使用高频扬声器的空间用户密度估计系统

摘要

在本文中，我们提出了一种利用智能设备中扬声器和麦克风的高频来估计封闭空间中用户密度的方法。高频由密度估计系统的服务器扬声器发送到封闭空间，位于该空间的智能设备通过各设备的麦克风检测高频。检测到高频的智能设备将数据发送到服务器系统，系统计算来自智能设备的数据。为了评估该系统的性能，我们用密度估计系统和20个智能设备做了一些实验。测试结果表明，该系统具有96.5%的精度，对密度估计是非常有用的。因此，该系统可以准确估计封闭空间的用户密度，可作为空间用户密度估计和室内空间使用状态测量的有用技术。

1.简介

空间的用户密度估计是通过统计封闭空间的人数来进行的。它不仅使用内容浓度统计、空间使用分析和空间使用频率测量，而且还使用技术支持位置信息，优先救援，以减少在各种事故地点，如建筑物倒塌或帆船沉没对人的生命的伤害。所以今天我们需要一种封闭空间的用户密度估算技术，比如建筑的小会议室，大酒店的客房，outlet mall的商店等等。用户密度估计技术和方法有很多不同的方法和研究人员提出。

现有的用户密度估计技术分为两类。第一类是通过闭路电视(CCTV)视频图像分析人脸来计算人数，或者通过检测人们的运动向量来估计用户密度。1- - - - - -4]。视频图像分析方法在开阔空间，如公共场所使用，各种技术都提出，如Haar小波和方向梯度直方图（HOG）来检测人脸，并指望有多少人[5- - - - - -7]。然而，当只使用一幅视频图像时，使用视频图像的分析类型无法计算出确切的人数，也不能用于烟雾或黑暗的空间。此外，由于在使用视频图像时存在一些严重的个人隐私风险问题，应用视频图像分析进行用户密度估计相当困难。

另一类技术使用无线电设备，如射频识别(RFID)标签、智能设备、传感器节点等，而不是视频图像;计算每个设备用于用户密度估计的数量[8- - - - - -11]。使用RFID的方法可以实时计算封闭空间的人数[12,13];使用智能设备的方法可以在不需要额外设备的情况下估计用户密度，因为它从Wi-Fi、蓝牙模块和全球定位系统(GPS)收集信息。14]。然而，使用RFID标签的方法必须为用户密度估计提供一个RFID标签的额外补充，而使用智能设备的方法不能在室内使用，因为智能设备的GPS和/或设备切换Wi-Fi信号较差。因为Wi-Fi Direct可以使用数据传输和数据共享，它也应该能够计算使用数据传输技术的智能设备的数量。然而，由于Wi-Fi Direct的覆盖范围约为100米，它有时会因临近封闭空间的强信号干扰而出现漏检问题。虽然上述技术适用于户外和公共空间，如地铁、足球场、棒球场等，但不能应用于某些封闭空间。

因此，在本文中，我们提议使用经由服务器系统的扬声器传送到智能设备的麦克风高频一个新的用户密度估计系统。The microphone of the smart device can detect an audible frequency range from 20 Hz to 22 kHz, so the smart device can detect specific high frequencies from received sounds via an application [15]。We use a widely available simple speaker for the speaker of the server system and two high frequencies between 18 kHz and 22 kHz. These high frequencies are regularly used in high-frequency studies, such as smart information service applications and data transmission using high frequencies; these frequencies have an important feature, which is that people cannot hear them in an indoor space [16,17]。

在我们的系统中，位于同一室内空间的智能设备接收特定于每个空间的声音，当它们检测到特定的高频并分析接收到的声音时，设备会向服务器发送一条消息。因此，由于服务器收集来自智能设备的每条消息并计算设备的数量，所提议的系统可以估计特定封闭空间中的用户密度。

