CN108255789A - 一种室内人数识别时随机样本的获取方法和装置 - Google Patents
一种室内人数识别时随机样本的获取方法和装置 Download PDFInfo
- Publication number
- CN108255789A CN108255789A CN201611239744.4A CN201611239744A CN108255789A CN 108255789 A CN108255789 A CN 108255789A CN 201611239744 A CN201611239744 A CN 201611239744A CN 108255789 A CN108255789 A CN 108255789A
- Authority
- CN
- China
- Prior art keywords
- state
- number identification
- recognition unit
- region
- people
- 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
- G06M—COUNTING MECHANISMS; COUNTING OF OBJECTS NOT OTHERWISE PROVIDED FOR
- G06M1/00—Design features of general application
- G06M1/27—Design features of general application for representing the result of count in the form of electric signals, e.g. by sensing markings on the counter drum
- G06M1/272—Design features of general application for representing the result of count in the form of electric signals, e.g. by sensing markings on the counter drum using photoelectric means
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Abstract
本发明实施例提供了一种室内人数识别时随机样本的获取方法和装置,所述方法包括:在一个识别单元内每隔一段预设时间计算室内处于无人、单人和多人状态的概率;将超过预设第一置信度的所述概率计算结果所对应的状态作为人数识别状态,如果该人数识别状态与之前的概率计算结果所对应的人数识别状态不一致,则进行修正;确定当前识别单元为有效识别单元时,在当前识别单元结束前的每个预设周期内统计各个被动式红外探测器(PIR)的触发持续时间,并将统计结果进行叠加处理,得到每个预设周期的随机样本;其中,每个预设周期对应一个随机样本。
Description
技术领域
本发明涉及智能家庭技术领域,尤其涉及一种室内人数识别时随机样本的获取方法和装置。
背景技术
目前,被动式红外探测器(PIR)广泛应用于安防系统,用于检测特定区域内是否有人活动。此外,应用射频识别(RFID)技术的系统和可穿戴运动传感器可识别室内人员和动作状态。
但是,上述两种人员识别相关技术都存在一定缺陷:所述PIR的应用只能检测某个区域是否有人活动,不能用于判断该区域内在家的人数;所述通过RFID系统和可穿戴设备结合的识别技术,要求用户在室内必须要佩戴特定的设备,而这不一定适合用户的穿戴习惯,否则将不能达到理想的识别效果,因此用户体验较差。
发明内容
有鉴于此,本发明实施例期望提供一种室内人数识别时随机样本的获取方法和装置,可实现室内人数的统计,提高用户体验,且统计结果准确度高。
为达到上述目的,本发明实施例的技术方案是这样实现的:
本发明实施例提供了一种室内人数识别时随机样本的获取方法,该方法包括:
在一个识别单元内每隔一段预设时间计算室内处于无人、单人和多人状态的概率;
将超过预设第一置信度的所述概率计算结果所对应的状态作为人数识别状态,如果该人数识别状态与之前的概率计算结果所对应的人数识别状态不一致,则进行修正;
确定当前识别单元为有效识别单元时,在当前识别单元结束前的每个预设周期内统计各个PIR的触发持续时间,并将统计结果进行叠加处理,得到每个预设周期的随机样本;其中,每个预设周期对应一个随机样本。
上述方案中,所述随机样本为:各状态下无区域T1、单区域T2和多区域T3三种情况的概率值;
其中,所述无区域T1表示室内所有区域的PIR均没被触发;所述单区域T2表示室内有一个区域的PIR被触发;所述多区域T3表示室内有两个及以上区域的PIR被触发。
