CN106815603B - 基于多传感网络的室内活动检测识别方法及*** - Google Patents
基于多传感网络的室内活动检测识别方法及*** Download PDFInfo
- Publication number
- CN106815603B CN106815603B CN201710017636.0A CN201710017636A CN106815603B CN 106815603 B CN106815603 B CN 106815603B CN 201710017636 A CN201710017636 A CN 201710017636A CN 106815603 B CN106815603 B CN 106815603B
- Authority
- CN
- China
- Prior art keywords
- trigger
- identification
- pheromone
- activity
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 230000000694 effects Effects 0.000 title claims abstract description 149
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 239000003016 pheromone Substances 0.000 claims abstract description 113
- 239000011159 matrix material Substances 0.000 claims abstract description 73
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims abstract description 15
- 230000000875 corresponding effect Effects 0.000 claims description 66
- 230000001960 triggered effect Effects 0.000 claims description 19
- 230000037081 physical activity Effects 0.000 claims description 10
- 238000002790 cross-validation Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agricultural Chemicals And Associated Chemicals (AREA)
- Catching Or Destruction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于多传感网络的室内活动检测识别方法及***，其中，该方法主要通过所有触发式传感器在目标室内环境中的位置信息和触发信息，在进行活动类型识别前对KNN最近邻算法训练进行处理并得到识别库，在实际应用中再根据触发信息、异构信息素残留率掩膜和单帧图片变化处理得到相应的信息素图矩阵，最终基于识别库实现对人体活动类型的识别。由此本发明通过在室内环境中布置多个触发式传感器，记录触发信息和每个触发式传感器的位置信息，大大提高了活动识别结果的准确性和可靠性。
Description
技术领域
本发明涉及环境辅助生活领域，特别是涉及一种基于多传感网络的室内活动检测识别方法及***。
背景技术
近年来，在室内环境下，人们对基于位置的服务质量要求越来越高，以通过探知人类实时活动位置、识别人类活动类型，从而驱动智能化决策，为人类提供其所需的服务如开启或关闭灯光、空调等室内设施。所以，为提高对人类室内的服务，必须探测人类活动。而接触式传感器与非接触式传感器如今被广泛应用于室内环境中，且基于多传感网络的智能楼宇、智能家居环境已经有很多成功的探索先例。
在家居环境中，用户活动识别主要分为两种：基于触发式传感网络的活动识别方式和基于室内定位***的活动识别方式。其中，基于触发式传感网络的活动识别方式主要是将带有唯一标识的传感器部署于床、餐具、沙发等生活活动场所和用品，用于表征用户的各种生活作息活动。而室内定位***主要是通过红外、WIFI、视频、射频等无线传感手段，对用户进行精度较高的室内定位，通过位置信息与室内各功能区域进行匹配，实现对用户活动的判断。
但是，对于基于触发式传感网络的活动识别方式，现有的技术方案一般为直接基于触发序列的分析方案，主要通过直接将某个传感器触发或某些传感器按特定的顺序触发作为相关活动发生的依据，这种方法忽略了传感器的位置信息，判断依据较为单一，容易产生误判，而且数据可读性较差，只能获得最终的活动识别结果。对于基于室内定位***的活动识别方式，由于室内区域如餐桌、沙发、床等可对应多种活动，这些区域称为活动歧义区域，故单凭定位信息无法准确判断目标的活动类型。所以，目前对用户活动的识别方法都无法准确地识别和判断目标活动的类型，目标的活动识别的结果可靠性较低。
发明内容
为解决上述现有技术的缺点和不足，本发明提供了一种基于多传感网络的室内活动检测识别方法及***，通过在室内环境中布置多个触发式传感器，记录触发信息和每个触发式传感器的位置信息，大大提高了活动识别结果的准确性和可靠性。
一种基于多传感网络的室内活动检测识别方法，包括以下步骤：
记录所有触发式传感器在目标室内环境中的位置信息；
记录所有触发式传感器的触发信息；
根据所有触发式传感器的位置信息生成相应的二维平面图；
根据触发时间顺序依序读取触发信息，并根据当前读取到的触发信息所对应的触发式传感器的位置信息在所述二维平面图上作出触发时刻t对应的单帧图片变化Δs(t)；
