CN108875551B - 用于监测场景检测的方法和装置 - Google Patents

用于监测场景检测的方法和装置 Download PDF

Info

Publication number
CN108875551B
CN108875551B CN201810369231.8A CN201810369231A CN108875551B CN 108875551 B CN108875551 B CN 108875551B CN 201810369231 A CN201810369231 A CN 201810369231A CN 108875551 B CN108875551 B CN 108875551B
Authority
CN
China
Prior art keywords
identifier
scene
scenes
identifiers
confidence
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.)
Active
Application number
CN201810369231.8A
Other languages
English (en)
Other versions
CN108875551A (zh
Inventor
P·德马雅
L·福里奥特
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
STMicroelectronics Rousset SAS
Original Assignee
STMicroelectronics Rousset SAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by STMicroelectronics Rousset SAS filed Critical STMicroelectronics Rousset SAS
Publication of CN108875551A publication Critical patent/CN108875551A/zh
Application granted granted Critical
Publication of CN108875551B publication Critical patent/CN108875551B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • 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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了用于监测场景检测的方法和装置。提供了一种用于通过从可能的参考场景的集合中检测场景的装置来监测场景检测的方法。该方法包括向每个参考场景指派标识符，借助于至少一种分类算法在连续的检测时刻从可能的参考场景的集合中检测场景，以及基于在该窗口中考虑的每个新的检测到的当前场景的标识符和与这个新的检测到的当前场景相关联的置信概率，在大小为M的过滤窗口上对这些检测到的当前场景进行滑动时间过滤处理，过滤处理的输出连续地传送经过滤的检测到的场景。

