本發(fā)明涉及室內企業(yè)管理，特別是一種基于室內人員定位的管理方法及系統。

背景技術：

1、在當前社會快速發(fā)展的背景下，智能化管理技術在各行各業(yè)中得到了廣泛應用，尤其是室內人員的定位和管理成為各類場景中保障安全、提高管理效率的關鍵需求。然而，現有的定位技術在精準度、安全性和實時性方面仍存在諸多不足，無法滿足現代化管理的高標準要求，因此，本發(fā)明提出了一種基于室內人員定位的管理方法和系統，以解決現有技術中存在的問題，進一步提升室內人員管理的智能化水平。

2、現有技術在進行室內人員定位時，常常面臨生物特征采集不全、定位誤差大和預警機制不完善等缺陷，導致管理效率低下和安全隱患增加，采用本發(fā)明的技術手段，即通過動態(tài)身份生物識別模型結合云計算和超寬帶定位技術，對室內人員進行精準定位和智能預警，有效解決了現有技術的缺陷。

技術實現思路

1、鑒于現有的基于物聯網的多源電網信息融合及系統中存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明針對現有技術在生物特征采集不全、定位誤差大和預警機制不完善等缺陷問題，本發(fā)明采用了動態(tài)身份生物識別模型結合云計算和超寬帶定位技術進行解決。

3、為解決上述技術問題，本發(fā)明提供如下技術方案：

4、第一方面，本發(fā)明實施例提供了一種基于室內人員定位的管理方法，其包括，對室內人員進行生物特征采集，建立動態(tài)身份生物識別模型，利用云計算技術對動態(tài)身份生物識別模型進行計算，獲取生物特征數據；

5、將獲取的生物特征數據與云計算技術中云端存儲的備案信息進行比對，采用超寬帶定位技術，結合動態(tài)身份生物識別模型，完成室內人員的精準定位，獲取室內人員的外委人員位置坐標；

6、設置危險區(qū)域，根據危險區(qū)域和外圍人員位置坐標，完成智能預警的安全處置，對室內人員定位進行管理。

7、作為本發(fā)明所述基于室內人員定位的管理方法的一種優(yōu)選方案，其中：所述對室內人員進行生物特征采集包括采集室內人員的面部圖像、指紋圖像、虹膜圖像以及聲紋數據，具體采集計算步驟如下所示：

8、所述面部圖像的采集計算公式為：

9、

10、其中，gi表示不同的特征提取子函數，wi和bj表示權重系數，k表示核函數，λ表示正則化參數，vf表示面部圖像特征向量，ff表示面部特征提取函數，if表示面部圖像，wi表示第i個特征提取子函數gi的權重系數，hj表示第j個特征提取子函數，ω表示面部圖像if的定義域，k表示核函數，x表示積分變量；

11、所述指紋圖像的采集計算公式為：

12、

13、其中，vfp表示指紋特征向量，ffp表示指紋特征提取函數，ifp表示指紋圖像，αi表示第i個特征提取子函數ui的權重系數，p表示用于ui子函數特征提取的特征數量，cj表示第j個特征提取子函數vj的權重系數，vj表示第j個特征提取子函數，q表示用于vj子函數特征提取的特征數量。

14、作為本發(fā)明所述基于室內人員定位的管理方法的一種優(yōu)選方案，其中：所述虹膜圖像的采集計算公式為：

15、

16、其中，vi表示虹膜特征向量，fi表示虹膜特征提取函數，ii表示虹膜圖像，di表示第i個特征提取子函數ei的權重系數，ei表示第i個特征提取子函數，r表示用于特征提取的特征數量，gi表示第i個特征提取子函數，fi表示第i個特征提取子函數，exp表示指數函數，log表示對數函數；

17、所述聲紋數據的采集計算公式為：

18、

19、其中，vs表示聲紋特征向量，fs表示聲紋特征提取函數，is表示聲紋數據，hi表示第i個特征提取子函數的權重系數，sin表示正弦函數，ki表示正弦函數中的系數，cos表示余弦函數，li表示余弦函數中的系數，t表示特征提取的特征數量。

20、作為本發(fā)明所述基于室內人員定位的管理方法的一種優(yōu)選方案，其中：所述建立動態(tài)身份生物識別模型包括將采集的生物特征向量進行融合，形成綜合特征向量vc，具體融合計算公式為：

21、vc＝α·vf+β·vfp+γ·vi+δ·vs

22、其中，vc表示綜合特征向量，α表示面部特征向量vf的權重系數，vf表示面部圖像特征向量，β表示指紋特征向量vfp的權重系數，vfp表示指紋特征向量，γ表示虹膜特征向量vi的權重系數，δ表示聲紋特征向量vs的權重系數，vs表示聲紋特征向量；

23、所述對動態(tài)身份生物識別模型進行計算包括使用加密技術對綜合特征向量vc進行加密，生成加密特征向量，將加密后的綜合特征向量上傳到云計算平臺，進行動態(tài)身份生物識別模型的建立；

