CN109472291A - 一种基于dnn算法的人数统计分类方法 - Google Patents
一种基于dnn算法的人数统计分类方法 Download PDFInfo
- Publication number
- CN109472291A CN109472291A CN201811182299.1A CN201811182299A CN109472291A CN 109472291 A CN109472291 A CN 109472291A CN 201811182299 A CN201811182299 A CN 201811182299A CN 109472291 A CN109472291 A CN 109472291A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- indicate
- node
- value
- 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.)
- Pending
Links
Classifications
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
一种基于DNN算法的人数统计分类方法,该方法利用普通的设备搭建无线信道状态数据采集平台,具体的定位可分为两个阶段:离线训练阶段和在线测试阶段。离线阶段采集不同人数时的信道状态信息数据,经过预处理后提取网络特征,并归一化后存入不同人数状态的指纹库,建立人数‑特征指纹的映射关系;在线阶段,对数据进行同样处理后利用深度学习算法对测试数据进行检测。为测试分类的准确度,构建了三层隐含层网络,并使用交叉熵损失函数来提高分类精度。本发明为特定场景内的人数估算提供了一个新的技术方案,且能够以较低成本有效实现对不同人群数目的分类检测,本发明在商场营销、公共安全等领域具有一定的应用价值。
Description
技术领域
本发明涉及人体感知领域,尤其涉及一种基于深度神经网络(Deep NeuralNetworks,DNN)算法的人数统计分类方法。
背景技术
人数统计分类检测是人体感知的一个重要分支,研究人数统计是非常有意义且重要的。如果我们能够判断和估计出人数的数量,就能进而推断出其当前人数的密度范围,对于商场营销、公共安全等领域都是很有帮助的。
人数统计分类检测在很多领域都有很好的应用前景。在一个大型商场中如何在巨大的人流中确定顾客的消费兴趣点,对商场管理和调整也具有重大意义的。如通过对区域内人数的检测,结合室内定位技术判断消费者正在浏览的商品,从而统计顾客消费兴趣点,进而调整销售策略。此外,如在机场、车站,球场等大型的公共场所,人流量过大存在着很大的安全隐患,人数估计技术有利于提前预防公共安全问题。
如今许多学者都是利用激光、传感器、视频图像等需要佩戴设备的方法实现对人体检测和人数统计,可能会存在隐私、环境不适合等问题。近几年,已有不少研究者开始对基于无线局域网技术的人数统计研究,但目前还未出现构造网络特征,并使用深度学习算法对人数进行统计方面问题的成果。
发明内容
为了克服现有人体检测和人数统计方式的存在隐私、环境不适合问题、无法进行分类统计的不足,本发明提出了一种新的使用DNN算法对人数统计的方法,结果证明此方法是有效的,能实现对不同人数的分类。
为了解决上述技术问题,本发明采用的如下的技术方案:
一种基于DNN算法的人数统计分类方法,包括以下步骤:
步骤1:搭建信道状态信息数据采集平台;
步骤2:不同人数的人群依次在检测区域内坐、站、随机走动,采集包含信道状态信息的数据包,每个信道状态信息数据的格式为:(A1,A2,...A30)RxN。其中A1~A30为子载波,R为发射天线数,N为接收天线数;
步骤3:取第1对天线对上的数据进行预处理,过程如下:
步骤3-1:将数据分解提取其中幅度信息数据;
步骤3-2:除去幅度信息数据明显的异常值;
步骤4:特征提取阶段,过程如下:
步骤4-1:将每次得到的幅度信息作为时间序列构建网络,并计算网络的测量指标,平均聚类系数聚类系数熵EC和度值标准差kstd,分别表示为:
其中τi,Δ表示以节点i为中心的闭合三元组的个数,τi表示以节点i为中心的三元组的个数,ci表示节点i的聚类系数,N为构建网络时的网络节点的个数;
其中ci表示节点i的聚类系数,N为网络的节点总数;