上述方案中,所述如果该人数识别状态与之前计算结果所对应的人数识别状态不一致则进行修正,包括:
如果该人数识别状态为单人,且之前计算结果所对应的人数识别状态为无人,则将人数识别状态从无人状态修正为单人状态;或者,
如果该人数识别状态为多人,且之前计算结果所对应的人数识别状态为单人,则将人数识别状态从单人状态修正为多人状态。
上述方案中,所述确定当前识别单元为有效识别单元,包括:
如果计算所得的人数识别状态为多人,且多人状态的概率达到预设的第二置信度,则确定当前的识别单元为有效识别单元;所述第二置信度高于所述第一置信度。
上述方案中,所述得到每个预设周期的随机样本之后,该方法还包括:
根据所述已得到的随机样本,并基于预设的概率模型对各状态下无区域T1、单区域T2和多区域T3的概率值进行计算,所得的计算结果作为学习调整后的各状态下无区域T1、单区域T2和多区域T3的概率值。
本发明实施例又提供了一种室内人数识别时随机样本的获取装置,该装置包括:
第一计算模块,用于在一个识别单元内每隔一段预设时间计算室内处于无人、单人和多人状态的概率;
修正模块,用于将超过预设第一置信度的所述概率计算结果所对应的状态作为人数识别状态,如果该人数识别状态与之前的概率计算结果所对应的人数识别状态不一致,则进行修正;
第二计算模块,用于确定当前识别单元为有效识别单元时,在当前识别单元结束前的每个预设周期内统计各个PIR的触发持续时间,并将统计结果进行叠加处理,得到每个预设周期的随机样本;其中,每个预设周期对应一个随机样本。
上述方案中,所述随机样本为:各状态下无区域T1、单区域T2和多区域T3三种情况的概率值;
其中,所述无区域T1表示室内所有区域的PIR均没被触发;所述单区域T2表示室内有一个区域的PIR被触发;所述多区域T3表示室内有两个及以上区域的PIR被触发。
上述方案中,所述修正模块包括:
设置单元,用于将超过预设第一置信度的计算结果所对应的状态作为人数识别状态;
判断处理单元,用于确定该人数识别状态为单人,且之前计算结果所对应的人数识别状态为无人时,将人数识别状态从无人状态修正为单人状态;或者,
用于确定该人数识别状态为多人,且之前计算结果所对应的人数识别状态为单人时,将人数识别状态从单人状态修正为多人状态。
上述方案中,所述第二计算模块包括:
确定单元,用于确定所述修正模块计算所得的人数识别状态为多人,且多人状态的概率达到预设的第二置信度时,确定当前的识别单元为有效识别单元;所述第二置信度高于所述第一置信度;
计算单元,用于在当前识别单元结束前的每个预设周期内统计各个PIR的触发持续时间,并将统计结果进行叠加处理,得到每个预设周期的随机样本。
上述方案中,该装置还包括:
参数调整模块,用于根据所述第二计算模块得到的随机样本,并基于预设的概率模型对各状态下无区域T1、单区域T2和多区域T3的概率值进行计算,所得的计算结果作为学习调整后的各状态下无区域T1、单区域T2和多区域T3的概率值。
本发明实施例提供的室内人数识别时随机样本的获取方法和装置,在一个识别单元内每隔一段预设时间计算室内处于无人、单人和多人状态的概率;将超过预设第一置信度的所述概率计算结果所对应的状态作为人数识别状态,如果该人数识别状态与之前的概率计算结果所对应的人数识别状态不一致,则进行修正;确定当前识别单元为有效识别单元时,在当前识别单元结束前的每个预设周期内统计各个PIR的触发持续时间,并将统计结果进行叠加处理,得到每个预设周期的随机样本;其中,每个预设周期对应一个随机样本。本发明实施例为了提高人数统计结果的准确性,在得到无人、单人和多人状态的概率后进行不断修正;同时,在确定当前识别单元为有效识别单元之后自动进行随机样本的采集,可用于后续人数统计时的参数调整,而且随机样本的采集过程以及人数统计过程均不需人为参与,提高了用户体验。
附图说明
图1为本发明实施例所述室内人数识别时随机样本的获取方法流程示意图;
图2为本发明实施例所述室内人数识别时随机样本的获取装置结构示意图一;
图3为本发明实施例所述修正模块的结构示意图;
图4为本发明实施例所述第二计算模块的结构示意图;
图5为本发明实施例所述室内人数识别时随机样本的获取装置结构示意图二;
图6为本发明场景实施例所述系统组网示意图;
图7为本发明场景实施例所述各PIR在识别单元内的触发时间分布图;
图8为本发明场景实施例所述一个识别单元内状态识别示意图;
图9为本发明场景实施例所述随机样本获取方法示意图。
具体实施方式
下面结合附图和实施例对本发明进行描述。
图1为本发明实施例所述室内人数识别时随机样本的获取方法流程示意图,如图1所示,该方法包括:
步骤101:在一个识别单元内每隔一段预设时间计算室内处于无人、单人和多人状态的概率;
步骤102:将超过预设第一置信度的所述概率计算结果所对应的状态作为人数识别状态,如果该人数识别状态与之前的概率计算结果所对应的人数识别状态不一致,则进行修正;