根据单帧图片变化Δs(t)和高斯卷积核h(t)生成触发时刻t的子信息素矩阵s(t)，
根据当前读取到的触发信息所对应的触发式传感器的位置信息生成基于欧氏距离的异构信息素残留率掩膜ρ(t)；
根据子信息素矩阵s(t)和异构信息素残留率掩膜ρ(t)生成触发时刻t的信息素图矩阵S(t)，S(t)＝ρ(t)*S(t-1)+s(t)；
通过十折交叉验证法，对KNN最近邻算法进行训练，得到KNN识别样本和相应的活动类型识别库；
将信息素图矩阵S(t)输入到KNN识别样本中，计算得到相应的识别数据，并结合所述活动类型识别库实现对当前活动类型的识别，得到识别结果。
由此，本发明基于多传感网络的室内活动检测识别方法通过在室内环境中布置多个触发式传感器，记录触发信息和每个触发式传感器的位置信息，大大提高了活动识别结果的准确性和可靠性。
进一步，所述触发信息的记录是以一天为单位进行记录；且在记录好位置信息后，还结合位置信息和触发信息生成所有触发式传感器在一天内的触发记录表；并将多天记录生成的多张触发记录表存储至同一数据库中。通过此处限定，有利于对KNN算法的训练及人体活动的规律的得知提供可靠的基础。
进一步，所述位置信息包括每一触发式传感器的坐标信息(x,y)；及所述触发信息包括每一触发式传感器的唯一标号ID、触发时刻t、触发值ON/OFF。通过此处限定，使位置信息和触发信息趋于简化，从而降低数据运算的复杂度，同时也降低数据的冗余度，提高对记录的数据的利用率。
进一步，所述步骤根据当前读取到的触发信息所对应的触发式传感器的位置信息生成基于欧氏距离的异构信息素残留率掩膜ρ(t)中，异构信息素残留率掩膜ρ(t)的生成步骤包括：
建立与子信息素矩阵s(t)等规模的空白矩阵ρ(M×N)；
对于空白矩阵ρ(M×N)中的每个网格元素(m,n)，以当前被触发的触发式传感器的位置坐标(x,y)为基准点，以待计算网格的几何中心坐标(xm,yn)计算该网格内的异构信息素残留率ρmn，其中，m∈[0,M-1],n∈[0,N-1]；所述异构信息素残留率ρmn为关于欧氏距离
且服从正态分布ρ～A×N(0,σ2)分布的函数值，即
其中σ2为正态分布方差，A为函数幅值补偿参数；
根据异构信息素残留率ρmn的计算方式，得到于触发时刻t基于被触发的传感器位置坐标(x,y)的异构信息素残留率掩膜ρ(t)。
通过上述步骤，当与当前触发信息距离越远时，信息素残留率越低，则有利于提高当前活动类型的可辨识度，从而进一步减少误判率。
进一步，所述步骤根据子信息素矩阵s(t)和异构信息素残留率掩膜ρ(t)生成触发时刻t的信息素图矩阵S(t)，S(t)＝ρ(t)*S(t-1)+s(t)中，是根据触发时刻t被触发的触发式传感器的信息残留率掩膜ρ(t)与上一触发时刻t-1的信息素图矩阵对应位置的元素相乘后再叠加当前触发时刻t所对应的子信息素矩阵sij(t)生成触发时刻t的信息素图矩阵Sij(t)，Sij(t)＝ρij(t)×Sij(t-1)+sij(t)。通过此处限定，能通过加快历史活动的残留信息素挥发，同时最大限度留存当前活动信息素，以进一步提高当前活动的辨识准确度。
进一步，所述步骤通过十折交叉验证法，对KNN最近邻算法进行训练，得到KNN识别样本和相应的活动类型识别库，具体包括以下步骤：
记录220天中用于表示人体活动及触发式传感器被触发的活动信息，并将该220天的活动信息平均分成10组活动记录，每组活动记录记录有22天的活动信息；
根据时间的先后顺序从10组活动记录中依次选取其中一组作为识别模型测试集，其余九组作为模型训练集，生成10组训练库；
依次通过10组训练库对KNN最近邻算法进行训练，经10次训练完成后，共得到10个初步识别库；
对所述10个初步识别库进行算术平均处理得到一个代表所述10组训练库的训练结果的标准识别库，所述标准识别库中包括所述KNN识别样本和所述相应的活动类型识别库。
通过上述限定，有利于对KNN算法进行最合适的训练，从而得到更加准确并贴合人体实际活动的识别样本和活动类型识别库，从而进一步降低误判率。
进一步，所述步骤将信息素图矩阵S(t)输入到KNN识别样本中，计算得到相应的识别数据，并结合所述活动类型识别库实现对当前活动类型的识别，得到识别结果，具体包括以下步骤：
输入信息素图矩阵S(t)到所述KNN识别样本中；
通过KNN最近邻算法于KNN识别样本中获取与输入信息素图矩阵S(t)在特征空间中距离最近的k个判断样本；
于所述活动类型识别库中查找并获取与所述k个判断样本分别一一对应的k个活动类型；
统计所述k个活动类型中的相同活动类型的个数，并选取个数最大的活动类型为当前触发时刻t所对应的人体活动类型，实现识别结果的获取和输出。
通过上述限定，通过利用出现次数最大的活动类型表征人体活动类型，从而进一步降低误判率。
进一步，所述步骤通过KNN最近邻算法于KNN识别样本中获取与输入信息素图矩阵S(t)在特征空间中距离最近的k个判断样本，具体包括以下步骤：
从所述KNN识别样本中随机获取k个判断样本，组成一个长度为k的判断队列；
分别计算判断队列中所述k个判断样本与输入的信息素图矩阵S(t)在特征空间中的距离，并将计算得到的距离由小到大依次排序，并记录最大距离；
遍历所述KNN识别样本中除所述k个判断样本外的其它判断样本，并依次计算除所述k个判断样本外的其它判断样本与输入的信息素图矩阵S(t)在特征空间中的距离，如果当前距离小于所述最大距离，则将当前判断样本取代所述最大距离对应的判断样本，并形成新的判断队列；
根据距离由小到大对新的判断队列重新进行依次排序，重新记录最大的距离，直至所有样本遍历结束；
实现于KNN识别样本中获取与输入信息素图矩阵S(t)在特征空间中距离最近的k个判断样本。
通过上述限定实现对k个判断样本的获取，有利于进一步精细化判断依据，从而进一步降低误判率。