Description

用于监测场景检测的方法和装置
相关申请的交叉引用
本申请要求于2017年5月10日提交的法国专利申请No.1754080的优先权，该申请通过引用合并于此。
技术领域
各实现和实施例一般地涉及电子装置，并且更具体地涉及用于监测场景检测的方法和装置。
背景技术
场景在很广泛的意义上被特别地理解为包括装置所处的环境的场景特性，无论装置是否由能够移动的用户携带，例如，蜂窝移动电话(“公共汽车”、“火车”、“餐厅”、“办公室”等类型的场景)，还是装置是固定的物体，装置是否被连接(散热器，例如，在家庭自动化应用中)，环境的场景特性可能是例如“潮湿房间”、“干燥房间”、“白天”、“夜晚”、“快门关闭”、“快门打开”等类型。
场景还可以包括由装置(例如，智能手表)的携带者实施的活动的场景特性。例如，这样的场景可以是“走路”、“跑步”等。
尽管本发明可以应用于任何类型的装置和任何类型的场景，但是现在将更具体地参考无线通信装置。
一些无线通信装置(例如，一些类型的智能手机或平板电脑)能够进行场景检测，使得可以确定手机或平板电脑用户所处的环境。因此这可以使得第三方(例如，广告商或文化组织)能够发送与装置的用户所在的地点有关的相关信息。
发明内容
因此，例如，如果用户位于给定的旅游地点，则他们因此可以被发送他们所在地附近的餐厅地址。同样，他们也可以被发送有关位于他们所在地附近的某些历史建筑物的信息。
场景检测特别地理解为表示对无线通信装置所处场景的区分。存在用于检测(辨别)场景的若干已知解决方案。这些解决方案使用例如通常与特定算法相关联的一个或多个专用传感器。
这些传感器可以是环境测量传感器，即，特别地是能够提供关于无线通信装置所处的环境的信息的任何类型的传感器，该信息包括例如装置的环境的时空特性，例如，环境的暂时冻结或不冻结特性、环境中的时空变化的演变速度(基于检测装置的移动)和/或这个环境的声音和/或空间和/或视觉特性，例如，环境的噪声水平和/或环境的海拔高度和/或亮度水平(例如，来自诸如气压计、接近传感器、光学传感器等传感器)。
这些传感器可以用于例如给出装置的空间取向的指示，例如，陀螺仪，以便在装置的屏幕上旋转显示。
然而，在装置持续通电(常开)并且电池寿命是重要标准的情况下，这些环境传感器有利地用于场景检测。
这是一种多模式方法。并且，在这种情况下，具体算法的示例可以是基于从对来自传感器的原始数据的特定处理(例如，过滤)而得到的描述符或属性来实现二叉决策树的算法。这些属性可以是例如均值、能量值、方差等。
实现决策树的算法对于本领域技术人员来说是公知的。
例如，后者可以出于所有有用的目的而特别地参考Syed Amir Hoseini-Tabatabaei等人于2013年6月29日在萨里大学通信系统研究中心ACM计算调查的题为“Asurvey on Smartphone Based Systems for Opportunistic User ContextRecognition”的文章、或者Ricco Rakotomalala在Revue MODULAD、2005年、33期、163-187页的标题为“Arbres de Décision(Decision Trees)”的文章。
简而言之，决策树包括通过以叶子结尾的分支互连的节点。
每个节点与对属性的测试相关联，并且每个叶子与属于能够在树遍历结束时由装置检测到的语料库或一组参考场景的参考场景相对应。
树中可以有多个节点与对相同属性的相同测试相关联。
节点通过分支连接，并且从节点开始在分支中对分支的选择取决于这个节点中的属性的值并且因此取决于这个节点中的测试的结果。
通过常规学习算法针对给定的场景语料库构建决策树。
通过决策树进行场景检测的一个优点在于执行速度。
在根据第1752947号提交的法国专利申请中，在装置内实现的决策树的输出处获取的分类的可靠性(无论连接还是未连接，例如但不限于无线通信装置，智能手表或不动物体)已经通过开发与每个检测到的场景相关联的概率或置信指数而得到改善。
简而言之，这个在先专利申请特别地被提供用于基于由传感器提供的测量值来获取当前属性值并且遍历决策树内的路径，决策树的节点与在路径的每个节点处考虑到相应属性的当前值而对这些属性进行的测试相关联，以便在路径的输出处从这组参考场景中获取场景，所获取的场景形成检测到的场景。
与检测到的场景相关联的置信指数的发展在检测到的场景的检测之后并且基于对这个检测到的场景的了解来被执行，具体地通过使用每个节点处的关于检测到的场景的知识沿着路径的附加遍历行进来被执行。
存在不同于决策树并且为本领域技术人员所熟知的其他的用于检测场景的分类算法或分类器。值得注意的是，这可能是本领域技术人员已知的神经网络类型的算法，其可以例如出于所有有用的目的而参考Martin T Hagan和Howard B Demuth的2014年9月1日的题为“Neural Network Design”(第二版)的作品、或者本领域技术人员在术语GMM(“高斯混合模型”)下已知的算法，本领域技术人员能够例如出于所有有用的目的而参考可在因特网站https://www.autonlab.org/tutorials/gmm.html上找到的Andrew Moore的题为“Clustering with Gaussian Mixtures”的教程幻灯片。
这两种算法还被配置用于针对每个检测到的场景传送置信概率。
还可以引用元分类算法或“元分类器”类型的算法作为分类算法，即，位于比包含若干分类算法的算法更高的层上的算法。每个分类算法提供关于检测到的场景的决定，并且元分类器编译由不同分类算法提供的决定，以例如通过多数投票或均值来传送最终决定。
不幸的是，所有类型的分类算法有时可能传送关于检测到的场景的错误决定。
元分类器当然更有效，但是仍然存在可能的检测错误。此外，它们的实现更加复杂，特别是在存储器大小方面，并且需要更复杂的学习阶段。
本发明的实施例进一步改进由分类算法提供的决定的可靠性，而不管其类型如何，以及/或者具有它们的可靠性的更好的查看以便能够例如以易于实现的方式在更高软件层级处完善这个决定。
一个或多个实施例涉及由装置对场景的实时检测，该装置特别地但不排他地是无线通信装置，例如智能移动蜂窝电话(智能手机)或数字平板电脑，其设置有至少一个传感器，例如加速度计，并且更具体地是对最初检测到的场景的过滤。
根据一个实现和实施例，规定使用两个连续的决定之间的时间相关性来构建过滤器，其可以被比作“元过滤器”，其将对由分类算法传送的连续决定进行操作，而不论其类型以及包括元分类器。
根据一个方面，提供了一种用于通过从可能的参考场景的集合中检测场景的装置来监测场景检测的方法。
该方法包括向每个参考场景指派标识符。
该方法还包括借助于至少一种分类算法在连续的检测时刻进行场景检测。由于每个检测到的场景是参考场景之一，它被指派相应的参考场景的标识符。
该方法进一步包括基于在大小为M的过滤窗口中考虑的每个新的检测到的当前场景的标识符和与这个新的检测到的当前场景相关联的置信概率来在该窗口上对这些检测到的当前场景进行的滑动时间过滤处理，过滤处理的输出连续地传送经过滤的检测到的场景。
