CN107180245A

CN107180245A - 一种室内外场景识别方法及装置

Info

Publication number: CN107180245A
Application number: CN201610236925.5A
Authority: CN
Inventors: 赵仁豫
Original assignee: Didi (china) Technology Co Ltd
Current assignee: Didi (china) Technology Co Ltd; Beijing Didi Infinity Technology and Development Co Ltd
Priority date: 2016-03-10
Filing date: 2016-04-14
Publication date: 2017-09-19

Abstract

本公开实施例涉及一种室内外场景识别方法及装置。所述方法包括：获取移动终端的WIFI连接状态以及传感器时间序列数据；对所述传感器时间序列数据进行频域变换以获取传感器频域序列数据利用分类模型对所述特征向量以及WIFI连接状态进行处理以获取所述移动终端当前所处的场景信息。本公开的装置基于上述室内外场景识别方法实现。本公开具有计算速度快，定位精度高的特点，且具有较好的适用性。

Description

一种室内外场景识别方法及装置

技术领域

本公开涉及计算机处理技术领域，具体涉及一种室内外场景识别方法及装置。

背景技术

现有技术中在对移动终端所处室内或室外场景进行识别时，需要采用专用设备来采集室内外场景的数据，这样在部署场景识别系统时会因为基础设施的费用比较高限制系统的普适性和规模性。

还有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。然后通过对数据进行大量统计，获取每个场景与专用设备所采集数据的匹配概率。即根据手机所采集的数据在数据库中进行匹配以得到室内外场景实现对移动终端定位。这种方法计算复杂度高，用户操作代价大，暂时不成熟。

另外比较多的是利用采集手机传感器读数，根据经验人工设定一定阈值，从而判断移动终端的室内外场景。这种方法因为先验信息有限，所以将同样的阈值在不同区域不同环境推广时精度较差，加之大量上下文信息被浪费，技术上有较大改进空间。

发明内容

针对现有技术中的缺陷，本公开实施例提供一种室内外场景识别方法及装置，可以全部或者部分解决现有技术中由于基础设施花费较高限制使用场合与规模以及对图像处理时计算复杂度高的问题。

第一方面，本公开实施例提供了一种室内外场景识别方法，所述方法包括：

获取移动终端的WIFI连接状态以及传感器时间序列数据；

对所述传感器时间序列数据进行频域变换以获取传感器频域序列数据以及对应于当前样本点的特征向量；

利用分类模型对所述特征向量以及WIFI连接状态进行处理以获取所述移动终端当前所处的场景信息。

可选地，本公开实施例提供的室内外场景识别方法还包括：

获取多组室内或者室外的样本场景数据；

根据所述多组样本场景数据与所述传感器频域序列数据对所述分类模型做有监督学习分类训练。

可选地，所述分类模型为支持向量机SVM、logistic回归分析模型和梯度提升决策树模型GBDT中的一种或者多种。

可选地，所述获取多组室内或者室外的样本场景数据包括：

获取每组室内或者室外的样本场景数据的可信度值；

根据预设算法标记出可信度值超过预设可信度值的室内或者室外样本场景数据。

可选地，根据服务器中对应于所述移动终端的session会话数据,获取多组室内或者室外的样本场景数据。

第二方面，本公开实施例还提供了一种室内外场景识别装置，所述装置包括：

数据获取模块，用于获取移动终端的WIFI连接状态以及传感器时间序列数据；

频域变换模块，用于对所述传感器时间序列数据进行频域变换以获取传感器频域序列数据以及对应当前样本点的特征向量；

场景获取模块，用于利用分类模型对所述特征向量以及WIFI连接上述特征向量进行处理以获取所述移动终端当前所处的场景信息。

可选地，所述装置还包括分类模型训练模块，用于执行以下步骤：

获取多组室内或者室外的样本场景数据；

可选地，所述分类模型训练模块采用支持向量机SVM、logistic回归分析模型和梯度提升决策树模型GBDT中的一种或者多种模型。

可选地，所述分类模型训练模块采用以下步骤获取室内外场景数据，包括：

获取每组室内或者室外的样本场景数据的可信度值；

可选地，所述分类模型训练模块从服务器中对应于所述移动终端的session会话数据获取多组室内或者室外的样本场景数据。

由上述技术方案可知，本公开实施例通过获取WIFI连接状态以及传感器时间序列数据，将传感器时间序列数据进行频域转换以获取传感器频域序列数据，通过该频域序列数据可以非常容易的得到终端活动状态特征。然后在上述特征与WIFI连接状态的基础上，利用分类模块得到移动终端当前所处的场景信息。本公开无需移动终端或者传感器获取大量的图片信息以及对图片进行处理，从而可以极大的减少计算量，提高移动终端的计算速度。并且，对传感器原始特征或时间序列特征进行分析精度有限，而从频域序列数据则可以精确刻画环境变化特征，及终端使用者的运动状态特征，更好地利用了上下文信息，在不影响处理速度的情况下，提高了计算精度，从而在室内或者室外对移动终端实现快速定位。