步骤103:确定当前识别单元为有效识别单元时,在当前识别单元结束前的每个预设周期内统计各个PIR的触发持续时间,并将统计结果进行叠加处理,得到每个预设周期的随机样本;其中,每个预设周期对应一个随机样本。
这里,所述预设时间可为1分钟,即:每个1分钟计算室内处于无人、单人和多人状态的概率,具体计算方法见后续描述;所述之前计算结果即为:相隔预设时间(如1分钟)的前一次或之前某一次的计算结果。
其中,一个所述识别单元可包括多个所述预设周期,一个识别单元内室内的总人数不变。在实际应用时,可在大门处设置传感装置,例如:门磁传感器,用于判断大门的开关状态,只有处于关闭状态才会进行室内人数的识别,从关闭至下一次打开的时间段称为一个识别单元,不同识别单元的人数状态是无关的。
这里,所述PIR可分布于室内经常活动的区域,例如可安装于厨房、卫生间、客厅、常用卧室,具体安装位置和数量不限于此,多个PIR分别独立检测各自区域。
本发明实施例为了提高人数统计结果的准确性,在得到无人、单人和多人状态的概率后进行不断修正;同时,在确定当前识别单元为有效识别单元之后自动进行随机样本的采集,可用于后续人数统计时的参数调整,而且随机样本的采集过程以及人数统计过程均不需人为参与,提高了用户体验。
一个实施例中,所述随机样本为:各状态下无区域T1、单区域T2和多区域T3三种情况的概率值;
其中,所述无区域T1表示室内所有区域的PIR均没被触发;所述单区域T2表示室内有一个区域的PIR被触发;所述多区域T3表示室内有两个及以上区域的PIR被触发。
一个实施例中,所述如果该人数识别状态与之前计算结果所对应的人数识别状态不一致则进行修正,包括:
如果该人数识别状态为单人,且之前计算结果所对应的人数识别状态为无人,则将人数识别状态从无人状态修正为单人状态;或者,
如果该人数识别状态为多人,且之前计算结果所对应的人数识别状态为单人,则将人数识别状态从单人状态修正为多人状态。
一个实施例中,所述确定当前识别单元为有效识别单元,包括:
如果计算所得的人数识别状态为多人,且多人状态的概率达到预设的第二置信度,则确定当前的识别单元为有效识别单元;所述第二置信度(如99%)高于所述第一置信度(如80%)。
一个实施例中,所述得到每个预设周期的随机样本之后,该方法还包括:
根据所述已得到的随机样本,并基于预设的概率模型对各状态下无区域T1、单区域T2和多区域T3的概率值进行计算,所得的计算结果作为学习调整后的各状态下无区域T1、单区域T2和多区域T3的概率值。
这里,所述概率模型可为:正态分布、或离散区间分布等。例如:预设概率模型为正态分布时,则采用所有随机样本计算均值和方差即可。
本发明实施例还提供了一种室内人数识别时随机样本的获取装置,用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。如图2所示,该装置包括:
第一计算模块201,用于在一个识别单元内每隔一段预设时间计算室内处于无人、单人和多人状态的概率;
修正模块202,用于将超过预设第一置信度的所述概率计算结果所对应的状态作为人数识别状态,如果该人数识别状态与之前的概率计算结果所对应的人数识别状态不一致,则进行修正;
第二计算模块203,用于确定当前识别单元为有效识别单元时,在当前识别单元结束前的每个预设周期内统计各个PIR的触发持续时间,并将统计结果进行叠加处理,得到每个预设周期的随机样本;其中,每个预设周期对应一个随机样本。
这里,所述预设时间可为1分钟,即:每个1分钟计算室内处于无人、单人和多人状态的概率,具体计算方法见后续描述;所述之前计算结果即为:相隔预设时间(如1分钟)的前一次或之前某一次的计算结果。
其中,一个所述识别单元可包括多个所述预设周期,一个识别单元内室内的总人数不变。在实际应用时,可在大门处设置传感装置,例如:门磁传感器,用于判断大门的开关状态,只有处于关闭状态才会进行室内人数的识别,从关闭至下一次打开的时间段称为一个识别单元,不同识别单元的人数状态是无关的。
这里,所述PIR可分布于室内经常活动的区域,例如可安装于厨房、卫生间、客厅、常用卧室,具体安装位置和数量不限于此,多个PIR分别独立检测各自区域。
本发明实施例为了提高人数统计结果的准确性,在得到无人、单人和多人状态的概率后进行不断修正;同时,在确定当前识别单元为有效识别单元之后自动进行随机样本的采集,可用于后续人数统计时的参数调整,而且随机样本的采集过程以及人数统计过程均不需人为参与,提高了用户体验。
一个实施例中,所述随机样本为:各状态下无区域T1、单区域T2和多区域T3三种情况的概率值;
其中,所述无区域T1表示室内所有区域的PIR均没被触发;所述单区域T2表示室内有一个区域的PIR被触发;所述多区域T3表示室内有两个及以上区域的PIR被触发。