相应地，本发明还提供了一种与上述多传感网络的室内活动检测识别方法对应的基于多传感网络的室内活动检测识别***，该包括：
触发模块，包括用于布局在目标室内环境中的多个触发式传感器；
记录模块，用于记录所有触发式传感器的位置信息和触发信息；
以及，处理模块，用于根据所有触发式传感器的位置信息和触发信息识别当前触发时刻的人体活动类型，得到识别结果。
所述处理模块包括：
图形生成子模块，用于根据所述记录模块记录的所有触发式传感器的位置信息生成相应的二维平面图；
以及，中心处理子模块，用于根据所述记录模块记录的触发时间顺序依序读取触发信息，根据当前读取到的触发信息所对应的触发式传感器的位置信息在所述二维平面图上作出触发时刻t对应的单帧图片变化Δs(t)、根据单帧图片变化Δs(t)和高斯卷积核h(t)生成触发时刻t的子信息素矩阵s(t)，
根据当前读取到的触发信息所对应的触发式传感器的位置信息生成基于欧氏距离的异构信息素残留率掩膜ρ(t)、根据子信息素矩阵s(t)和异构信息素残留率掩膜ρ(t)生成触发时刻t的信息素图矩阵S(t)，S(t)＝ρ(t)*S(t-1)+s(t)、通过十折交叉验证法，对KNN最近邻算法进行训练，得到KNN识别样本和相应的活动类型识别库、以及，将信息素图矩阵S(t)输入到KNN识别样本中，计算得到相应的识别数据，并结合所述活动类型识别库实现对当前活动类型的识别，得到识别结果。
因此，与现有技术相比，本发明的有益效果是：从数据表达的角度，本发明提出了一种从无序的、不可读传感器触发序列转变为有序的、可读性强的信息素图的表达方法，相比直接使用触发序列进行活动识别，增添一层可视、可分析的中间数据形式，并使其能适用于更多更精确的学习与分类算法。从分类方法的角度，本发明通过KNN最近邻算法对周围有限的邻近样本对输入样本进行分类，以特别适用于多类分类，以及各类域交叉与重叠较多的情况，实现本发明对家居室内活动判别具有很好的适用性。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本发明基于多传感网络的室内活动检测识别方法的方法步骤框图；
图2为本发明基于多传感网络的室内活动检测识别方法中步骤S6的具体方法步骤框图；
图3为本发明基于多传感网络的室内活动检测识别方法中步骤S8的具体方法步骤框图；
图4为本发明基于多传感网络的室内活动检测识别方法中步骤S9的具体方法步骤框图；
图5为本发明在某一段时间内实现对人体活动类型检测识别的过程示意图；
图6为传感器在室内部署的情况示意图；
图7为一个异构信息残留率掩膜实例的示意图；
图8为残留率关于欧氏距离的变化曲线图；
图9为信息素总量与室内活动边缘关系示意图；
图10为单帧信息素图生成示例的示意图；
图11为KNN算法原理示例的示意图。
具体实施方式
请参阅图1，本发明提供了一种基于多传感网络的室内活动检测识别方法，包括以下步骤：
S1：记录所有触发式传感器在目标室内环境中的位置信息；在本实施例中，为减少冗余数据和提高处理效率，所述位置信息包括每一触发式传感器的坐标信息(x,y)，优选地，所述位置信息仅仅包括每一触发式传感器的坐标信息(x,y)；
S2：记录所有触发式传感器的触发信息；在本实施例中，为减少冗余数据和提高处理效率，所述触发信息包括每一触发式传感器的唯一标号ID、触发时刻t、触发值ON/OFF；
进一步，为对KNN算法的训练及人体活动的规律的得知提供可靠的基础，作为一种更优的技术方案，所述步骤S2中的触发信息的记录是以一天为单位进行记录；且在记录好位置信息后，还结合位置信息和触发信息生成所有触发式传感器在一天内的触发记录表；并将多天记录生成的多张触发记录表存储至同一数据库中；
S3：根据所有触发式传感器的位置信息生成相应的二维平面图；在本实施例中，所述二维平面图的生成手段为现有技术，但本实施例中二维平面图的生成是根据所有触发式传感器的位置信息结合目标室内环境中的室内布局一并形成的，其具有触发式传感器的坐标信息和相应的室内环境信息；
S4：根据触发时间顺序依序读取触发信息，并根据当前读取到的触发信息所对应的触发式传感器的位置信息在所述二维平面图上作出触发时刻t对应的单帧图片变化Δs(t)。在本实施例中，所述Δs(t)的具体获取方法为：将面积为L×W(m2)的室内平面区域网格化为M×N的矩阵Δs，则每个单元格的面积为
对应于触发器位置坐标(x,y)，于空白(即元素全0)的信息素图矩阵上寻址：
并对矩阵中对应坐标的元素作自增运算sij＝sij+1；
S5：根据单帧图片变化Δs(t)和高斯卷积核h(t)生成触发时刻t的子信息素矩阵s(t)，
S6：根据当前读取到的触发信息所对应的触发式传感器的位置信息生成基于欧氏距离的异构信息素残留率掩膜ρ(t)；在本实施例中，为进一步减少误判率，优选地，请参阅图2，所述异构信息素残留率掩膜ρ(t)的生成步骤具体包括：
S61：建立与子信息素矩阵s(t)等规模的的空白矩阵ρ(M×N)；在本实施例中，建立的空白矩阵ρ(M×N)与后续的信息素图矩阵S(t)也是等规模的；
S62：对于空白矩阵ρ(M×N)中的每个网格元素(m,n)，以当前被触发的触发式传感器的位置坐标(x,y)为基准点，以待计算网格的几何中心坐标(xm,yn)计算该网格内的异构信息素残留率ρmn，其中m∈[0,M-1],n∈[0,N-1]；所述异构信息素残留率ρmn为关于欧氏距离
且服从正态分布ρ～A×N(0,σ2)分布的函数值，即
其中σ2为正态分布方差，A为函数幅值补偿参数，此二参数在实际计算中设为常数，为了确保与当前着点相距达一室长宽外的区域信息素挥发较快，依据正态函数(μ-2σ,μ+2σ)范围内函数积分达全实数域积分值95％以上的性质，一般将σ设置为单房间长或宽的一半，一般取值范围为[2,4]，本实施例中σ优选取值为2.5。而由于函数幅度值被赋予残留率的实际含义，因此其峰值不应大于1，由于标准正态分布峰值为0.4，为了确保异构信息素残留率峰值保持在[0.7,0.9]，因此A的取值范围为[1.75,2.25]，本实施例中A优选取值为2.03；