因此，与对要过滤的信号的数字样本进行操作的传统数字过滤器不同，这里提供的过滤处理简单地对M个标识符和与检测到的场景相关联的概率值进行操作。
相应地，过滤器在存储器中的实现是简单且便宜的，例如，与用于实现监督5个决策树的随机森林元分类器的大约40千比特相比，为千比特数量级。
此外，监督5个决策树的这种随机森林元分类器的错误率是5％的量级，而所提供的过滤例如导致2％量级的错误率。这些数字是非限制性的，并且作为指南给出，并且对已经用于驱动分类算法的样本进行评估。
M的值定义了过滤器的大小和其延迟(M/2的数量级)并且有助于其准确度。本领域技术人员将知道如何根据设想的应用和期望的性能来确定这个值。
然而，例如，对于M的值15可以是很好的折衷。其他值也是可能的。
分类算法可以传送与每个最初检测到的当前场景相关联的置信概率。
然而，如果分类算法没有传送与每个最初检测到的当前场景相关联的置信概率，则具有任意值(例如，值1)的相同置信概率可以被指派给所有检测到的当前场景。
如上所述，过滤处理兼容任何类型的分类算法。
分类算法因此可以被配置用于在每个检测时刻传送单个检测到的场景。例如，对于单个决策树，或者对于被配置用于最终传送从由组成它的决策树检测到的场景中得到(例如，通过使用多数投票)的单个检测到的场景的元分类器，或者对于被配置用于最终传送从与输出层的神经元相关联的场景中得到的单个检测到的场景的神经网络，正是这种情况。
对于被配置用于在每个检测时刻传送单个检测场景的分类算法，可以提供大小为M(1×M)的寄存器，例如移位寄存器，用于形成大小为M的窗口。
然而，分类算法可以被配置用于在每个检测时刻传送一组若干场景。例如，对于元分类器，正是这种情况，其中在每个检测时刻，将使用由组成它的不同决策树检测到的不同场景，而不使用多数投票的最后一步。
神经网络也可以是这种情况，其中使用分别与输出层的不同神经元相关联的不同场景及其相应的置信概率。
在被配置用于在每个检测时刻传送一组D个场景的分类算法的情况下，为了形成大小为M的过滤窗口，可以提供更大尺寸的存储器设备，其能够存储尺寸为D×M的矩阵(D是行数，M是列数)。
因此，根据一个实现，特别是当分类算法在每个检测时刻传送单个检测到的场景时，提供包括形成大小为M的窗口的大小为M的移位寄存器的存储设备，并且对于每个新的检测到的当前场景，其标识符和相关联的置信概率(可选地被归一化)存储在寄存器中，过滤处理使用存在于寄存器中的M个标识符及其相关联的置信概率(可选地被归一化)来被执行，并且可能的场景之一(即，参考场景之一)被传送作为经过滤的检测到的场景。
当寄存器的内容在每个新的检测到的当前场景处被移位时，从中移除的标识符是时间上最早的标识符。但是在过滤之后将被传送的标识符可以是寄存器中的任何标识符，例如，刚刚被检测到的场景的标识符或前一场景的标识符。
根据其中分类算法在每个检测时刻传送一组D个检测到的当前场景的实现，其中D大于1，对于每个新的一组D个检测到的当前场景，可选地被归一化的与这些D个检测到的当前场景的标识符相关联的置信概率存储在形成大小为M的窗口的存储设备中。过滤处理使用D×M个标识符及其相关联的置信概率(可选地被归一化)来被执行，并且可能的场景之一(即，参考场景之一)被传送作为经过滤的检测到的场景。
特别地，当存储设备包括大小为M的移位寄存器时，过滤处理可以包括：大于或等于2且小于或等于M/2的整数部分的整数J的定义，并且对于寄存器中存在的由2J个相同标识符成帧的每个标识符，将这个被成帧(framed)标识符与2J个成帧(framing)标识符相比较，并且在值不一致的情况下，用该成帧标识符中的一个成帧标识符替换该被成帧标识符，以及向替换该被成帧标识符的成帧标识符指派可选地被归一化的置信概率，其基于可选地被归一化的2J个成帧标识符的置信概率而被计算，例如，2J个成帧标识符的可选地被归一化的置信概率的均值。
例如，这使得能够消除孤立的检测错误。
当存储设备适应被配置用于连续地传送成组的D个检测到的场景的分类算法时，上面刚刚提到的特别地用于消除孤立错误的过滤处理然后有利地逐行应用于矩阵D×M。
根据与分类算法的配置无关并且因此与存储设备的大小无关而兼容的一个实现，对于在存储设备中不止一次被考虑的每个标识符，过滤处理包括与之相关联的置信概率的求和(可选地被归一化)。经过滤的检测到的场景是其标识符在存储设备中被考虑的具有最高累积置信概率(可选地被归一化)的场景。
根据可能的更发展的变型，不管存储设备的大小如何都可以兼容，使得特别地能够提供过滤器的可变性的指示，对于不止一次在存储设备中被考虑的每个标识符，过滤处理包括对与其相关联的置信概率(可选地被归一化)求和、形成以具有最高累积置信概率(可选地被归一化)的标识符为中心的标识符的概率密度函数、计算这个函数的方差、计算最高累积置信概率(可选地被归一化)与方差之间的比率、以及比较这个比率与阈值、以及根据比较结果来选择经过滤的检测到的场景。
因此该变型使得可以评估过滤器的置信度并且相应地做出决定。
因此，如果这个比率小于可以由大方差引起的阈值，则置信度较小，并且然后可以决定在过滤器的输出处传送有效地呈现最高累积置信概率但是向其指派将其表征为“不确定”的一条信息的场景或者时间上在前过滤的检测到的场景，以作为检测到的场景。
相反，如果这个比率大于或等于可以由小方差引起的阈值，则置信度高，并且然后可以决定在过滤器的输出处传送有效地呈现最高累积置信概率(可选地被归一化)的场景作为检测到的场景。
根据另一方面，提供了一种装置，其包括：被配置为提供测量值的传感器；被配置为借助于至少一种分类算法在连续的检测时刻从可能的参考场景的集合中实时地检测连续场景的检测模块，每个参考场景被指派标识符；以及过滤模块，被配置为基于在大小为M的过滤窗口中考虑的每个新的检测到的当前场景的标识符和与者新的检测到的当前场景相关联的置信概率来在该窗口上执行对这些检测到的当前场景的滑动时间过滤处理，并且连续地传送经过滤的检测到的场景。
根据一个实施例，分类算法被配置用于传送与每个检测到的当前场景相关联的置信概率。
作为变型，分类算法没有被配置用于传送与每个初始检测到的当前场景相关联的置信概率，并且过滤模块被配置用于向所有检测到的当前场景指派具有任意值的相同置信概率。
根据其中分类算法被配置用于在每个检测时刻传送单个检测到的场景的一个实施例，过滤模块包括存储设备，该存储设备包括形成大小为M的窗口的大小为M的移位寄存器，并且过滤模块被配置为：对于每个新的检测到的当前场景，将其标识符及其置信概率(可选地被归一化)存储在寄存器中，使用存在于寄存器中的M个标识符及其相关联的置信概率(可选地被归一化)执行过滤处理，并且传送参考场景之一作为经过滤的检测到的场景。
根据一个实施例，过滤模块被配置为：对于寄存器中存在的由2J个相同标识符成帧的每个标识符，将这个被成帧标识符与2J个成帧标识符相比较，其中J是大于或等于2且小于或等于M/2的整数；以及在值的不相同的情况下，用该成帧标识符之一替换该被成帧标识符，并且向替换该被成帧标识符的成帧标识符指派基于2J个成帧标识符的置信概率(可选地被归一化)而计算的置信概率(可选地被归一化)。
