CN105025440B - 室内外场景检测方法及设备 - Google Patents

Abstract

本发明提供一种室内外场景检测方法，该方法使用智能终端集成的各种传感器采集数据，为室内外场景检测设置多个状态，对于每个状态选择最佳特征子集作为分类属性来训练分类器，以及基于训练得到的多个分类器的判定结果来最终确定是室内还是室外。实验结果表明，这种基于多分类器的室内外场景检测方法具有较好的准确率，且功耗低。

Description

室内外场景检测方法及设备

技术领域

本发明属于无线定位及上下文智能感知技术领域，尤其涉及识别室内外场景的方法和设备。

背景技术

现在的移动终端已经成为环境感知和人群通讯交流的重要平台，有效的室内外场景识别方法能够为终端应用提供有用的环境信息，从而有效提高移动终端的表现。例如，在基于位置服务方面，GPS在室外环境可以给出比较精确的推断，然而在室内由于卫星视距受阻的原因而表现很差。在移动数据服务方面，在室内，移动手机能够扫描到更多信号强度更强的WiFi信号，而在室外，无线连接效果相对较差。因此，如果能够比较准确地检测室内外场景，可以对于GPS和WiFi的扫描和开关策略以及图像自动识别、场景和活动感知、室内定位等依赖于工作场景的服务提供更多的指导，并有效降低功耗。可见，室内外场景识别方法有很大的实用价值和研究价值。

当前的定位导航服务，大多数均是依赖于接收GPS或Wi-Fi信号对周围的环境进行判别，但由于精度问题往往不能精确的给出结果，同时却伴随着能耗高、响应慢，效率低等典型问题。

目前主要有以下几类常用的室内外场景识别方法：

第一类添加一些具有识别作用的外设模块进行室内外场景识别。这种方法虽然可以完成识别任务，但是初始阶段部署代价较高，限制了系统的普遍应用。

第二类是通过指纹采集的方法感知周围环境信息来进行逻辑定位。手机终端在不同的地点采集周围环境信息。该方法面临指纹采集费时费力的问题，并要求中央服务器存储大量数据并响应用户请求，因而很难被广泛地应用到室内外场景识别

第三类是通过图像处理和模式识别的方法来研究室内室外图片分类和自动图片标记。这种方法计算复杂度高，而且需要精准的用户输入，难以普遍应用。

发明内容

因此，本发明的目的在于克服上述现有技术的缺陷，提供一种新的室内外场景检测方法。

本发明的目的是通过以下技术方案实现的：

一方面，本发明提供了一种确定供室内外场景检测用的分类器的方法，该方法包括：

步骤a)为室内外场景检测设置多个状态，并对于每个状态，通过移动终端自带的多个传感器采集处于该状态下的室内外场景数据以构成与该状态对应的样本数据集，其中所述多个状态包括白天手持移动终端、白天非手持移动终端和夜晚；

步骤b)对于每个状态，从用于室内外场景检测的特征集中选择各个子集作为分类属性，基于与该状态对应的样本数据集来训练与所选择的子集对应的、用于进行室内外场景检测的分类器，以及从所得到的多个分类器中选择检测准确率最高的分类器作为与该状态对应的分类器。

上述方法中，在步骤a)中所述夜晚状态可被细分为夜晚手持移动终端和夜晚非手持移动终端。

上述方法中，在步骤b)中用于室内外场景检测的特征集可包括光强特征、室内磁场特征、走停行为特征、转弯行为特征、气压变化特征。

上述方法中，在步骤b)中所述分类器可采用支持向量机分类模型、逻辑回归模型或决策树。

又一方面，本发明提供了一种室内外场景检测方法，所述方法包括：

步骤1)对于用户携带的移动终端采集的当前数据，使用经上述确定供室内外场景检测用的分类器的方法得到的与每个状态对应的分类器以及从所采集的数据中提取与该分类器对应的分类属性相关的数据，来判断用户当前处于室内还是室外；

