CN114049299A - 基于Bi-LSTM网络模型的人数统计方法、装置及可读存储介质 - Google Patents

基于Bi-LSTM网络模型的人数统计方法、装置及可读存储介质 Download PDF

Info

Publication number
CN114049299A
CN114049299A CN202111178188.5A CN202111178188A CN114049299A CN 114049299 A CN114049299 A CN 114049299A CN 202111178188 A CN202111178188 A CN 202111178188A CN 114049299 A CN114049299 A CN 114049299A
Authority
CN
China
Prior art keywords
training
network model
lstm network
wireless data
people counting
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
Application number
CN202111178188.5A
Other languages
English (en)
Inventor
王楷
苏晓杰
冉秉东
马铁东
贾美岭
姚望
唐亚娅
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.)
Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN202111178188.5A priority Critical patent/CN114049299A/zh
Publication of CN114049299A publication Critical patent/CN114049299A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及通信技术领域，公开了一种基于Bi‑LSTM网络模型的人数统计方法、装置和一种可读存储介质，该方法步骤包括：基于无线接收器采集不同人数下的训练无线数据；利用所述训练无线数据构建并训练Bi‑LSTM网络模型；获取当前无线数据，并将所述当前无线数据输入Bi‑LSTM网络模型，计算得到当前人数统计结果。本发明能够实现准确的人数统计，减小环境以及建筑结构对人数统计的影响，减小光照强度对人数统计的影响，以及实现避开建筑物统计人数的功能。