24、所述對綜合特征向量vc進行加密的具體計算公式為：

25、vc，enc＝encrypt(vc，k)

26、其中，vc，enc表示加密特征向量，encrypt表示加密函數，vc表示綜合特征向量，k表示加密密鑰；

27、所述將加密后的綜合特征向量上傳到云計算平臺包括利用云計算函數建立動態(tài)身份生物識別模型，具體計算公式為：

28、mbio＝cloudcompute(vc，enc，d)

29、其中，mbio表示動態(tài)身份生物識別模型，cloudcompute表示云計算函數，vc，enc表示加密后的綜合特征向量，d表示訓練數據集。

30、作為本發(fā)明所述基于室內人員定位的管理方法的一種優(yōu)選方案，其中：所述獲取生物特征數據包括結合動態(tài)身份生物識別模型過濾采集的生物特征；

31、當生物特征采集不完整時，則重新采集，具體步驟如下：

32、若面部圖像不滿足清晰度要求時，則二次采集面部圖像的生物特征向量，所述二次采集面部圖像的生物特征向量的具體計算公式為：

33、if?clarity(if)<θ，then?if←re-capture

34、其中，clarity表示清晰度檢測函數，θ表示清晰度閾值，re-capture表示重新采集函數，

35、若指紋圖像不滿足清晰度要求，則二次采集指紋圖像的生物特征向量，所述二次采集指紋圖像的生物特征向量的具體計算公式為：

36、if?clarity(ifp)<θfp，then?ifp←re-capture()

37、其中，ifp表示指紋圖像，clarity表示清晰度檢測函數，θfp表示指紋圖像清晰度的閾值，re-capture()表示重新采集函數。

38、作為本發(fā)明所述基于室內人員定位的管理方法的一種優(yōu)選方案，其中：所述完成室內人員的精準定位包括將過濾后采集的生物特征進行二次融合，形成二次綜合特征向量vc，real，具體計算公式為：

39、vc，real＝α·vf，real+β·vfp，real+γ·vi，real+δ·vs，real

40、其中，α、β、γ以及δ表示權重系數；

41、將二次綜合特征向量vc，real與所述云計算技術中云端存儲的備案信息mbio進行對比，計算兩者之間的余弦度，確定室內人員的精準定位，具體計算公式為：

42、

43、其中，d表示余弦度，dot_product表示向量的點積，||vc，real，enc||表示加密的實時綜合特征向量的模長，||mbio||表示云端存儲的動態(tài)身份生物識別模型的模長；

44、若余弦度d小于設定的閾值θd，則完成室內人員定位；

45、若余弦度d大于或等于設定的閾值θd，則觸發(fā)報警機制。

46、作為本發(fā)明所述基于室內人員定位的管理方法的一種優(yōu)選方案，其中：所述完成智能預警的安全處置包括根據智能預警機制計算警報等級，完成對室內人員定位進行管理，所述計算警報等級的具體計算公式為：

47、a＝α1·drisk+α2·texposure+α3·scritical

48、其中，a表示警報等級，drisk表示危險區(qū)域風險等級，texposure表示暴露時間，scritical表示區(qū)域內關鍵設備情況，α1、α2和α3表示系數。

49、第二方面，本發(fā)明實施例提供了一種基于室內人員定位的管理系統，其包括：對室內人員進行生物特征采集，建立動態(tài)身份生物識別模型，利用云計算技術對動態(tài)身份生物識別模型進行計算，獲取生物特征數據；

50、將獲取的生物特征數據與云計算技術中云端存儲的備案信息進行比對，采用超寬帶定位技術，結合動態(tài)身份生物識別模型，完成室內人員的精準定位，獲取室內人員的外委人員位置坐標；

51、設置危險區(qū)域，根據危險區(qū)域和外圍人員位置坐標，完成智能預警的安全處置，對室內人員定位進行管理。

52、第三方面，本發(fā)明實施例提供了一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其中：所述處理器執(zhí)行所述計算機程序時實現上述的基于室內人員定位的管理方法的任一步驟。

53、第四方面，本發(fā)明實施例提供了一種計算機可讀存儲介質，其上存儲有計算機程序，其中：所述計算機程序被處理器執(zhí)行時實現上述的基于室內人員定位的管理方法的任一步驟。

54、本發(fā)明的有益效果為：本發(fā)明通過動態(tài)身份生物識別模型、云計算技術和超寬帶定位技術的結合，實現了對室內人員的精準定位和智能預警，有效解決了生物特征采集不全、定位誤差大和預警機制不完善等現有技術缺陷，提高了生物特征采集的全面性和準確性，確保每個人員的身份識別更加精準，增強了定位精度，通過多重技術手段融合，顯著減少了定位誤差，完善了安全預警機制，基于動態(tài)身份識別和實時定位，實現了對危險區(qū)域的智能預警和安全處置，提升了管理的智能化和安全性。