步骤2)根据少数服从多数的原则，基于各个分类器的判断结果来确定用户是处于室内还是室外。

又一方面，本发明提供了一种室内外场景检测设备，所述设备包括：

经上述的确定供室内外场景检测用的分类器的方法得到的与各状态对应的分类器；

检测模块，用于对于用户携带的移动终端采集的当前数据，使用与每个状态对应的分类器以及从所采集的数据中提取与该分类器对应的分类属性相关的数据，来判断用户当前处于室内还是室外；

判定模块，用于根据少数服从多数的原则，基于各个分类器的判断结果来确定用户是处于室内还是室外。

与现有技术相比，本发明的优点在于：

该方法基于移动终端集成的各种传感器采集数据,不需要借助其他任何先验信息，通过选择不同状态下的最佳特征子集训练多个分类器进行室内外场景检测，具有高准确度、低功耗等特点。在Android平台下的大量实验也验证了该方法的有效性和准确性。

附图说明

以下参照附图对本发明实施例作进一步说明，其中：

图1为根据本发明实施例的确定供室内外场景检测用的分类器的方法的流程示意图；

图2为根据本发明实施例的室内外场景检测方法的流程示意图。

具体实施方式

为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图通过具体实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

图1给出了根据本发明一个实施例的确定供室内外场景检测用的分类器的流程示意。该方法根据用户携带的移动终端(例如智能手机)采集的样本数据集来训练用于室内外场景检测的分类器。在训练分类器时，最关键的是以哪些特征作为分类属性选择样本数据来训练分类模型。而所谓训练分类模型实际上就是根据分类属性从样本数据中提取的相关数据来学习出分类模型中的参数。更具体，该方法主要包括下列步骤：

S1，选择用于室内外场景检测的特征集

为了进行室内外的区分，可以选取对室内外具有明显区分度的特征进行分类，例如室内外光强特征、室内外磁场特征、室内外走停行为特征、室内外转弯行为特征、气压快变化特征、室内外温度特征、室内外可见的卫星数量特征等等。下面对本实施例中要采用的几个特征进行简单介绍：1)光强特征

室外环境下，太阳光是白天最主要的光源，而室内环境主要依赖于人造光，室内光强明显低于室外光强，即使是在阴雨天也不例外。原因是太阳光的可见光谱的长度要比人造光的长。这就导致看起来亮度差不多的太阳光和人造光其实在亮度数值大小上存在很大差距。经实验发现，不管是从室内走向室外还是从室外走向室内，光照强度都会有一个很明显而又持续的转换过程。因此光强可以作为一个较好的区分特征，使用与诸如手机的终端设备集成的光传感器，可直接获取室内外场景的光强。经实验测得室内光强范围通常为L∈[0,400](单位为Lux)，而室外光强范围通常为L∈[0,40000]。为了能减少非正常数据的干扰，可采用选取滑动窗口进行平滑处理。例如设置一定长度(例如15秒)的滑动窗口序列，把采集的光强数据按照先进先出的顺序放入该队列，并计算该队列的均值，作为光强特征的特征值。

2)磁场特征

建筑物内的钢筋混泥土结构对地磁干扰较大，导致室内外不同的磁场分布及变化。室内外的环境磁场由于建筑物的影响会有很大的不同。因此磁场强度的变化大小也可以看作一个较好的区分特征。可以利用移动终端自带的磁传感器收集地磁数据，通常情况下室内的磁场方差要比室外强，同时为了提高判断的鲁棒性以及过滤掉一些噪音数据，在该实施例中采用滑动窗口的方式取平均值来计算磁场强度方差。例如，每秒采集和计算一次磁场强度(即一个样本)，并把所计算的磁场强度保存在滑动窗口中，滑动窗口的大小例如可设置为20，也就是保存前20秒运动过程中采集的磁场强度数据，然后计算滑动窗口中磁场强度的方差。

3)走停行为特征

通过对人的日常工作行为习惯发现，人们一般在室内环境下常会处理一些事物，而在室外多数是一种持续的运动状态。走停行为特征可以根据一定时间内用户停顿的次数来进行表征。例如，可通过手机自带的加速度传感器判定手机所处状态为运动或静止状态。