附图说明

通过参考附图会更加清楚的理解本公开的特征和优点，附图是示意性的而不应理解为对本公开进行任何限制，在附图中：

图1是本公开一实施例提供的一种室内外场景识别方法流程图；

图2是本公开一实施例提供的一种室内外场景识别装置框图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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，都属于本公开保护的范围。

应理解的是，虽然下文中主要针对打车/用车应用，但本公开的实施例并不限于此，其还可适用于其他交通工具(诸如，非机动车、私家车、船舶、飞行器等)的拼单提示，尤其是未来出现的家用或商用交通工具所述运输客体也并非限定于乘客，亦可包括快件、餐食等需要运输/运送物。

第一方面，本公开实施例提供了一种室内外场景识别方法，如图1所示，所述方法包括：

S1、获取移动终端的WIFI连接状态以及传感器时间序列数据。

本公开实施例中需要获取用户的移动终端当前的WIFI连接状态。该WIFI连接状态是指，当前该移动终端是否连接WIFI。例如，当移动终端连接WIFI时，其WIFI连接状态为“是”或者“1”；当移动终端未连接WIFI时，其WIFI连接状态为“否”或者“0”。

需要说明的是，为提高定位精度，本公开实施例中还需要获取当前情况下该移动终端能够扫描到的WIFI信息。本公开中WIFI信息包括WIFI名称、数量、信号强度以及WIFI所处的位置范围等。当然，本领域技术人员可以根据具体使用场景，选择不同的WIFI信息，本公开不作限定。

本公开实施例中还需要获取该移动终端当前场景下的传感器时间序列数据。其中，传感器时间序列数据是指，在不同时间点上所获取的不同传感器收集到的数据。根据上述每组传感器的时间序列数据可以获取某组场景变量的趋势变化、周期性变化以及随机性变化情况。

实际应用中，本公开实施例中传感器为GPS定位器、光照传感器以及气压计中的一种或者多种。这些传感器在场景中经常使用且价格比较低，并且也方便布置。当然，本领域技术人员也可以采用移动终端所携带的定位器、陀螺仪、温度计等传感器获取上述数据，此时上述传感器获取的传感器时间序列与WIFI连接状态可以构成移动终端在当前场景下的场景数据。

S2、对所述传感器时间序列数据进行频域变换以获取传感器频域序列数据以及对应于当前样本点的特征向量。

本步骤S2是将传感器时间序列数据的原始离散特征按变化率或变化次数加工为时间窗口内的变化特征，并与时间特征、原始特征及上述频域特征对齐生成对应时间点的特征向量。

需要说明的是，本公开实施例中特征向量是指，将原始离散特征加工成滑动时间窗口内的变化特征，并对齐时间特征、原始特征及上述频域特征，最终生成对应当前样本点的特征向量。实际应用中，为获取上述传感器时间序列数据的变化特征，变化特征是指，传感器时间序列中数据的趋势变化、周期性以及随机性，优选地，本公开实施例中采用频域变换方式对上述传感器时间序列数据进行处理。

以傅里叶变换为例，假定{a[0],a[1],…,a[n-1]}为一个窗口大小为n的输入时间序列，{b[0],b[1],…,b[n-1]}为离散傅里叶变换的结果序列，则有：其中实际应用时，根据W矩阵的特殊性质，本公开实施例利用快速傅里叶变换将离散傅里叶变换的运算复杂度降低到O(nlogn)，而且方便实现并行运算，因此本公开实施例中能够以极快的速度实时得到传感器频域序列数据并获得该序列数据的频域特征。实际应用中，本公开实施例利用快速傅里叶变换时涉及到两个参数：滑动窗口大小n和新特征维度n’(n’<n)。滑动窗口大小的选择基于所要覆盖所有活动在时域上最小半周期，而新特征维度可以截断在最大振幅10％处。例如以2帧/秒的采样速率采样时，取移动窗口为16，新特征截取前6维。当然，本领域技术人员可以根据具体使用场景，选择合适的滑动窗口大小值n，本公开不作限定。