其中ki为每种网络中节点i的度值,为网络的平均度值,N表示构建的每种网络的节点的个数;
步骤4-2:对上述提取的网络特征进行归一化方法处理,XN=(XO-μ)/σ,其中,XN表示归一化后的数据,XO表示归一化前的数据,μ表示该数据的平均值,σ表示该数据的标准差;
步骤5:取其它的天线对,重复步骤4;
步骤6:将上述每次提取的幅度的网络特征作为不同人数状态的一条指纹,建立不同人数的网络特征指纹库;
步骤7:在线阶段,采集测试数据包;
步骤8:测试数据处理,具体为步骤3~步骤5;
步骤9:算法测试阶段,对测试数据的每个数据样本用深度学习算法DNN进行检测,测试其分类精确度,过程如下:
步骤9-1:将得到的网络特征作为DNN的输入,并构建三层隐藏层网络;
步骤9-2:选择sig mo i d函数作为每一层隐藏层的激活函数,在输出层选择softmax函数来将分类结果限制在中,在0-1之间,最终将最大的值作为分类结果;由于预测值与实际值之间存在误差,所以使用交叉熵损失函数ek用于优化目标函数;
其中aL表示第L层隐藏层的节点个数,σsoft(.)表示soft max函数;其中S为训练样本的总数,yi,j表示第i个输出向量中的第j个元素,为在k次迭代后第i个输出向量中的第j个元素;
步骤10:记录分类结果,并判断测试场景内的人数。
本发明的有益效果是:
1.充分利用了无线局域网设备作为实验平台,部署简单,抗干扰能力较强,且价格低廉,易于普及。
2.本发明不需人体携带设备、电子标签等,简单可靠,在体感游戏、盲人识向等领域具有一定的应用价值;
3.本发明把时间序列网络化的思想应用到了人数分类检测中,为人数分类实验提供了一个新的研究思路。
4.本发明主要应用了深度学习算法,对数据量较大的情况同样具有较好的分类效果。
附图说明
图1是一种数据采集点的分布示意图;
图2是所使用的神经网络模型的结构示意图;
图3、图4是本发明在教室环境下实施方式的性能图。
其中图3为在相同状态(如不同的人数都为坐的状态)下不同人数的分类效果图。图4为在相同人数下不同状态的分类效果图。
图5为展示了如何把一组子载波转变成VG的过程示意图,其中,(a)所示的30条竖线,(b)表示VG的规则。
图6是基于DNN算法的人数统计分类方法的流程图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
参照图1~图6,一种基于DNN算法的人数统计分类方法,包括以下步骤:
步骤1:搭建信道状态信息数据采集平台;
步骤2:不同人数的人群依次在检测区域内坐、站、随机走动,采集包含信道状态信息的数据包,每个信道状态信息数据的格式为:(A1,A2,...A30)RxN。其中A1~A30为子载波,R为发射天线数,N为接收天线数;
步骤3:取第1对天线对上的数据进行预处理,过程如下:
步骤3-1:将数据分解提取其中幅度信息数据;
步骤3-2:除去幅度信息数据明显的异常值;
步骤4:特征提取阶段,过程如下:
步骤4-1:将每次得到的幅度信息作为时间序列构建网络,并计算网络的测量指标,平均聚类系数聚类系数熵EC和度值标准差kstd,分别表示为:
其中τi,Δ表示以节点i为中心的闭合三元组的个数,τi表示以节点i为中心的三元组的个数,ci表示节点i的聚类系数,N为构建网络时的网络节点的个数;
其中ci表示节点i的聚类系数,N为网络的节点总数;
其中ki为每种网络中节点i的度值,为网络的平均度值,N表示构建的每种网络的节点的个数;
步骤4-2:对上述提取的网络特征进行归一化方法处理,XN=(XO-μ)/σ,其中,XN表示归一化后的数据,XO表示归一化前的数据,μ表示该数据的平均值,σ表示该数据的标准差;
步骤5:取其它的天线对,重复步骤4;
步骤6:将上述每次提取的幅度的网络特征作为不同人数状态的一条指纹,建立不同人数的网络特征指纹库;
步骤7:在线阶段,采集测试数据包;
步骤8:测试数据处理,具体为步骤3~步骤5;
步骤9:算法测试阶段,对测试数据的每个数据样本用深度学习算法DNN进行检测,测试其分类精确度,过程如下:
步骤9-1:将得到的网络特征作为DNN的输入,并构建三层隐藏层网络;
步骤9-2:选择sig mo i d函数作为每一层隐藏层的激活函数,在输出层选择softmax函数来将分类结果限制在中,在0-1之间,最终将最大的值作为分类结果;由于预测值与实际值之间存在误差,所以使用交叉熵损失函数ek用于优化目标函数;
