智能手机,并获得适当的信息从一个web服务器。该方法采用移频键控(移频键控)技术与20 kHz和22 kHz频率信号比特。金等人提出了一个方法验证智能手机用户使用频率高听不清(15.8 kHz∼20 kHz),用一个频率产生在每一个立体声通道( 24]。当收到一点所表示的两个频率的四倍,这种方法认识到这是一个挑战,但这需要8秒认识到一个2字节的挑战。

钟提出了一个数据共享方法多个智能设备在一个封闭的范围内使用高频率和wi - fi,被证明是一个比现有方法使用频率听不清( 25]。这个系统发送三个频率同时结合一个信号19.6 kHz信号(低延迟键)和两个基地,19 kHz和22千赫。三个频率不将数据发送到智能设备,这些设备有一个预定的触发信号开始智能设备之间的数据传输。因此,现有的方法使用高频率使用听不清高频率作为特定的触发信号,和智能设备接收信号和分配给信号的过程,如检查智能设备的状态,向服务器发送的GPS信息智能设备系统,并显示一个广告到智能设备。

在本节中,我们解释了该应用程序基于智能设备和服务器系统为用户密度估计在一个特定的封闭的空间。提出系统的总流程如图 1。

在图 1,服务器系统订单演讲者产生一对特定的高频(超过18 kHz)(①),演讲者发送一双高频率在一个特定的封闭空间在一个固定的秒数,和空间的智能设备收集附近的声音通过每个智能设备的麦克风(②)。收集到的声音被转换成频率使用快速傅里叶变换(FFT) [ 26),每个智能设备向服务器发送的高频系统当它检测到特定的一双高频率超过18 kHz (③)。服务器收集的数据对每个智能设备的高频率,然后计算智能设备的数量位于特定的封闭空间在同一时间。最后,服务器系统显示智能设备的数量和位置的高频率产生和接收通过监控服务器的系统。

具体选择一双高频率超过18 kHz之间两个100赫兹的高频单元18 kHz和22千赫(总:41类型的双)。为了避免来自其他高频干扰,每个高频率之间的间隔超过600赫兹。因此,一双高频率可以由595的可能性,如18.0 kHz - 18.7 kHz, 18.0 kHz - 18.8 kHz,和21.3 kHz - 22.0 kHz。高频率的组成对生成的服务器系统和议长 n次 k秒。 k是一双高频率和持续时间 n是他们的重复。一种产生高频率如图 2。

在图 2,对高频19.0 kHz和20.0 kHz, k是5秒, n是2倍。一双高频率是由服务器的扬声器系统,和每一个智能设备位于特定的封闭空间检查是否对高频始终存在。如果一个聪明的设备检测的高频率,它等待修理 米秒,检测对高频再次确认它是相同的。在图 3,伪代码性能检测过程对高频智能设备上。

一个和 b参数将拯救每个高频检测通过智能设备。 一个 _t获得的是音频数据的内部麦克风智能设备在 t时间, 一个 _t每个频率分开 F _tFFT。如果 F _t有两个高频在18 kHz, 一个保存第一个高频的价值 F _t和 b节省了第二个高频的价值 F _t。接下来,它等待固定 米秒,智能设备接收下一个音频数据。 一个 _{t + 1}获得的是音频数据的内部麦克风智能设备在 t + 1时间, 一个 _{t + 1}每个频率分开 F _{t + 1}FFT。如果 F _{t + 1}有两个高频在18 kHz,相比之下它 一个价值和第一高频 F _{t + 1}和 b值和第二高的频率 F _{t + 1}。因此,如果第一和第二对高频率是相同的,智能设备向服务器发送一对的高频值系统。

接下来,服务器系统接收到从智能设备在同一空间和一对价值估计用户密度通过流程见图 4。

在图 4的结构,从智能设备接收到的数据是一双高频率,GPS的价值,和接收到的高频信号。服务器系统比较的具体对高频接收的数据和生成的高频率从服务器(①)。如果他们是不一样的,服务器将删除数据,它不会继续下一个过程。如果接收到的数据和生成的一双高频率从服务器一样,服务器将接收的数据的个数(②)和存储数据的数据库(③)。这个过程完成后,服务器显示智能设备的数量和他们的位置通过监控服务器的系统,用户密度估计和服务器管理器可以封闭的空间。

本节解释该应用程序基于智能设备用户密度估计。我们描述用户密度估计的实验和分析实验结果的使用提出了应用程序和服务器系统。该应用程序的屏幕组成如图 5。

在图 5图位于左边的图中显示的本价值收集声音的高频数据(①),我们可以确认18.1 kHz和19.5 kHz其他高频中脱颖而出。位于图的右边的文本 5是智能手机的GPS信息,发现一双高频率,设置持续时间( k秒),滑动条设置持续时间 k(②)。在图 5,因为我们假设 n是2倍 米是1秒,如果我们将滚动条设置为3, k是3秒,期间应用程序检测到第一双高频率( k1)/ 2秒。然后,应用程序等待1秒,期间检测到第二条高频( k1)/ 2秒一次。例如,如果我们设置 k在3秒,应用程序检查第一双高频率为1秒,等待1秒,然后检查第二条高频,再次为1秒。