为评价所提出的应用和服务器系统的性能，我们开发了用于智能设备和用户密度估计服务器系统的高频检测中的应用，和我们进行使用10台智能设备上的用户密度估计的实验。结果表明，所提出的应用程序和服务器系统的精度大于95％。接下来，我们进行了对比实验用的混合方法（CCTV＆RFID和Wi-Fi直），并使用额外的10台智能设备，以验证所提出的方法的优越性所提出的方法。在该实验中，所提出的系统的准确度比混合方法的高3％，并且所提出的系统的误码率是0％。此外，我们进行了使用两个分开的封闭空间20台的智能设备在同一时间上的用户密度估计的实验。研究结果表明，由于所提出的系统的准确度为96.5％，所提出的系统是为用户密度估计技术在特定的封闭空间非常有用。因此，如所提出的系统是使用听不见的高频率和智能设备的麦克风的新用户密度估计技术，它可以是测量空间的使用频率，以编译内容浓度统计数据，以及用于优先权救援支持位置信息的有用的技术减少危害到人的生命在不同的事故现场。

本文组织如下。节2，我们解释现有的研究人群用户密度估计和无线通信技术与听不清高频。节3.，我们描述了所提出的基于智能设备的应用和一个用于用户密度估计的服务器系统，并解释了所提出的系统的体系结构。节4，我们展示了使用所提议的应用程序和一个服务器系统进行的四个实验，并讨论了有关性能的实验结果。最后,节5，我们报告了研究结果并提出了未来的研究方向。

2.以前的工作

在这一部分，我们解释现有的研究人群密度估计和现有的研究使用听不清高频在数据通信。在早期，人群密度估计方法被用来计算人头或人脸的数量，因为人脸具有某些显著的特征，如眼睛、鼻子和嘴巴;计算机和智能设备可以有效地从闭路电视视频图像或智能设备的摄像头图像中检测人脸。

Yin提出了一种利用检测与视频图像背景颜色冲突的对象的人群密度估计方法[18]。使用这种方法的人集中在几个人一起数人脸的数量，而不是在特定的小空间里追踪人的运动。在这之后，许多研究人员将注意力从计算人数转移到使用运动向量估计人群密度来测量人群的移动。Kim和Song等人利用视频图像运动矢量的运动速度和图案亮度分析值提出了该方法。他们使用光流跟踪物体的运动，基于颜色分布，纹理，物体的轮廓等，并估计从物体的运动的可变值[19,20.]。

为了弥补现有CCTV视频图像的低效率，最近提出了各种利用无线设备的方法，如RFID、智能设备、Wi-Fi和蓝牙。Jens提出了一种利用智能设备的蓝牙和GPS信息估算足球场、棒球场等公共场所特定空间人群密度的方法[21]。Park等人。建议使用在地铁的视频分析技术和RFID [混合人群密度估计方法22]。但是，现有的方法只关注人群密度的测量，精度不高，因为这是户外和公共场所使用的方法，只需要近似的统计值。

接下来是使用可听到范围的高频(20 Hz ~ 22 kHz)的现有方法。这些方法使用听不清的高频(18 kHz ~ 22 kHz)，人们在可听到的范围内无法识别这些高频(18 kHz ~ 22 kHz)，使用智能设备的扬声器和麦克风在智能设备之间传输用户数据或运动控制。Bihler等人提出了智能导游系统，利用听不清的高频将信息传输到博物馆用户的智能手机上[23]。该系统运行在Android操作系统上，通过用户智能手机内置的麦克风接收安装在博物馆内的扬声器发出的高频信号，并从web服务器获取相应的信息。该方法采用20khz和2khz频率的频移键控(FSK)技术作为信令比特。Kim等人提出了一种使用高听不清频率(15.8 kHz ~ 20 kHz)认证智能手机用户的方法，每个立体声通道生成一个频率[24]。当接收到表示一个比特由两个频率四倍的组合，则此方法将其识别为一个挑战，但它需要8秒识别的2字节的挑战。