其中aL表示第L层隐藏层的节点个数,σsoft(.)表示soft max函数;其中S为训练样本的总数,yi,j表示第i个输出向量中的第j个元素,为在k次迭代后第i个输出向量中的第j个元素;
步骤10:记录分类结果,并判断测试场景内的人数。
本实施例,一种基于DNN算法的人数统计分类方法,包括以下步骤:
1.我们的实验平台包括接入点AP和监控点MP两部分,AP为普通的无线路由器,MP为安装了Intel 5300网卡和信道状态信息提取软件的笔记本电脑;
2.具体实施场地为一个8mx15m的教室。如图1所示。
3.在如图1所示的AP与MP之间的实验区域中,首先让5个志愿者坐在指定的位置,收集包含信道状态信息的数据包,然后让他们站在指定位置,最后让他们自由的走动,并收集相应的信道状态信息的数据包。同理在此区域包含人数为21、41时,也进行上述同样的操作。采集完毕后,都能得到一个.dat文件;
4.从每个位置的.dat文件中提取出信道状态信息数据的幅度信息;
5.对数据进行预处理,使用拉依达方法去除异常值;
6.对提取的幅度信息构建网络,计算其网络特征,平均聚类系数聚类系数熵(EC),度值标准差(kstd);
7.对得到的网络特征数据标进行标准化处理;
8.测试阶段,人群同样在图1中的实验区域,采集测试数据,每次实验的采集时间为20秒;
9.同样经过上述4、5、6中的处理后,对测试数据进行标准化;
10.我们采用DNN深度学习算法对得到的数据样本进行分类比对,同时根据发明内容中步骤8~步骤10的详细过程,得到分类精确度。
由图3和图4所示表明本发明可以有效的对给定场景下不同人数进行估算分类。
参照图5,VG(Visibility Graph)构造具体过程如下:
对于从CSI数据中提取的一组子载波序列(实际为30),我们把它作为一系列连续的时间序列数据点,并做出如图5(a)所示的30条竖线,竖线的高度代表各个子载波的幅度值。把每条竖线表示(某一个子载波)与其他可以被看到的竖线相连接,即如果两条竖线的顶点的连线没有被它们之间的任何其他竖线阻隔,则这两条竖线连接。最后可以得到构建VG的规则,即:取任意两点(Ya,fa),(Yb,fb),其中fn代表第n个子载波,Yn代表第n个子载波的幅度值。若两点之间的任意点(Yc,fc),fa<fc<fb,均有
则两条竖线(网络节点)相连。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (1)
1.一种基于DNN算法的人数统计分类方法,其特征在于,所述方法包括以下步骤:
步骤1:搭建信道状态信息数据采集平台;
步骤2:不同人数的人群依次在检测区域内坐、站、随机走动,采集包含信道状态信息的数据包,每个信道状态信息数据的格式为:(A1,A2,...A30)RxN,其中A1~A30为子载波,R为发射天线数,N为接收天线数;
步骤3:取第1对天线对上的数据进行预处理,过程如下:
步骤3-1:将数据分解提取其中幅度信息数据;
步骤3-2:除去幅度信息数据明显的异常值;
步骤4:特征提取阶段,过程如下:
步骤4-1:将每次得到的幅度信息作为时间序列构建网络,并计算网络的测量指标,平均聚类系数聚类系数熵EC和度值标准差kstd,分别表示为:
其中τi,Δ表示以节点i为中心的闭合三元组的个数,τi表示以节点i为中心的三元组的个数,ci表示节点i的聚类系数,N为构建网络时的网络节点的个数;
其中ci表示节点i的聚类系数,N为网络的节点总数;
其中ki为每种网络中节点i的度值,为网络的平均度值,N表示构建的每种网络的节点的个数;
步骤4-2:对上述提取的网络特征进行归一化方法处理,XN=(XO-μ)/σ,其中,XN表示归一化后的数据,XO表示归一化前的数据,μ表示该数据的平均值,σ表示该数据的标准差;
步骤5:取其它的天线对,重复步骤4;
步骤6:将上述每次提取的幅度的网络特征作为不同人数状态的一条指纹,建立不同人数的网络特征指纹库;
步骤7:在线阶段,采集测试数据包;
步骤8:测试数据处理,具体为步骤3~步骤5;
步骤9:算法测试阶段,对测试数据的每个数据样本用深度学习算法DNN进行检测,测试其分类精确度,过程如下:
步骤9-1:将得到的网络特征作为DNN的输入,并构建三层隐藏层网络;