一个实施例中,如图3所示,所述修正模块202包括:
设置单元2021,用于将超过预设第一置信度的计算结果所对应的状态作为人数识别状态;
判断处理单元2022,用于确定该人数识别状态为单人,且之前计算结果所对应的人数识别状态为无人时,将人数识别状态从无人状态修正为单人状态;或者,
用于确定该人数识别状态为多人,且之前计算结果所对应的人数识别状态为单人时,将人数识别状态从单人状态修正为多人状态。
一个实施例中,如图4所示,所述第二计算模块203包括:
确定单元2031,用于确定所述修正模块202计算所得的人数识别状态为多人,且多人状态的概率达到预设的第二置信度时,确定当前的识别单元为有效识别单元;所述第二置信度(如99%)高于所述第一置信度(如80%);
计算单元2032,用于在当前识别单元结束前的每个预设周期内统计各个PIR的触发持续时间,并将统计结果进行叠加处理,得到每个预设周期的随机样本。
可选的,一个实施例中,如图5所示,该装置还包括:
参数调整模块204,用于根据所述第二计算模块203得到的随机样本,并基于预设的概率模型对各状态下无区域T1、单区域T2和多区域T3的概率值进行计算,所得的计算结果作为学习调整后的各状态下无区域T1、单区域T2和多区域T3的概率值。
这里,所述概率模型可为:正态分布、或离散区间分布等。例如:预设概率模型为正态分布时,则采用所有随机样本计算均值和方差即可。
下面结合具体应用场景实施例对本发明进行描述。
该实施例系统组网如图6所示,PIR分布于家庭室内经常活动的区域,例如:安装于厨房、卫生间、客厅、常用卧室,具体安装位置和数量不限于此。传感器通过低功耗无线通信网络(如zigbee)将传感器触发信息上报到家庭网关,在网关上综合分析处理各传感器数据判断室内人数状态,并将结果上送到数据管理平台。
门磁传感器安装在入户大门上,用于判断大门的开关状态,只有处于关闭状态才会进行室内人数的识别,从关闭至下一次打开的时间段称为一个识别单元,不同识别单元的人数状态是无关的。一个识别单元内的某一段时间称为识别时间段。一个PIR用于识别出其检测区域是否有人活动,多个PIR分别独立检测各自区域,会产生多个PIR同时检测到有人活动的情况,因此整个识别时间段可以分为无区域(无区域PIR触发)、单区域(单区域PIR触发)、多区域(多区域PIR触发)三种时间段。通过这三种时间段占比分析无人、单人、多人三种人数状态。PIR数据及上述各术语示例如图7所示。
由于PIR对人实际活动状态的检测存在一定的干扰因素,例如:两人在一个区域活动只能触发单区域传感器、传感器误动作、传感器检测延时导致短暂的静止被忽略。因此,应采用概率框架综合各类因素,下文将描述具体步骤:
步骤一:传感器统计识别时间段内各情况的时间占比;
首先通过门磁传感器检测到关门事件,进入识别单元;然后根据各个PIR的触发和非触发事件,统计单个PIR触发和非触发的持续时间;最后根据不同PIR之间触发持续时间的重叠情况(如图7所示),计算识别时间段内无区域、单区域、多区域三种情况各自持续的时间,进而计算出在识别时间段内无区域T1、单区域T2、多区域T3所占的时间比例(百分比)。
步骤二:设置T1、T2、T3发生的条件概率;
根据对传感器和家庭情况的估计(如传感器误动作发生的概率、多人在家但只在一个区域活动的概率),设置各状态(无人、单人、多人,设定符号为A1、A2、A3)下T1、T2、T3发生的概率。如:P(T1=t1|A1),表示无人状态下T1为具体某个值t1的概率。此概率可根据具体情况设置为符合不同的概率分布(如正态分布、离散区间分布等)。如:设置为符合正态分布,由于无人状态下无区域占比应为100%,由于传感器误动作可能处于接近100%,因此设置正态分布均值为99%,方差为2%。这些概率值即为系统识别参数,可以采用固定预设值,也可以采用先预设后根据实际使用情况进行自学习调整。调整过程详见后续描述。
步骤三:计算无人、单人、多人状态的后验概率;
根据贝叶斯原理,由第(1)步中统计得到的T1、T2、T3的比例和第(2)步中设置的条件概率推算无人A1、单人A2、多人A3状态的后验概率。
这里,由于T1、T2、T3之和为100%,因此计算时采用T1、T3作为独立条件,即计算P(A1|T1=t1,T3=t3)、P(A2|T1=t1,T3=t3)、P(A3|T1=t1,T3=t3)。以A1计算为例,
其中,先验概率P(A1)、P(A2)、P(A3)均设置为1/3。另外,由于三者之和为1,常数K可计算得出。
步骤四:根据预设置信度判断识别结果;
无人状态的后验概率P(A1|T1=t1,T3=t3)、单人状态的后验概率P(A2|T1=t1,T3=t3)和多人状态的后验概率P(A3|T1=t1,T3=t3)中超过预设的置信度(如80%)的状态为判断结果(即人数识别结果:室内为无人状态、单人状态、或多人状态),若都没有超过,则不输出结果,等待下一次识别(如相隔1分钟后)。在识别单元内,可每隔一定时间(如1分钟)计算一次,并可及时修正识别结果。
上述步骤一至步骤四即为上文所述的步骤101的详细计算过程。
下面介绍自学习参数调整方案:
在上述总体方案的步骤二中,系统识别参数(A1、A2、A3下T1、T2、T3发生的概率)共有9个,其中无人状态A1下的T1、T2、T3概率只与传感器特性有关与具体家庭环境及用户习惯无关,因此可以设置为固定参数不调整。由于室内必须处于A1、A2、A3其中一种状态,因此根据任意两种状态下T1、T2、T3概率可以推断出剩下一种状态下T1、T2、T3概率。综上,针对A3(多人)状态下T1、T2、T3概率值进行自学习调整即可满足自学习系统参数调整的要求。下述是具体步骤:
步骤一:如图8所示,在一个识别单元内,每隔一定时间(如1分钟)采用滑动时间窗(即上文所述的预设周期,如30分钟)计算无人、单人、多人状态的概率,超过预设置信度(即第一置信度,如80%)的状态作为识别结果,当前识别结果与之前不一致时,只允许向上修正(即从无人修正为单人,单人修正为多人,反之则不允许)。
步骤二:在预设规则下(将多人状态的概率值与预设置信度进行比较)某个时刻多人状态的概率值达到高置信度(即第二置信度,如99%),此识别单元将作为多人状态的有效识别单元。
步骤三:如图9所示,在上一步骤以高置信度识别出多人状态的时刻后,在这一时刻直至下次开门这段时间则一定为多人状态(没有人进出),并且由于这段时间处于得出判断结果之后,可以看作是已知多人状态下随机产生,用固定时间窗分割(如30分钟)后统计PIR数据作为随机样本(一个时间窗对应一个随机样本)。
步骤四:每个样本值为(t1,t2,t3),即:多人状态下T1、T2、T3发生的概率,根据预设的P(T|A1)的概率模型学习出具体参数。如:预设概率模型为正态分布,则采用所有样本计算均值和方差即可。
本发明实施例首先基于门磁和PIR,利用PIR能够检测室内人体活动的特性,提取无区域、单区域、多区域三种状态时间占比,采用贝叶斯算法,识别室内是处于无人、单人、多人三种状态中的哪一种;然后使用预设参数每隔一定时间进行一次上述无人、单人、多人概率的计算,识别结果只允许向上修正,当多人状态置信度很高(如>99%)则在此计算时刻判断为多人,由于大门关闭后室内人数不会变化,因此在此时刻直至下次开门这段时间一定为多人状态,并且由于这段时间处于得出判断结果之后,可以看作是已知多人状态下随机产生,用固定时间窗分割(如30分钟)后统计PIR数据作为随机样本(一个时间窗一个样本)。该方案不需用户反馈家中实时的人数状态,可以针对不同的家庭环境在使用过程中自主学习,从而对参数做出调整,提高识别准确性。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (10)
1.一种室内人数识别时随机样本的获取方法,其特征在于,该方法包括:
在一个识别单元内每隔一段预设时间计算室内处于无人、单人和多人状态的概率;
将超过预设第一置信度的所述概率计算结果所对应的状态作为人数识别状态,如果该人数识别状态与之前的概率计算结果所对应的人数识别状态不一致,则进行修正;
确定当前识别单元为有效识别单元时,在当前识别单元结束前的每个预设周期内统计各个PIR的触发持续时间,并将统计结果进行叠加处理,得到每个预设周期的随机样本;其中,每个预设周期对应一个随机样本。
2.根据权利要求1所述的方法,其特征在于,所述随机样本为:各状态下无区域T1、单区域T2和多区域T3三种情况的概率值;
其中,所述无区域T1表示室内所有区域的PIR均没被触发;所述单区域T2表示室内有一个区域的PIR被触发;所述多区域T3表示室内有两个及以上区域的PIR被触发。
3.根据权利要求2所述的方法,其特征在于,所述如果该人数识别状态与之前计算结果所对应的人数识别状态不一致则进行修正,包括:
如果该人数识别状态为单人,且之前计算结果所对应的人数识别状态为无人,则将人数识别状态从无人状态修正为单人状态;或者,
如果该人数识别状态为多人,且之前计算结果所对应的人数识别状态为单人,则将人数识别状态从单人状态修正为多人状态。
4.根据权利要求2所述的方法,其特征在于,所述确定当前识别单元为有效识别单元,包括:
如果计算所得的人数识别状态为多人,且多人状态的概率达到预设的第二置信度,则确定当前的识别单元为有效识别单元;所述第二置信度高于所述第一置信度。
5.根据权利要求2-4中任一项所述的方法,其特征在于,所述得到每个预设周期的随机样本之后,该方法还包括:
根据所述已得到的随机样本,并基于预设的概率模型对各状态下无区域T1、单区域T2和多区域T3的概率值进行计算,所得的计算结果作为学习调整后的各状态下无区域T1、单区域T2和多区域T3的概率值。
6.一种室内人数识别时随机样本的获取装置,其特征在于,该装置包括:
第一计算模块,用于在一个识别单元内每隔一段预设时间计算室内处于无人、单人和多人状态的概率;
修正模块,用于将超过预设第一置信度的所述概率计算结果所对应的状态作为人数识别状态,如果该人数识别状态与之前的概率计算结果所对应的人数识别状态不一致,则进行修正;
第二计算模块,用于确定当前识别单元为有效识别单元时,在当前识别单元结束前的每个预设周期内统计各个PIR的触发持续时间,并将统计结果进行叠加处理,得到每个预设周期的随机样本;其中,每个预设周期对应一个随机样本。
7.根据权利要求6所述的装置,其特征在于,所述随机样本为:各状态下无区域T1、单区域T2和多区域T3三种情况的概率值;
其中,所述无区域T1表示室内所有区域的PIR均没被触发;所述单区域T2表示室内有一个区域的PIR被触发;所述多区域T3表示室内有两个及以上区域的PIR被触发。
8.根据权利要求7所述的装置,其特征在于,所述修正模块包括:
设置单元,用于将超过预设第一置信度的计算结果所对应的状态作为人数识别状态;
判断处理单元,用于确定该人数识别状态为单人,且之前计算结果所对应的人数识别状态为无人时,将人数识别状态从无人状态修正为单人状态;或者,
用于确定该人数识别状态为多人,且之前计算结果所对应的人数识别状态为单人时,将人数识别状态从单人状态修正为多人状态。
9.根据权利要求7所述的装置,其特征在于,所述第二计算模块包括:
确定单元,用于确定所述修正模块计算所得的人数识别状态为多人,且多人状态的概率达到预设的第二置信度时,确定当前的识别单元为有效识别单元;所述第二置信度高于所述第一置信度;
计算单元,用于在当前识别单元结束前的每个预设周期内统计各个PIR的触发持续时间,并将统计结果进行叠加处理,得到每个预设周期的随机样本。
10.根据权利要求7-9中任一项所述的装置,其特征在于,该装置还包括:
参数调整模块,用于根据所述第二计算模块得到的随机样本,并基于预设的概率模型对各状态下无区域T1、单区域T2和多区域T3的概率值进行计算,所得的计算结果作为学习调整后的各状态下无区域T1、单区域T2和多区域T3的概率值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611239744.4A CN108255789B (zh) | 2016-12-28 | 2016-12-28 | 一种室内人数识别时随机样本的获取方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611239744.4A CN108255789B (zh) | 2016-12-28 | 2016-12-28 | 一种室内人数识别时随机样本的获取方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108255789A true CN108255789A (zh) | 2018-07-06 |
CN108255789B CN108255789B (zh) | 2021-07-27 |
Family
ID=62720473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611239744.4A Active CN108255789B (zh) | 2016-12-28 | 2016-12-28 | 一种室内人数识别时随机样本的获取方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108255789B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110141242A (zh) * | 2019-06-06 | 2019-08-20 | 河南科技大学 | 一种基于信息融合bn的在室人员活动状态识别方法 |
CN110230865A (zh) * | 2019-06-06 | 2019-09-13 | 河南科技大学 | 一种基于信息融合bn的人员在室状态识别方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0747865A2 (de) * | 1995-06-08 | 1996-12-11 | ABBPATENT GmbH | Anordnung zur Erfassung der Bewegungsrichtung von Personen |
CN101188743A (zh) * | 2007-09-17 | 2008-05-28 | 深圳先进技术研究院 | 一种基于视频的智能数人系统及其处理方法 |
CN101339605A (zh) * | 2008-08-14 | 2009-01-07 | 北京中星微电子有限公司 | 基于视频监控的人数检测系统及方法 |
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 |
CN202058220U (zh) * | 2011-03-28 | 2011-11-30 | 杭州鸿泉数字设备有限公司 | 基于热释红外传感器的人数计数器实现装置 |
CN102651086A (zh) * | 2011-02-28 | 2012-08-29 | 大连海兰德维通信技术有限公司 | 一种计数装置、方法以及红外检测系统 |
CN105025440A (zh) * | 2015-07-09 | 2015-11-04 | 深圳天珑无线科技有限公司 | 室内外场景检测方法及设备 |
CN105540366A (zh) * | 2013-12-03 | 2016-05-04 | 大连大学 | 电梯内乘客人数显示系统 |
CN105809183A (zh) * | 2014-12-31 | 2016-07-27 | 深圳中兴力维技术有限公司 | 基于视频的人头跟踪方法及其装置 |
-
2016
- 2016-12-28 CN CN201611239744.4A patent/CN108255789B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0747865A2 (de) * | 1995-06-08 | 1996-12-11 | ABBPATENT GmbH | Anordnung zur Erfassung der Bewegungsrichtung von Personen |
CN101188743A (zh) * | 2007-09-17 | 2008-05-28 | 深圳先进技术研究院 | 一种基于视频的智能数人系统及其处理方法 |
CN101339605A (zh) * | 2008-08-14 | 2009-01-07 | 北京中星微电子有限公司 | 基于视频监控的人数检测系统及方法 |
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 |
CN102651086A (zh) * | 2011-02-28 | 2012-08-29 | 大连海兰德维通信技术有限公司 | 一种计数装置、方法以及红外检测系统 |
CN202058220U (zh) * | 2011-03-28 | 2011-11-30 | 杭州鸿泉数字设备有限公司 | 基于热释红外传感器的人数计数器实现装置 |
CN105540366A (zh) * | 2013-12-03 | 2016-05-04 | 大连大学 | 电梯内乘客人数显示系统 |
CN105809183A (zh) * | 2014-12-31 | 2016-07-27 | 深圳中兴力维技术有限公司 | 基于视频的人头跟踪方法及其装置 |
CN105025440A (zh) * | 2015-07-09 | 2015-11-04 | 深圳天珑无线科技有限公司 | 室内外场景检测方法及设备 |
Non-Patent Citations (2)
Title |
---|
FOROUGHI H 等: "People counting with image retrieval using compressed sensing", 《2014 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP)》 * |
郑大伟 等: "基于蓝牙4.0的教室人数监测智能系统设计", 《单片机与嵌入式系统应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110141242A (zh) * | 2019-06-06 | 2019-08-20 | 河南科技大学 | 一种基于信息融合bn的在室人员活动状态识别方法 |
CN110230865A (zh) * | 2019-06-06 | 2019-09-13 | 河南科技大学 | 一种基于信息融合bn的人员在室状态识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108255789B (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5224401B2 (ja) | 監視システムおよび方法 | |
Chen et al. | A fusion framework for occupancy estimation in office buildings based on environmental sensor data | |