S63：根据异构信息素残留率ρmn的计算方式，得到于触发时刻t基于被触发的传感器位置坐标(x,y)的异构信息素残留率掩膜ρ(t)；
S7：根据子信息素矩阵s(t)和异构信息素残留率掩膜ρ(t)生成触发时刻t的信息素图矩阵S(t)，S(t)＝ρ(t)*S(t-1)+s(t)；进一步，为通过加快历史活动的残留信息素挥发，同时最大限度留存当前活动信息素，以进一步提高当前活动的辨识准确度，优选地，所述步骤S7是根据触发时刻t被触发的触发式传感器的信息残留率掩膜ρ(t)与上一触发时刻t-1的信息素图矩阵对应位置的元素相乘后再叠加当前触发时刻t所对应的子信息素矩阵sij(t)生成触发时刻t的信息素图矩阵Sij(t)，Sij(t)＝ρij(t)×Sij(t-1)+sij(t)。
S8：通过十折交叉验证法，对KNN最近邻算法进行训练，得到KNN识别样本和相应的活动类型识别库；
在本实施例中，为对KNN算法进行最合适的训练，从而得到更加准确并贴合人体实际活动的识别样本和活动类型识别库，以更进一步降低误判率，优选地，请参阅图3，所述步骤S8包括以下步骤：
S81：记录220天中用于表示人体活动及触发式传感器被触发的活动信息，并将该220天的活动信息平均分成10组活动记录，每组活动记录记录有22天的活动信息；
S82：根据时间的先后顺序从10组活动记录中依次选取其中一组作为识别模型测试集，其余九组作为模型训练集，生成10组训练库；
S83：依次通过10组训练库对KNN最近邻算法进行训练，经10次训练完成后，共得到10个初步识别库；
S84：对所述10个初步识别库进行算术平均处理得到一个代表所述10组训练库的训练结果的标准识别库，所述标准识别库中包括所述KNN识别样本和所述相应的活动类型识别库；
S9：将信息素图矩阵S(t)输入到KNN识别样本中，计算得到相应的识别数据，并结合所述活动类型识别库实现对当前活动类型的识别，得到识别结果；
在本实施例中，为进一步降低误判率，请参阅图4，所述步骤S9具体包括以下步骤：
S91：输入信息素图矩阵S(t)到所述KNN识别样本中；
S92：通过KNN最近邻算法于KNN识别样本中获取与输入信息素图矩阵S(t)在特征空间中距离最近的k个判断样本；
S93：于所述活动类型识别库中查找并获取与所述k个判断样本分别一一对应的k个活动类型；
S94：统计所述k个活动类型中的相同活动类型的个数，并选取个数最大的活动类型为当前触发时刻t所对应的人体活动类型，实现识别结果的获取和输出。
为进一步提高识别的准确度，作为一种更优的技术方案，所述步骤S92包括以下步骤：
S921：从所述KNN识别样本中随机获取k个判断样本，组成一个长度为k的判断队列；
S922：分别计算判断队列中所述k个判断样本与输入的信息素图矩阵S(t)在特征空间中的距离，并将计算得到的距离由小到大依次排序，并记录最大距离；
S923：遍历所述KNN识别样本中除所述k个判断样本外的其它判断样本，并依次计算除所述k个判断样本外的其它判断样本与输入的信息素图矩阵S(t)在特征空间中的距离，如果当前距离小于所述最大距离，则将当前判断样本取代所述最大距离对应的判断样本，并形成新的判断队列；
S924：根据距离由小到大对新的判断队列重新进行依次排序，重新记录最大的距离，直至所有样本遍历结束；
S925：实现于KNN识别样本中获取与输入信息素图矩阵S(t)在特征空间中距离最近的k个判断样本。
以下，结合附图5～11对本发明的基于多传感网络的室内活动检测识别方法进一步说明：
如图5所示为本发明在某一段时间内实现对人体活动类型检测识别的过程示意图，预先将接触式与非接触式触发的多种、多个带唯一标号的传感器部署在家中各个能表征特定室内活动的位置，包括床、书桌、沙发、门把等地方；则当用户进行特定的室内活动如睡眠、阅读、休闲、如厕、用餐时，会触发对应的传感器，并生成一条触发记录。
如图6所示，图6对传感器在室内部署情况进行示意，包括温度、闭合弹簧和二值化传感器在内的总计30个传感器分别被部署在了不同的区域内，独立或共同协作地检测室内活动。
请同时参阅图5和图6，图5中截取了用户在书房中活动时产生的传感器触发记录的一个片段，可以看出，当用户在书房活动时，只有部署在书房的传感器会被密集地触发，每条记录的内容均为触发时间(精确到微秒级别)、传感器标号、触发值(对于二值传感器，触发值会在ON与OFF间变换)。
由于传感器部署后位置不会发生改变，因此对传感器添加其对应自身位置信息后，可用于生成反应用户位置信息的信息素图。在本实施例中，将室内活动区域均匀分割为成M×N像素，t时刻新增的活动信息素分布记为x(t)＝{xij(t)|i＝1,…,M；j＝1,…,N}。当被触发的传感器位于像素i时，xi(t)取值非零，否则为零。t时刻的子信息素s(t)可表示为
其中h(t)为高斯卷积核，决定信息素单元的扩散程度。
然后根据x(t)中非零值所在的位置坐标(i,j)可生成异构信息素残留率掩膜ρ(t)，图7是当用户在书房内活动时的一个掩膜实例。异构信息素残留率掩膜ρ(t)生成方法为建立一个与信息素图矩阵等规模的掩膜矩阵ρ，以当前触发坐标点(或称着点中心)(x,y)为基准点，则坐标点(xi,yj)的残留率ρij为关于欧氏距离