根据一个实施例，计算的置信概率是2J个成帧标识符的置信概率的均值(可选地被归一化)。
根据其中分类算法被配置用于在每个检测时刻传送一组D个检测到的当前场景(D大于1)的一个实施例，过滤模块被配置为：对于每个新的一组D个检测到的当前场景，将与这些D个检测到的当前场景的标识符相关联的置信概率(可选地被归一化)存储在形成大小为M的窗口的存储设备中，使用D×M个标识符及其相关联的置信概率(可选地被归一化)来执行过滤处理，并且传送参考场景之一作为经过滤的检测到的场景。
根据一个实施例，过滤模块被配置为：对于在存储设备中不止一次被考虑的每个标识符，执行与其相关联的置信概率(可选地被归一化)的求和，经过滤的检测到的场景然后是其标识符被包含在存储设备中的具有最高累积置信概率(可选地被归一化)的场景。
根据另一可能的实施例，过滤模块被配置为：对于在寄存器中不止一次被考虑的每个标识符，执行与其相关联的置信概率(可选地被归一化)的求和，形成以具有最高累积置信概率(可选地被归一化)的标识符为中心的标识符的概率密度函数，计算这个函数的方差，计算最高累积置信概率(可选地被归一化)与方差之间的比率，以及将这个比率与阈值相比较并且根据比较结果来选择经过滤的检测到的场景。
例如，传感器可以选自由加速计、陀螺仪、磁力计、音频传感器、气压计、接近传感器、光学传感器、温度、湿度或亮度传感器形成的组。
然而，这个列表不是排他性的。
该装置可以是例如移动蜂窝电话或数字平板电脑，或者是可选地连接到互联网网络的任何类型的智能对象，尤其是智能手表。
附图说明
本发明的其他优点和特征将在对实现和实施例的非限制性的详细描述以及附图的审查中变得很清楚，在附图中：
图1至图10示意性地图示了本发明的各种实现和实施例。
具体实施方式
在图1中，参考APP指定被认为是在该非限制性示例中的电子装置，即，设置有天线ANT的无线通信装置。该装置可以是移动蜂窝电话，诸如智能电话或数字平板电脑。
这里的装置APP包括多个测量传感器CPT1至CPTj，j＝1至M。
作为示例，传感器CPTj可以选自由加速度计、陀螺仪、磁力计、诸如麦克风等音频传感器、气压计、接近传感器和光学传感器形成的组。也可以使用其他传感器。
该装置可以设置有多个加速度计和/或多个陀螺仪和/或多个磁力计和/或多个音频传感器和/或气压计和/或一个或多个接近传感器和/或一个或多个光学传感器。
音频传感器是有用的环境描述符。事实上，如果装置没有移动，则音频传感器对于检测该环境的性质可能是有用的。根据应用，可以使用加速度计或甚至陀螺仪或磁力计类型的环境传感器，或者可以使用音频传感器或这两种类型的传感器的组合，或者其他类型的传感器，例如温度的非惯性传感器、湿度或亮度类型的传感器。
这些环境测量传感器尤其可以在多模式方法中与例如决策树类型的常规辨别算法ALC相结合，其旨在例如根据来自这些传感器的经过滤的原始数据而工作，形成被配置用于检测场景的检测模块MDET。因此，检测模块MDET可以例如检测装置APP是否位于这个环境或那个环境(例如，餐馆、移动车辆等)中，或者该装置(例如，智能手表)的承载者是否正在执行特定活动(例如，散步、跑步、骑自行车等)。
现在假定以下情况作为非限制性示例：所有环境传感器CPT1至CPTM帮助检测场景并且在测量时刻向辨别算法ALC提供数据以使得能够检测场景。
如将在下面更详细地看到的，监测从分类算法获取的场景的场景检测使用对这些场景的标识符的过滤处理，并且使用与这些检测到的场景相关联的置信概率。该过滤处理在过滤模块MFL中实现。
现在将描述针对每个检测到的场景提供置信概率的分类算法的非限制性示例。例如，在法国专利申请No.1752947中描述了这种算法，其中的一些特征在这里被回顾。
这里在场景检测模块MDET中以软件实现的鉴别算法是在环境传感器测量数据库上经历了学习阶段的决策树。这样的决策树特别容易实现，只需要几千字节的存储器和小于0.01MHz的工作频率。
决策树存储在程序存储器MM1中。
如将在下面更详细地看到的那样，并且如同在该问题中常规的那样，决策树ALC对属性向量Ai进行操作。树包括一系列节点。每个节点被指派给属性的测试。
两个分支从节点出现。
两个分支之间的选择取决于与该节点相关联的属性的当前值，并因此取决于相关联的测试的结果。
此外，树的输出包括与装置APP旨在被检测的参考场景相对应的叶子。
例如，这些参考场景可以是没有限制性的，例如代表装置APP(这里是电话)所处环境的“公共汽车”、“办公室”、“餐馆”、“火车”场景。
检测模块MDET还包括获取模块ACQ，其被配置用于基于来自传感器的测量数据来获取属性的当前值。
一般而言，属性可以是来自传感器的原始数据项或经过滤的原始数据项、或另一变量，例如在特定时间间隔上的数据均值、方差等。
如将在下面更详细地看到，检测模块被配置用于从可能的参考场景的集合或语料库中实时地检测至少一个场景。
在这方面，检测模块MDET包括控制模块MCM，控制模块MCM被配置用于利用属性的当前值来激活软件模块ALC，以便遍历决策树内的路径并且在路径的输出处从参考场景集合中获取场景，这个获取的场景形成检测到的场景。
此外，该装置还包括处理器MTR，其被配置用于形成与检测到的场景相关联的置信指数。
并且，如下面将更详细地看到，处理模块MTR被配置用于一旦已经检测到场景并且基于对这个检测到的场景的知识来形成置信指数。
该置信指数将特别地是从被包含在检测模块MDET的存储器MM2中的一组概率形成的。
装置APP还包括模块BLC，其能够与检测模块MDET协作用于处理检测到的场景并且经由装置的天线ANT传输信息。如果装置不是连接的装置，则天线是可选的。
该装置还包括控制模块MCTRL，其被配置用于连续激活检测模块MDET以便实现以时间间隔隔开的一系列场景检测步骤。
这些各种模块BLC、MDET、MCTRL、MTR和MFL可以例如至少部分地由装置APP的微控制器PR(例如，由STMicroelectronics以参考STM32销售的微控制器)内的软件模块来实现。
现在将更具体地参考图2和以下内容来说明与检测到的场景相关联的置信指数的示例。
在图2中，假定获取模块ACQ已经从M个传感器CPTj(j＝1至M)传送了具有当前值的属性向量Ai。
属性Ai的数目独立于传感器的数目。
然后，控制模块MCM激活形成具有属性Ai的当前值的决策树的软件模块ALC，以便遍历该决策树内的路径PTH，并且在路径的输出处从参考场景的语料库Sk中获取检测到的场景Sd。
在路径PTH中对每个节点NDi处的属性Ai指派测试。例如，该测试是运算符“小于”或“小于或等于”或“大于”或“大于或等于”或“等于”。
一旦检测到该场景Sd，控制模块MCM被配置用于第二次利用属性Ai的当前值激活决策树ALC并且使其第二次遍历路径PTH。
处理模块MTR包括第一处理模块MT1，其被配置为在路径的每个节点NDi处确定在已知检测到的场景Sd的情况下相应的属性Ai具有当前值的第一概率P(Ai|Sd)。