4)转弯行为特征

考虑到人在室内室外的行为状态模式有着规律性的变化，例如由于室内空间拓扑分布的细粒度性，导致人在室内的空间运动受到限制，比如室内运动速度一般情况下小于室外、室内行进方向的改变次数远大于室外等，因此，可以选转弯频率作为进行室内外场景识别的一个特征。转弯频率是根据单位有效运动时间里的转弯次数来衡量的。有效运动时间是指某段时间内人处于运动状态下的时间之和，因为设备静止的时候不可能出现转弯即静止时间不能用于计算转弯频率。通常可以根据用户携带的终端设备(例如，手机)自带的陀螺仪和加速度传感器采集的数据来获取终端设备绕竖直方向的转动角度θ，然后将该角度与转弯阈值进行比较，当θ大于或等于转弯阈值时，判断为一次转弯。人拐弯实际上就是沿着垂直方向来旋转身体的，通常人在室内拐弯一般是90度左右。为了鲁棒起见，可以将转弯阈值设置为70度。同时通过加速度传感器判定当前终端设备所处状态(运动或静止状态)。以转弯频率为特征来区分室内与室外两种环境时，单位有效运动时间例如可设置为1分钟到5分钟。

5)气压快变化特征

气压是作用在单位面积上的大气压力，其大小与海拔高度、大气温度、大气密度等有关。一般随高度升高按指数律递减。通常同一个位置的气压会受气温等因素影响，随着时间缓慢改变。但是在室内环境中不管是坐电梯还是走楼梯或者乘扶梯进行上下楼运动时，气压值都会随着高度的变化而产生快速变化。因此还可以利用用户上下楼、乘电梯、乘扶梯等引起的短时间内气压快速变化来进行室内判定。例如，首先每10秒采集一次气压观测值，在滑动窗口(例如大小为30秒)中记录最近几次(比如3次)采样的气压值，当滑动窗口填满观测数据后，计算窗口内最新观测气压与前30秒的气压观察差值，如果该30秒内的气压变化值的绝对值大于规定气压变化阈值，则判定当前观测周期内用户产生了上下楼动作，导致气压观测快速变化。当需要判定室内外场景时，如果气压快变化小于-0.45hPa，表明用户从启动程序开始到目前为止，总体上发生了上楼动作，因此判定用户当前处于室内状态，如果气压快变化参数值大于0.45hPa时，表明用户产生了下楼动作，联合考虑用户可能乘坐电梯或者步行下楼后往室外走，判定用户当前处于室内。又例如，也可以维护记录30秒滑动窗口内的第三个值与第一个值得差值作为一个快变化值，检测到发生上楼动作时一直维护该数值，直到有对应的下楼动作发生时，该数值归零。

在该实施例中，选取表1所示的5个特征作为用于室内外场景检测的特征集：

表1

特征	特征值含义
		L(光强)	室内外光强的在滑动窗口内的均值
M(磁场)	室内外磁场强度在滑动窗口内的方差
		S(停顿计数)	一定时间内用户停顿的次数
D(转弯频率)	在单位有效运动时间内产生的转弯次数。
		P(气压变化值)	30秒滑动窗口中气压变化的差值

本领域技术人员应理解，上述讨论的特征以及表1所列举的特征及特征值的选取仅是举例说明的目的而非进行任何限制。在其他实施例中，也可以采用其他的对室内外具有明显区分度的特征来构成特征集。并且每个特征的特征值的设定也可以根据对检测精度的需求或实际的检测环境进行灵活的设置。