Chung提出了一种在封闭范围内使用高频和Wi-Fi的多智能设备的数据共享方法，该方法被证明是对现有使用听不清频率的方法的改进[25]。该系统通过结合一个信号19.6 kHz(低延迟密钥)和两个基信号19 kHz和22 kHz，同时发送三个频率。三个频率不发送大量的数据到智能设备，和那些设备有一个预定的触发信号开始数据传输之间的智能设备。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。

3.空间用户使用高频密度估计系统

在本节中，我们将介绍基于智能设备和服务器系统的应用程序，用于估计特定封闭空间中的用户密度。拟议系统的总流程如图所示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)。收集到的声音使用快速傅里叶变换(FFT)转换为频率[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)。服务器从每个智能设备收集这对高频的数据，然后同时计算位于特定封闭空间的智能设备的数量。最后，服务器系统显示智能设备的数量，以及通过服务器系统的监视器生成和接收这对高频的位置。

选择18khz以上的特定一对高频作为18khz - 22 kHz之间的两个100hz单位的高频(共41对)。为了避免其他高频的干扰，每个高频之间的间隔超过600hz。因此，这对高频可以由总共595种可能性组成，比如18.0 kHz - 18.7 kHz、18.0 kHz - 18.8 kHz和21.3 kHz - 22.0 kHz。由服务器系统的扬声器产生的高频组合对产生n次k秒。k这对高频的持续时间是多少n是他们的重复时间。对高频率的A制造型显示于图2。

在图2，高频对分别为19.0 kHz和20.0 kHz，k是5秒，然后呢n是2倍。这对高频由服务器系统的扬声器产生，位于特定封闭空间中的每个智能设备检查这对高频是否一致存在。如果一个智能设备检测到这对高频，它等待固定米秒并检测这对高频再次确认它是同一对。在图3.伪代码是智能设备上检测高频对的性能过程。

a和b是将通过智能设备检测到的每个高频保存下来的参数。一个_t智能设备内麦克风是否在测试期间获取音频数据t时间,一个_t是与每个频率分开的吗F_tFFT。如果F_t有两个超过18千赫的高频，a保存第一个高频值F_t和b保存第二个高频值F_t。接下来，它等待修复米秒，智能设备再次接收下一个音频数据。一个_{t + 1}智能设备内麦克风是否在测试期间获取音频数据t + 1时间,一个_{t + 1}是与每个频率分开的吗F_{t + 1}FFT。如果F_{t + 1}有两个超过18千赫的高频，it compares with thea值和所述第一高频的F_{t + 1}和b值和第二高频率的F_{t + 1}。因此，如果第一和第二对高频是相同的，智能设备将这对高频值发送到服务器系统。

接下来，服务器系统从相同空间的智能设备接收pair值，并通过图中所示的过程估计用户密度4。

在图4，智能设备接收到的数据结构为一对高频、GPS值和高频信号接收时间。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)。如果它们不相同，服务器将删除数据，而不会继续进行下一个进程。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，服务器通过服务器系统的监视器显示智能设备的数量及其位置，服务器管理器可以估计封闭空间的用户密度。

4.实验和评估

本节介绍基于用户密度估计智能设备的应用建议。我们描述了用户密度估计的实验和使用所提出的应用程序和服务器系统的分析实验的结果。所提出的应用的屏幕的组合物示于图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。位于图形右侧的文字5是智能设备的GPS信息、检测到的对高频、设定的持续时间(k秒），以及用于设置持续时间滑动条k(②)。在图5，因为我们假设n是2倍米是1秒，如果我们把滑动条设为3，k为3秒，应用程序在(k- - - - - -1)/2 seconds. Then, the application waits for 1 second and detects the second pair of high frequencies during (k1)/ 2秒一次。例如，如果我们设置kat3. seconds, the application checks the first pair of high frequencies for 1 second, waits for 1 second, and then checks the second pair of high frequencies, again for 1 second.