此外，对于与检测到的场景Sd不同的每个参考场景Sk(k＝0到N-1，如果假定存在N个参考场景)，该第一处理模块将确定在已知该参考场景Sk的情况下相应的属性Ai具有当前值的第二概率P(Ai|Sk)。
事实上，如下面将更详细地解释的那样，这些不同的第一概率和第二概率已经存储在存储器MM2中，因为它们已经在初始阶段期间使用不同的可能的属性值的直方图来被计算。
因此，确定这些概率这里归结为简单的存储器读取。
处理模块MTR的第二处理模块MT2然后将基于所有第一概率和第二概率来确定初始置信指数。
最后，第三处理模块MT3可以被配置用于基于该初始置信指数来形成置信指数。
更确切地说，该置信指数SC可以是初始置信指数或者例如经由路径PTH的长度的归一化初始置信指数。
作为示例，与检测到的场景Sd相关联的置信指数SC可以通过以下给出的公式(I)来确定：
Figure BDA0001638070130000131
其中“log”表示基数为10的对数函数。然而，使用自然对数是可能的。
作为变型，置信指数SC可以通过以下给出的公式(II)来确定：
Figure BDA0001638070130000132
其中“max”表示最大值。
作为一个变型，可以通过以下给出的公式(III)来确定置信指数SC：
Figure BDA0001638070130000141
其中wi是加权系数，其被选择为向与路径PTH的第一节点相关联的对数赋予更多的权重。每个加权系数wi例如是正的。
因此，如果初始系数大于1，则与当前节点NDi相关联的加权系数wi可以等于与前一节点相关联的加权系数wi-1的平方根。
第一加权系数可以例如等于1.6。
作为变型，与等级i的当前节点相关联的加权系数可以近似等于αi，其中α是正系数，并且小于1，例如等于0.9。
加权然后呈指数下降。
SC得分形成与检测到的场景Sd相关联的置信指数。
实际上，得分的值越低(负值的值的绝对值越大或者正值的值的绝对值越小)，检测的置信度(即，可靠性)越低。换言之，检测到的场景与该装置实际所在的场景不对应的可能性很大。相反，得分越高，场景检测的置信度(即，可靠性)越高，即，检测到的场景实际上是正确的可能性很大。
举例来说，得分值可以例如在-20到+20之间变化。
然而，模块可以进一步包括例如也以软件形式实现的转换模块MCV，其被配置用于例如借助存储在存储器MM2中的转换函数来将置信指数SC转换为置信概率。
例如，在图3中示出了这样的转换函数FCT的一个示例。
在所示的示例中，函数FCT具有S形的形式并且在横坐标中包括在-8和+8之间的得分。
下面将给出关于确定这种传递函数FCT的示例的更多细节。
现在将更具体地参考图4以说明确定在已知检测到的场景的情况下属性具有给定当前值的概率的示例。
更精确地，对于参考场景的语料库中的每个场景Sk，对于每个属性Aj，将执行多个测量，例如100,000次测量，其中不同类型的装置APP设置有不同的传感器，其中一个传感器提供所考虑的属性，所有这些装置都放置在与地球上不同地点处的参考场景相对应的条件中。
例如，如果场景Sk是“公共汽车”场景，则将不同的装置放置在公共汽车中，并且将研究由不同装置APP设置有的相应一个传感器或多个传感器提供的属性Aj的不同值。
已经针对属性Aj提供的MS测量(MS当前值)(例如，MS＝100,000)使得可以确定这些值的直方图(步骤30)。基于该直方图，已知MS的数目和当前值属于给定时间间隔(对应于给定粒度)的次数，可以确定(步骤31)在已知场景Sk的情况下属性Aj具有这个当前值的概率P(Aj|Sk)。
对于所有属性Aj和对于属于参考场景语料库的所有参考场景Sk重复这些操作，然后将这组概率存储在存储器MM2中(步骤32)。
因此，在决策树的路径PTH的每个节点NDi处的第一处理模块可以容易地读取在已知检测到的场景Sd的情况下所考虑的属性具有与该节点相关联的当前值的概率，并且还读取在已知与场景Sd不同的场景Sk的情况下所考虑的属性具有与该节点相关联的当前值的概率。
现在将更具体地参考图5来描述获取传递函数FCT的示例，从而可以将得分SC转换为置信概率。
在这个示例中假定所有得分SC在-8和+8之间变化，并且粒度被定义为等于例如0.5。
换言之，大于或等于q且小于q+0.5的任何得分值将被指派等于q的任意得分值SCq。
此外，第一计数器CPT1q和第二计数器CPT2q被指派给每个值SCq，其含义将在下面更详细地返回。
之前已经看到，执行了多个测量以用于确定已知特定场景的情况下属性值的不同概率。
因此，这里假定已经获取了与场景语料库中的不同参考场景相对应的多个(例如，100,000)属性向量。
在这些100,000个属性向量中，例如可以存在与第一参考场景相对应的第一数目、与第二参考场景相对应的第二数目等。
如图5所示，作为示例而非限制性地，可以检查与给定参考场景Sk相对应所有属性向量，然后可以检查与另一参考场景相对应的所有属性向量，等等。
作为变型，即使它表示交织它们，也可以以另一种顺序检查这些属性向量。
在当前情况下，利用对应于参考场景Sk的第一属性向量来遍历(步骤40)决策树ALC，并且因此获取可以根据先前提及的公式(I)、(II)或(III)计算的得分SCq。
在步骤41中，然后检查在树ALC的输出处检测到的场景是否实际上对应于场景Sk。
如果是这种情况，则计数器CPT1q递增(步骤42)。
否则，计数器CPT2q递增(步骤43)。
然后，对于与参考场景Sk相关联的每个其他属性向量重复这些操作40、41、42和43。
当所有属性向量已经被检查(步骤44)时，考虑下一参考场景并且重复操作40、41、42、43、44，直到所有参考场景已经被检查(步骤45)。
一旦所有参考场景已经被检查，即，所有属性向量已经被考虑，则可以对于每个得分SCq确定置信概率PbSCq，其等于计数器CPT1q的值与两个计数器CPT1q和CPT2q的值的总和之间的比率(步骤46)。
然后可以例如通过内插、特别是线性内插来获取不同离散值PbSCq之间的概率值。
现在将参考图6至图10更详细地描述在过滤模块MFL内实现的对由分类算法检测到的场景的过滤处理。
如上所述，该过滤处理与任何类型的分类算法兼容，无论这是例如刚刚描述的分类算法，还是神经网络类型的算法或本领域技术人员在术语GMM(“高斯混合模型”)下已知的算法，或者甚至是元分类器。
当分类算法提供与检测到的场景相关联的置信概率时，如刚刚描述的算法或者神经网络类型的算法或甚至GMM算法的情况一样，它们被用在过滤处理中。
如果分类算法没有传送与每个检测到的当前场景相关联的置信概率，则过滤模块将具有任意值(例如，值1)的相同置信概率指派给所有检测到的当前场景。
现在参考图6至图9，假定分类算法是被配置用于在每个检测时刻处检测单个场景的类型。
过滤处理60(图6)是基于在窗口中考虑的每个新的检测到的当前场景的标识符和与这个新的检测到的当前场景相关联的置信概率来在大小为M的过滤窗口上对检测到的场景进行的滑动时间过滤处理。
过滤处理的输出连续地传送经过滤的检测到的场景。
就此而言，如图7所示，标识符被指派给每个参考场景。
这里假定有四个参考场景，即“公共汽车”、“餐厅”、“办公室”和“火车”场景。
在图7所示的示例中，标识符1被指派给“公共汽车”参考场景。标识符2被指派给“餐厅”参考场景。标识符3被指派给“办公室”参考场景。标识符4被指派给“火车”参考场景。
因此，由于每个检测到的场景属于参考场景之一，检测到的当前场景的标识符是具有值1、2、3或4之一的标识符。
如图8所示，在过滤模块内提供大小为M的移位寄存器RG。
在图8中描述的示例中，出于简化的目的，M被认为等于9。实际上，M可以更大，例如15的数量级。
根据所设想的应用，本领域技术人员可以定义特别地定义过滤器的延迟的M的值。
对于由分类算法检测到的每个新的当前场景，寄存器RG的内容被移位并且新的检测到的当前场景的标识符以及其相关联的置信概率存储在寄存器中。
更确切地说，在这里所示的示例中，新的检测到的场景Sdi具有等于1的标识符Idi，并且其因此存储在寄存器RG的左侧框中。存储在寄存器的最后的框(右侧)中的标识符(即，标识符Idk)将从寄存器中删除。
但是，如现在将描述，该标识符Idk不一定是由过滤处理导致的经过滤的场景的标识符。
因此，寄存器RG包括当前场景Sdi的标识符和时间上在前的场景的八个标识符。
此外，置信概率PbSCj与这些标识符相关联。
在第一变型中，过滤处理可以使得可以如图8中所示的情况那样检测和删除孤立的错误。
就此而言，整数J被定义为大于或等于2且小于或等于M/2的整数部分。在当前情况下，J等于3。并且，对于存在于寄存器中的由2J个相同标识符成帧的每个标识符(这里是标识符Idn)，即，在被成帧标识符Idn的左边的J个相同标识符和在被成帧标识符Idn的右边的J个相同标识符，将该标识符Idn与2J个成帧标识符相比较，在这里在本例中Idn左边的三个标识符和Idn右边的三个标识符都等于2。
并且，在值不相同的情况下(由于标识符Idn等于3并且2J个成帧标识符等于2)，用成帧标识符之一(在当前情况下是标识符2)替换标识符Idn(步骤80)。
实际上，由于等于3的标识符Idn在具有值2的对其成帧的标识符的集合中被隔离，因此可以认为它在这里是孤立的错误，并且标识符Idn被成帧标识符之一替换。
为了清楚起见，已经关于图8中所示的寄存器的内容描述了这种替换。然而，实际上，这种过滤有利地在每次到达新的标识符时执行。在图8的示例中，在最后的“2”(这是图中最左侧)到达时，将执行过滤，并且“3”将被替换。换言之，在每个新的标识符输入中，要查看第(J+1)时间上在前的标识符是否可以被替换以尽快清除过滤器。
然后，在该示例中，考虑到该替换步骤80，两个标识符“1”将被取回，其中寄存器RG的内容因此等于112222222。
此外，将置信概率指派给标识符2，其在此代替寄存器的第六位中的标识符3。
举例来说，可以导出2J个成帧标识符(即，这里是具有值2的六个标识符)的置信概率的均值，以便对于已经取代了标识符Idn 3的位于第六位置的标识符2获得这里等于0.53的置信概率。
作为变型，也可以对这些置信概率进行归一化，即，将每个置信概率除以存储在寄存器RG中的标识符的所有置信概率的总和。
然后，对于在寄存器中不止一次出现的每个标识符，将与其相关联的置信概率相加(可能被归一化)(步骤81)。
当然，步骤80虽然特别有利，但决不是强制性的，并且可以被省略，然后直接执行步骤81。
在所描述的示例中，标识符1被重复两次，因此其累积置信概率在此等于0.5(这里没有执行归一化)。
标识符2被重复七次并且其累积概率等于3.73(这里没有执行归一化)。
如果标识符在寄存器中仅存在一次，则其保留作为其累积概率的置信概率。
在该变型实施例中，由过滤处理(步骤82)传送的经过滤的检测到的场景可以是其标识符被包含在寄存器中的具有最高累积置信概率(可选地被归一化)的场景。
在当前情况下，它是对应于“餐厅”场景的标识符2。
因此可以看出，虽然已经检测到并且已经被引入到寄存器RG中的当前场景是被指派标识符1的“公共汽车”场景，但是由过滤模块传送的场景保持为“餐厅”场景(标识符2)。事实上，在当前情况下，似乎可能处于“餐厅”场景与“公共汽车”场景之间的过渡阶段，并且最好等到“公共汽车”场景在过滤模块的输出处传送这个场景之前连续几次稳定。
现在更具体地参考图9以说明根据本发明的过滤的另一变型。
在这个示例中，假定寄存器RG能够存储六个标识符(M＝6)。在当前时刻，这些标识符是分别被指派置信概率0.2；0.3；0.4；0.5；0.2和0.3的标识符1、2、2、3、4、4。
首先，应当注意的是，在该配置中，没有标识符由2J个相同成帧标识符来成帧。
因此，寄存器RG的标识符不被修改。
这里的过滤处理再次提供(步骤90)每个标识符的置信概率的累积。
因此，在寄存器中独自的标识符1保持其置信概率等于0.2。
另一方面，出现两次的标识符2具有等于0.7的累积置信概率。
标识符3具有等于0.5的置信概率，并且标识符4具有等于0.5的累积置信概率。
如在前面的示例中那样，可以决定传送与表现出最高累积置信概率的标识符2相对应的场景。
然而，在做出这样的决定之前，传统的概率密度函数将有利地以具有最高累积置信概率的标识符(其在当前情况下是标识符2)为中心来被形成。
这将能够提供过滤器的可变性的指示。
然后计算该函数的方差V(步骤92)，并且在步骤93中，确定最大累积置信概率(在当前情况下为0.7)与方差V之间的比率R。
然后将该比率R与阈值TH相比较(步骤94)。
该阈值TH的值是基于与场景语料库中的不同参考场景相对应的属性向量和相应的识别速率来凭经验确定的，以便在场景转换期间在限制错误检测与过滤器的良好反应性之间找到折衷。
本领域技术人员将能够根据所设想的应用来调节该阈值的值。
然而，对于归一化的置信概率，例如，阈值的值在1到5之间选择，例如用于具有等于10的过滤器大小M的5个场景的语料库的2.5。
如果该比率大于或等于对应于低方差的阈值，则可以认为决定的置信度高，并且呈现最高累积置信概率的场景2可以有效地以高的置信度在过滤模块的输出处被传送。
另一方面，如果比率小于对应于高方差并且因此对应于过滤器的显著可变性的阈值，则可以决定将该高可变性的指示传送给较高软件层以期作出决定(步骤96)。
例如，这个决定可以是传送寄存器RG中的时间上在前的场景，或者甚至是传送“餐馆”场景(标识符2)，其中一条信息指定置信度不确定。
在分类算法是被配置用于在每个检测时刻从参考场景语料库中检测D个场景的类型的情况下，如图10所示，过滤模块包括形成大小为M的窗口的存储设备MM3，其中对于每个新的一组D个检测到的当前场景，存储与这些D个检测到的当前场景的标识符Id相关联的置信概率PbSC(可选地被归一化)。
图10中所示的存储配置仅是一个示例，存储设备的其他存储配置是可能的。
使用D×M标识符Id及其相关联的置信概率PbSC来执行过滤处理，并且将可能场景之一(即，参考场景之一)被传送作为经过滤的检测到的场景。
在这种情况下，上面参考图8(步骤80)描述的孤立误差的校正有利地逐行执行。
另一方面，在整个存储的表格上实现对于在存储设备中不止一次被考虑的任何标识符的置信概率的累积(图8中的步骤81)。
同样的过程适用于中心概率函数的形成和比率R的计算。