需要说明的是，本公开实施例中对传感器时间序列数据进行频域变换得到的传感器频域序列数据，进而根据传感器频域序列数据得到频域特征。利用该频域特征可以描述时域特征不能表达的任何周期性或某些特殊规律，例如突变，在场景识别问题中，这类频域特征可以隐式地表达传感器所进行的运动状态(如走、跑、跳、卧等)、活动类型(如打球、打字、逛街)等。因此本公开实施例采用频域变换，可以极大地帮助实现场景识别准确性。

需要说明的是，本公开实施例中是以傅里叶变换为例进行说明，应该理解利用离散小波变换的频域变换方法也能实现上述功能，本领域技术人员可以具体使用场合选择合适的频域变换方法实现对传感器时间序列数据进行频域变换，本公开不做限定。

S3、利用分类模型对所述特征向量以及WIFI连接状态进行处理以获取所述移动终端当前所处的场景信息。

本公开实施例中，在获取到移动终端的WIFI连接状态以及传感器频域序列数据的基础上，采用分类模型对移动终端所述的场景进行判断，并将判断结果及时反馈给该移动终端的用户。

为提高分类模型的预测精度，本公开实施例中在使用分类模型前还对该分类模型进行训练，包括：

S31、获取多组室内或者室外的样本场景数据。

需要说明的是，上述样本场景是指，预设的已知具体参数的场景。该样本场景主要根据用户经常所处的场景中获取。对应于每个样本场景，需要获取移动终端在该样本场景中WIFI连接状态，以及各个传感器获取的传感器时间序列数据。利用该样本场景对分类模型进行训练，可以提高分类模型在场景预测中精度。

实际应用中，本公开实施例中根据服务器中对应于所述移动终端的session会话数据(即服务器与移动终端之间连续通信过程及两者的操作行为)获取多组室内或者室外的样本场景数据。在获取多组室内或者室外的样本场景数据数量比较多时，为获取一定数量的可信度较高的样本场景数据，还需要对上述样本场景数据进行筛选，包括：

S311、获取每个室内或者室外的样本场景数据的可信度值；

S312、根据预设算法标记出可信度值超过预设可信度值的室内或者室外样本场景数据。

S32、根据所述多组样本场景数据与所述传感器频域序列数据、WIFI连接状态对所述分类模型做有监督学习分类训练。

需要说明的是，上述有监督学习是指，利用一组已知类别的样本调整分类模型的参数，即获取WIFI连接状态以及各个传感器频域序列对场景识别时的权重，使其达到所要求性能的过程。本公开实施例中已知类别的样本就是上述样本场景数据。

例如：本公开实施例中样本场景为一篮球馆场景，对于该篮球馆场景的样本场景数据：WIFI连接状态为“1”，温度为20～25摄氏度，气压为101.325kPa，表示为M{1，20～25，101.325}。然后在该篮球馆场景的不同区域，以及篮球馆场景之外利用移动终端获取多组上述三种数据作为样本场景数据，每组样本场景数据包括{WIFI连接状态，温度，气压}，然后将所获取的多组样本场景数据代入分类模型进行训练，每组样本场景数据获取一组权重值{A，B，C}。随着所采集的样本场景数据的数量的增多，上述权重值A、B和C趋于稳定。当权重值A、B和C稳定时，例如上述篮球馆场景对应的权重值为{0.5，0.4，0.1}时，此时分类模型可以用于室内外场景识别。

当实际采集的一组场景数据：WIFI连接状态为“1”，温度为18-20摄氏度，气压为102kPa，表示为N{1，18～20，102}。将上述样本数据代入训练后的分类模型后得到计算值为m，样本场景数据M的计算值为n，并且m与n的差值在预设范围内，此时认为两个采集点的位置相同或者相近，然后查找该样本场景数据M对应的场景为篮球馆场景，则输出实际采集场景数据对应的场景为篮球馆场景。

本公开实施例中还可以将所采集的WIFI信息(WIFI名称、数量、信号强度以及WIFI所处的位置范围等)添加到样本场景数据M与N(此时样本场景数据M与N的维数会相应的增加)中，然后根据上述训练过程对分类模型进行训练。详细的训练过程参见只包含WIFI连接状态的情况，在此不再赘述。