Description

基于Bi-LSTM网络模型的人数统计方法、装置及可读存储介质
技术领域
本发明涉及通信技术领域，尤其涉及基于Bi-LSTM网络模型的人数统计方法、装置及可读存储介质。
背景技术
目前，随着科学技术的发展，人数统计在军事作战、应急搜救、公共安全等方面正发挥着重要作用。但是，可穿戴式人数统计系统因需一直佩戴，应用场景非常受限，不能穿过遮挡物实现人数统计；可见光机器视觉的人数统计系统受遮挡、光线强弱变化、隐私保护等问题影响较大，不能实现准确的人数统计。
发明内容
本发明的主要目的在于提出一种基于Bi-LSTM网络模型的人数统计方法、装置及可读存储介质，旨在实现准确的人数统计，减小环境以及建筑结构对人数统计的影响，减小光照强度对人数统计的影响，实现避开建筑物统计人数。
为实现上述目的，本发明提供一种基于Bi-LSTM(双向长短期记忆)网络模型的人数统计方法，所述基于Bi-LSTM网络模型的人数统计方法包括如下步骤：
基于无线接收器采集不同人数下的训练无线数据；
利用所述训练无线数据构建并训练Bi-LSTM网络模型；
获取当前无线数据，并将所述当前无线数据输入Bi-LSTM网络模型，计算得到当前人数统计结果。
可选地，所述利用所述训练无线数据构建Bi-LSTM网络模型的步骤包括：
对所述训练无线数据进行预处理；
根据预处理后的训练无线数据中的时间步长，确定样本数和预设训练周期；
根据所述样本数和所述时间步长构建Bi-LSTM网络模型；
将所述样本数、所述时间步长和预处理后的训练无线数据中的特征数量输入Bi-LSTM网络模型中进行训练；
当所述Bi-LSTM网络模型训练完成一次之后，通过优化器根据预处理后的训练无线数据对网络权值进行迭代更新，直至所述Bi-LSTM网络模型的训练周期大于或等于预设训练周期时，所述Bi-LSTM网络模型训练完成。
可选地，其中，所述Bi-LSTM网络模型由若干个LSTM网络模型组成；
其中，所述LSTM网络模型由输入序列xt、当前单元状态Ct、临时单元状态
Figure BDA0003296131860000021
隐藏层状态ht、遗忘门ft、记忆门it和输出门ot组成。
其中，ft＝σ(Wf·[ht-1,xt]+bf)；
it＝σ(Wi·[ht-1,xt]+bi)；
Figure BDA0003296131860000022
Figure BDA0003296131860000023
ot＝σ(Wo·[ht-1,xt]+bo)；
ht＝ot·tanh(Ct)；
其中，Wf为遗忘门的权值矩阵、Wi为输入门的权重矩阵、Wc为单元状态的权重矩阵、Wo为输出门的权重矩阵、bf为遗忘门的偏置项、bi为输入门的偏置项、bc为单元状态的偏置项、bo为输出门的偏置项；σ(·)为激活函数为sigmoid函数，tanh(·)表示激活函数为双曲正切函数。
可选地，其中，训练所述Bi-LSTM网络模型的损失函数为交叉熵函数，训练所述Bi-LSTM网络模型的优化器为自适应矩估计优化器。
可选地，所述对所述训练无线数据进行预处理的步骤，包括：
基于信道状态解析程序对所述训练无线数据进行解析，得到训练矩阵数据；
基于巴特沃斯滤波程序对所述训练矩阵数据进行高频滤波，得到处理后的训练降噪矩阵数据；
基于主成分分析算法对所述训练降噪矩阵数据进行降维运算，得到降噪、降维处理后的训练无线数据。
可选地，所述基于巴特沃斯滤波程序对所述训练矩阵数据进行高频滤波，得到处理后的训练降噪矩阵数据的步骤，包括：
获取所述训练无线接收器的采样频率、人体波动频率以及滤波阶数；
根据所述采样频率和所述人体波动频率计算截止频率；
基于所述截止频率和所述滤波阶数对所述信号矩阵中的信号幅值进行高频滤波，得到滤波幅值；
将所述矩阵信号中的信号幅值替换成所述滤波幅值，得到训练降噪矩阵信号。
可选地，所述基于主成分分析算法对所述训练降噪矩阵数据进行降维运算，得到降噪、降维处理后的训练无线数据的步骤，包括：
将所述训练降噪矩阵数据作为样本集输入主成分分析算法中，对所述样本集中的每个空间样本点分别进行中心化处理；
计算所述空间样本点的协方差矩阵，并对所述协方差矩阵进行分解，求出每个所述空间样本点对应的特征值以及每个所述空间样本点对应的特征向量；
根据预设重构阈值和所述特征值，确定最小降维维度；
按从大到小将所述特征值进行降序排列，选择前所述最小降维维度个所述特征值对应的特征向量，得到降噪、降维处理后的训练无线数据。
可选地，所述获取当前无线数据的步骤之后，包括：
基于信道状态解析程序对所述当前无线数据进行解析，得到当前矩阵数据；
基于巴特沃斯滤波程序对所述当前矩阵数据进行高频滤波，得到处理后的当前降噪矩阵数据；
基于主成分分析算法对所述当前降噪矩阵数据进行降维运算，得到降噪、降维处理后的当前无线数据。
此外，为实现上述目的，本发明还提供一种人数统计装置，所述人数统计装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的人数统计程序，所述人数统计程序被所述处理器执行时实现如上所述的基于Bi-LSTM网络模型的人数统计方法的步骤。
此外，为实现上述目的，本发明还提供一种可读存储介质，所述可读存储介质上存储有人数统计程序，所述人数统计程序被处理器执行时实现如上所述的基于Bi-LSTM网络模型的人数统计方法的步骤。
本发明提供了一种人数统计方法、装置及可读存储介质，基于无线接收器采集不同人数下的训练无线数据；利用所述训练无线数据构建并训练Bi-LSTM网络模型；获取当前无线数据，并将所述当前无线数据输入Bi-LSTM网络模型，计算得到当前人数统计结果。通过上述方式，本发明能够实现准确的人数统计，减小环境以及建筑结构对人数统计的影响，减小光照强度对人数统计的影响，以及实现避开建筑物统计人数的功能。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图；
图2为本发明基于Bi-LSTM网络模型的人数统计方法第一实施例的流程示意图；
图3为本发明基于Bi-LSTM网络模型的人数统计方法第二实施例的流程示意图；
图4为本发明基于Bi-LSTM网络模型的人数统计方法第三实施例的流程示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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。
本发明实施例的主要解决方案是：基于无线接收器采集不同人数下的训练无线数据；利用所述训练无线数据构建并训练Bi-LSTM网络模型；获取当前无线数据，并将所述当前无线数据输入Bi-LSTM网络模型，计算得到当前人数统计结果。
现有的随着科学技术的发展，人数统计在军事作战、应急搜救、公共安全等方面正发挥着重要作用。但是，可穿戴式人数统计系统因需一直佩戴，应用场景非常受限，不能穿过遮挡物实现人数统计；可见光机器视觉的人数统计系统受遮挡、光线强弱变化、隐私保护等问题影响较大，不能实现准确的人数统计