因此,我们首先进行了一个测试来确定适当的 k秒,因为我们预计,高频率检测的准确性会根据不同 k秒的应用程序。特定的封闭空间实验室是一个7×4米,和服务器的扬声器系统位于右上角的实验室按图 6。

在图 6空间有一个表,衣架,四个桌子,四把椅子。Harman Kardon Omni 20 +的演讲者是位于左前角空间图。我们使用了一个iPhone 8;服务器硬件是英特尔®CPU核心™i5 750年8 g内存,和服务器环境是Apache 2.2.14 5.2.12 PHP和MySQL 5.1.39。智能设备运行该应用程序在后台模式,它是位于底部右边的桌子上实验室图。我们随机选择一双高频率的595种可能的对,和服务器生成的高频率为100倍 k秒;的值 k从2秒开始,增加了0.2秒的时间间隔5秒。的值 米是1.0秒。图 7显示了根据检测的结果提出了应用程序 k价值。

在图 7我们知道,应用程序可以检测到一双高频率从98∼100倍 k值超过2.8秒,应用程序只能探测到一双高频率低于平均水平95%从2秒到2.6秒。因此,在这个实验中,我们使用3.0秒 k为我们的用户价值密度估计实验因为高频率的检测精度超过98%后2.8秒。

接下来,我们继续这个实验使用提出了应用程序和服务器系统用户密度估计。我们用10智能设备的各种模型,如iPhone, iPhone 7, s8 s7星系,星系。实验空间是同一个地方,我们使用相同的服务器系统在上面的实验。每个智能设备运行该应用程序在后台模式,他们在实验室位于不同的位置,比如在一个桌子,一把椅子,内口袋的夹克挂在衣架上,在电脑显示器前,或者在地板上。演讲者的服务器系统生成18.1 kHz和19.0 kHz一双高频率,我们测试了每隔一分钟100次。图 8显示了检测的结果对每个智能高频设备。

在图 8i7意味着iPhone 7日,16意味着iPhone 6日16意味着iPhone 6 s,七国集团(G7)意味着s7星系,星系s8和G8手段。计数不指的是对高频率的检测数量;它指的次数一个信号被发送到服务器系统当每个智能设备检测到的高频率。大多数智能设备检测到的高频率超过95次。我们可以看到,第四16显示检测95次,第七个七国集团(G7)显示,检测96次。因为这两个设备都位于内口袋的夹克,我们预计,这些设备会比其他人有更多的困难在检测高频的一对。

在这个实验中,我们开发了一个基于网络的服务器端程序,而高频值的生成对使用高频收集从10智能设备,如图 9。

在图 9服务器系统的设置,生成高频率使用HTTP协议的“得到”的方法。统一资源定位符(URL)的地址, hf1和 hf2意思是第一个高频率和第二高的频率,和道明 k价值。例如,在图 9,如果参数的URL hf1= 18.1 & hf2= 19 & 道明= 3,第一个高频率是18.1 kHz,第二高频率是19.0 kHz,和 k值是3.0秒。当系统管理员点击“发送信号”按钮来估计用户密度,连接扬声器产生的高频率。后,服务器系统接收智能设备的数据,比较它与从服务器生成的高频率的值。如果他们是相同的值,服务器系统显示的结果计算智能设备的数量在房间内大量蓝色圈如图 9。

我们进行了第二个实验使用相同的智能设备和在同一个地方作为第一个实验。生成的服务器系统配对高频100次在实验室里,和提出了应用程序和服务器系统对这次试验显示95%的准确率。我们怀疑错误率5%的原因是因为参与者偶尔把口袋里的智能设备,设备无法检测的高频率。

接下来,我们做了一个实验来比较使用闭路电视监控系统对现有的混合法和射频识别,该方法。我们创建了相同条件下在公园的人群密度估计方法在地铁。然而,我们使用的内部RFID智能设备,而不是额外的手动检测对高频射频识别,和我们只用11设备(5星系s7和6星系s8)因为iPhone 6, iPhone 6 s, iPhone 7不支持射频识别函数。实验的持续时间在一分钟间隔10分钟,总共有11个参与者。虽然实验进行10分钟,每个参与者在每隔一分钟进去,它保持10人在封闭的空间。使用闭路电视监控系统服务器系统和RFID建于同一规格提出了系统。随后,我们进行了进一步的实验使用wi - fi直接和服务器系统在相同的条件下和在相同的空间。wi - fi设备有直接的角色P2P实现客户机和AP的角色,即组所有者(P2P),和所有小组成员能够相互通信通过交换消息传送。因此,P2P去直接用于无线数据传输是一个友讯科技n - 150的USB (dwa - 125)连接到服务器系统。接下来,我们使用该应用程序和服务器系统在相同的条件下,在同一个空间上面的两个实验。 Figure 10说明了中央电视台的用户密度结果& RFID无线直接和该方法。