的，服从如图8所示的ρ～A×N(0,σ2)分布的函数值，其中参数σ2为方差，参数A为幅值补偿，均为设定的常数，可以看出残留率ρij与距离d成反比关系。当残留率越接近1，表示该区域信息素挥发速度很低，反之当残留率越接近0，表示该区域信息素挥发速度很高，这种掩膜的主要作用是最大限度地保存当前活动所累积的信息素，同时加速挥发历史活动残余的信息素，以突出当前活动的图像特征，减少后续活动识别算法的误判率。如图9所示为连续时间内信息素图的信息素总量与两个室内活动边缘间的关系，用户的室内活动发生变化(主要指用户的停留位置发生了转移)：图中活动状态1表示前一活动，活动状态2表示过渡状态，活动状态3表示进行另一活动。此时由于活动1的残留信息素在活动状态2及活动状态3下因异构掩膜的作用快速挥发，因此信息素总量迅速下降，同时在经过一个较短时间的累积后，新活动的信息素快速累积，因此信息素总量产生了“活动边缘效应”，说明在活动边缘上信息素图的特征产生了快速的变化，信息素图能快速响应活动的变化，有效减少了边缘部分的误判可能。
获得t时刻的异构信息素残留率掩膜ρ(t)后，即可生成截至t时刻的信息素图S(t)＝ρ(t)*S(t-1)+s(t)，其中矩阵ρ(t)、S(t-1)、s(t)第i行，第j列的元素均作运算：Sij(t)＝ρij(t)×Sij(t-1)+sij(t)。图10给出了用户在书房中阅读时产生的一帧信息素图。
生成可用于描述用户连续室内活动的信息素图序列后，我们将其用作K最近邻算法(KNN)的输入，以实现对用户室内活动识别的目的(其中每一帧信息素图称为一个样本)。本发明采用离线训练——在线识别的模式。我们将共计220天的用户活动原始数据平均分为十份，每份22天，并依次选取其中一份作为识别模型测试集，其余九份均为模型训练集，通过训练——测试得出初步识别库，则全部十组训练完成共有十个初步识别库，取算术平均后作为对整个算法模型训练结果的估计。K最近邻算法通过检查与当前输入样本(如当前信息素图矩阵S(t))在特征空间中距离最近的k个训练样本，并统计其中占比最大的类别，以决定输入样本所属的类别，具体示例如图11所示，对于输入样本(圆形)应当判别为类别A(图11中所示的正方形)还是类别B(图11中所示的三角形)，取决于其最邻近的k个样本中比例较大的类别，当选取不同的k值时，会产生不同的分类结果，影响分类的准确度，k取值在训练环节完成，通过评价分类准确度或误判率，我们可以选取一个最佳的k值(整数)。当输入一个待分类样本后，我们先从识别样本中随机选取k个样本，组成一个长度为k的队列，并根据其在特征空间中与输入样本的距离排序。在本发明中，特征空间的维度为P＝M×N，输入样本A＝{ai|i＝1,…,P}，识别样本B＝{bj|j＝1,…,P}，则输入样本与识别样本之间的距离可表示为
记k个判断样本中与输入样本距离最大的值为Lmax(设其对应判断样本为Bmax)。其后，遍历其余所有的判断样本，并分别计算其与输入样本的距离L，并与Lmax比较，若L＜Lmax，则用该判断样本取代Bmax，并将队列按L重新排序。直至判断样本遍历结束，则可获得整个特征空间中与输入样本A距离最近的k个判断样本，统计其中占比最大的活动类别，并以此作为A的分类结果，由此即可得到对用户活动类型的识别结果。
相应地，本发明还提供了一种与上述多传感网络的室内活动检测识别方法对应的多传感网络的室内活动检测识别***，该包括：
触发模块，包括用于布局在目标室内环境中的多个触发式传感器；在本实施例中，所述触发模块包括温度、闭合弹簧和二值化传感器在内的总计30个传感器分别被部署在了不同的区域内，独立或共同协作地检测室内活动，且所述30个传感器部署在家中各个能表征特定室内活动的位置，包括床、书桌、沙发、门把等地方，当用户进行特定的室内活动如睡眠、阅读、休闲、如厕、用餐时，会触发对应的传感器，并生成一条触发记录；
记录模块，用于记录所有触发式传感器的位置信息和触发信息；
以及，处理模块，用于根据所有触发式传感器的位置信息和触发信息识别当前触发时刻的人体活动类型，得到识别结果。
进一步，所述处理模块包括：
图形生成子模块，用于根据所述记录模块记录的所有触发式传感器的位置信息生成相应的二维平面图；
以及，中心处理子模块，用于根据所述记录模块记录的触发时间顺序依序读取触发信息，根据当前读取到的触发信息所对应的触发式传感器的位置信息在所述二维平面图上作出触发时刻t对应的单帧图片变化Δs(t)、根据单帧图片变化Δs(t)和高斯卷积核h(t)生成触发时刻t的子信息素矩阵s(t)，
根据当前读取到的触发信息所对应的触发式传感器的位置信息生成基于欧氏距离的异构信息素残留率掩膜ρ(t)、根据子信息素矩阵s(t)和异构信息素残留率掩膜ρ(t)生成触发时刻t的信息素图矩阵S(t)，S(t)＝ρ(t)*S(t-1)+s(t)、通过十折交叉验证法，对KNN最近邻算法进行训练，得到KNN识别样本和相应的活动类型识别库、以及，将信息素图矩阵S(t)输入到KNN识别样本中，计算得到相应的识别数据，并结合所述活动类型识别库实现对当前活动类型的识别，得到识别结果。
相对于现有技术，本发明基于多传感网络的室内活动检测识别方法及***的有益效果是：从数据表达的角度，本发明提出了一种从无序的、不可读传感器触发序列转变为有序的、可读性强的信息素图的表达方法，相比直接使用触发序列进行活动识别，增添一层可视、可分析的中间数据形式，并使其能适用于更多更精确的学习与分类算法。从分类方法的角度，本发明通过KNN最近邻算法对周围有限的邻近样本对输入样本进行分类，以特别适用于多类分类，以及各类域交叉与重叠较多的情况，实现本发明对家居室内活动判别具有很好的适用性；本发明通过在室内环境中布置多个触发式传感器，记录触发信息和每个触发式传感器的位置信息，大大提高了活动识别结果的准确性和可靠性。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (9)
1.一种基于多传感网络的室内活动检测识别方法，其特征在于：包括以下步骤：
记录所有触发式传感器在目标室内环境中的位置信息；
记录所有触发式传感器的触发信息；
根据所有触发式传感器的位置信息生成相应的二维平面图；
根据触发时间顺序依序读取触发信息，并根据当前读取到的触发信息所对应的触发式传感器的位置信息在所述二维平面图上作出触发时刻t对应的单帧图片变化Δs(t)；