本发明实现准确的人数统计，减小环境以及建筑结构对人数统计的影响，减小光照强度对人数统计的影响，实现避开建筑物统计人数。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端可以是PC，也可以是智能手机、平板电脑等具有显示功能的可移动式终端设备。
如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
优选地，终端还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及人数统计程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的人数统计程序，并执行以下操作：
基于无线接收器采集不同人数下的训练无线数据；
利用所述训练无线数据构建并训练Bi-LSTM网络模型；
获取当前无线数据，并将所述当前无线数据输入Bi-LSTM网络模型，计算得到当前人数统计结果。进一步地，处理器1001可以调用存储器1005中存储的人数统计程序，还执行以下操作：
对所述训练无线数据进行预处理；
根据预处理后的训练无线数据中的时间步长，确定样本数和预设训练周期；
根据所述样本数和所述时间步长构建Bi-LSTM网络模型；
将所述样本数、所述时间步长和预处理后的训练无线数据中的特征数量输入Bi-LSTM网络模型中进行训练；
当所述Bi-LSTM网络模型训练完成一次之后，通过优化器根据预处理后的训练无线数据对网络权值进行迭代更新，直至所述Bi-LSTM网络模型的训练周期大于或等于预设训练周期时，所述Bi-LSTM网络模型训练完成。
进一步地，其中，所述Bi-LSTM网络模型由若干个LSTM网络模型组成；
其中，所述LSTM网络模型由输入序列xt、当前单元状态Ct、临时单元状态
Figure BDA0003296131860000071
隐藏层状态ht、遗忘门ft、记忆门it和输出门ot组成。
其中，ft＝σ(Wf·[ht-1,xt]+bf)；
it＝σ(Wi·[ht-1,xt]+bi)；
Figure BDA0003296131860000072
Figure BDA0003296131860000073
ot＝σ(Wo·[ht-1,xt]+bo)；
ht＝ot·tanh(Ct)；
其中，Wf为遗忘门的权值矩阵、Wi为输入门的权重矩阵、Wc为单元状态的权重矩阵、Wo为输出门的权重矩阵、bf为遗忘门的偏置项、bi为输入门的偏置项、bc为单元状态的偏置项、bo为输出门的偏置项；σ(·)为激活函数为sigmoid函数，tanh(·)表示激活函数为双曲正切函数。
进一步地，其中，训练所述Bi-LSTM网络模型的损失函数为交叉熵函数，训练所述Bi-LSTM网络模型的优化器为自适应矩估计优化器。
进一步地，处理器1001可以调用存储器1005中存储的人数统计程序，还执行以下操作：
基于信道状态解析程序对所述训练无线数据进行解析，得到训练矩阵数据；
基于巴特沃斯滤波程序对所述训练矩阵数据进行高频滤波，得到处理后的训练降噪矩阵数据；
基于主成分分析算法对所述训练降噪矩阵数据进行降维运算，得到降噪、降维处理后的训练无线数据。
进一步地，处理器1001可以调用存储器1005中存储的人数统计程序，还执行以下操作：
获取所述训练无线接收器的采样频率、人体波动频率以及滤波阶数；
根据所述采样频率和所述人体波动频率计算截止频率；
基于所述截止频率和所述滤波阶数对所述信号矩阵中的信号幅值进行高频滤波，得到滤波幅值；
将所述矩阵信号中的信号幅值替换成所述滤波幅值，得到训练降噪矩阵信号。
进一步地，处理器1001可以调用存储器1005中存储的人数统计程序，还执行以下操作：
将所述训练降噪矩阵数据作为样本集输入主成分分析算法中，对所述样本集中的每个空间样本点分别进行中心化处理；
计算所述空间样本点的协方差矩阵，并对所述协方差矩阵进行分解，求出每个所述空间样本点对应的特征值以及每个所述空间样本点对应的特征向量；
根据预设重构阈值和所述特征值，确定最小降维维度；
按从大到小将所述特征值进行降序排列，选择前所述最小降维维度个所述特征值对应的特征向量，得到降噪、降维处理后的训练无线数据。
进一步地，处理器1001可以调用存储器1005中存储的人数统计程序，还执行以下操作：
基于信道状态解析程序对所述当前无线数据进行解析，得到当前矩阵数据；
基于巴特沃斯滤波程序对所述当前矩阵数据进行高频滤波，得到处理后的当前降噪矩阵数据；
基于主成分分析算法对所述当前降噪矩阵数据进行降维运算，得到降噪、降维处理后的当前无线数据。
基于上述硬件结构，提出本发明基于Bi-LSTM网络模型的人数统计方法实施例。
本发明基于Bi-LSTM网络模型的人数统计方法。
参照图2，图2为本发明基于Bi-LSTM网络模型的人数统计方法第一实施例的流程示意图。
本发明实施例中，该基于Bi-LSTM网络模型的人数统计方法应用于人数统计装置，所述方法包括：
步骤S10，基于无线接收器采集不同人数下的训练无线数据；
在本实施例中，为了准确的人数统计，减小环境以及建筑结构对人数统计的影响，减小光照强度对人数统计的影响，实现避开建筑物统计人数的功能，人数统计装置基于无线接收器采集不同人数下的训练无线数据；其中，无线接收器可以采集0、1、2、3、4、5种不同人数下的训练无线数据。其中，训练无线数据为用于训练Bi-LSTM网络模型的无线数据。
步骤S20，利用所述训练无线数据构建并训练Bi-LSTM网络模型；
在本实施例中，人数统计装置在采集了不同人数下的训练无线数据之后，利用所述训练无线数据构建并训练Bi-LSTM网络模型。
步骤S30，获取当前无线数据，并将所述当前无线数据输入Bi-LSTM网络模型，计算得到当前人数统计结果。
在本实施例中，人数统计装置在构建和训练完成了Bi-LSTM网络模型之后，获取当前无线数据，并将所述当前无线数据输入Bi-LSTM网络模型，计算得到当前人数统计结果。其中，当前人数统计结果可以为0、1、2、3、4、5个人。
步骤S30获取当前无线数据之后，可以包括：
步骤a1，基于信道状态解析程序对所述训练无线数据进行解析，得到训练矩阵数据；
在本实施例中，人数统计装置在接收到当前无线数据之后，根据信道状态解析程序对当前无线数据进行解析，得到当前矩阵信号。以其中一条数据为例，从每个采样时刻的无线数据中取某一根发射天线与三根接收天线形成的信号传播链路数据；采集到的原始信号是dat格式，经过信道状态解析程序之后，将无线数据转换为四维的矩阵信号。其中矩阵信号为3*3*30*n的四维矩阵，其中第一个“3”表示发射天线的数量，第二个“3”表示接收条线的数量，“30”表示每个信道上的30个子载波，n表示当前数据包有n条数据，其中每一条数据都是3*3*30维的矩阵。其中，n可以为612。
步骤a1，基于信道状态解析程序对所述当前无线数据进行解析，得到当前矩阵数据之前，可以包括：
步骤b，基于无线接收器接收无线路由器发出无线数据。