Claims (20)

1.一种用于监测场景检测的方法，所述方法包括：
向可能的参考场景的集合中的每个参考场景指派标识符；
通过使用分类算法在连续的检测时刻从所述可能的参考场景的集合中检测当前场景，其中检测当前场景包括基于所述可能的参考场景的标识符将标识符与所述当前场景中的每个检测到的当前场景相关联；
基于在大小为M的过滤窗口中考虑的每个检测到的当前场景的标识符和与在所述过滤窗口中考虑的每个检测到的当前场景相关联的置信概率，在所述过滤窗口上使用滑动时间过滤处理来过滤所述检测到的当前场景，其中M是正整数；
将与每个检测到的当前场景相关联的标识符和与每个检测到的当前场景相关联的置信概率存储在大小为M的移位寄存器中，其中过滤所述检测到的当前场景包括使用存储在所述移位寄存器中的与每个检测到的当前场景相关联的M个标识符；以及
基于所述过滤来连续地传送经过滤的检测到的场景，其中过滤所述检测到的当前场景包括：
针对所述移位寄存器中存在的由2J个相同成帧标识符所成帧的每个被成帧标识符，将所述被成帧标识符与所述2J个相同成帧标识符相比较，其中J是大于或等于2且小于或等于M/2的正整数；以及
当所述被成帧标识符不同于所述2J个相同成帧标识符时，利用与所述2J个相同成帧标识符相同的标识符替换所述被成帧标识符，
基于所述2J个相同成帧标识符的置信概率来计算置信概率；以及向所述被成帧标识符指派计算出的置信概率。
2.根据权利要求1所述的方法，进一步包括使用所述分类算法来传送与每个检测到的当前场景相关联的置信概率。
3.根据权利要求1所述的方法，进一步包括当所述分类算法没有传送与每个检测到的当前场景相关联的置信概率时，针对所有检测到的当前场景使用相同的任意置信概率。
4.根据权利要求1所述的方法，进一步包括归一化与每个检测到的当前场景相关联的每个置信概率。
5.根据权利要求1所述的方法，其中过滤所述检测到的当前场景进一步包括：针对在所述移位寄存器中不止一次被考虑的每个标识符，执行与不止一次被考虑的每个标识符相关联的置信概率的求和以生成相应的累积置信概率。
6.根据权利要求5所述的方法，其中连续地传送经过滤的检测到的场景包括传送被包含在所述移位寄存器中的与最高累积置信概率相关联的场景。
7.根据权利要求5所述的方法，其中过滤所述检测到的当前场景进一步包括：
生成以具有最高累积置信概率的标识符为中心的标识符的概率密度函数；
计算生成的所述概率密度函数的方差；
计算所述最高累积置信概率与所述方差之间的比率；
将所述比率与阈值相比较；以及
基于所述比较来选择所述经过滤的检测到的场景。
8.根据权利要求1所述的方法，其中计算所述置信概率包括确定所述2J个相同成帧标识符的置信概率的均值。
9.根据权利要求1所述的方法，进一步包括：
从所述分类算法接收多组D个检测到的当前场景，其中D是大于1的正整数；以及
将与一组D个检测到的当前场景中的每个检测到的当前场景相关联的标识符和置信概率存储在形成大小为M的过滤窗口的存储设备中，其中过滤所述检测到的当前场景包括使用D×M个标识符和相关联的置信概率。
10.一种用于监测场景检测的装置，包括：
多个传感器，被配置用于提供测量值；以及
控制器，被配置为：
通过使用分类算法在连续的检测时刻从可能的参考场景的集合中执行连续的当前场景的实时检测，每个参考场景被指派标识符；以及
基于在大小为M的过滤窗口中考虑的每个新的检测到的当前场景的标识符和与每个新的检测到的当前场景相关联的置信概率来在所述窗口上执行对所述检测到的当前场景的滑动时间过滤处理，并且连续地传送经过滤的检测到的场景，其中M是正整数，其中所述分类算法被配置用于在每个检测时刻传送单个检测到的场景，并且所述控制器包括存储设备，所述存储设备包括形成大小为M的所述窗口的大小为M的移位寄存器，所述控制器被配置为：
针对每个新的检测到的当前场景，
将与每个新的检测到的当前场景相关联的每个标识符和置信概率存储在所述移位寄存器中；
使用所述移位寄存器中存在的M个标识符和与所述M个标识符相关联的置信概率来执行所述过滤处理；以及
传送所述参考场景之一作为所述经过滤的检测到的场景，以及
针对在所述存储设备中不止一次被考虑的每个标识符，
通过执行与所述存储设备中不止一次存在的每个标识符相关联的置信概率的求和来生成累积置信概率；
形成以具有最高累积置信概率的标识符为中心的标识符的概率密度函数；
计算所述概率密度函数的方差；
计算所述最高累积置信概率与所述方差之间的比率；
将所述比率与阈值相比较以生成结果；以及
基于所述结果来选择所述经过滤的检测到的场景。
11.根据权利要求10所述的装置，其中所述分类算法被配置用于传送与每个检测到的当前场景相关联的置信概率。
12.根据权利要求10所述的装置，其中所述分类算法没有被配置用于传送与每个检测到的当前场景相关联的置信概率，并且所述控制器被配置用于向所有检测到的当前场景指派相同的任意置信概率。
13.根据权利要求10所述的装置，其中所述控制器进一步被配置为归一化与每个新的检测到的当前场景相关联的每个置信概率。
14.根据权利要求10所述的装置，其中所述控制器被配置为：针对在所述存储设备中不止一次存在的每个标识符，通过执行与所述存储设备中不止一次存在的每个标识符相关联的置信概率的求和来生成累积置信概率，所述经过滤的检测到的场景则是与被包含在所述存储设备中的标识符相关联的具有最高累积置信概率的场景。
15.根据权利要求10所述的装置，其中所述控制器被配置为：针对所述移位寄存器中存在的由2J个相同成帧标识符所成帧的每个被成帧标识符，执行所述被成帧标识符与2J个相同成帧标识符的比较，其中J是大于或等于2且小于或等于M/2的整数部分的整数，并且当所述被成帧标识符不同于所述2J个相同成帧标识符时，由所述2J个相同成帧标识符之一替换所述被成帧标识符，并且向替换所述被成帧标识符的成帧标识符指派基于2J个成帧标识符的置信概率计算的置信概率。
16.根据权利要求15所述的装置，其中计算的所述置信概率是所述2J个成帧标识符的置信概率的均值。
17.根据权利要求10所述的装置，其中所述分类算法被配置用于在每个检测时刻传送一组D个检测到的当前场景，其中D大于1，并且所述控制器被配置用于：针对每个新的一组D个检测到的当前场景，将与所述D个检测到的当前场景的标识符相关联的置信概率存储在形成大小为M的所述窗口的存储设备中，使用D×M个标识符和相关联的置信概率来执行所述过滤处理，并且传送所述参考场景之一作为所述经过滤的检测到的场景。
18.根据权利要求10所述的装置，其中所述传感器选自以下组，所述组包括：加速计、陀螺仪、磁力计、音频传感器、气压计、接近传感器、光学传感器、温度传感器、湿度传感器和亮度传感器。
19.根据权利要求10所述的装置，其中所述装置是移动蜂窝电话、数字平板电脑或智能手表。
20.一种用于监测场景检测的装置，包括：
用于提供测量值的装置；
用于通过使用分类算法在连续的检测时刻从可能的参考场景的集合中实时检测连续的当前场景的装置，每个参考场景被指派标识符；
用于基于在大小为M的过滤窗口中考虑的每个新的检测到的当前场景的标识符和与每个新的检测到的当前场景相关联的置信概率来在所述窗口上执行对所述检测到的当前场景的滑动时间过滤处理、并且用于连续地传送经过滤的检测到的场景的装置，其中M是正整数，其中所述分类算法被配置用于在每个检测时刻传送单个检测到的场景，
用于存储与每个检测到的当前场景相关联的标识符、以及与每个检测到的当前场景相关联的置信概率的装置，用于存储所述标识符的所述装置包括形成大小为M的所述窗口的、大小为M的移位寄存器；以及
用于进行以下操作的装置：
针对每个新的检测到的当前场景，
将与每个新的检测到的当前场景相关联的每个标识符和置信概率存储在所述移位寄存器中；
使用所述移位寄存器中存在的M个标识符和与所述M个标识符相关联的置信概率来执行所述过滤处理；以及
传送所述参考场景之一作为所述经过滤的检测到的场景，以及
针对所述移位寄存器中存在的由2J个相同成帧标识符所成帧的每个被成帧标识符，执行所述被成帧标识符与2J个相同成帧标识符的比较，其中J是大于或等于2且小于或等于M/2的整数部分的整数，并且当所述被成帧标识符不同于所述2J个相同成帧标识符时，由所述2J个相同成帧标识符之一替换所述被成帧标识符，并且向替换所述被成帧标识符的成帧标识符指派基于2J个成帧标识符的置信概率计算的置信概率。
CN201810369231.8A 2017-05-10 2018-04-23 用于监测场景检测的方法和装置 Active CN108875551B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1754080 2017-05-10
FR1754080A FR3066296A1 (fr) 2017-05-10 2017-05-10 Procede de controle de detection, avec filtrage, de scenes par un appareil, par exemple un appareil de communication sans fil, et appareil correspondant