如图 10,中央电视台和射频识别方法正确检测到10设备四次和错误检测到11设备在2 - 6分钟标志的两倍。此外,3 - 4 - 5,和九分钟是错过了9,8,9,分别和9倍。wi - fi正确直接法检测10 11仪器设备和错误检测到5倍。该方法正确地检测到10设备最多,只缺少准确检测两次,3 -和八分钟的标志。因此,中央电视台和射频识别方法有95%的准确率,只有两个实例的错误检测,可能由于参与者等待入口处时留下的空间。wi - fi直接法也有95%的准确率,但有5个错误的探测,我们认为这种方法的覆盖范围广的结果(∼100)和一个参与者没有离开时关闭wi - fi直接函数。相比之下,该方法准确率98%,没有错误检测的实例。我们认为失踪的2%是由于参与者偶尔把他的智能设备放进他的口袋里,它不能检测的高频率。因此,该方法是确认更准确和有用的比央视& RFID或者wi - fi的直接方法。

为我们下一个实验中,我们进行了用户密度估计在同一时间在两个不同的空间有不同的对高频率和wi - fi直接。图 11是实验空间的平面图;这两个空间并排放置。在图 11,每个空间都有相同的家具,家具的位置几乎没有差异;门,内置扬声器的位置是相同的。我们使用相同的服务器系统和演讲者在上面的实验。总共有20个参与者,有10人在每一个空间。他们没有搬到其他地方,他们住在同一个空间,直到实验结束。我们用20智能设备(iPhone, iPhone 6 s, iPhone 8,银河s7和星系s8),和服务器系统为用户生成的高频率的双密度估计在每隔一分钟时间10分钟。

对高频率的空间左边显示的是18.1 kHz和19.0 kHz。一双高频率的空间显示在右边是18.5 kHz和19.2 kHz。图 12显示了用户密度估计的结果使用该方法。

在图 12,结果显示90%的准确率为用户密度估计在每一个空间。一个设备在两分钟错过了马克在左边的空间,和一个设备在九分钟错过了马克在右边的空间。我们相信,这些丢失的设备是由一个参与者将智能设备放进他的口袋里或阻塞的麦克风智能设备。这个实验后,我们进行了一遍,成对的高频发射100次在一分钟10分钟的时间间隔在同一空间和相同的条件。实验结果如图 13。

计算平均左侧的图 13意味着总收到的数据服务器系统的智能设备。10智能设备左侧空间发送983次(98.3%),和10在右边的空间智能设备发送980次(98%)。密度精度在右边的图 13意味着平均服务器系统接收到的数据量从10设备在同一时间。在图 13,离开房间的准确性为96%。参与者的原因是把他的设备放进他的口袋里大约四分钟,和智能设备无法检测的高频率。虽然另一个参与者偶尔会把他的设备放进他的口袋里,只有一个或两分钟。因此,在这个实验中,该方法显示了96.5%的准确率两个独立的空间使用两对高频和相同的服务器系统。因此,根据上述各种实验,我们认为,该应用程序和服务器系统可以是一个有用的技术进行用户密度估计在一个特定的封闭空间的建筑物像一个小会议室,客房的大宾馆、商店的奥特莱斯购物中心等。

在本文中,我们提出了一个新的用户使用双密度估计系统高频从服务器系统和智能设备的麦克风。在这项实验中,高频率的对生成的服务器系统特定的封闭空间,和各种智能设备检测到对高频率和频率的数据发送到服务器系统。从这个过程中,服务器系统能够计算智能设备的数量在同一空间同时能够估计用户密度在特定的封闭空间。因此,提出了应用程序和服务器系统可以有用的系统评估用户密度在封闭的空间,这可能是一个基本的技术来测量空间的使用频率,编译内容集中统计,支持优先救援的位置信息,以减少危害人类生活在各种事故地点。此外,如果该方法被部署在商业规模,它可以自动安装在新书的设备上通过固件更新和对现有智能手机;它可以工作在后台模式后,用户同意。这样,该应用程序不需要进行手动执行和工作假设设备开启无需用户干预。

在未来的研究中,我们将研究四个或更多的用户密度估计系统封闭空间在同一个建筑和开发密度的可视化结果通过服务器系统从多个封闭空间。此外,我们将研究的准确性提出了如何应用程序和服务器系统可以改善。在本文中,我们只使用20智能设备在实验中。因此,我们需要进行更多的实验使用超过100智能设备和几个分隔空间,以确定该方法适用的条件。