因此，我们最初进行了一个测试以确定合适的方法k秒，因为我们期望高频检测的准确性会随着k建议应用程序的秒数。具体封闭空间为一个7×4 m的实验室，如图所示，服务器系统的扬声器位于实验室的顶角6。

在图6，空间有一个表，一个衣架，四张书桌和四把椅子。一个哈曼卡顿全方位20+扬声器是位于空间图的左上角。我们使用iPhone 8;服务器硬件是英特尔®酷睿™i5 750 CPU，8G内存和服务器环境是阿帕奇2.2.14，PHP 5.2.12和MySQL 39年5月1日。智能设备正在运行在后台模式所提出的应用程序，它位于在实验室图的右下方一张桌子。我们随机选择的一对高频率的总数为595可能对，并且所产生的一对高频率的服务器100倍k秒;的值k在2秒时开始并增加了0.2秒的时间间隔为5秒。对于值米是1.0秒。数字7给出了所提出应用程序的检测结果k价值。

在图7我们知道，该应用程序可以检测对高频率的从98~100倍k-值大于2.8秒，应用程序只能在2秒到2.6秒之间检测到低于平均95%的高频对。因此，在本次实验中，我们使用3.0秒作为k-对于我们的用户密度估计实验，因为在2.8秒后高频的检测精度超过98%。

接下来，我们使用本文提出的应用程序和服务器系统进行用户密度估计实验。我们使用了10款不同型号的智能设备，如iPhone 6, iPhone 7, Galaxy s7, Galaxy s8。实验空间相同，使用的服务器系统与上面的实验相同。每个智能设备都以后台模式运行所提议的应用程序，它们被放置在实验室的不同位置，比如桌子上、椅子上、挂在衣架上夹克的内口袋里、电脑显示器前或地板上。服务器系统的speaker生成18.1 kHz和19.0 kHz作为高频对，我们在一分钟的间隔内测试了100次。数字8显示各智能设备对高频的检测结果。

在图8比如，i7代表iPhone 7, i6代表iPhone 6, i6s代表iPhone 6s, G7代表Galaxy s7, G8代表Galaxy s8。计数不涉及对高频的检测数;它指的是当每个智能设备检测到这对高频时，一个信号被发送到服务器系统的次数。大多数智能设备检测到这对高频超过95次。我们可以看到第4个i6检测95次，第7个G7检测96次。由于这两种设备都位于夹克的内口袋中，我们预计这两种设备在检测这对高频时会比其他设备更加困难。

实验结束后，我们开发了一个基于web的服务器端程序，使用从10台智能设备收集的高频对，对生成的高频值进行比较，如图所示9。

在图9，使用HTTP协议的“Get”方法设置产生高频的服务器系统。在统一资源定位器(URL)地址中，hf1和hf2表示第一个高频和第二个高频，td是k价值。例如，在图中9，如果URL的参数为hf1= 18.1 &hf2= 19 &道明= 3，第一个高频为18.1 kHz，第二个高频为19.0 kHzk-value为3.0秒。当系统管理员点击“发送信号”按钮来估计用户密度时，连接的扬声器产生一对高频。服务器系统从智能设备接收到数据后，将其与服务器生成的高频值进行比较。如果它们是相同的值，服务器系统就会显示将房间中智能设备的数量计算为蓝色圆圈中的数字的结果，如图所示9。

我们使用与第一次相同的智能设备和地点进行了第二次实验。服务器系统在实验室中产生配对高频100次，提出的应用和服务器系统在本次实验中显示出95%的准确率。我们怀疑5%的错误率是因为参与者偶尔将智能设备放入口袋，而在此期间设备无法检测到这对高频。