在本实施例中，人数统计装置对当前无线数据进行解析之前，根据人类活性相关的无线数据确定人体数量，在人类活动区域设置一个无线路由器，无线路由器用于发出无线数据，无线数据穿过在空间内活动的人体之后，被无线接收器接收，人数统计装置根据无线接收器接收无线路由器发出无线数据。大多数基于无线电的方法，如无线传感器网络、红外线、超宽带等，但这些方法都需要安装部署专有设备并建立专用的基础结构，高昂的成本及较低的普适性阻碍了它们的广泛部署。WiFi不仅可以用来传输数据，而且接收到的WiFi信号会携带反映活体状态的特征信息。因此，WiFi探测不仅具有与雷达、红外探测相同的“透视”能力，而且设备简单、成本低、能耗小，在人数统计领域的应用前景更加广阔。
步骤a2，基于巴特沃斯滤波程序对所述当前矩阵数据进行高频滤波，得到处理后的当前降噪矩阵数据；
在本实施例中，人数统计装置在得到了当前矩阵数据之后，基于巴特沃斯滤波程序对所述当前矩阵数据进行高频滤波，得到处理后的当前降噪矩阵数据。实际应用中由于环境及设备噪声的影响，这些噪声主要是一些高频数据，从而导致提取出的CSI数据十分不平滑，难以提取有效特征，因此需要首先对CSI数据进行去噪处理，通过分析得知人类活动对链路产生的影响大多由频谱中的低频数据组成。然而，原始的CSI数据汇总包含有大量的高频噪声，为了避免人体这样一种微弱的低频数据被大量的高频噪声淹没，需要使用滤波器将这些高频噪声滤除，才能从CSI数据中提取出人数相关的数据。
步骤a2基于巴特沃斯滤波程序对所述当前矩阵数据进行高频滤波，得到处理后的降噪矩阵数据，可以包括：
步骤c1，获取所述无线接收器的采样频率、人体波动频率以及滤波阶数；
在本实施例中，人数统计装置在获取了当前矩阵数据之后，获取所述无线接收器的采样频率、人体波动频率以及滤波阶数。
步骤c2，根据所述采样频率和所述人体波动频率计算截止频率；.
在本实施例中，人数统计装置在获取了无线接收器的采样频率和人体波动频率之后，根据所述采样频率和所述人体波动频率计算截止频率。其中，所述截止频率
Figure BDA0003296131860000111
其中，fc为人体波动频率，fs为无线接收器的采样频率。考虑到人体活动对无线数据序列造成的频率波动(即人体波动频率)约为10Hz，在无线数据的采样频率为50Hz时，可根据
Figure BDA0003296131860000112
求得巴特沃斯滤波器的截止频率wc为0.4πrad/s。
步骤c3，基于所述截止频率和所述滤波阶数对所述数据矩阵中的数据幅值进行高频滤波，得到滤波幅值。
在本实施例中，人数统计装置在得到了截止频率和滤波阶数之后，基于所述截止频率和所述滤波阶数对所述数据矩阵中的数据幅值进行高频滤波，得到滤波幅值。其中，根据实际需要及计算复杂性，设置该滤波器的阶数为9，即N＝9。巴特沃斯滤波程序的低通滤波方法需要滤波器的阶数N和表示幅度在-3dB处通带的截止频率wc两个参数，其滤波幅度平方函数可表示为
Figure BDA0003296131860000121
步骤c4，将所述数据矩阵中的数据幅值替换成所述滤波幅值，得到当前降噪矩阵数据。
在本实施例中，人数统计装置在得到了滤波幅值之后，将所述数据矩阵中的数据幅值替换成所述滤波幅值，得到当前降噪矩阵数据。
步骤a3，基于主成分分析算法对所述当前降噪矩阵数据进行降维运算，得到降噪、降维处理后的当前无线数据。
在本实施例中，人数统计装置得到了降噪矩阵数据之后，根据主成分分析算法对所述降噪矩阵数据进行降维运算，得到降噪、降维处理后的无线数据。
步骤a3基于主成分分析算法对所述当前降噪矩阵数据进行降维运算，得到降噪、降维处理后的无线数据，可以包括：
步骤d1，将所述训练降噪矩阵数据作为样本集输入主成分分析算法中，对所述样本集中的每个空间样本点分别进行中心化处理；
在本实施例中，人数统计装置在得到了当前降噪矩阵数据之后，将所述当前降噪矩阵数据作为样本集输入主成分分析算法中，对所述样本集中的每个空间样本点分别进行中心化处理。其中，主成分分析算法(Principal components analysis，PCA)是一种分析、简化数据集的技术。所述样本集D＝{x1,x2,...,xn}，也即是降噪矩阵数据D＝{x1,x2,...,xn}；中心化处理后的空间样本点为
Figure BDA0003296131860000122
xi为降噪矩阵数据中的一个空间样本点。
步骤d2，计算所述空间样本点的协方差矩阵，并对所述协方差矩阵进行分解，求出每个所述空间样本点对应的特征值以及每个所述空间样本点对应的特征向量；
在本实施例中，人数统计装置在对空间样本点进行中心化处理之后，计算样本的协方差矩阵zzT，并针对此协方差矩阵进行分解，求出每个所述空间样本点对应的特征值λi及每个所述空间样本点对应的特征向量wi。其中，每个特征值与每个特征向量一一对应。
步骤d3，根据预设重构阈值和所述特征值，确定最小降维维度；
在本实施例中，人数统计装置在确定了每个所述空间样本点对应的特征值以及每个所述空间样本点对应的特征向量之后，根据预设重构阈值t和所述特征值λi，来选取使
Figure BDA0003296131860000131
成立的最小降维维度
Figure BDA0003296131860000132
d为所述样本集的维数，也原样本集空间的维数。也即是，根据预设重构阈值t和所述特征值λi，来选取使
Figure BDA0003296131860000133
成立的投影空间的维数。
步骤d4，按从大到小将所述特征值进行降序排列，选择前所述最小降维维度个所述特征值对应的特征向量，得到降噪、降维处理后的训练无线数据。
在本实施例中，人数统计装置在确定了最小降维维度之后，按从大到小将所述特征值进行降序排列，选择前所述降维维度个特征值所对应的特征向量，得到降噪、降维处理后的当前无线数据。降序排列特征值λi，选择前最小降维维度
Figure BDA0003296131860000134
个特征值所对应的特征向量，构成投影矩阵
Figure BDA0003296131860000135
例如，假设原空间样本点为xi，其中i＝1,2,3...n。设样本点的均值为
Figure BDA0003296131860000136
则中心化后的样本点有：
Figure BDA0003296131860000137
假设投影得新坐标系{w1,w2,...,wd}，wi为标准正交基向量，||wi||2＝1，wi Twj＝0(x≠y)。假定d表示原维度，
Figure BDA0003296131860000141
表示降维后的维度，则pi＝(pi1,pi2,...,pid)表示样本点在低维坐标系中的投影，其中
Figure BDA0003296131860000142
代表样本点αi在低维空间中第j维的坐标。则wTαi表示样本点αi在低维空间中的投影，其中w＝{w1,w2,...,wd}。经计算得投影后样本点方差为
Figure BDA0003296131860000143
则可以用公式
Figure BDA0003296131860000144
s.t.wTw＝1、表示优化目标函数：经转化可得公式zzTw＝λw；将公式zzTw＝λw代回式
Figure BDA0003296131860000145
可以发现，关键问题转换为求最大特征值，而投影空间w的每一维基向量为协方差矩阵zzT的特征向量。