另外，如上文所讨论的，上述特征的特征值可以从用户携带的移动终端所采集的数据中提取或计算得到。现有的移动终端通常都具有无线通信的功能并且具有多种传感器，例如光传感器、接近传感器、加速度传感器、陀螺仪、磁传感器、温度传感器、气压传感器、声音传感器、GPS传感器等。这些传感器可以采集关于当前移动终端所处的状态及环境的各种类型的数据。例如，光传感器可以采集移动终端当前所处环境的光强。根据接近传感器采集的数据可以判断移动终端设备的光传感器附近是否存在盖板、人体、包裹等障碍物直接阻挡。根据加速度传感器采集的数据可以判定移动终端是处于运动还是静止状态等。根据陀螺仪采集的数据可以判定携带移动终端的用户是否发生了运动方向改变。根据磁传感器采集的数据可以获取移动终端当前所处环境的地磁强度。根据温度传感器采集的数据可以获取移动终端当前所处环境的温度。根据气压传感器采集的数据可以获取移动终端当前所处环境的气压。根据移动终端的GPS传感器可获得关于当前环境可见卫星的信息。

S2，训练用于室内外场景检测的分类器

现有的分类模型都可以作为用于室内外场景检测的分类器，例如逻辑回归模型、决策树、支持向量机(Support Vector Machine，SVM)模型等典型的分类模型。为方便描述，本实施例中采用SVM模型来说明如何训练用于室内外场景检测的分类器。在训练分类器时，首先就是确定以哪些特征作为分类属性。在上文已经讨论了很多特征，各个特征的特征值在不同的时间段和不同状态下差异很大，而且并不是所有的特征在预测目标方面都具有相同的重要性。对于一些分类器冗余或不相关属性可能会影响所训练的分类器的准确度。例如，如果是夜晚在室内未开灯的情况下，受室外有路灯、汽车灯、建筑物外墙照明、室外广告牌等影响很容易引起分类器误判。又例如如果终端设备的光传感器附近存在盖板、人体、包裹等障碍物直接阻挡，则测量到的光强度将不能有效反映环境特征。比如白天强亮度环境，当光传感器受阻挡时，测量的光强会很小，从而该光强特征会直接影响分类器判定结果的准确性或者造成误判。

因此，为了提高识别室内外场景的准确性，在本实施例中，为室内外场景检测设置了多个状态，对于每个状态分别从用于室内外场景检测的特征集中选择最适合该状态的特征子集作为分类属性，基于所选的最佳特征子集获得与该状态对应的分类器。最后基于多个分类器的判定结果来最终确定是室内还是室外。

发明人通过对上文所述特征的分析发现室内外光强在滑动窗口内的均值在白天与夜晚具有相反的特性，由此可根据日出日落时间划分白天与晚上两种状态。考虑到如果终端设备的光传感器附近存在盖板、人体、包裹等障碍物直接阻挡，光强特征对分类器判定的准确性影响较大，因此可设置手持状态与非手持状态。手持状态代表人使用手机的情形，无阻挡，能良好感知环境光强；而非手持状态代表日常工作或外出过程中不使用手机情形，例如将手机放到口袋/挎包内，则光传感器失效。通常可采用终端设备的接近传感器来判定该终端设备的光传感器附近是否存在盖板、人体、包裹等障碍物直接阻挡，从而判断是手持还是非手持状态。又例如，考虑到在夜晚，无论手持还是非手持，测量的光强特征差别不是很大，也可以设置成三种状态：白天手持、白天非手持和夜晚。在本实施例中，以将室内外场景设置成白天手持、夜晚手持、白天非手持和夜晚非手持四个状态来进行说明。在确定室内外场景检测的多个状态之后，需要为每个状态训练与其对应的分类器。

继续参考图1，对于每个状态，训练分类器主要包括下列步骤：

步骤a)通过移动终端自带的多个传感器采集处于该状态下的室内外场景数据以构成与该状态对应的样本数据集。通常可将所采集的样本数据集的一部分作为训练集，用于训练分类器，而另一部分作为测试集，用于评估训练好的分类器的检测准确率。

步骤b)从用于室内外场景检测的特征集中选择一个特征子集作为分类属性，通过训练集中数据来训练与所选择的特征子集对应的、用于进行室内外场景检测的分类器。如上文提到的，该实施例中，分类器为SVM分类器。