接下来，我们做了一个实验来比较现有的CCTV和RFID混合方法和提出的方法。我们创建了与地铁中Park的人群密度估计方法相同的条件。但是我们使用了智能设备内部的RFID而不是额外的RFID来手动检测这对高频，并且我们只使用了11台设备(5台Galaxy s7和6台Galaxy s8)，因为iPhone 6、iPhone 6s和iPhone 7不支持RFID功能。实验时间为每1分钟10分钟，共11名参与者。实验进行10分钟，每个参与者每1分钟进进出出，在封闭空间内维持10人。使用CCTV和RFID的服务器系统按照与提议的系统相同的规格建造。随后，我们利用Wi-Fi Direct和服务器系统在相同的条件下，在相同的空间中进行了进一步的实验。Wi-Fi Direct设备既要实现P2P客户端角色，又要实现AP角色，即组所有者(P2P GO)，所有组成员都可以通过交换GO传递的消息进行通信。因此，用于Wi-Fi直接数据传输的P2P GO是连接到服务器系统的D-Link N-150 USB (DWA-125)。接下来，我们在与上述两个实验相同的条件和空间中使用所提出的应用程序和服务器系统。 Figure10举例说明CCTV & RFID、Wi-Fi Direct和所提方法的用户密度结果。

如图所示10，CCTV和RFID方法正确地检测到10个设备四次，在2-和6分钟的标记误检测装置11两次。此外，3-，4-，5-，和9分钟的标记分别错过9，8，9，和9倍。的Wi-Fi直法正确地检测装置10和错误地检测装置11每五次。所提出的方法正确地检测装置10最多，唯一缺少准确的检测两次，在3-和8分钟标记。因此，CCTV＆RFID方法具有95％的准确率和仅两个离去的空间时等待入口附近的情况下，错误检测的，可能是由于一个参与者。The Wi-Fi Direct method also has a 95% accuracy rate but with five erroneous detections which we believe to be the result of the wide coverage range of this approach (∼100 m) and a participant who did not turn off the Wi-Fi Direct function when leaving. In contrast, the proposed method has a 98% accuracy rate and no instances of erroneous detection. We think that the missing 2% are due to a participant occasionally placing his smart device into his pocket where it could not detect the pair of high frequencies. The proposed method is, therefore, confirmed as more accurate and useful than either the CCTV & RFID or Wi-Fi Direct methods.

对于我们接下来的实验中，我们以不同的对高频率和Wi-Fi直连的两个独立的空间，同时进行用户密度估计。数字11为实验空间平面图;这两个空间是并排的。在图11，每个空间都有相同的家具，家具的摆放位置几乎没有差别;门和内置扬声器的位置是一样的。我们使用与上面实验相同的服务器系统和speaker。共有20名参与者，每个空间有10人。它们没有移动到另一个地方，一直呆在同一个地方直到实验结束。我们使用了20台智能设备(iPhone 6、iPhone 6s、iPhone 8、Galaxy s7、Galaxy s8)，服务器系统在10分钟内每隔1分钟生成一对高频进行用户密度估算。

左边显示的空间中的一对高频分别为18.1 kHz和19.0 kHz。右图所示空间的两个高频分别为18.5 kHz和19.2 kHz。数字12示出了使用所提出的方法的用户密度估计的结果。

在图12，结果表明，在每个空间中，用户密度估计的准确率达到90%。左侧2分钟的空档有一个装置漏球，右侧9分钟的空档有一个装置漏球。我们认为这些丢失的设备是由于参与者将他的智能设备放入口袋或堵塞了他的智能设备的麦克风。在这个实验之后，我们再次进行了它，在相同的空间和相同的条件下，以1分钟的间隔，在10分钟的时间内发射100次配对的高频。实验结果如图所示13。

在图的左边计算平均值13指服务器系统从智能设备接收的总数据。左侧空间的10台智能设备发送了983次(98.3%)，右侧空间的10台智能设备发送了980次(98%)。密度精度在图的右侧13意味着服务器系统10个从设备接收在同一时间数据的平均量。在图13，左室的准确率为96%。原因是参与者将设备放入口袋大约4分钟，在此期间智能设备无法检测到这对高频信号。尽管另一名参与者偶尔会把他的设备放进口袋，但只会持续一到两分钟。因此，在本实验中，在同一服务器系统下，使用两对高频，在两个独立空间下，该方法的准确率达到96.5%。因此，根据上述的各种实验，我们认为本文提出的应用和服务器系统可以作为一种有用的技术，在特定的封闭空间中进行用户密度的估算，比如建筑的小会议室，大酒店的客房，outlet mall的商店等。