本实施例通过上述方案，基于无线接收器采集不同人数下的训练无线数据；利用所述训练无线数据构建并训练Bi-LSTM网络模型；获取当前无线数据，并将所述当前无线数据输入Bi-LSTM网络模型，计算得到当前人数统计结果。由此，实现了准确的人数统计，减小了环境以及建筑结构对人数统计的影响，减小了光照强度对人数统计的影响，以及实现了避开建筑物统计人数的功能。
进一步地，参照图3，图3为本发明基于Bi-LSTM网络模型的人数统计方法第二实施例的流程示意图。基于上述图2所示的实施例，步骤S20利用所述训练无线数据构建并训练Bi-LSTM网络模型，可以包括：
步骤S21，对所述训练无线数据进行预处理；
在本实施例中，人数统计装置在采集了不同人数下的训练无线数据之后，对训练无线数据进行预处理；
步骤S22，根据预处理后的训练无线数据中的时间步长，确定样本数和预设训练周期；
在本实施例中，人数统计装置在对无线数据进行预处理之后，根据预处理后的训练无线数据中的时间步长，确定样本数和预设训练周期。其中，训练无线数据中的时间步长可以为612，样本数可以为616，预设训练周期可以为30次。
步骤S23，根据所述样本数和所述时间步长构建Bi-LSTM网络模型；
在本实施例中，人数统计装置在确定了样本数之后，根据所述样本数和所述时间步长构建Bi-LSTM网络模型。
步骤S24，将所述样本数、所述时间步长和预处理后的训练无线数据中的特征数量输入Bi-LSTM网络模型中进行训练；
在本实施例中，人数统计装置在构建了Bi-LSTM网络模型之后，将所述样本数、所述时间步长和预处理后的训练无线数据中的特征数量输入Bi-LSTM网络模型中进行训练；其中，样本数、所述时间步长和预处理后的训练无线数据中的特征数量组成一个三维矩阵输入构建的Bi-LSTM网络模型中，其中，样本数为616个，时间步长为612，特征数量为90个子载波的幅值信息。
其中，所述Bi-LSTM网络模型包括时间步长个LSTM网络模型；其中，所述LSTM网络模型由输入序列xt、当前单元状态Ct、临时单元状态
Figure BDA0003296131860000151
隐藏层状态ht、遗忘门ft、记忆门it和输出门ot组成。
其中，ft＝σ(Wf·[ht-1,xt]+bf)；
it＝σ(Wi·[ht-1,xt]+bi)；
Figure BDA0003296131860000152
Figure BDA0003296131860000153
ot＝σ(Wo·[ht-1,xt]+bo)；
ht＝ot·tanh(Ct)；
其中，Wf为遗忘门的权值矩阵、Wi为输入门的权重矩阵、Wc为单元状态的权重矩阵、Wo为输出门的权重矩阵、bf为遗忘门的偏置项、bi为输入门的偏置项、bc为单元状态的偏置项、bo为输出门的偏置项；σ(·)为激活函数为sigmoid函数，tanh(·)表示激活函数为双曲正切函数。
步骤S25，当所述Bi-LSTM网络模型训练完成一次之后，通过优化器根据预处理后的训练无线数据对网络权值进行迭代更新，直至所述Bi-LSTM网络模型的训练周期大于或等于预设训练周期时，所述Bi-LSTM网络模型训练完成。
在本实施例中，人数统计装置在对Bi-LSTM网络模型进行训练之后，当所述Bi-LSTM网络模型训练完成一次之后，通过优化器根据预处理后的训练无线数据对网络权值进行迭代更新，直至所述Bi-LSTM网络模型的训练周期大于或等于预设训练周期时，所述Bi-LSTM网络模型训练完成。
其中，训练所述Bi-LSTM网络模型的损失函数为交叉熵函数，训练所述Bi-LSTM网络模型的优化器为自适应矩估计Adam优化器。
本实施例通过上述方案，对所述训练无线数据进行预处理；根据预处理后的训练无线数据中的时间步长，确定样本数和预设训练周期；根据所述样本数和所述时间步长构建Bi-LSTM网络模型；将所述样本数、所述时间步长和预处理后的训练无线数据中的特征数量输入Bi-LSTM网络模型中进行训练；当所述Bi-LSTM网络模型训练完成一次之后，通过优化器根据预处理后的训练无线数据对网络权值进行迭代更新，直至所述Bi-LSTM网络模型的训练周期大于或等于预设训练周期时，所述Bi-LSTM网络模型训练完成。由此，实现了听力受损的用户在语音通话时能听清语音通话的内容的功能，实现了增加用户听力的功能。
进一步地，参照图4，图4为本发明基于Bi-LSTM网络模型的人数统计方法第三实施例的流程示意图。基于上述图3所示的实施例，步骤S21对所述训练无线数据进行预处理，可以包括：
步骤S211，基于信道状态解析程序对所述训练无线数据进行解析，得到训练矩阵数据；
在本实施例中，人数统计装置在接收到训练无线数据之后，根据信道状态解析程序对训练无线数据进行解析，得到训练矩阵信号。以其中一条数据为例，从每个采样时刻的无线数据中取某一根发射天线与三根接收天线形成的信号传播链路数据；采集到的原始信号是dat格式，经过信道状态解析程序之后，将无线数据转换为四维的矩阵信号。其中矩阵信号为3*3*30*n的四维矩阵，其中第一个“3”表示发射天线的数量，第二个“3”表示接收条线的数量，“30”表示每个信道上的30个子载波，n表示当前数据包有n条数据，其中每一条数据都是3*3*30维的矩阵。其中，n可以为612。
步骤S211基于信道状态解析程序对所述训练无线数据进行解析，得到训练矩阵数据之前，可以包括：
步骤e，基于无线接收器接收无线路由器发出无线数据。
在本实施例中，人数统计装置对训练无线数据进行解析之前，根据人类活性相关的无线数据确定人体数量，在人类活动区域设置一个无线路由器，无线路由器用于发出无线数据，无线数据穿过在空间内活动的人体之后，被无线接收器接收，人数统计装置根据无线接收器接收无线路由器发出无线数据。大多数基于无线电的方法，如无线传感器网络、红外线、超宽带等，但这些方法都需要安装部署专有设备并建立专用的基础结构，高昂的成本及较低的普适性阻碍了它们的广泛部署。WiFi不仅可以用来传输数据，而且接收到的WiFi信号会携带反映活体状态的特征信息。因此，WiFi探测不仅具有与雷达、红外探测相同的“透视”能力，而且设备简单、成本低、能耗小，在人数统计领域的应用前景更加广阔。
步骤S212，基于巴特沃斯滤波程序对所述训练矩阵数据进行高频滤波，得到处理后的训练降噪矩阵数据；
在本实施例中，人数统计装置在得到了训练矩阵数据之后，基于巴特沃斯滤波程序对所述训练矩阵数据进行高频滤波，得到处理后的训练降噪矩阵数据。实际应用中由于环境及设备噪声的影响，这些噪声主要是一些高频数据，从而导致提取出的CSI数据十分不平滑，难以提取有效特征，因此需要首先对CSI数据进行去噪处理，通过分析得知人类活动对链路产生的影响大多由频谱中的低频数据组成。然而，原始的CSI数据汇总包含有大量的高频噪声，为了避免人体这样一种微弱的低频数据被大量的高频噪声淹没，需要使用滤波器将这些高频噪声滤除，才能从CSI数据中提取出人数相关的数据。
步骤S212基于巴特沃斯滤波程序对所述训练矩阵数据进行高频滤波，得到处理后的降噪矩阵数据，可以包括：
步骤f1，获取所述无线接收器的采样频率、人体波动频率以及滤波阶数；
在本实施例中，人数统计装置在获取了训练矩阵数据之后，获取所述无线接收器的采样频率、人体波动频率以及滤波阶数。
步骤f2，根据所述采样频率和所述人体波动频率计算截止频率；.
在本实施例中，人数统计装置在获取了无线接收器的采样频率和人体波动频率之后，根据所述采样频率和所述人体波动频率计算截止频率。其中，所述截止频率
Figure BDA0003296131860000181
其中，fc为人体波动频率，fs为无线接收器的采样频率。考虑到人体活动对无线数据序列造成的频率波动(即人体波动频率)约为10Hz，在无线数据的采样频率为50Hz时，可根据
Figure BDA0003296131860000182
求得巴特沃斯滤波器的截止频率wc为0.4πrad/s。
步骤f3，基于所述截止频率和所述滤波阶数对所述数据矩阵中的数据幅值进行高频滤波，得到滤波幅值。
在本实施例中，人数统计装置在得到了截止频率和滤波阶数之后，基于所述截止频率和所述滤波阶数对所述数据矩阵中的数据幅值进行高频滤波，得到滤波幅值。其中，根据实际需要及计算复杂性，设置该滤波器的阶数为9，即N＝9。巴特沃斯滤波程序的低通滤波方法需要滤波器的阶数N和表示幅度在-3dB处通带的截止频率wc两个参数，其滤波幅度平方函数可表示为
Figure BDA0003296131860000183
步骤f4，将所述数据矩阵中的数据幅值替换成所述滤波幅值，得到训练降噪矩阵数据。
在本实施例中，人数统计装置在得到了滤波幅值之后，将所述数据矩阵中的数据幅值替换成所述滤波幅值，得到训练降噪矩阵数据。
步骤S213，基于主成分分析算法对所述训练降噪矩阵数据进行降维运算，得到降噪、降维处理后的训练无线数据。
在本实施例中，人数统计装置得到了降噪矩阵数据之后，根据主成分分析算法对所述降噪矩阵数据进行降维运算，得到降噪、降维处理后的无线数据。
步骤S213基于主成分分析算法对所述训练降噪矩阵数据进行降维运算，得到降噪、降维处理后的无线数据，可以包括：
步骤g1，将所述训练降噪矩阵数据作为样本集输入主成分分析算法中，对所述样本集中的每个空间样本点分别进行中心化处理；
在本实施例中，人数统计装置在得到了训练降噪矩阵数据之后，将所述训练降噪矩阵数据作为样本集输入主成分分析算法中，对所有空间样本点分别进行中心化处理。其中，主成分分析算法(Principal components analysis，PCA)是一种分析、简化数据集的技术。所述样本集D＝{x1,x2,...,xn}，也即是降噪矩阵数据D＝{x1,x2,...,xn}；中心化处理后的空间样本点为
Figure BDA0003296131860000191
xi为降噪矩阵数据中的一个空间样本点。
步骤g2，计算所述空间样本点的协方差矩阵，并对所述协方差矩阵进行分解，求出每个所述空间样本点对应的特征值以及每个所述空间样本点对应的特征向量；
在本实施例中，人数统计装置在对空间样本点进行中心化处理之后，计算样本的协方差矩阵zzT，并针对此协方差矩阵进行分解，求出每个所述空间样本点对应的特征值λi及每个所述空间样本点对应的特征向量wi。其中，每个特征值与每个特征向量一一对应。
步骤g3，根据预设重构阈值和所述特征值，确定最小降维维度；
在本实施例中，人数统计装置在确定了每个所述空间样本点对应的特征值以及每个所述空间样本点对应的特征向量之后，根据预设重构阈值t和所述特征值λi，来选取使
Figure BDA0003296131860000201
成立的最小降维维度
Figure BDA0003296131860000202
d为所述样本集的维数，也原样本集空间的维数。也即是，根据预设重构阈值t和所述特征值λi，来选取使
Figure BDA0003296131860000203
成立的投影空间的维数。
步骤g4，按从大到小将所述特征值进行降序排列，选择前所述最小降维维度个所述特征值对应的特征向量，得到降噪、降维处理后的训练无线数据。
在本实施例中，人数统计装置在确定了最小降维维度之后，将按从大到小将所述特征值进行降序排列，选择前所述最小降维维度的数量个特征值所对应的特征向量，得到降噪、降维处理后的训练无线数据。降序排列特征值λi，选择前最小降维维度
Figure BDA0003296131860000204
个特征值所对应的特征向量，构成投影矩阵
Figure BDA0003296131860000205
例如，假设原空间样本点为xi，其中i＝1,2,3...n。设样本点的均值为
Figure BDA0003296131860000206
则中心化后的样本点有：
Figure BDA0003296131860000207
假设投影得新坐标系{w1,w2,...,wd}，wi为标准正交基向量，||wi||2＝1，wi Twj＝0(x≠y)。假定d表示原维度，
Figure BDA0003296131860000208
表示降维后的维度，则pi＝(pi1,pi2,...,pid)表示样本点在低维坐标系中的投影，其中
Figure BDA0003296131860000209
代表样本点αi在低维空间中第j维的坐标。则wTαi表示样本点αi在低维空间中的投影，其中w＝{w1,w2,...,wd}。经计算得投影后样本点方差为
Figure BDA00032961318600002010
则可以用公式
Figure BDA00032961318600002011
s.t.wTw＝1、表示优化目标函数：经转化可得公式zzTw＝λw；将公式zzTw＝λw代回式
Figure BDA00032961318600002012
可以发现，关键问题转换为求最大特征值，而投影空间w的每一维基向量为协方差矩阵zzT的特征向量。
本实施例通过上述方案，基于信道状态解析程序对所述训练无线数据进行解析，得到训练矩阵数据；基于巴特沃斯滤波程序对所述训练矩阵数据进行高频滤波，得到处理后的训练降噪矩阵数据；基于主成分分析算法对所述训练降噪矩阵数据进行降维运算，得到降噪、降维处理后的训练无线数据。由此，实现了去除无线数据中高于人类活动频率的高频噪声。
本发明还提供一种人数统计装置。
本发明人数统计装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的人数统计程序，所述人数统计程序被所述处理器执行时实现如上所述的基于Bi-LSTM网络模型的人数统计方法的步骤。
其中，在所述处理器上运行的人数统计程序被执行时所实现的方法可参照本发明基于Bi-LSTM网络模型的人数统计方法各个实施例，此处不再赘述。
本发明还提供一种可读存储介质。
本发明可读存储介质上存储有人数统计程序，所述人数统计程序被处理器执行时实现如上所述的基于Bi-LSTM网络模型的人数统计方法的步骤。
其中，在所述处理器上运行的人数统计程序被执行时所实现的方法可参照本发明基于Bi-LSTM网络模型的人数统计方法各个实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，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 (10)

1.一种基于基于双向长短期记忆Bi-LSTM网络模型的人数统计方法，其特征在于：所述人数统计方法包括如下步骤：
基于无线接收器采集不同人数下的训练无线数据；
利用所述训练无线数据构建并训练Bi-LSTM网络模型；
获取当前无线数据，并将所述当前无线数据输入Bi-LSTM网络模型，计算得到当前人数统计结果。
2.根据权利要求1所述的基于Bi-LSTM网络模型的人数统计方法，其特征在于：所述利用所述训练无线数据构建Bi-LSTM网络模型的步骤包括：
对所述训练无线数据进行预处理；
根据预处理后的训练无线数据中的时间步长，确定样本数和预设训练周期；
根据所述样本数和所述时间步长构建Bi-LSTM网络模型；
将所述样本数、所述时间步长和预处理后的训练无线数据中的特征数量输入Bi-LSTM网络模型中进行训练；
当所述Bi-LSTM网络模型训练完成一次之后，通过优化器根据预处理后的训练无线数据对网络权值进行迭代更新，直至所述Bi-LSTM网络模型的训练周期大于或等于预设训练周期时，所述Bi-LSTM网络模型训练完成。
3.根据权利要求2所述的基于Bi-LSTM网络模型的人数统计方法，其特征在于：其中，所述Bi-LSTM网络模型由若干个LSTM网络模型组成；
其中，所述LSTM网络模型由输入序列xt、当前单元状态Ct、临时单元状态
Figure FDA0003296131850000011
隐藏层状态ht、遗忘门ft、记忆门it和输出门ot组成。
其中，ft＝σ(Wf·[ht-1,xt]+bf)；
it＝σ(Wi·[ht-1,xt]+bi)；
Figure FDA0003296131850000021
Figure FDA0003296131850000022
ot＝σ(Wo·[ht-1,xt]+bo)；
ht＝ot·tanh(Ct)；
其中，Wf为遗忘门的权值矩阵、Wi为输入门的权重矩阵、Wc为单元状态的权重矩阵、Wo为输出门的权重矩阵、bf为遗忘门的偏置项、bi为输入门的偏置项、bc为单元状态的偏置项、bo为输出门的偏置项；σ(·)为激活函数为sigmoid函数，tanh(·)表示激活函数为双曲正切函数。
4.根据权利要求3所述的基于Bi-LSTM网络模型的人数统计方法，其特征在于：其中，训练所述Bi-LSTM网络模型的损失函数为交叉熵函数，训练所述Bi-LSTM网络模型的优化器为自适应矩估计优化器。
5.根据权利要求2所述的基于Bi-LSTM网络模型的人数统计方法，其特征在于：所述对所述训练无线数据进行预处理的步骤，包括：
基于信道状态解析程序对所述训练无线数据进行解析，得到训练矩阵数据；
基于巴特沃斯滤波程序对所述训练矩阵数据进行高频滤波，得到处理后的训练降噪矩阵数据；
基于主成分分析算法对所述训练降噪矩阵数据进行降维运算，得到降噪、降维处理后的训练无线数据。
6.根据权利要求5所述的基于Bi-LSTM网络模型的人数统计方法，其特征在于：所述基于巴特沃斯滤波程序对所述训练矩阵数据进行高频滤波，得到处理后的训练降噪矩阵数据的步骤，包括：
获取所述训练无线接收器的采样频率、人体波动频率以及滤波阶数；
根据所述采样频率和所述人体波动频率计算截止频率；
基于所述截止频率和所述滤波阶数对所述信号矩阵中的信号幅值进行高频滤波，得到滤波幅值；
将所述矩阵信号中的信号幅值替换成所述滤波幅值，得到训练降噪矩阵信号。
7.根据权利要求5所述的基于Bi-LSTM网络模型的人数统计方法，其特征在于：所述基于主成分分析算法对所述训练降噪矩阵数据进行降维运算，得到降噪、降维处理后的训练无线数据的步骤，包括：
将所述训练降噪矩阵数据作为样本集输入主成分分析算法中，对所述样本集中的每个空间样本点分别进行中心化处理；
计算所述空间样本点的协方差矩阵，并对所述协方差矩阵进行分解，求出每个所述空间样本点对应的特征值以及每个所述空间样本点对应的特征向量；
根据预设重构阈值和所述特征值，确定最小降维维度；
按从大到小将所述特征值进行降序排列，选择前所述最小降维维度个所述特征值对应的特征向量，得到降噪、降维处理后的训练无线数据。
8.根据权利要求1所述的基于Bi-LSTM网络模型的人数统计方法，其特征在于：所述获取当前无线数据的步骤之后，包括：
基于信道状态解析程序对所述当前无线数据进行解析，得到当前矩阵数据；
基于巴特沃斯滤波程序对所述当前矩阵数据进行高频滤波，得到处理后的当前降噪矩阵数据；
基于主成分分析算法对所述当前降噪矩阵数据进行降维运算，得到降噪、降维处理后的当前无线数据。
9.一种人数统计装置，其特征在于：所述人数统计装置包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行的人数统计程序，所述人数统计程序被所述处理器执行时实现如权利要求1至8中任一项所述的基于Bi-LSTM网络模型的人数统计方法的步骤。
10.一种可读存储介质，其特征在于：所述可读存储介质上存储有人数统计程序，所述人数统计程序被处理器执行时实现如权利要求1至8中任一项所述的基于Bi-LSTM网络模型的人数统计方法的步骤。
CN202111178188.5A 2021-10-09 2021-10-09 基于Bi-LSTM网络模型的人数统计方法、装置及可读存储介质 Pending CN114049299A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111178188.5A CN114049299A (zh) 2021-10-09 2021-10-09 基于Bi-LSTM网络模型的人数统计方法、装置及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111178188.5A CN114049299A (zh) 2021-10-09 2021-10-09 基于Bi-LSTM网络模型的人数统计方法、装置及可读存储介质

Publications (1)

Publication Number Publication Date
CN114049299A true CN114049299A (zh) 2022-02-15

Family

ID=80205032

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111178188.5A Pending CN114049299A (zh) 2021-10-09 2021-10-09 基于Bi-LSTM网络模型的人数统计方法、装置及可读存储介质

Country Status (1)

Country Link
CN (1) CN114049299A (zh)

Similar Documents

Publication Publication Date Title
US20210264136A1 (en) Model training method and apparatus, face recognition method and apparatus, device, and storage medium
CN111182453B (zh) 定位方法、装置、电子设备及存储介质
RU2731370C1 (ru) Способ распознавания живого организма и терминальное устройство
CN111598900B (zh) 一种图像区域分割模型训练方法、分割方法和装置
CN112036433B (zh) 一种基于CNN的Wi-Move行为感知方法
EP3637290B1 (en) Unlocking control method and related product
CN112699808A (zh) 密集目标检测方法、电子设备及相关产品
CN114092920B (zh) 一种模型训练的方法、图像分类的方法、装置及存储介质
US20240169687A1 (en) Model training method, scene recognition method, and related device
CN114936330A (zh) 一种车辆行驶场景中信息推送的方法以及相关装置
CN111901028B (zh) 一种基于多天线上csi的人体行为识别方法
CN113723159A (zh) 场景识别模型训练方法、场景识别方法及模型训练装置
CN115422962A (zh) 一种基于毫米波雷达和深度学习算法的姿态和手势识别方法及装置
CN110808061B (zh) 语音分离方法、装置、移动终端及计算机可读存储介质
CN111597985A (zh) 设备佩戴的动态识别方法、装置和电子设备
CN114049299A (zh) 基于Bi-LSTM网络模型的人数统计方法、装置及可读存储介质
CN111723740A (zh) 数据识别方法、装置、设备及计算机可读存储介质
CN115002703A (zh) 一种基于Wi-Fi信道状态信息的被动式室内人数检测方法
CN116959059A (zh) 一种活体检测的方法、装置以及存储介质
CN115601834A (zh) 基于WiFi信道状态信息的跌倒检测方法
CN113507278B (zh) 无线信号处理方法、装置及计算机可读存储介质
CN114760684A (zh) 无线定位方法、路径识别模型的训练方法和装置
CN113378718A (zh) 一种WiFi环境下基于生成对抗网络的动作识别方法
CN114510985A (zh) 基于随机森林识别模型的人数统计方法、装置及存储介质
CN113587935B (zh) 一种基于射频信号多任务学习网络的室内场景理解方法

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