CN108121992A - 一种室内人数的确定方法、装置及*** - Google Patents
一种室内人数的确定方法、装置及*** Download PDFInfo
- Publication number
- CN108121992A CN108121992A CN201611071595.5A CN201611071595A CN108121992A CN 108121992 A CN108121992 A CN 108121992A CN 201611071595 A CN201611071595 A CN 201611071595A CN 108121992 A CN108121992 A CN 108121992A
- Authority
- CN
- China
- Prior art keywords
- barycenter
- cluster
- occupancy
- sample
- pir sensor
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供一种室内人数的确定方法、装置及***,涉及物联网技术领域。该确定方法包括:获取当前时间之前的多个样本采集时间段内,设置于室内不同位置的多个被动式红外PIR传感器的第一触发信息;将所述第一触发信息作为样本的属性信息,构建训练样本;基于聚类算法对所述训练样本进行聚类,获得目标聚类质心;根据所述目标聚类质心,确定当前时间的室内人数。本发明的方案,解决了现有方法破坏个人隐私,解析过程复杂,易受室内光线干扰准确性差,在现实应用中难以进行广泛推广的问题。
Description
技术领域
本发明涉及物联网技术领域,特别涉及一种室内人数的确定方法、装置及***。
背景技术
随着科学技术的发展,越来越多的室内应用***变得更加智能化,如室内通风***和照明***,能够根据室内人数的多少,调控风扇和照明灯,甚至在室内无人时实现自动关闭,避免了人走不熄灯和不关电扇的现象,达到更佳的室内环境和能源的节约。
因此,要实现准确、有效的调控,就需要先准确的了解室内的人数信息。当然,准确的了解了室内的人数信息,还能够为后期用户行为识别和行为异常预警提供技术支持。现有的方式是通过在室内安装摄像头采集图像或视频数据,再使用神经网络等机器学习算法,对采集到的数据进行解析确定室内人数。
但是,这种方式会破坏个人隐私,使私人信息的安全性受到威胁。
发明内容
本发明的目的是提供一种室内人数的确定方法、装置及***,以解决现有方法破坏个人隐私的问题。
为达到上述目的,本发明的实施例提供一种室内人数的确定方法,包括:
获取当前时间之前的多个样本采集时间段内,设置于室内不同位置的多个被动式红外PIR传感器的第一触发信息;
将所述第一触发信息作为样本的属性信息,构建训练样本;
基于聚类算法对所述训练样本进行聚类,获得目标聚类质心;
根据所述目标聚类质心,确定当前时间的室内人数。
其中,所述第一触发信息包括:PIR传感器触发的次数和依次触发的PIR传感器之间的间距累加值;
所述获取当前时间之前的多个样本采集时间段内,设置于室内不同位置的多个被动式红外PIR传感器的第一触发信息的步骤,包括:
监测设置于室内不同位置的多个所述PIR传感器触发的第一信号;
根据所述第一信号,统计所述当前时间之前的多个样本采集时间段内,PIR传感器触发的次数和依次触发的PIR传感器之间的间距累加值;其中,
所述多个样本采集时间段同归属于一天中的第一预设时间段内。
其中,所述基于聚类算法对所述训练样本进行聚类,获得目标聚类质心的步骤,包括:
根据室内常驻人数以及K-means聚类算法对所述训练样本进行处理,得到对应所述室内常驻人数的聚类及目标聚类质心。
其中,所述根据室内常驻人数以及K-means聚类算法对所述训练样本进行处理,得到对应所述室内常驻人数的聚类及目标聚类质心的步骤,包括:
按照所述室内常驻人数k,设定k个聚类质心;
计算所述训练样本与每个聚类质心的样心距离;
将所述训练样本归属于与自身的样心距离最小的聚类质心,得到k个聚类;
迭代计算每个聚类的聚类质心,并返回所述计算所述训练样本与每个聚类质心的样心距离的步骤,直至所得的聚类质心与之前的聚类质心的距离小于或等于预设距离;其中,所述聚类质心为同一聚类中所有训练样本的平均位置点;其中,所述聚类质心为同一聚类中所有训练样本的平均位置点;
确定当前的聚类质心为目标聚类质心。
其中,所述根据所述目标聚类质心,确定当前时间的室内人数的步骤,包括:
获取包括所述当前时间的第二预设时间段中PIR传感器的第二触发信息;其中,所述第二预设时间段与所述多个样本采集时间段同属于一天中的第一预设时间段内;
将所述第二触发信息作为待确定点的属性信息,在所述目标聚类质心中确定与所述待确定点距离最小的目标聚类质心,得到当前时间的室内人数。
其中,所述样本采集时间段为设置于与室外连通的大门位置的门磁传感器两次触发第二信号的时间间隔,且在所述时间间隔内监测到至少一PIR传感器触发第一信号。
为达到上述目的,本发明实施例还提供了一种室内人数的确定装置,包括:
获取模块,用于获取当前时间之前的多个样本采集时间段内,设置于室内不同位置的多个被动式红外PIR传感器的第一触发信息;
构建模块,用于将所述第一触发信息作为样本的属性信息,构建训练样本;
处理模块,用于基于聚类算法对所述训练样本进行聚类,获得目标聚类质心;