步骤9-2:选择sigmoid函数作为每一层隐藏层的激活函数,在输出层选择softmax函数来将分类结果限制在中,在0-1之间,最终将最大的值作为分类结果;由于预测值与实际值之间存在误差,所以使用交叉熵损失函数ek用于优化目标函数;
其中aL表示第L层隐藏层的节点个数,σsoft(.)表示softmax函数;其中S为训练样本的总数,yi,j表示第i个输出向量中的第j个元素,为在k次迭代后第i个输出向量中的第j个元素;
步骤10:记录分类结果,并判断测试场景内的人数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811182299.1A CN109472291A (zh) | 2018-10-11 | 2018-10-11 | 一种基于dnn算法的人数统计分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811182299.1A CN109472291A (zh) | 2018-10-11 | 2018-10-11 | 一种基于dnn算法的人数统计分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109472291A true CN109472291A (zh) | 2019-03-15 |
Family
ID=65663415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811182299.1A Pending CN109472291A (zh) | 2018-10-11 | 2018-10-11 | 一种基于dnn算法的人数统计分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109472291A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160358074A1 (en) * | 2015-06-05 | 2016-12-08 | Cisco Technology, Inc. | Methods and Systems for Counting People |
CN106407946A (zh) * | 2016-09-29 | 2017-02-15 | 北京市商汤科技开发有限公司 | 跨线计数方法和深度神经网络训练方法、装置和电子设备 |
CN107154088A (zh) * | 2017-03-29 | 2017-09-12 | 西安电子科技大学 | 基于信道状态信息的活动人员数量估计方法 |
CN107330390A (zh) * | 2017-06-26 | 2017-11-07 | 上海远洲核信软件科技股份有限公司 | 一种基于图像分析和深度学习的人数统计方法 |
CN107818343A (zh) * | 2017-10-30 | 2018-03-20 | 中国科学院计算技术研究所 | 计数方法及装置 |
CN107967451A (zh) * | 2017-11-23 | 2018-04-27 | 常州大学 | 一种利用多尺度多任务卷积神经网络对静止图像进行人群计数的方法 |
CN107992882A (zh) * | 2017-11-20 | 2018-05-04 | 电子科技大学 | 一种基于WiFi信道状态信息和支持向量机的室内人数统计方法 |
CN108268894A (zh) * | 2018-01-10 | 2018-07-10 | 浙江工业大学 | 一种基于网络可视图的人体朝向检测方法 |
-
2018
- 2018-10-11 CN CN201811182299.1A patent/CN109472291A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160358074A1 (en) * | 2015-06-05 | 2016-12-08 | Cisco Technology, Inc. | Methods and Systems for Counting People |
CN106407946A (zh) * | 2016-09-29 | 2017-02-15 | 北京市商汤科技开发有限公司 | 跨线计数方法和深度神经网络训练方法、装置和电子设备 |
CN107154088A (zh) * | 2017-03-29 | 2017-09-12 | 西安电子科技大学 | 基于信道状态信息的活动人员数量估计方法 |