根据单帧图片变化Δs(t)和高斯卷积核h(t)生成触发时刻t的子信息素矩阵s(t)，
根据当前读取到的触发信息所对应的触发式传感器的位置信息生成基于欧氏距离的异构信息素残留率掩膜ρ(t)；
根据子信息素矩阵s(t)和异构信息素残留率掩膜ρ(t)生成触发时刻t的信息素图矩阵S(t)，S(t)＝ρ(t)*S(t-1)+s(t)；
通过十折交叉验证法，对KNN最近邻算法进行训练，得到KNN识别样本和相应的活动类型识别库；
将信息素图矩阵S(t)输入到KNN识别样本中，计算得到相应的识别数据，并结合所述活动类型识别库实现对当前活动类型的识别，得到识别结果。
2.根据权利要求1所述的基于多传感网络的室内活动检测识别方法，其特征在于：所述触发信息的记录是以一天为单位进行记录；且在记录好位置信息后，还结合位置信息和触发信息生成所有触发式传感器在一天内的触发记录表；并将多天记录生成的多张触发记录表存储至同一数据库中。
3.根据权利要求1所述的基于多传感网络的室内活动检测识别方法，其特征在于：所述位置信息包括每一触发式传感器的坐标信息(x,y)；及所述触发信息包括每一触发式传感器的唯一标号ID、触发时刻t、触发值ON/OFF。
4.根据权利要求1所述的基于多传感网络的室内活动检测识别方法，其特征在于：所述步骤根据当前读取到的触发信息所对应的触发式传感器的位置信息生成基于欧氏距离的异构信息素残留率掩膜ρ(t)中，异构信息素残留率掩膜ρ(t)的生成步骤包括：
建立与子信息素矩阵s(t)等规模的空白矩阵ρ(M×N)；
对于空白矩阵ρ(M×N)中的每个网格元素(m,n)，以当前被触发的触发式传感器的位置坐标(x,y)为基准点，以待计算网格的几何中心坐标(xm,yn)计算该网格内的异构信息素残留率ρmn，其中，m∈[0,M-1],n∈[0,N-1]；所述异构信息素残留率ρmn为关于欧氏距离
且服从正态分布ρ～A×N(0,σ2)分布的函数值，即
其中σ2为正态分布方差，A为函数幅值补偿参数；
根据异构信息素残留率ρmn的计算方式，得到于触发时刻t基于被触发的传感器位置坐标(x,y)的异构信息素残留率掩膜ρ(t)。
5.根据权利要求4所述的基于多传感网络的室内活动检测识别方法，其特征在于：所述步骤根据子信息素矩阵s(t)和异构信息素残留率掩膜ρ(t)生成触发时刻t的信息素图矩阵S(t)，S(t)＝ρ(t)*S(t-1)+s(t)中，是根据触发时刻t被触发的触发式传感器的信息残留率掩膜ρ(t)与上一触发时刻t-1的信息素图矩阵对应位置的元素相乘后再叠加当前触发时刻t所对应的子信息素矩阵sij(t)生成触发时刻t的信息素图矩阵Sij(t)，Sij(t)＝ρij(t)×Sij(t-1)+sij(t)。
6.根据权利要求5所述的基于多传感网络的室内活动检测识别方法，其特征在于：所述步骤通过十折交叉验证法，对KNN最近邻算法进行训练，得到KNN识别样本和相应的活动类型识别库，具体包括以下步骤：
记录220天中用于表示人体活动及触发式传感器被触发的活动信息，并将该220天的活动信息平均分成10组活动记录，每组活动记录记录有22天的活动信息；
根据时间的先后顺序从10组活动记录中依次选取其中一组作为识别模型测试集，其余九组作为模型训练集，生成10组训练库；
依次通过10组训练库对KNN最近邻算法进行训练，经10次训练完成后，共得到10个初步识别库；
对所述10个初步识别库进行算术平均处理得到一个代表所述10组训练库的训练结果的标准识别库，所述标准识别库中包括所述KNN识别样本和所述相应的活动类型识别库。
7.根据权利要求6所述的基于多传感网络的室内活动检测识别方法，其特征在于：所述步骤将信息素图矩阵S(t)输入到KNN识别样本中，计算得到相应的识别数据，并结合所述活动类型识别库实现对当前活动类型的识别，得到识别结果，具体包括以下步骤：
输入信息素图矩阵S(t)到所述KNN识别样本中；
通过KNN最近邻算法于KNN识别样本中获取与输入信息素图矩阵S(t)在特征空间中距离最近的k个判断样本；
于所述活动类型识别库中查找并获取与所述k个判断样本分别一一对应的k个活动类型；
统计所述k个活动类型中的相同活动类型的个数，并选取个数最大的活动类型为当前触发时刻t所对应的人体活动类型，实现识别结果的获取和输出。
8.根据权利要求7所述的基于多传感网络的室内活动检测识别方法，其特征在于：所述步骤通过KNN最近邻算法于KNN识别样本中获取与输入信息素图矩阵S(t)在特征空间中距离最近的k个判断样本，具体包括以下步骤：
从所述KNN识别样本中随机获取k个判断样本，组成一个长度为k的判断队列；
分别计算判断队列中所述k个判断样本与输入的信息素图矩阵S(t)在特征空间中的距离，并将计算得到的距离由小到大依次排序，并记录最大距离；
遍历所述KNN识别样本中除所述k个判断样本外的其它判断样本，并依次计算除所述k个判断样本外的其它判断样本与输入的信息素图矩阵S(t)在特征空间中的距离，如果当前距离小于所述最大距离，则将当前判断样本取代所述最大距离对应的判断样本，并形成新的判断队列；
根据距离由小到大对新的判断队列重新进行依次排序，重新记录最大的距离，直至所有样本遍历结束；
实现于KNN识别样本中获取与输入信息素图矩阵S(t)在特征空间中距离最近的k个判断样本。
9.一种基于多传感网络的室内活动检测识别***，其特征在于：包括
触发模块，包括用于布局在目标室内环境中的多个触发式传感器；
记录模块，用于记录所有触发式传感器的位置信息和触发信息；
以及，处理模块，用于根据所有触发式传感器的位置信息和触发信息识别当前触发时刻的人体活动类型，得到识别结果；
所述处理模块包括：
图形生成子模块，用于根据所述记录模块记录的所有触发式传感器的位置信息生成相应的二维平面图；