确定模块,用于根据所述目标聚类质心,确定当前时间的室内人数。
其中,所述第一触发信息包括:PIR传感器触发的次数和依次触发的PIR传感器之间的间距累加值;
所述获取模块包括:
监测子模块,用于监测设置于室内不同位置的多个所述PIR传感器触发的第一信号;
统计子模块,用于根据所述第一信号,统计所述当前时间之前的多个样本采集时间段内,PIR传感器触发的次数和依次触发的PIR传感器之间的间距累加值;其中,
所述多个样本采集时间段同归属于一天中的第一预设时间段内。
其中,所述处理模块进一步用于根据室内常驻人数以及K-means聚类算法对所述训练样本进行处理,得到对应所述室内常驻人数的聚类及目标聚类质心。
其中,所述处理模块包括:
第一处理子模块,用于按照所述室内常驻人数k,设定k个聚类质心;
第二处理子模块,用于计算所述训练样本与每个聚类质心的样心距离;
第三处理子模块,用于将所述训练样本归属于与自身的样心距离最小的聚类质心,得到k个聚类;
第四处理子模块,用于迭代计算每个聚类的聚类质心,并返回所述计算所述训练样本与每个聚类质心的样心距离的步骤,直至所得的新的聚类质心与之前的聚类质心的距离小于或等于预设距离;其中,所述聚类质心为同一聚类中所有训练样本的平均位置点;
第一确定子模块,用于确定当前的聚类质心为目标聚类质心。
其中,所述确定模块包括:
获取子模块,用于获取包括所述当前时间的第二预设时间段中PIR传感器的第二触发信息;其中,所述第二预设时间段与所述多个样本采集时间段同属于一天中的第一预设时间段内;
第二确定子模块,用于将所述第二触发信息作为待确定点的属性信息,在所述目标聚类质心中确定与所述待确定点距离最小的目标聚类质心,得到当前时间的室内人数。
其中,所述样本采集时间段为设置于与室外连通的大门位置的门磁传感器两次触发第二信号的时间间隔,且在所述时间间隔内监测到至少一PIR传感器触发第一信号。
为达到上述目的,本发明实施例还提供了一种室内人数的确定***,包括如上所述的室内人数的确定装置。
本发明的上述技术方案的有益效果如下:
本发明实施例的室内人数确定方法,通过设置与室内不同位置的多个PIR传感器,先获取在当前时间之前的多个样本采集时间段内的多个PIR传感器的第一触发信息;然后,将该第一触发信息作为样本的属性信息,构建训练样本;之后,基于聚类算法对该训练样本进行聚类,得到目标聚类质心;最终,根据该目标聚类质心确定出当前时间的室内人数。这样,通过PIR传感器的触发信息作为样本属性构建训练样本,并使用聚类后的目标聚类质心对当前时间的室内人数进行确定,无需采集室内图像,不仅更好地保护了个人隐私、避免了室内光线的干扰,而且简单易实现,便于推广应用。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明第一实施例的室内人数的确定方法的步骤流程图;
图2为室内设置PIR传感器和门磁传感器的位置示意图;
图3为依次触发的5个PIR传感器之间的间距累加值计算示意图;
图4为本发明第一实施例的室内人数的确定方法的具体步骤流程图;
图5为本发明第二实施例的室内人数的确定装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
第一实施例
如图1所示,本发明第一实施例的一种室内人数的确定方法,包括:
步骤101,获取当前时间之前的多个样本采集时间段内,设置于室内不同位置的多个被动式红外PIR传感器的第一触发信息;
步骤102,将所述第一触发信息作为样本的属性信息,构建训练样本;
步骤103,基于聚类算法对所述训练样本进行聚类,获得目标聚类质心;
步骤104,根据所述目标聚类质心,确定当前时间的室内人数。
由上述步骤101-步骤104,本发明实施例的室内人数确定方法,通过设置与室内不同位置的多个PIR传感器,先获取在当前时间之前的多个样本采集时间段内的多个PIR传感器的第一触发信息;然后,将该第一触发信息作为样本的属性信息,构建训练样本;之后,基于聚类算法对该训练样本进行聚类,得到目标聚类质心;最终,根据该目标聚类质心确定出当前时间的室内人数。这样,通过PIR传感器的触发信息作为样本属性构建训练样本,并使用聚类后的目标聚类质心对当前时间的室内人数进行确定,无需采集室内图像,更好地实现对个人隐私的保护。
而且,该实施例的方法无对室内光线的要求,相较于通过图像采集确定室内人数的方式,还可避免室内光线的干扰,简单易实现,便于推广应用。
该实施例中,所述第一触发信息包括:PIR传感器触发的次数和依次触发的PIR传感器之间的间距累加值。
应该知道的是,PIR传感器探测其检测范围内的移动放射源(发射热能射线),所以当检测范围内的人活动时,PIR传感器信号由0变为1,即被激活。这样,通过监测PIR传感器的第一信号了解到PIR传感器是否触发,得到触发次数。而依次触发的PIR传感器之间的间距累加值,可结合房间户型图来确定。如图2所示,室内设置有8个PIR传感器(P01-P08),根据房间户型图建立坐标轴如图3所示,即可得到每个PIR传感器的具体坐标位置,当依次触发的PIR传感器为P02、P08、P01、P05和P06时,通过这5个PIR传感器的坐标计算得出连续触发的每两个传感器之间的距离,总和即为依次触发这5个PIR传感器之间的间距累加值,a+b+c+d。
因此,具体的,步骤101包括:
步骤1011,监测设置于室内不同位置的多个所述PIR传感器触发的第一信号;
步骤1012,根据所述第一信号,统计所述当前时间之前的多个样本采集时间段内,PIR传感器触发的次数和依次触发的PIR传感器之间的间距累加值;其中,
所述多个样本采集时间段同归属于一天中的第一预设时间段内。
经步骤1011和步骤1012,通过监测设置的多个PIR传感器的第一信号,就能够统计得到当前时间之前的多个样本采集时间段内的PIR传感器触发的次数和依次触发的PIR传感器之间的间距累加值。
然而,在一天中的不同时间段,人的活动状态是存在差异的,如白天活动的活跃度较高,而晚上活动的活跃度则较低,因此,为了保证样本采集的针对性,该实施例中的多个样本采集时间段同归属于一天中的第一预设时间段内。以一天的24小时为例,第一预设时间段可以是【0,6】、【6,12】、【12,18】或【18,24】的任一时间段,也可以是【0,8】、【8,16】或【16,24】的任一时间段等等,在此不再一一列举。
还应该知道的是,该实施例中,为了确定每个样本采集时间段,在与室外连通的大门位置还设置了门磁传感器。所以,所述样本采集时间段为设置于与室外连通的大门位置的门磁传感器两次触发第二信号的时间间隔,且在所述时间间隔内监测到至少一PIR传感器触发第一信号。
门磁传感器能够感应门的开合状态变化,在门被打开时触发第二信号,而在门被关闭后则不触发。在将门磁传感器D01设置于如图2所示的大门位置,就能够通过监测门磁传感器触发的第二信号,首先确定门磁传感器两次触发第二信号的时间间隔。考虑到第一次监测到的第二信号可能是室内最后一个人出去时打开门触发的,而第二次监测到的第二信号可能是室内第一个进入的人打开门触发的,这两次时间间隔内并没有人存在,所以,确定门磁传感器两次触发第二信号的时间间隔后,还要确定在该时间间隔内监测到至少一PIR传感器触发第一信号,这样,该时间间隔才能作为一样本采集时间段。当然,通过监测门磁传感器触发的第二信号和PIR传感器触发的第一信号,确定门磁传感器两次触发第二信号的时间间隔内没有PIR传感器触发第一信号,则可以确定此时间间隔内室内没人。
之后,如步骤102,将PIR传感器触发的次数和依次触发的PIR传感器之间的间距累加值作为样本的属性信息来构建训练样本。其中,为了在后续能够得到更为有效的目标聚类质心,需要大量训练样本数量,往往要获取在当前时间之前几个月、半年甚至更长时间中样本采集时间段,PIR传感器的第一触发信息。
构建训练样本之后,则可以通过聚类算法对训练样本进行聚类,得到目标聚类质心,以确定出当前时间的室内人数。优选的,该实施例中,步骤103进一步包括:根据室内常驻人数以及K-means聚类算法对所述训练样本进行处理,得到对应所述室内常驻人数的聚类及目标聚类质心。
具体的,如图4所示,步骤103,包括:
步骤1031,按照所述室内常驻人数k,设定k个聚类质心;
步骤1032,计算所述训练样本与每个聚类质心的样心距离;
步骤1033,将所述训练样本归属于与自身的样心距离最小的聚类质心,得到k个聚类;
步骤1034,迭代计算每个聚类的聚类质心,并返回所述计算所述训练样本与每个聚类质心的样心距离的步骤,直至所得的新的聚类质心与之前的聚类质心的距离小于或等于预设距离;其中,所述聚类质心为同一聚类中所有训练样本的平均位置点;
步骤1035,确定当前的聚类质心为目标聚类质心。
在上述内容中已知作为训练样本属性信息的第一触发信息包括PIR传感器触发的次数c和依次触发的PIR传感器之间的间距累加值s,故分别以PIR传感器触发的次数和依次触发的PIR传感器之间的间距累加值为坐标轴,即可得到训练样本在二维平面上的样本点位置,进而对大量的满足条件的训练样本进行聚类。
该实施例中,采用K-means聚类算法进行聚类,K-means算法是硬聚类算法,是典型的基于原型的目标函数聚类方法的代表,它是数据点到原型的某种距离作为优化的目标函数,利用函数求极值的方法得到迭代运算的调整规则。如步骤1031,首先按照室内常驻人数k,设定k个聚类质心Zr(l),r=1,2,3,…k,此时,该k个聚类质心初始设定的,l=1。
其中,K-means算法以欧式距离作为相似度测度,它是求对应某一初始聚类中心向量最优分类,使得评价指标最小。假设给定的数据集X={xm|m=1,2,3,……,total},共有m个数据点,X中的样本用d个描述属性的A1,A2,…Ad来表示。数据样本xi=(xi1,xi2,…xid),xj=(xj1,xj2…xjd),其中xi1,xi2,…xid和xj1,xj2…xjd分别是样本xi和xj对应d个描述A1,A2,…Ad的具体取值。样本间的相似度用欧式距离d(xi,xj)来表示,公式如下:
样本间距离越小,样本的差异度越小,反之越大。此距离是K-means算法进行聚类分簇的重要依据。
所以在步骤1031之后,步骤1032,计算训练样本与每个聚类质心的样心距离。该实施例中每个样本采集时间段的第一触发信息可以得到一个样本点,大量的样本点构成数据集X{xq|q=1,2,3,…n},共有n个数据点。计算每个数据点与聚类质心的样心距离也就是欧式距离d(xq,Zr(l)),xq={cq,sq}。
下一步,如步骤1033,将所述训练样本归属于与自身的样心距离最小的聚类质心,得到k个聚类。即如果满足d(xq,Zk(l))=min{d(xq,Zr(l)),q=1,2,3,…n},则xq∈Xk。