为理解方便，本段中直接用某个时刻的数据值进行说明，实际上上述采集的样本场景数据M与N利用本公开的方法获取的采样点的数据，本段中省略了本公开提供的方法中对传感器时间序列进行频域变换的步骤，本领域技术人员可以根据上文进行推导，在此不再详述。

优选地，本公开实施例中上述分类模型可以是支持向量机SVM、logistic回归分析模型和梯度提升决策树模型GBDT中的一种或者多种。对于支持向量机SVM模型的训练方法通常采用LARS算法，logistic回归分析模型的训练方法通常采用L-BFGS算法，将多组样本场景数据输入到各个模型中进行训练，最终得到每个模型的参数。本领域技术人员可以根据具体的使用场景，选择具有不同的分类模型以及分类模型训练方法实现，本公开不作限定。

第二方面，本公开实施例还提供了一种室内外场景识别装置，如图2所示，所述装置包括：

数据获取模块M1，用于获取移动终端的WIFI连接状态以及传感器时间序列数据；

频域变换模块M2，用于对所述传感器时间序列数据进行频域变换以获取传感器频域序列数据以及对应于当前样本点的特征向量；

场景获取模块M3，用于利用分类模型对所述特征向量以及WIFI连接状态进行处理以获取所述移动终端当前所处的场景信息。

可选地，本公开实施例提供的室内外场景识别装置还包括分类模型训练模块M4，用于执行以下步骤：

获取多组室内或者室外的样本场景数据；

可选地，所述分类模型训练模块M4采用支持向量机SVM、logistic回归分析模型和梯度提升决策树模型GBDT中的一种或者多种模型。

可选地，所述分类模型训练模块M4采用以下步骤获取室内外场景数据，包括：

获取每组室内或者室外的样本场景数据的可信度值；

可选地，所述分类模型训练模块M4从服务器中对应于所述移动终端的session会话数据获取多组室内或者室外的样本场景数据。

对于上述两种装置实施例而言，由于其与上述两种方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。由于本公开实施例提供的室内外场景识别装置基于上文所述的室内外场景识别实现，因而可以与方法一样，解决相同的技术问题、达到相同的技术效果，在此不再赘述。

应当注意的是，在本实施例公开的装置的各个部件中，根据其要实现的功能而对其中的部件进行了逻辑划分，但是，本公开不受限于此，可以根据需要对各个部件进行重新划分或者组合，例如，可以将一些部件组合为单个部件，或者可以将一些部件进一步分解为更多的子部件。

本公开的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开实施例的系统中的一些或者全部部件的一些或者全部功能。本公开还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本公开的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是，上述实施例对本公开进行说明而不是对本公开进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

以上实施方式仅适于说明本公开，而并非对本公开的限制，有关技术领域的普通技术人员，在不脱离本公开的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本公开的范畴，本公开的专利保护范围应由权利要求限定。

Claims

1.一种室内外场景识别方法，其特征在于，所述方法包括：

获取移动终端的WIFI连接状态以及传感器时间序列数据；

2.根据权利要求1所述的室内外场景识别方法，其特征在于，所述方法还包括：

获取多组室内或者室外的样本场景数据；

3.根据权利要求2所述的室内外场景识别方法，其特征在于，所述分类模型为支持向量机SVM、logistic回归分析模型和梯度提升决策树模型GBDT中的一种或者多种。

4.根据权利要求2所述的室内外场景识别方法，其特征在于，所述获取多组室内或者室外的样本场景数据包括：

获取每组室内或者室外的样本场景数据的可信度值；

5.根据权利要求2所述的室内外场景识别方法，其特征在于，根据服务器中对应于所述移动终端的session会话数据,获取多组室内或者室外的样本场景数据。

6.一种室内外场景识别装置，其特征在于，所述装置包括：

7.根据权利要求6所述的室内外场景识别装置，其特征在于，所述装置还包括分类模型训练模块，用于执行以下步骤：

获取多组室内或者室外的样本场景数据；

8.根据权利要求7所述的室内外场景识别装置，其特征在于，所述分类模型训练模块采用支持向量机SVM、logistic回归分析模型和梯度提升决策树模型GBDT中的一种或者多种模型。

9.根据权利要求7所述的室内外场景识别装置，其特征在于，所述分类模型训练模块采用以下步骤获取室内外场景数据，包括：

获取每组室内或者室外的样本场景数据的可信度值；

10.根据权利要求7所述的室内外场景识别装置，其特征在于，所述分类模型训练模块从服务器中对应于所述移动终端的session会话数据获取多组室内或者室外的样本场景数据。