以及，中心处理子模块，用于根据所述记录模块记录的触发时间顺序依序读取触发信息，根据当前读取到的触发信息所对应的触发式传感器的位置信息在所述二维平面图上作出触发时刻t对应的单帧图片变化Δs(t)、根据单帧图片变化Δs(t)和高斯卷积核h(t)生成触发时刻t的子信息素矩阵s(t)，
根据当前读取到的触发信息所对应的触发式传感器的位置信息生成基于欧氏距离的异构信息素残留率掩膜ρ(t)、根据子信息素矩阵s(t)和异构信息素残留率掩膜ρ(t)生成触发时刻t的信息素图矩阵S(t)，S(t)＝ρ(t)*S(t-1)+s(t)、通过十折交叉验证法，对KNN最近邻算法进行训练，得到KNN识别样本和相应的活动类型识别库、以及，将信息素图矩阵S(t)输入到KNN识别样本中，计算得到相应的识别数据，并结合所述活动类型识别库实现对当前活动类型的识别，得到识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710017636.0A CN106815603B (zh) | 2017-01-11 | 2017-01-11 | 基于多传感网络的室内活动检测识别方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710017636.0A CN106815603B (zh) | 2017-01-11 | 2017-01-11 | 基于多传感网络的室内活动检测识别方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106815603A CN106815603A (zh) | 2017-06-09 |
| CN106815603B true CN106815603B (zh) | 2020-04-14 |
Family
ID=59110051
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710017636.0A Expired - Fee Related CN106815603B (zh) | 2017-01-11 | 2017-01-11 | 基于多传感网络的室内活动检测识别方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106815603B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111787863B (zh) * | 2018-03-09 | 2023-07-25 | 松下知识产权经营株式会社 | 认知功能评估*** |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101324662A (zh) * | 2008-07-21 | 2008-12-17 | 中山大学 | 面向无线传感器网络的人体红外定位装置及方法 |
| CN103268616A (zh) * | 2013-04-18 | 2013-08-28 | 北京工业大学 | 多特征多传感器的移动机器人运动人体跟踪方法 |
| CN103268101A (zh) * | 2013-05-06 | 2013-08-28 | 江苏科技大学 | 一种基于视频的居家节能控制装置及其实现方法 |
| CN103488148A (zh) * | 2013-09-24 | 2014-01-01 | 华北电力大学（保定） | 一种基于物联网和计算机视觉的家畜行为智能监控*** |
| CN104142149A (zh) * | 2014-07-03 | 2014-11-12 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于智能光纤地板的人和机器人识别及定位的方法 |
| CN105577748A (zh) * | 2015-11-16 | 2016-05-11 | 清华大学 | 基于群体感知技术的环境信息采集方法及*** |
| CN105629936A (zh) * | 2016-02-17 | 2016-06-01 | 南京物联传感技术有限公司 | 一种可控制智能家居设备的智能地板 |
-
2017
- 2017-01-11 CN CN201710017636.0A patent/CN106815603B/zh not_active Expired - Fee Related
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101324662A (zh) * | 2008-07-21 | 2008-12-17 | 中山大学 | 面向无线传感器网络的人体红外定位装置及方法 |
| CN103268616A (zh) * | 2013-04-18 | 2013-08-28 | 北京工业大学 | 多特征多传感器的移动机器人运动人体跟踪方法 |
| CN103268101A (zh) * | 2013-05-06 | 2013-08-28 | 江苏科技大学 | 一种基于视频的居家节能控制装置及其实现方法 |
| CN103488148A (zh) * | 2013-09-24 | 2014-01-01 | 华北电力大学（保定） | 一种基于物联网和计算机视觉的家畜行为智能监控*** |
| CN104142149A (zh) * | 2014-07-03 | 2014-11-12 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于智能光纤地板的人和机器人识别及定位的方法 |
| CN105577748A (zh) * | 2015-11-16 | 2016-05-11 | 清华大学 | 基于群体感知技术的环境信息采集方法及*** |