US11037067B2 (en) | Apparatus and method for occupancy detection | |
Jin et al. | Occupancy detection via environmental sensing | |
US9240111B2 (en) | Inferring building metadata from distributed sensors | |
EP2971987B1 (en) | Energy saving heating, ventilation, air conditioning control system | |
Zikos et al. | Conditional random fields-based approach for real-time building occupancy estimation with multi-sensory networks | |
US10565860B1 (en) | Offline tuning system for detecting new motion zones in a motion detection system | |
CN109891436A (zh) | 基于深度学习神经网络的安保系统及其控制方法 | |
US10634380B2 (en) | System for monitoring occupancy and activity in a space | |
US10748024B2 (en) | Method and system for detecting a person in an image based on location in the image | |
WO2010053469A1 (en) | System and method for occupancy estimation and monitoring | |
Jiang et al. | Bayesian filtering for building occupancy estimation from carbon dioxide concentration | |
Kim et al. | Improved occupancy detection accuracy using PIR and door sensors for a smart thermostat | |
CN108255789A (zh) | 一种室内人数识别时随机样本的获取方法和装置 | |
Papatsimpa et al. | Propagating sensor uncertainty to better infer office occupancy in smart building control | |
Yang et al. | Cross-space building occupancy modeling by contextual information based learning | |
JP2006336875A (ja) | 空調制御システム | |
Hillyard et al. | Never use labels: Signal strength-based Bayesian device-free localization in changing environments | |
EP3188148A1 (en) | Intrusion alarm system with learned and dynamic entry delays | |
Lu et al. | A zone-level occupancy counting system for commercial office spaces using low-resolution time-of-flight sensors | |
CN108256283A (zh) | 一种室内人数识别方法和装置 | |
CN112113295A (zh) | 加热、通风与空调(hvac)控制系统 | |
EP3617933A1 (en) | Detecting room occupancy with binary pir sensors | |
US20210089960A1 (en) | Training a machine learning model using a batch based active learning approach |
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 |