Publications (2)

Publication Number Publication Date
CN108875551A CN108875551A (zh) 2018-11-23
CN108875551B true CN108875551B (zh) 2021-09-24

Family

ID=59325469

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810369231.8A Active CN108875551B (zh) 2017-05-10 2018-04-23 用于监测场景检测的方法和装置

Country Status (4)

Country Link
US (1) US10929724B2 (zh)
CN (1) CN108875551B (zh)
DE (1) DE102018110014A1 (zh)
FR (1) FR3066296A1 (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101496035A (zh) * 2006-07-28 2009-07-29 Iee国际电子工程股份公司 模式分类方法
CN101689290A (zh) * 2007-06-14 2010-03-31 汤姆森许可贸易公司 用于在给定期望错误概率的情况下设置检测阈值的方法和设备
CN103460221A (zh) * 2011-03-31 2013-12-18 高通股份有限公司 用于在移动装置中使用似然函数值的组合对用户活动进行分类的系统、方法和设备
CN105740867A (zh) * 2016-01-26 2016-07-06 哈尔滨理工大学 图像纹理窗口形状与尺度的选择方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7742620B2 (en) * 2003-03-21 2010-06-22 Lockhead Martin Corporation Target detection improvements using temporal integrations and spatial fusion
US9027045B2 (en) * 2011-12-22 2015-05-05 Adobe Systems Incorporated Consumption likelihood of linear content streams
AU2015225870B2 (en) * 2014-01-27 2020-02-27 Camelot Uk Bidco Limited System and methods for cleansing automated robotic traffic from sets of usage logs
FR3065098A1 (fr) 2017-04-05 2018-10-12 Stmicroelectronics (Rousset) Sas Procede de detection en temps reel d'une scene par un appareil, par exemple un appareil de communication sans fil, et appareil correspondant

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101496035A (zh) * 2006-07-28 2009-07-29 Iee国际电子工程股份公司 模式分类方法
CN101689290A (zh) * 2007-06-14 2010-03-31 汤姆森许可贸易公司 用于在给定期望错误概率的情况下设置检测阈值的方法和设备
CN103460221A (zh) * 2011-03-31 2013-12-18 高通股份有限公司 用于在移动装置中使用似然函数值的组合对用户活动进行分类的系统、方法和设备
CN105740867A (zh) * 2016-01-26 2016-07-06 哈尔滨理工大学 图像纹理窗口形状与尺度的选择方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于朗斯基函数的混合高斯模型运动目标检测;王宝珠 等;《计 算 机 应 用 研 究》;20161231;第33卷(第12期);全文 *

Also Published As

Publication number Publication date
US10929724B2 (en) 2021-02-23
FR3066296A1 (fr) 2018-11-16
DE102018110014A1 (de) 2018-11-15
CN108875551A (zh) 2018-11-23
US20180330203A1 (en) 2018-11-15

Similar Documents

Publication Publication Date Title
US9942720B2 (en) Location determination, mapping, and data management through crowdsourcing
CN106714109B (zh) 基于众包数据的WiFi指纹库更新方法
CN107994960B (zh) 一种室内活动检测方法及系统
CN110138745B (zh) 基于数据流序列的异常主机检测方法、装置、设备及介质
CN108919177B (zh) 一种基于虚拟信源估计与轨迹校正的定位地图构建方法
US20200388139A1 (en) Continuous detection and recognition for threat determination via a camera system
KR20140050639A (ko) 상황정보 추출
CN112101156A (zh) 一种目标识别的方法、装置和电子设备
CN112036269A (zh) 跌倒检测方法、装置、计算机设备和存储介质
CN113746780A (zh) 基于主机画像的异常主机检测方法、装置、介质和设备
CN114140663A (zh) 一种基于多尺度注意力学习网络的害虫识别方法及系统
CN108875551B (zh) 用于监测场景检测的方法和装置
CN107121661B (zh) 定位方法、装置及系统和服务器
WO2024012179A1 (zh) 模型训练方法、目标检测方法及装置
CN115623531B (zh) 利用无线射频信号的隐藏监控设备发现和定位方法
CN115670397B (zh) 一种ppg伪迹识别方法、装置、存储介质及电子设备
CN114078269A (zh) 一种人脸图像聚类方法、装置、服务器和存储介质
CN116186581A (zh) 一种基于图脉冲神经网络的楼层识别方法及系统
CN209930345U (zh) 电子设备
CN108924753A (zh) 用于场景的实时检测的方法和装置
CN111143626A (zh) 团伙识别方法、装置、设备及计算机可读存储介质
US10863018B2 (en) Method for managing a real time detection of a scene by a wireless communication apparatus and corresponding apparatus
Mishev et al. Probabilistic approach by using N-peak Gaussian distribution for indoor positioning
Lin et al. Efficient self-adjustment places of interest finding by eliminating dynamic access point beacons in public places
WO2021166954A1 (ja) マップデータ生成装置及び測位装置

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