步骤c)基于测试集来评估训练好的分类器的检测准确率。

步骤d)重复步骤b)和c)直到遍历完该特征集的所有特征子集为止，选择检测准确率最高的分类器作为该状态的分类器，相应地，该分类器对应的特征子集就是该状态的最佳特征子集(即该分类器的分类属性集)。

图2给出了根据本发明一个实施例的室内外场景检测方法的流程示意。该方法基于根据上文所述的方法得到的与各状态对应的分类器来进行室内外场景的检测。该方法实际上可以分为训练阶段和检测阶段。其中在训练阶段主要是根据上文所述的方法确定用于室内外场景检测的分类器。在采用如上文所述的方法得到的各个状态的分类器之后，当需要进行室内室外检测时，首先通过用户携带的移动终端采集与当前场景相关的数据；然后对于每个状态，从所采集的数据中提取与该状态的最佳特征子集相关的数据，将所提取的数据输入到与该状态对应的分类器来判断用户当前处于室内还是室外。在得到各个状态的分类器的判断结果之后，根据少数服从多数的原则，最终确定用户是处于室内还是室外。在其他实施例中，在采集与当前场景相关的数据之后，可以先根据所采集的数据判断当前处于哪个状态，例如根据当前的时间判断是白天还是晚上，通过根据接近传感器采集的数据判断光传感器是否被遮挡来判定是手持还是非手持，从而确定当前处于白天手持、夜晚手持、白天非手持和夜晚非手持中的哪个状态。在确定所处的状态之后，从所采集的数据中提取与该状态的最佳特征子集相关的数据，将所提取的数据输入到与该状态对应的分类器来判断用户当前处于室内还是室外。

为了更好地分析和检验本发明的效果，发明人还进行了下列的实验：

在实验中选取了办公大厦，居家住宅，公共交通中心，学校，商场等有代表性的场地进行数据的采集，以保证训练后的分类器能有较强的场景普适性。采用三星S4手机采集在手持手机放到胸前(无阻挡，能良好感知环境光强)和手机放到口袋/挎包内模式下的数据。表2给出了实验采集的样本数据分布，其中每个数字(例如589)表示采集的样本数据条数，每条样本数据包含了某个时刻手机各个传感器所采集的场景数据，并标记了是在室内采集的还是在室外采集的。

表2

下面是各个状态下，与所选的特征子集对应的分类器的准确率的测试结果：

表3给出了白天手持状态室内外场景检测准确率，从中可以看出，在该状态下，特征子集(L，S，T，P)对应的分类器的检测准确率最高，即在白天手持状态下，采用光强特征、走停行为特征、转弯行为特征和气压快变化特征作为分类属性最合适。

表3

最佳属性子集	分类器检测正确率
		L，M，S，T，P	94.7％
L，S，T，P	95.0％
		M，T，S	92.6％
M，P	92.6％
		L	87.3％

表4给出了夜晚手持状态室内外场景检测准确率，从中可以看出，在该状态下选择特征子集(L，M，S，T，P)的情况下会得到最优的分类结果。

表4

最佳属性子集	分类器检测正确率
		L，M，S，T，P	97.2％
L，S，T，P	96.3％
		M，T，S	92.5％
M，P	92.8％

L

85.3％

表5给出了白天非手持状态室内外场景检测准确率，从中可以看出，在该状态下选择特征子集(S，T，P)的情况下会得到最优的分类结果。

表5

最佳属性子集	分类器检测正确率
		L，M，S，T，P	94.7％
M，S，T，P	95.0％
		P，T，S	96.8％
M，P	92.7％
		L	87.8％

表6给出了夜晚非手持状态室内外场景检测准确率，从中可以看出，在该状态下，特征子集(M，S，T，P)对应的分类器的检测准确率最高。

表6

最佳属性子集	分类器检测正确率
		L，M，S，T，P	84.1％
M，S，T，P	95.2％
		M，T，S	92.68％
M，P	93.8％
		P	89.1％