5.结论

在本文中，我们提出了使用从服务器系统的高频率的对和智能设备的麦克风一个新的用户密度估算系统。在实验中，该服务器系统所产生的对高频率的在特定封闭空间，以及各种智能设备检测到的对高频率，并且频率的数据发送给服务器系统。从这个过程中，服务器系统能够计算位于在同一时间同一空间智能设备的数量，并能估计在特定封闭空间的用户密度。因此，所提出的应用程序和服务器系统可以是有用的系统，用于在封闭空间估计用户密度，并且它可能是一个基本的技术来测量空间的使用频率，以编译内容浓度统计资料，并支持位置信息优先救援减少伤害在各种事故现场人类的生活。此外，如果该方法被部署在商业规模上，它可以自动对新版本的设备和通过固件更新现有的智能手机安装;它可以在后台模式下用户同意的工作。因此，所提出的应用程序不需要手动执行和没有用户干预的假设设备上被切换可以工作。

在未来的研究中，我们将研究一个针对同一建筑中四个或更多封闭空间的用户密度估计系统，并通过服务器系统对多个封闭空间的密度结果进行可视化。此外，我们将研究如何提高所提出的应用程序和服务器系统的准确性。在本文中，我们只使用了20个智能设备进行实验。因此，我们需要使用超过100个智能设备和几个分隔空间进行额外的实验，以确定所提出的方法是否在这些条件下工作良好。

数据可用性

没有数据来支持这项研究。

的利益冲突

作者宣称，有兴趣就本文发表任何冲突。

致谢

本研究由教育部基础科学研究计划(NRF-2016R1C1B2007930)和NRF-2019R1H1A1079104)资助。

参考文献

I. Ali和M. N. Dailey，“高密度人群中的多人跟踪”，图像和视觉计算第30卷，no。12，第966-977页，2012。视图:出版商的网站|谷歌学术搜索
黄欣欣，“从人群场景中进行基于立体声的人的头部检测”，刊于国际图像处理会议论文集，第1353-1356页，新加坡，新加坡，2004年10月。视图:出版商的网站|谷歌学术搜索
X. Zhang和G.塞克斯顿，“自动人的头部位置的行人计数，”在图像处理及其应用国际会议论文集， 535-540页，爱尔兰都柏林，1997年7月。视图:出版商的网站|谷歌学术搜索
王建民，“用分形维数估计人群密度”，载于《中国日报》IEEE国际会议声学，语音和信号处理的程序，第3521-3524，亚利桑那州凤凰城，美国，1999年3月。视图:出版商的网站|谷歌学术搜索
c.h. Sim, E. Rajmadhan，和S. Ranganath，“在密集人群中发现个体的两步方法”，在关节运动和可变形物体国际会议记录， 166-174页，马略卡岛，西班牙，2008年7月。视图:出版商的网站|谷歌学术搜索
O.德尼兹，G.布埃诺，J.萨利多，和F.拉托雷，“使用方向梯度直方图脸部识别，”模式识别的字母第32卷，no。12, 1598-1603页，2011。视图:出版商的网站|谷歌学术搜索
Z.王，刘H.，Y谦等人，“人群密度的估计基于局部二元模式共生矩阵”，在IEEE国际会议的多媒体和博览会研讨会论文集，第372-377，澳大利亚墨尔本，2012年7月。视图:出版商的网站|谷歌学术搜索
M. Nakatsuka, H. Iwatani, J. Katto，“利用无线传感器进行被动人群密度估计的研究”，刊于关于移动计算和无处不在的网络的国际会议的会议记录2008年6月，日本东京。视图:谷歌学术搜索
哈吉人群管理和导航系统:通过集成移动和射频识别系统的基于人的跟踪和定位服务，刊于计算机应用技术国际会议记录， 1-7页，苏塞，突尼斯，2013年1月。视图:出版商的网站|谷歌学术搜索
袁玉媛，《使用手机人群监控》中智能人机系统和控制论国际会议论文集， 261-264页，中国杭州，2014年8月视图:出版商的网站|谷歌学术搜索
Y.元，J.召，C.邱和W.僖，“在基于RF的动态环境估算人群密度，”IEEE传感器杂志卷。13，没有。10，第3837-3845，2013。视图:出版商的网站|谷歌学术搜索
倪l.m.， Liu Y.， Liu Y. C.， A. P. Patil， "使用有源射频识别的室内位置感应，"无线网络卷。10，没有。6，第701-710，2004。视图:出版商的网站|谷歌学术搜索
倪L.，张D.， M. Souryal，“基于rfid的定位和跟踪技术”，IEEE无线通信第18卷，no。2，第45-51页，2011。视图:出版商的网站|谷歌学术搜索
“一种使用手机惯性传感器的可靠而准确的室内定位方法”，国立中山大学学报ACM无处不在计算会议的会议记录，第421-430页，宾夕法尼亚州匹兹堡，美国，2012年9月。视图:出版商的网站|谷歌学术搜索
钟先生，“一种使用扬声器听不清声音的广告方法，”韩国计算机与信息学会期刊第20卷，no。8, 2015年7-13页。视图:出版商的网站|谷歌学术搜索
m.b. Chung和H. Choo，“使用听不清高频的智能设备之间的接近无线控制技术，”多媒体工具及应用第74卷，no。15，第5955-5971页，2015。视图:出版商的网站|谷歌学术搜索
M. Chung，“智能设备使用听不清高频的有效近距离广告传输方法，”多媒体工具及应用第75卷，no。10，第5871-5886页，2016。视图:出版商的网站|谷歌学术搜索
“利用参考影像进行人群密度估计的影像处理技术”，国立台湾科技大学资讯工程学研究所硕士论文计算机视觉的最新发展，第489-498页，施普林格，海德堡，德国，1996。视图:出版商的网站|谷歌学术搜索
金国荣，“铁路站台人群密度估计之研究”，国立中山大学交通研究所硕士论文电气工程师大会的韩国研究所的论文集，第2190至2191年，龙平，韩国，2011年7月。视图:谷歌学术搜索
J.-W。歌,T.-K。一个,M.-H。金,Y.-S。洪，“利用神经网络测量户外人群密度”，网络广播、互联网和电信研究所学报第12卷，no。2，第103-110页，2012。视图:出版商的网站|谷歌学术搜索
J. Weppner和P. Lukowicz，“基于蓝牙的移动电话人群密度的协同估计”，台北IEEE普适计算与通讯国际会议论文集， 193-200页，圣地亚哥，加州，美国，2013年3月。视图:出版商的网站|谷歌学术搜索
M. J.公园，W. J.廉，E. J. Choi等人，在“用于均衡地铁乘客分布和它的应用，混合人群密度估计方法”计算机信息会议的韩国社会的论文集， 71-73页，大田，韩国，2014年1月。视图:谷歌学术搜索
P. Bihler, P. Imhoff, A. B. Cremers，《智能指南——超声波控制的智能手机博物馆指南》，Procedia计算机科学，第5卷，第586-592页，2011。视图:出版商的网站|谷歌学术搜索
李敏基，“利用音频分析对智能手机用户进行身份验证”，台北:国立台湾大学出版社，2003年。韩国信息安全与密码学研究所期刊第22卷，第2期。2，第327-336页，2012。视图:谷歌学术搜索
M. Chung和I.柯，“用于在近距离多智能设备数据共享方法，”移动信息系统卷。2015年，文章编号931765，11页，2015年。视图:出版商的网站|谷歌学术搜索
K. R. Rao, D. N. Kim和J. J. Hwang，快速傅立叶变换算法和应用《科学与商业媒体》，纽约，美国，2011年。

移动信息系统

摘要