CN107330390A (zh) * | 2017-06-26 | 2017-11-07 | 上海远洲核信软件科技股份有限公司 | 一种基于图像分析和深度学习的人数统计方法 |
CN107818343A (zh) * | 2017-10-30 | 2018-03-20 | 中国科学院计算技术研究所 | 计数方法及装置 |
CN107992882A (zh) * | 2017-11-20 | 2018-05-04 | 电子科技大学 | 一种基于WiFi信道状态信息和支持向量机的室内人数统计方法 |
CN107967451A (zh) * | 2017-11-23 | 2018-04-27 | 常州大学 | 一种利用多尺度多任务卷积神经网络对静止图像进行人群计数的方法 |
CN108268894A (zh) * | 2018-01-10 | 2018-07-10 | 浙江工业大学 | 一种基于网络可视图的人体朝向检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qin et al. | Applying the convolutional neural network deep learning technology to behavioural recognition in intelligent video | |
CN107480699A (zh) | 一种基于信道状态信息和支持向量机的入侵检测方法 | |
CN110532970A (zh) | 人脸2d图像的年龄性别属性分析方法、系统、设备和介质 | |
CN105787472B (zh) | 一种基于时空拉普拉斯特征映射学习的异常行为检测方法 | |
CN107154088B (zh) | 基于信道状态信息的活动人员数量估计方法 | |
CN110378259A (zh) | 一种面向监控视频的多目标行为识别方法及系统 | |
CN106845357A (zh) | 一种基于多通道网络的视频人脸检测和识别方法 | |
CN108200644B (zh) | 一种基于网络可视图的无源室内定位方法 | |
CN109118479A (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN108921051A (zh) | 基于循环神经网络注意力模型的行人属性识别网络及技术 | |
CN104298969B (zh) | 基于颜色与haar特征融合的人群规模统计方法 | |
CN108921039A (zh) | 基于多尺寸卷积核的深度卷积模型的森林火灾检测方法 | |
CN110070530A (zh) | 一种基于深度神经网络的输电线路覆冰检测方法 | |
CN109117745B (zh) | 一种基于建筑信息模型的云端人脸识别与定位方法 | |
CN108268894A (zh) | 一种基于网络可视图的人体朝向检测方法 | |
CN103390151B (zh) | 人脸检测方法及装置 | |
CN109902560A (zh) | 一种基于深度学习的疲劳驾驶预警方法 | |
CN106557740B (zh) | 一种遥感图像中油库目标的识别方法 | |
CN109858389A (zh) | 基于深度学习的直梯人数统计方法及系统 | |
CN102495997B (zh) | 基于视频检测与gis图像可视化的阅览室智能管理系统 | |
CN109993230A (zh) | 一种面向脑功能磁共振图像分类的tsk模糊系统建模方法 | |
CN109379153A (zh) | 一种频谱感知方法 | |
CN109935080A (zh) | 一种交通线路上的车流量实时计算的监测系统及方法 | |
CN109977132A (zh) | 一种基于无监督聚类模式的学生异常行为模式分析方法 | |
CN103310235B (zh) | 一种基于参数识别与估计的隐写分析方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190315 |
|
RJ01 | Rejection of invention patent application after publication |