从上述数据可以看出，本发明的方法通过在各个状态下选择最适合的特征作为分类属性，从而得到了准确率更高的分类器。

此外，发明人还使用Powermonitor手机能耗追踪设备针对智能手机在处理不同任务时的功耗情况进行测试，同时通过在PC端安装PowerTool软件来进行直观的曲线数据记录。实验中，对在不同终端设备上运行的各状态下分类器进行室内外检测所需的功耗进行了详细的测试。测试结果如表7所示，使用多分类器的情况下，训练好各个分类器之后，每次检测只会产生少量运算带来的功耗，总体平均功耗均小于5mW。

表7

从上文介绍以及上述实验可以看出，在本发明的实施例中，由于各状态下分类器对应的最优特征有所差别，部分分类器只需部分特征而不是全部特征集就能获得不错的性能，使用更多特征反而降低准确率。即最佳的特征子集得到的分类器的准确率可能高于完整特征集得到的分类器的准确率。

同时，发明人还将采用完整特征子集训练的单个分类器的检测方法与本发明采用最佳特征子集训练的多个分类器的检测方法的检测结果进行了对比实验，表8给出了在使用同一终端设备的情况下该单分类器与本发明的分类器进行室内外场景检测的准确率对比。表9给出了在使用不同型号终端设备的情况下该单分类器与本发明的分类器进行室内外场景检测的准确率对比。

表8

表9

表8和表9可以看出，根据本发明实施例的采用最佳特征子集训练的多个分类器的方法进行室内外场景检测均获得了较高的准确率，展示出良好的异构设备鲁棒性能。

虽然本发明已经通过优选实施例进行了描述，然而本发明并非局限于这里所描述的实施例，在不脱离本发明范围的情况下还包括所做出的各种改变以及变化。

Claims (4)

1.一种室内外场景检测方法，包括：

步骤1)为室内外场景检测设置多个状态，并对于每个状态，通过移动终端自带的多个传感器采集处于该状态下的室内外场景数据以构成与该状态对应的样本数据集，其中所述多个状态包括白天手持移动终端、白天非手持移动终端、夜晚手持移动终端和夜晚非手持移动终端；

步骤2)对于每个状态，从用于室内外场景检测的特征集中选择各个子集作为分类属性，基于与该状态对应的样本数据集来训练与所选择的子集对应的、用于进行室内外场景检测的分类器，以及从所得到的多个分类器中选择检测准确率最高的分类器作为与该状态对应的分类器；

步骤3)对于用户携带的移动终端采集的当前数据，使用与每个状态对应的分类器以及从所采集的数据中提取与该分类器对应的分类属性相关的数据，来判断用户当前处于室内还是室外；

步骤4)根据少数服从多数的原则，基于各个分类器的判断结果来确定用户是处于室内还是室外。

2.根据权利要求1所述的方法，在步骤2)中用于室内外场景检测的特征集包括光强特征、室内磁场特征、走停行为特征、转弯行为特征、气压变化特征。

3.根据权利要求1所述的方法，在步骤2)中所述分类器采用支持向量机分类模型、逻辑回归模型或决策树。

4.一种室内外场景检测设备，所述设备包括：

训练模块，用于为室内外场景检测设置多个状态，并对于每个状态，通过移动终端自带的多个传感器采集处于该状态下的室内外场景数据以构成与该状态对应的样本数据集，以及用于对于每个状态，从用于室内外场景检测的特征集中选择各个子集作为分类属性，基于与该状态对应的样本数据集来训练与所选择的子集对应的、用于进行室内外场景检测的分类器，以及从所得到的多个分类器中选择检测准确率最高的分类器作为与该状态对应的分类器，其中所述多个状态包括白天手持移动终端、白天非手持移动终端、夜晚手持移动终端和夜晚非手持移动终端；

检测模块，用于对于用户携带的移动终端采集的当前数据，使用与每个状态对应的分类器以及从所采集的数据中提取与该分类器对应的分类属性相关的数据，来判断用户当前处于室内还是室外；

判定模块，用于根据少数服从多数的原则，基于各个分类器的判断结果来确定用户是处于室内还是室外。