而为了使聚类达到最佳,下一步,如步骤1034,要迭代计算每个聚类新的聚类质心,并返回步骤1032,计算训练样本与每个聚类质心的样心距离的步骤,重新聚类,直至设定的新的聚类质心与之前的聚类质心的距离小于或等于预设距离。其中,通过计算的聚类质心为同一聚类中所有训练样本的平均位置点。在第r个聚类中,新的聚类质心Zr(l+1)的确定公式如下:
其中,nr表示第r个聚类中的数据点个数,xi r表示第r个聚类中数据点i的位置,可以由样本属性c和s确定其位置如坐标(ci,si)。重新设定新的聚类之心后,返回步骤1033,直至设定的新的聚类质心与之前的聚类质心的距离小于或等于预设距离。
由于K-means算法采用准则函数评价聚类性能,通常准则函数为平方误差和准则函数SEE(sum of the squared error),假设数据集X包含k个聚类X1,X2,X3,…Xk;各个聚类中的数据点个数分别是n1,n2,n3,…nk;各个聚类的质心分别为m1,m2,m3,…mk,则SEE的公式如下:
其中,p为第i个聚类中的数据点,mk为第i个聚类中所有数据点的平均值。该实施例中,新的聚类质心与之前的聚类质心是否重合,则也可以借助SEE判断其是否已收敛,若收敛即聚类完成。
聚类完成后,如步骤1035,确定当前的聚类质心为目标聚类质心。当然,最终的k个聚类及其目标聚类质心也就能够对应标定出室内人数,用于对当前时间的室内人数确定。
进一步地,步骤104包括:
步骤1041,获取包括所述当前时间的第二预设时间段中PIR传感器的第二触发信息;其中,所述第二预设时间段与所述多个样本采集时间段同属于一天中的第一预设时间段内;
步骤1042,将所述第二触发信息作为待确定点的属性信息,在所述目标聚类质心中确定与所述待确定点距离最小的目标聚类质心,得到当前时间的室内人数。
这样,在确定出目标聚类质心后,获取包括当前时间的第二预设时间段中PIR传感器的第二触发信息(PIR传感器触发的次数和依次触发的PIR传感器之间的间距累加值),作为待确定点的属性信息来限定待确定点在二维平面上的位置,分别计算该确定点与每个目标聚类质心的距离,确定距离最小的目标聚类质心,进而,由该目标聚类质心所标定的室内人数就能够确定出当前时间的室内人数。
当然,第二触发信息的第二预设时间段与之前构成训练样本的多个样本采集时间段是同属于一天中的第一预设时间段内的,保证了最终结果具有更高的准确性。
在本发明实施例中,要保证结果的准确性,所需要的训练样本数量较大,其属性信息的取值范围差异也就比较大,而为了在计算欧氏距离时存在不能真实反映相异度的情况,在聚类前要对属性值进行规格化,将各个属性值按比例映射到相同的取值区间,映射公式如下:
其中,max(ai)和min(ai)表示所有数据中第i个属性的最大值和最小值。
综上所述,本发明实施例的室内人数的确定方法,监测门磁传感器和PIR传感器的信号,选择当前时间之前多个样本采集时间段内PIR传感器触发的次数和依次触发的PIR传感器之间的间距累加值作为K-means聚类算法样本的属性信息,通过K-means聚类后依据目标聚类中心,确定出当前时间的室内人数,保护了个人隐私、避免了室内光线的干扰,而且简单易实现,便于推广应用。
第二实施例
如图5所示,本发明第二实施例还提供了一种室内人数的确定装置,包括:
获取模块501,用于获取当前时间之前的多个样本采集时间段内,设置于室内不同位置的多个被动式红外PIR传感器的第一触发信息;
构建模块502,用于将所述第一触发信息作为样本的属性信息,构建训练样本;
处理模块503,用于基于聚类算法对所述训练样本进行聚类,获得目标聚类质心;
确定模块504,用于根据所述目标聚类质心,确定当前时间的室内人数。
其中,所述第一触发信息包括:PIR传感器触发的次数和依次触发的PIR传感器之间的间距累加值;
所述获取模块包括:
监测子模块,用于监测设置于室内不同位置的多个所述PIR传感器触发的第一信号;
统计子模块,用于根据所述第一信号,统计所述当前时间之前的多个样本采集时间段内,PIR传感器触发的次数和依次触发的PIR传感器之间的间距累加值;其中,
所述多个样本采集时间段同归属于一天中的第一预设时间段内。
其中,所述处理模块进一步用于根据室内常驻人数以及K-means聚类算法对所述训练样本进行处理,得到对应所述室内常驻人数的聚类及目标聚类质心。
其中,所述处理模块包括:
第一处理子模块,用于按照所述室内常驻人数k,设定k个聚类质心;
第二处理子模块,用于计算所述训练样本与每个聚类质心的样心距离;
第三处理子模块,用于将所述训练样本归属于与自身的样心距离最小的聚类质心,得到k个聚类;
第四处理子模块,用于迭代计算每个聚类的聚类质心,并返回所述计算所述训练样本与每个聚类质心的样心距离的步骤,直至所得的新的聚类质心与之前的聚类质心的距离小于或等于预设距离;其中,所述聚类质心为同一聚类中所有训练样本的平均位置点;
第一确定子模块,用于确定当前的聚类质心为目标聚类质心。
其中,所述确定模块包括:
获取子模块,用于获取包括所述当前时间的第二预设时间段中PIR传感器的第二触发信息;其中,所述第二预设时间段与所述多个样本采集时间段同属于一天中的第一预设时间段内;
第二确定子模块,用于将所述第二触发信息作为待确定点的属性信息,在所述目标聚类质心中确定与所述待确定点距离最小的目标聚类质心,得到当前时间的室内人数。
其中,所述样本采集时间段为设置于与室外连通的大门位置的门磁传感器两次触发第二信号的时间间隔,且在所述时间间隔内监测到PIR传感器触发第一信号。
本发明实施例的室内人数的确定装置,监测门磁传感器和PIR传感器的信号,选择当前时间之前多个样本采集时间段内PIR传感器触发的次数和依次触发的PIR传感器之间的间距累加值作为K-means聚类算法样本的属性信息,通过K-means聚类后依据目标聚类中心,确定出当前时间的室内人数,保护了个人隐私、避免了室内光线的干扰,而且简单易实现,便于推广应用。
需要说明的是,该装置是应用了上述室内人数的确定方法的装置,上述室内人数的确定方法的实施例的实现方式适用于该装置,也能达到相同的技术效果。
第三实施例
本发明第三实施例还提供了一种室内人数的确定***,包括如上所述的室内人数的确定装置。
此外,该室内人数的确定***还包括设置于室内不同位置的多个PIR传感器和设置于与室外连通的大门位置的门磁传感器。
本发明实施例的室内人数的确定***,室内人数的确定装置监测门磁传感器和PIR传感器的信号,选择当前时间之前多个样本采集时间段内PIR传感器触发的次数和依次触发的PIR传感器之间的间距累加值作为K-means聚类算法样本的属性信息,通过K-means聚类后依据目标聚类中心,确定出当前时间的室内人数,保护了个人隐私、避免了室内光线的干扰,而且简单易实现,便于推广应用。
需要说明的是,该***是应用了上述室内人数的确定方法的***,上述室内人数的确定方法的实施例的实现方式适用于该***,也能达到相同的技术效果。
进一步需要说明的是,此说明书中所描述的许多功能部件都被称为模块,以便更加特别地强调其实现方式的独立性。
本发明实施例中,模块可以用软件实现,以便由各种类型的处理器执行。举例来说,一个标识的可执行代码模块可以包括计算机指令的一个或多个物理或者逻辑块,举例来说,其可以被构建为对象、过程或函数。尽管如此,所标识模块的可执行代码无需物理地位于一起,而是可以包括存储在不同位里上的不同的指令,当这些指令逻辑上结合在一起时,其构成模块并且实现该模块的规定目的。
实际上,可执行代码模块可以是单条指令或者是许多条指令,并且甚至可以分布在多个不同的代码段上,分布在不同程序当中,以及跨越多个存储器设备分布。同样地,操作数据可以在模块内被识别,并且可以依照任何适当的形式实现并且被组织在任何适当类型的数据结构内。所述操作数据可以作为单个数据集被收集,或者可以分布在不同位置上(包括在不同存储设备上),并且至少部分地可以仅作为电子信号存在于***或网络上。
在模块可以利用软件实现时,考虑到现有硬件工艺的水平,所以可以以软件实现的模块,在不考虑成本的情况下,本领域技术人员都可以搭建对应的硬件电路来实现对应的功能,所述硬件电路包括常规的超大规模集成(VLSI)电路或者门阵列以及诸如逻辑芯片、晶体管之类的现有半导体或者是其它分立的元件。模块还可以用可编程硬件设备,诸如现场可编程门阵列、可编程阵列逻辑、可编程逻辑设备等实现。
上述范例性实施例是参考该些附图来描述的,许多不同的形式和实施例是可行而不偏离本发明精神及教示,因此,本发明不应被建构成为在此所提出范例性实施例的限制。更确切地说,这些范例性实施例被提供以使得本发明会是完善又完整,且会将本发明范围传达给那些熟知此项技术的人士。在该些图式中,组件尺寸及相对尺寸也许基于清晰起见而被夸大。在此所使用的术语只是基于描述特定范例性实施例目的,并无意成为限制用。如在此所使用地,除非该内文清楚地另有所指,否则该单数形式“一”、“一个”和“该”是意欲将该些多个形式也纳入。会进一步了解到该些术语“包含”及/或“包括”在使用于本说明书时,表示所述特征、整数、步骤、操作、构件及/或组件的存在,但不排除一或更多其它特征、整数、步骤、操作、构件、组件及/或其族群的存在或增加。除非另有所示,陈述时,一值范围包含该范围的上下限及其间的任何子范围。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (13)
1.一种室内人数的确定方法,其特征在于,包括:
获取当前时间之前的多个样本采集时间段内,设置于室内不同位置的多个被动式红外PIR传感器的第一触发信息;
将所述第一触发信息作为样本的属性信息,构建训练样本;
基于聚类算法对所述训练样本进行聚类,获得目标聚类质心;
根据所述目标聚类质心,确定当前时间的室内人数。
2.根据权利要求1所述的室内人数的确定方法,其特征在于,所述第一触发信息包括:PIR传感器触发的次数和依次触发的PIR传感器之间的间距累加值;
所述获取当前时间之前的多个样本采集时间段内,设置于室内不同位置的多个被动式红外PIR传感器的第一触发信息的步骤,包括:
监测设置于室内不同位置的多个所述PIR传感器触发的第一信号;
根据所述第一信号,统计所述当前时间之前的多个样本采集时间段内,PIR传感器触发的次数和依次触发的PIR传感器之间的间距累加值;其中,
所述多个样本采集时间段同归属于一天中的第一预设时间段内。
3.根据权利要求1所述的室内人数的确定方法,其特征在于,所述基于聚类算法对所述训练样本进行聚类,获得目标聚类质心的步骤,包括:
根据室内常驻人数以及K-means聚类算法对所述训练样本进行处理,得到对应所述室内常驻人数的聚类及目标聚类质心。
4.根据权利要求3所述的室内人数的确定方法,其特征在于,所述根据室内常驻人数以及K-means聚类算法对所述训练样本进行处理,得到对应所述室内常驻人数的聚类及目标聚类质心的步骤,包括:
按照所述室内常驻人数k,设定k个聚类质心;
计算所述训练样本与每个聚类质心的样心距离;
将所述训练样本归属于与自身的样心距离最小的聚类质心,得到k个聚类;
迭代计算每个聚类的聚类质心,并返回所述计算所述训练样本与每个聚类质心的样心距离的步骤,直至所得的聚类质心与之前的聚类质心的距离小于或等于预设距离;其中,所述聚类质心为同一聚类中所有训练样本的平均位置点;
确定当前的聚类质心为目标聚类质心。
5.根据权利要求1所述的室内人数的确定方法,其特征在于,所述根据所述目标聚类质心,确定当前时间的室内人数的步骤,包括:
获取包括所述当前时间的第二预设时间段中PIR传感器的第二触发信息;其中,所述第二预设时间段与所述多个样本采集时间段同属于一天中的第一预设时间段内;
将所述第二触发信息作为待确定点的属性信息,在所述目标聚类质心中确定与所述待确定点距离最小的目标聚类质心,得到当前时间的室内人数。
6.根据权利要求1所述的室内人数的确定方法,其特征在于,所述样本采集时间段为设置于与室外连通的大门位置的门磁传感器两次触发第二信号的时间间隔,且在所述时间间隔内监测到至少一PIR传感器触发第一信号。
7.一种室内人数的确定装置,其特征在于,包括:
获取模块,用于获取当前时间之前的多个样本采集时间段内,设置于室内不同位置的多个被动式红外PIR传感器的第一触发信息;
构建模块,用于将所述第一触发信息作为样本的属性信息,构建训练样本;
处理模块,用于基于聚类算法对所述训练样本进行聚类,获得目标聚类质心;
确定模块,用于根据所述目标聚类质心,确定当前时间的室内人数。
8.根据权利要求7所述的室内人数的确定装置,其特征在于,所述第一触发信息包括:PIR传感器触发的次数和依次触发的PIR传感器之间的间距累加值;
所述获取模块包括:
监测子模块,用于监测设置于室内不同位置的多个所述PIR传感器触发的第一信号;
统计子模块,用于根据所述第一信号,统计所述当前时间之前的多个样本采集时间段内,PIR传感器触发的次数和依次触发的PIR传感器之间的间距累加值;其中,
所述多个样本采集时间段同归属于一天中的第一预设时间段内。
9.根据权利要求7所述的室内人数的确定装置,其特征在于,所述处理模块进一步用于根据室内常驻人数以及K-means聚类算法对所述训练样本进行处理,得到对应所述室内常驻人数的聚类及目标聚类质心。
10.根据权利要求9所述的室内人数的确定装置,其特征在于,所述处理模块包括:
第一处理子模块,用于按照所述室内常驻人数k,设定k个聚类质心;
第二处理子模块,用于计算所述训练样本与每个聚类质心的样心距离;
第三处理子模块,用于将所述训练样本归属于与自身的样心距离最小的聚类质心,得到k个聚类;
第四处理子模块,用于迭代计算每个聚类的聚类质心,并返回所述计算所述训练样本与每个聚类质心的样心距离的步骤,直至所得的新的聚类质心与之前的聚类质心的距离小于或等于预设距离;其中,所述聚类质心为同一聚类中所有训练样本的平均位置点;
第一确定子模块,用于确定当前的聚类质心为目标聚类质心。
11.根据权利要求7所述的室内人数的确定装置,其特征在于,所述确定模块包括:
获取子模块,用于获取包括所述当前时间的第二预设时间段中PIR传感器的第二触发信息;其中,所述第二预设时间段与所述多个样本采集时间段同属于一天中的第一预设时间段内;
第二确定子模块,用于将所述第二触发信息作为待确定点的属性信息,在所述目标聚类质心中确定与所述待确定点距离最小的目标聚类质心,得到当前时间的室内人数。
12.根据权利要求7所述的室内人数的确定装置,其特征在于,所述样本采集时间段为设置于与室外连通的大门位置的门磁传感器两次触发第二信号的时间间隔,且在所述时间间隔内监测到至少一PIR传感器触发第一信号。
13.一种室内人数的确定***,其特征在于,包括如权利要求7至12任一项所述的室内人数的确定装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611071595.5A CN108121992B (zh) | 2016-11-29 | 2016-11-29 | 一种室内人数的确定方法、装置及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611071595.5A CN108121992B (zh) | 2016-11-29 | 2016-11-29 | 一种室内人数的确定方法、装置及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108121992A true CN108121992A (zh) | 2018-06-05 |
CN108121992B CN108121992B (zh) | 2020-06-16 |
Family
ID=62223966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611071595.5A Active CN108121992B (zh) | 2016-11-29 | 2016-11-29 | 一种室内人数的确定方法、装置及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108121992B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113347753A (zh) * | 2021-08-06 | 2021-09-03 | 深圳特朗达照明股份有限公司 | 一种led自适应控制方法、***和可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101160004A (zh) * | 2007-10-30 | 2008-04-09 | 南开大学 | 照明设备的智能控制*** |
CN101441718A (zh) * | 2008-12-19 | 2009-05-27 | 福建三元达通讯股份有限公司 | 传感器信息融合装置及其方法 |
CN101816560A (zh) * | 2010-05-31 | 2010-09-01 | 天津大学 | 基于多角度人体热释电信息探测的身份识别方法 |
CN102050366A (zh) * | 2009-11-05 | 2011-05-11 | 上海三菱电梯有限公司 | 人数检测装置及方法 |
US20130182115A1 (en) * | 2012-01-12 | 2013-07-18 | Clayton D. Willis | Apparatus, System and Method for Electronic Motion Detection |
CN103815912A (zh) * | 2014-01-26 | 2014-05-28 | 大连大学 | 基于热红外传感器阵列的独居老人摔倒行为实时监测方法 |
CN104537673A (zh) * | 2015-01-09 | 2015-04-22 | 西安电子科技大学 | 基于多阈值和自适应模糊聚类的红外图像分割方法 |
-
2016
- 2016-11-29 CN CN201611071595.5A patent/CN108121992B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101160004A (zh) * | 2007-10-30 | 2008-04-09 | 南开大学 | 照明设备的智能控制*** |
CN101441718A (zh) * | 2008-12-19 | 2009-05-27 | 福建三元达通讯股份有限公司 | 传感器信息融合装置及其方法 |
CN102050366A (zh) * | 2009-11-05 | 2011-05-11 | 上海三菱电梯有限公司 | 人数检测装置及方法 |
CN101816560A (zh) * | 2010-05-31 | 2010-09-01 | 天津大学 | 基于多角度人体热释电信息探测的身份识别方法 |
US20130182115A1 (en) * | 2012-01-12 | 2013-07-18 | Clayton D. Willis | Apparatus, System and Method for Electronic Motion Detection |
CN103815912A (zh) * | 2014-01-26 | 2014-05-28 | 大连大学 | 基于热红外传感器阵列的独居老人摔倒行为实时监测方法 |
CN104537673A (zh) * | 2015-01-09 | 2015-04-22 | 西安电子科技大学 | 基于多阈值和自适应模糊聚类的红外图像分割方法 |
Non-Patent Citations (2)
Title |
---|
F. WAHL 等: "A distributed PIR-based approach for estimating people count in office environments", 《2012 IEEE 15TH INTERNATIONAL CONFERENCE ON COMPUTATIONAL SCIENCE AND ENGINEERING》 * |
JOHN LOANE 等: "Interpreting Presence Sensor Data and Looking for Similarities Between Homes Using Cluster Analysis", 《2011 5TH INTERNATIONAL CONFERENCE ON PERVASIVE COMPUTING TECHNOLOGIES FOR HEALTHCARE (PERVASIVEHEALTH) AND WORKSHOPS》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113347753A (zh) * | 2021-08-06 | 2021-09-03 | 深圳特朗达照明股份有限公司 | 一种led自适应控制方法、***和可读存储介质 |
CN113347753B (zh) * | 2021-08-06 | 2021-11-09 | 深圳特朗达照明股份有限公司 | 一种led自适应控制方法、***和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108121992B (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11093671B2 (en) | Structural design systems and methods to define areas of interest for modeling and simulation-based space planning | |
US20200143645A1 (en) | Methods and systems for updating an event timeline with event indicators | |
US20170270365A1 (en) | Systems and Methods for Categorizing Motion Events | |
Yang et al. | A multi-sensor based occupancy estimation model for supporting demand driven HVAC operations | |
EP2950285B1 (en) | Automatic configuration of a replacement camera | |
US20160005280A1 (en) | Method and Device for Processing Motion Events | |
CN106796511A (zh) | 用于健壮的传感器网络的分布式规则引擎 | |
CN104883278A (zh) | 一种利用机器学习对网络设备进行分类的方法 | |
CN106647677A (zh) | 一种智能管家*** | |
WO2014150895A1 (en) | Energy saving heating, ventilation, air conditioning control system | |
WO2022227775A1 (zh) | 用于空调控制的方法、装置和空调 | |
US20210074099A1 (en) | Method and system for providing access control | |
Morgner et al. | Privacy implications of room climate data | |
CN109101931A (zh) | 一种场景识别方法、场景识别装置及终端设备 | |
CN110264495A (zh) | 一种目标跟踪方法及装置 | |
EP3602491A1 (en) | Thermal image occupant detection | |
CN110908340A (zh) | 智能家居的控制方法及装置 | |
WO2014146463A1 (zh) | 一种基于隐结构推理的行为识别方法 | |
CN110007832A (zh) | 信息终端装置、信息处理***以及存储有显示控制程序的计算机可读非暂时性的存储介质 | |
CN108121992A (zh) | 一种室内人数的确定方法、装置及*** | |
CN114005235A (zh) | 一种安防监控方法、***、介质及电子终端 | |
CA3039375A1 (en) | Neural network combining visible and thermal images for inferring environmental data of an area of a building | |
CN109615750A (zh) | 门禁机的人脸识别控制方法及装置、门禁设备、存储介质 | |
WO2020231782A1 (en) | Deployment method and system for wireless sensing apparatus | |
CN106774010B (zh) | 一种移动式智能管家*** |
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 | ||
CP01 | Change in the name or title of a patent holder |
Address after: 32 Xuanwumen West Street, Xicheng District, Beijing 100053 Patentee after: CHINA MOBILE COMMUNICATION LTD., Research Institute Patentee after: CHINA MOBILE COMMUNICATIONS GROUP Co.,Ltd. Address before: 32 Xuanwumen West Street, Xicheng District, Beijing 100053 Patentee before: CHINA MOBILE COMMUNICATION LTD., Research Institute Patentee before: CHINA MOBILE COMMUNICATIONS Corp. |
|
CP01 | Change in the name or title of a patent holder |