| CN105629936A (zh) * | 2016-02-17 | 2016-06-01 | 南京物联传感技术有限公司 | 一种可控制智能家居设备的智能地板 |
Non-Patent Citations (3)
| Title |
|---|
| Activity Recognition in the Home Using Simple and Ubiquitous Sensors;Emmanuel Munguia Tapia 等;《PERVASIVE 2004》;20040423;第4节，第5.1节，第6节，图2 * |
| Sensor-Based Activity Recognition;Liming Chen 等;《IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS—PART C: APPLICATIONS AND REVIEWS》;20120530;第42卷(第6期);790-808 * |
| 基于手机传感器的室内用户行为识别;李晶 等;《科技展望》;20160220;143 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106815603A (zh) | 2017-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Robotic room-level localization using multiple sets of sonar measurements | |
| CN107679558B (zh) | 一种基于度量学习的用户轨迹相似性度量方法 | |
| Mushore et al. | Assessing the potential of integrated Landsat 8 thermal bands, with the traditional reflective bands and derived vegetation indices in classifying urban landscapes | |
| CN102572390B (zh) | 对监视对象者的行动进行监视的装置以及方法 | |
| CN104394588B (zh) | 基于Wi‑Fi指纹和多维尺度分析的室内定位方法 | |
| CN104573744B (zh) | 精细粒度类别识别及物体的部分定位和特征提取方法 | |
| CN112135248B (zh) | 一种基于K-means最优估计的WIFI指纹定位方法 | |
| CN110536257B (zh) | 一种基于深度自适应网络的室内定位方法 | |
| CN111144434A (zh) | 楼层层数的获取方法、装置、电子设备及存储介质 | |
| CN109272554A (zh) | 一种识别目标的坐标系定位和语义地图构建的方法及*** | |
| CN106647677A (zh) | 一种智能管家*** | |
| US11429985B2 (en) | Information processing device calculating statistical information | |
| CN106851937A (zh) | 一种手势控制台灯的方法及装置 | |
| CN112801268B (zh) | 基于图卷积和多层感知机混合网络的定位方法 | |
| Spera et al. | EgoCart: A benchmark dataset for large-scale indoor image-based localization in retail stores | |
| CN106815603B (zh) | 基于多传感网络的室内活动检测识别方法及*** | |
| Mozos et al. | Categorization of indoor places by combining local binary pattern histograms of range and reflectance data from laser range finders | |
| Zhuang et al. | Using scale coordination and semantic information for robust 3-D object recognition by a service robot | |
| CN108388854A (zh) | 一种基于改进fast-surf算法的定位方法 | |
| CN118094118A (zh) | 数据集质量评估方法、***、电子设备及存储介质 | |
| CN111132020B (zh) | 一种基于机器学习的rssi室内环境感知与检测方法 | |
| CN109583513B (zh) | 一种相似帧的检测方法、***、装置及可读存储介质 | |
| JP5450703B2 (ja) | 目標が位置する空間エリアを決定する方法および装置 | |
| Fraccaro et al. | Development and preliminary evaluation of a method for passive, privacy-aware home care monitoring based on 2D LiDAR data | |
| Hou et al. | The indoor wireless location technology research based on WiFi |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200414 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |