CN116432090A - 场景识别方法、系统及终端设备 - Google Patents
场景识别方法、系统及终端设备 Download PDFInfo
- Publication number
- CN116432090A CN116432090A CN202310694906.7A CN202310694906A CN116432090A CN 116432090 A CN116432090 A CN 116432090A CN 202310694906 A CN202310694906 A CN 202310694906A CN 116432090 A CN116432090 A CN 116432090A
- Authority
- CN
- China
- Prior art keywords
- scene
- data
- model
- indoor
- low
- 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
- 238000000034 method Methods 0.000 title claims abstract description 111
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims description 53
- 238000004590 computer program Methods 0.000 claims description 24
- 238000010801 machine learning Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 description 22
- 230000000694 effects Effects 0.000 description 21
- 239000010410 layer Substances 0.000 description 18
- 230000008569 process Effects 0.000 description 18
- 230000004927 fusion Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 10
- 238000010276 construction Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 8
- 238000013145 classification model Methods 0.000 description 7
- 239000011521 glass Substances 0.000 description 7
- 239000004566 building material Substances 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000007477 logistic regression Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000000873 masking effect Effects 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 230000032683 aging Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 239000011449 brick Substances 0.000 description 2
- 239000004568 cement Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000004567 concrete Substances 0.000 description 1
- 239000012792 core layer Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 229910052602 gypsum Inorganic materials 0.000 description 1
- 239000010440 gypsum Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/35—Constructional details or hardware or software details of the signal processing chain
- G01S19/37—Hardware or software details of the signal processing chain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar, Positioning & Navigation (AREA)
- Mathematical Physics (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种场景识别方法、系统及终端设备,适用于定位技术领域,该方法包括:确定自身所处的当前区域;在当前区域内包含第一室内场景时,获取第一基础数据,并利用第一识别模型对第一基础数据进行处理,确定自身所处的实际场景;在当前区域内包含第二室内场景时,获取第二基础数据,并利用第二识别模型对第二基础数据进行处理,确定自身所处的实际场景。第一识别模型的精度高于第二识别模型的精度。本申请实施例可以有效提升对室内场景和室外场景的识别准确度。
Description
技术领域
本申请涉及定位技术领域,尤其涉及一种场景识别方法、系统及终端设备。
背景技术
终端设备在利用卫星信号进行室内场景和室外场景识别时,经常会遇到因遮挡导致所接收到的卫星信号变化的情况。不同遮挡物对卫星信号的遮挡程度不同,从而导致终端设备实际所能检测到的卫星信号的情况也会存在一定差异。进而导致了终端设备在基于接收到的卫星信号进行室内场景和室外场景识别时,对场景的识别准确度下降的问题。
发明内容
有鉴于此,本申请实施例提供了场景识别方法、系统及终端设备,可以提高对室内场景和室外场景识别的准确度。
本申请实施例的第一方面提供了一种场景识别方法,应用于终端设备,包括:
确定自身所处的当前区域。在当前区域内包含第一室内场景时,获取第一基础数据,并利用第一识别模型对第一基础数据进行处理,确定自身所处的实际场景。在当前区域内包含第二室内场景时,获取第二基础数据,并利用第二识别模型对第二基础数据进行处理,确定自身所处的实际场景。
其中,实际场景为室内场景或室外场景,第一基础数据和第二基础数据中均包括卫星信号数据,第一室内场景和第二室内场景均为室内场景,第一室内场景对卫星信号的遮蔽度低于第二室内场景对卫星信号的遮蔽度,且第一识别模型的精度高于第二识别模型的精度。
本申请实施例针对低遮蔽场景和高遮蔽场景进行区分建模,并针对低遮蔽场景采用精度更高的低遮蔽模型。因此可以更好的提升对低遮蔽场景的识别效果,从而提升实际场景识别准确性。而对于高遮蔽场景,由于使用针对训练出的识别模型进行识别,且剔除了低遮蔽场景混杂的情况。因此亦可以极大地提升对高遮蔽场景的识别效果,从而提升实际场景识别准确度。同时还可以实现对整体成本和场景识别准确性较好的较平衡。具有较高的实用价值。
在第一方面的第一种可能的实现方式中,第一基础数据包括的数据种类,多于第二基础数据包括的数据种类。
针对低遮蔽场景,本申请实施例所参考的低遮蔽基础数据所包含的数据种类,相对高遮蔽基础数据包含的数据种类而言更为丰富。因此本申请实施例对低遮蔽场景的特征维度更高,描述的更为丰富全面。在此基础上,利用低遮蔽基础数据来分析识别低遮蔽场景,可以实现更为全面精准的分析效果,从而提升对低遮蔽场景的识别准确度。
在第一方面的第二种可能的实现方式中,第一识别模型为基于在第一室内场景下采集的第一样本数据进行模型训练,得到的识别模型。第二识别模型为基于在第二室内场景下采集的第二样本数据进行模型训练,得到的识别模型。第一样本数据包括的数据种类,与第一基础数据包括的数据种类相同,且第二样本数据包括的数据种类,与第二基础数据包括的数据种类相同。
在构建低遮蔽模型和高遮蔽模型的过程中,模型训练所使用的样本数据,都是针对相应的场景采集的。因此本申请实施例的识别模型在构建时,对场景更具有针对性。使得本申请实施例所得到的低遮蔽识别模型对低遮蔽场景的针对性更强,识别能力也更强。同理,高遮蔽模型对高遮蔽场景具有高针对性,因此识别能力更强。
在第一方面的第三种可能的实现方式中,在确定自身所处的当前区域之前,还包括:当检测到满足预设的触发条件时,执行确定自身所处的当前区域的操作。
考虑到实际应用中终端设备有着严格的功耗控制需求。因此本申请实施例设置了场景识别的触发条件,以降低本对终端设备带来的功耗。
作为本申请的一个可选实施例,触发条件可以是用户手动触发、终端设备其他功能的关联触发以及检测到进入预设范围区域中的任意条件。
在第一方面的第四种可能的实现方式中,触发条件包括:进入预设区域范围。
本申请实施例可以在终端设备进入预设区域范围内的第一时间,主动开启场景识别功能,从而在控制功耗的同时,实现了对场景识别的及时性。
在第一方面的第五种可能的实现方式中,当前区域内包含室内场景。确定自身所处的当前区域,包括:确定自身所处的当前区域内包含的室内场景。当确定出的室内场景属于已记录的第一室内场景时,判定当前区域内包含第一室内场景。
本申请实施例通过提前划分低遮蔽场景和高遮蔽场景,并进行记录的方式。可以在需要时将当前区域内实际包含的室内场景与记录的低遮蔽场景进行匹配,从而快速判断出自身是否处于低遮蔽场景的一定范围内。
在第一方面的第六种可能的实现方式中,当前区域由室内场景构成。
确定自身所处的当前区域,包括:
确定自身进入的室内场景是否为第一室内场景。
在当前区域内包含第一室内场景时,获取第一基础数据,并利用第一识别模型对第一基础数据进行处理,确定自身所处的实际场景。在当前区域内包含第二室内场景时,获取第二基础数据,并利用第二识别模型对第二基础数据进行处理,确定自身所处的实际场景,包括:
当自身进入的室内场景为第一室内场景时,获取第一基础数据,并利用第一识别模型对第一基础数据进行处理,确定自身所处的实际场景。
当自身进入的室内场景不为第一室内场景时,获取第二基础数据,并利用第二识别模型对第二基础数据进行处理,确定自身所处的实际场景。
当区域的范围大小取极小值,区域内可以仅包含室内场景下的建筑物本身。从而实现在用户进入建筑物时,即时触发对识别模型的选取,以及场景的识别。
在第一方面的第七种可能的实现方式中,在当前区域内包含第一室内场景时,获取第一基础数据,并利用第一识别模型对第一基础数据进行处理,确定自身所处的实际场景,包括:
在当前区域内包含目标场景时,获取第一基础数据,并确定出目标场景关联的目标模型,目标场景属于第一室内场景。
利用目标模型对第一基础数据进行处理,确定自身所处的实际场景。
在本申请实施例,对低遮蔽场景中个别或部分目标场景来针对性构建识别模型,并在识别出用户可能会进入目标场景时,使用对应的目标模型来对此时的低遮蔽基础数据进行处理。从而使得本申请实施例有效提升对这些的目标场景的识别准确度,同时还可以灵活满足实际应用中对不同低遮蔽场景的识别需求。提升本申请实施例的实用性。
本申请实施例的第二方面提供了一种场景识别系统,包括:服务器以及如上述第一方面任一项的终端设备。
服务器获取样本信号数据,样本信号数据包括对室内场景采集的卫星信号数据。
服务器基于机器学习模型对样本信号数据进行分类。
当分类结果为样本信号数据属于第一类结果时,服务器将样本信号数据所属的室内场景记录为第一室内场景。
终端设备确定自身所处的当前区域,包括:
终端设备确定自身所处的当前区域内包含的室内场景。
当确定出的室内场景属于已记录的第一室内场景时,终端设备判定当前区域内包含第一室内场景。
本申请实施例至少具有以下有益效果:
1、本申请实施例无需调研和分析室内场景下建筑物实际的各项参数,只需要在室内场景下接收对应的卫星信号数据即可。因此实际应用时,技术人员操作简单难度小且效率高,从而使得本申请实施例的可行性极高。
2、本申请实施例避免了人工对各个低遮蔽场景逐一进行数据采集和针对性分析的问题。因此极大地降低了实际应用成本。
3、机器学习可以更好地学习出两种室内场景之间卫星信号数据特征的客观差异,从而避免了人为主管制定标准的不可靠性。因此本申请实施例可以提高对低遮蔽场景和高遮蔽场景划分的可信度。
作为本申请的一个可选实施例,可以在实际应用中区分出低遮蔽场景,可以在划分出低遮蔽场景之后,对属于这些低遮蔽场景的建筑物或地理位置进行记录,从而得到对应的低遮蔽场景的清单数据。终端设备可以结合自身定位、特定的地标信息以及地理辅助信息等来对比清单数据,从而快速判断出自身是否处于低遮蔽场景的一定范围内。
本申请实施例的第三方面提供了一种场景识别装置,包括:
场景确定模块,用于确定自身所处的当前区域。
第一识别模块,用于在当前区域内包含第一室内场景时,获取第一基础数据,并利用第一识别模型对第一基础数据进行处理,确定自身所处的实际场景,实际场景为室内场景或室外场景。
第二识别模块,用于在当前区域内包含第二室内场景时,获取第二基础数据,并利用第二识别模型对第二基础数据进行处理,确定自身所处的实际场景。第一基础数据和第二基础数据中均包括卫星信号数据,第一室内场景和第二室内场景均为室内场景,第一室内场景对卫星信号的遮蔽度低于第二室内场景对卫星信号的遮蔽度,且第一识别模型的精度高于第二识别模型的精度。
作为本申请的一个实施例,场景识别装置还可以作为执行主体实现上述第一方面任一项的方法。
第四方面,本申请实施例提供一种终端设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上述第一方面任一项的方法。
第五方面,本申请实施例提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如上述第一方面任一项的方法。
第六方面,本申请实施例提供一种芯片系统,该芯片系统包括处理器,处理器与存储器耦合,处理器执行存储器中存储的计算机程序,以实现如上述第一方面任一项所述的方法。该芯片系统可以为单个芯片,或者多个芯片组成的芯片模组。
第七方面,本申请实施例提供一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面任一项所述的方法。
可以理解的是,上述第三方面至第六方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
图1A为本申请实施例提供的低遮蔽场景的场景示意图;
图1B为本申请实施例提供的另一低遮蔽场景的场景示意图;
图2为本申请实施例提供的一种低遮蔽场景划分方法的流程示意图;
图3A为本申请实施例提供的基础模型训练方法的实现流程图;
图3B为本申请实施例提供的基分类器构建及融合的架构示意图;
图3C为本申请实施例提供的模型训练方法的流程框图;
图4A为本申请实施例提供的识别阶段中场景识别方法的实现流程图;
图4B为本申请实施例提供的一种区域的场景示意图;
图4C为本申请实施例提供的一种对目标场景的场景识别方法的流程示意图;
图5为本申请实施例提供的场景识别装置的结构示意图;
图6A为本申请实施例提供的手机100的结构示意图;
图6B为本申请实施例提供的终端设备的软件结构框图;
图7为本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
以下对本申请实施例可能涉及到的一些概念进行说明如下:
多个:若无特别说明,在本申请实施例中,多个均是指两个或两个以上。
实际场景:在本申请实施例中,实际场景是对用户实际所处的室内场景或室外场景的代称。即在本申请实施例中,实际场景为终端设备所需识别的场景。具体而言,当用户处于室外场景时,实际场景为室外场景。而当用户处于室内场景时,实际场景则为室内场景。
其中,当本申请实施例应用在具体的业务场景时,亦可以对室内场景和室外场景进行业务场景的细化。例如在一些实施例中,室内场景可以是指特定的一种或多种具体场景,如可以是地铁站、商场和小区楼宇等中的任一种。同理在一些实施例中,室外场景也可以是指特定的一种或多种具体场景,如可以是广场、公园、球场和公交站台等中的任一种。当对室内场景和室外场景进行业务场景的细化时,本申请实施例中的实际场景,则是指具体细化后的室内场景或室外场景。例如,假设在一个可选实施例中,室内场景是指地铁站,而室外场景是任意室外场所。则此时,实际场景可以指是地铁站或者任意室外场所。
搜星器:在本申请实施例中,将终端设备中用于进行导航卫星信号搜索的硬件统称为搜星器。根据终端设备软硬件情况不同,搜星器所包含的具体内容可以存在一定差异。例如,在一些终端设备中,搜星器可以包含卫星导航芯片及卫星导航芯片的外围电路。实际应用中,终端设备可以利用搜星器来进行导航卫星信号搜索,并可以根据搜索到的卫星信号数据确定出当前可搜索到的卫星数量、卫星信号强度等数据。其中,本申请实施例不对导航卫星具体所属的全球导航卫星系统(Global Navigation Satellite System,GNSS)做过多限定,例如,可以是:北斗卫星导航系统(BeiDou Navigation Satellite System,BDS)、全球定位系统(Global Positioning System,GPS)、格洛纳斯卫星导航系统(GlobalNavigation Satellite System)和欧盟的伽利略卫星导航系统(Galileo SatelliteNavigation System,GALILEO)中的任意一种或多种。本申请实施例中的卫星信号,亦可描述为GNSS信号。
高遮蔽场景和低遮蔽场景:实际应用中,不同室内场景对卫星信号的遮蔽程度(以下简称为遮蔽度)存在差异。为了方便区分,本申请实施例将对卫星信号遮蔽度较高的室内场景简称为高遮蔽场景,并将对卫星信号遮蔽度较低的室内场景简称为低遮蔽场景。同时可以将遮蔽度较低的区域称为灰度区域。即高遮蔽场景对卫星信号的遮蔽度,要高于低遮蔽场景对卫星信号的遮蔽度。具体而言,可由技术人员根据实际识别需求,来划分不同室内场景具体属于高遮蔽场景或低遮蔽场景。或者亦可以利用一定的算法或模型等工具,来从室内场景中区分出高遮蔽场景和低遮蔽场景。例如可以参图1A,是本申请实施例提供的一种低遮蔽场景的场景示意图。在图1A所示的建筑物中,为了提升采光效果,设置有大量透明玻璃窗和透明玻璃顶罩。但由于透明玻璃对卫星信号的遮挡效果较差,从而导致整个建筑物对卫星信号的遮蔽度较低。可以继续参考图1B,是本申请实施例提供的另一种低遮蔽场景的场景示意图。在图1B所示的建筑物中,外延出的屋檐对卫星信号具有一定的遮蔽性,但其遮蔽能力较为有限。且根据屋檐设置的高度不同,以及屋檐的材料不同等,都会导致屋檐对卫星信号的遮蔽能力有所差异。例如,当屋檐为透明玻璃等遮蔽度较低的材料时,则屋檐对卫星信号的遮蔽能力较差。当屋檐设置高度较高时,如图1B中的(2)部分中屋檐的高度高于图1B中的(1)部分中屋檐的高度。此时屋檐对卫星信号的遮蔽能力也会较差。
应当理解地,实际应用中对于单栋建筑物而言,其可能是部分区域对卫星信号遮蔽度较低或全部区域对卫星信号遮蔽度较低。例如可以参考图1A和图1B所示的建筑物情况。因此实际应用中,技术人员可以根据需求以及各个建筑物的实际情况,来划分低遮蔽场景。
作为本申请的一个可选实施例,考虑到实际应用中,大部分室内场景属于高遮蔽场景,少数为低遮蔽场景。基于此,为了可以在实际应用中区分出低遮蔽场景,可以在划分出低遮蔽场景之后,对属于这些低遮蔽场景的建筑物或地理位置进行记录,从而得到对应的低遮蔽场景的清单数据(亦可称为白名单)。终端设备若有需要,可以结合自身定位、特定的地标信息(如带有建筑物信息的WiFi信息等)以及地理辅助信息(如信息点(Point ofInformation,POI)信息)等来对比清单数据,从而快速判断出自身是否处于低遮蔽场景的一定范围内。
日常生活中,用户经常会在室内场景和室外场景活动。例如常见的在地铁、商场等室内场景内进行乘车和购物等活动,以及在操场、广场以及马路等室外场景内运动等。用户在室内场景或室外场景活动时,终端设备可以对用户当前所处的实际场景进行识别。在此基础上,终端设备可以根据识别结果来对用户进行一些相关的反馈或者进行一些其他操作,从而为用户提供一些生活上的便利。
例如在一些实施例中,当识别出实际场景是地铁站时,终端设备可以弹出相关的地铁乘车码卡片,从而使得用户可以通过地铁乘车码卡片快速打开乘车码,并进站乘坐地铁。在一些实施例中,当识别出用户处于火车站的广场时,终端设备可以弹出一些附近美食、酒店住宿和景点游玩的推荐卡片,从而使得用户可以通过推荐卡片快速熟悉附近吃住行的情况。在另一些实施例中,终端设备在识别出用户在小区的楼宇内时,可以按照用户预先设置的一些参数,远程控制用户屋内的物联网设备运行状态,如开启空调并设置温度等。
由上述分析可知,对用户所处的实际场景的识别,是实际应用中真实存在的需求,也是终端设备厂商为用户提供更好的个性化服务的一个技术基础。基于此,考虑到室内场景和室外场景对卫星信号的遮蔽度有所差异,且与磁场、WiFi信号和基站信号等相比,卫星信号有着边缘变化清晰以及发散泄漏情况不严重等优点。因此利用卫星信号进行室内场景和室外场景识别,是一种较为可行的场景识别方案。
为了实现场景识别,一种可选的做法是在终端设备预设一个通用的识别模型,并利用该识别模型来对接收到的卫星信号进行处理,从而识别出终端设备所处的实际场景。这种做法虽然可以一定程度上实现对实际场景的识别。但实际应用中发现,典型的室内场景(如混凝土建筑物的地下车库内等)对卫星信号的遮蔽度一般较高,此时卫星信号被遮挡的较为明显,因此对室内场景和室外场景的识别相对较为精准。但实际应用中也经常会出现一些对卫星信号遮蔽度较低室内场景(即低遮蔽场景),例如一些包含大量玻璃、透明塑料等对卫星信号遮蔽能力较差的建筑物。由于低遮蔽场景对卫星信号的遮蔽能力较差,因此导致了终端设备在低遮蔽场景内所能采集到的卫星信号的情况,与终端设备在室外场景下所能采集到的卫星信号的情况较为相似。因此,一个通用的识别模型,较难实现对低遮蔽场景与室外场景的准确区分,因此导致对场景的识别准确度下降。
为了提高对实际场景的识别准确性,本申请实施例首先会针对高遮蔽场景和低遮蔽场景分别针对性地训练识别模型,且低遮蔽场景对应的识别模型的精度高于高遮蔽场景对应的识别模型精度。在此基础上,在需要进行实际场景识别时,首先确定终端设备可能进入的是高遮蔽场景还是低遮蔽场景,并选取对应的识别模型。再利用对应的识别模型来对采集到的基础数据(该基础数据中包括卫星信号的数据)进行处理,从而识别出终端设备所处实际场景时室内场景还是室外场景。
本申请实施例中的识别模型,是针对不同遮蔽度情况的室内场景分别构建的模型。且本申请实施例所选用的低遮蔽场景的识别模型精度,高于高遮蔽场景的识别模型精度。因此可以更好的提升对低遮蔽场景的识别效果,从而提升识别准确性。
同时,考虑到大多数室内场景属于高遮蔽场景,正常精度的识别模型已经可以较好的识别出这些室内场景。同时高精度识别模型的构建过程中,模型的训练经济成本较高,且训练耗时较长。因此区分两种精度的模型使用,可以在提升对低遮蔽场景识别效果的同时,避免均采用高精度模型所带来的模型构建成本过高的问题,以及对终端设备均运行高精度识别模型导致的资源占用较多的问题。实现对整体成本和场景识别准确性较好的较平衡。因此具有较高的实用价值。
本申请实施例提供的场景识别方法可以应用于手机、平板电脑和可穿戴设备等终端设备上,此时终端设备即为本申请实施例提供的场景识别方法的执行主体,本申请实施例对终端设备的具体类型不作任何限制。
以下对本申请实施例适用的业务场景进行说明如下:
实际应用中,本申请实施例可适用于任意需要进行用户所处场景识别的情况,包括但不限于如:用户在地铁站、火车站、商场、小区、公园、球场以及广场等室内室外场景下的场景识别需求。具体可根据实际应用情况确定。
同时,本申请实施例不对识别出实际场景后,对识别结果的应用方式做过多限定,具体可根据实际的业务场景需求设定。以下通过一些实施例进行举例说明:
例如针对用户处于地铁站的情况,终端设备可以在识别出实际场景为地铁站时,进行地铁乘车码卡片的自动弹出。又例如针对用户处于火车站外广场的情况,终端设备可以在识别出实际场景为室外场景时,进行吃住行相关的推荐卡片的自动弹出。而在识别出用户处于火车站内时,终端设备则可以弹出火车电子票的推荐卡片等。对于用户处于商场的情况,终端设备可以在识别出实际场景为商场时,弹出对商铺或商品的推荐卡片。对于用户处于小区楼宇的业务场景,终端设备可以在识别实际场景为小区楼宇时,提醒用户是否要启动屋内的物联网设备,并弹出对物联网设备运行设置的推荐卡片。
本申请实施例根据时序可分为四个阶段:场景划分阶段、基础模型训练、实际场景识别以及识别模型更新。其中,场景划分阶段主要是利用机器学习的方法来实现对高遮蔽场景和低遮蔽场景的区分,以确定出所需针对性处理的低遮蔽场景。基础模型训练阶段主要是进行建模,即进行识别模型训练,以得到可进行室内场景和室外场景分类识别的模型。实际场景识别阶段是具体的应用阶段,主要是终端设备对基础数据进行采集并进行实际场景的识别,以确定出终端设备所处的实际场景。识别模型更新阶段,主要是利用终端设备在实际场景识别阶段采集的真实数据,对已有的识别模型进行更新训练,以提高识别模型的有效性。以下依次进行说明:
阶段一:场景划分阶段。
实际应用中,为了实现对低遮蔽场景和高遮蔽场景的划分,可以选择如下方法:
划分方法1、由技术人员人工对各个室内场景的建筑材料进行调研分析,根据建筑材料衰减系数(电磁波穿透时的损耗值)来计算出该室内场景下建筑物对卫星信号的遮蔽度,从而判断各个室内场景是否为低遮蔽场景。
例如在一些实施例中,假设建筑材料对电磁波穿透时的损耗值情况如下:
水泥墙(15~25cm):10~12dB。
红砖水泥墙(15~25cm):13~18dB。
空心砌块砖墙:4~6dB。
木板墙(5~10cm):5~6dB。
简易石膏板墙:3~5dB。
玻璃,玻璃窗(3~5cm):6~8dB。
木门:3~5dB。
金属门:6~8dB。
在此基础上,对于单个室内场景,可以根据室内场景下建筑材料损耗值的情况,来计算相应建筑物对卫星信号的遮蔽度。
划分方法2、技术人员针对带有遮蔽面(如屋檐)的室内场景,根据遮蔽面的面积和高度,来计算用户与接收卫星信号呈一定角度下,对卫星信号的遮蔽度,从而判断这些室内场景是否为低遮蔽场景。例如可以参考图1B,两种不同高度的屋檐对卫星信号的遮蔽度情况会存在一定差异。
实际应用中,虽然上述划分方法1和划分方法2可以一定程度上实现对低遮蔽场景的识别,并划分出低遮蔽场景和高遮蔽场景。但至少存在以下缺陷:
缺陷1、人工对低遮蔽场景下建筑物实际建筑材料情况调研和分析难度大,且分析的结果可信度难以得到保障。
缺陷2、虽然实际应用中低遮蔽场景占总室内场景的比例较少,但实际低遮蔽场景的数量还是较多。同时每个低遮蔽场景的实际建筑物情况均不相同,例如所使用的建筑材料各异且无法预知。导致各个低遮蔽场景下对卫星信号遮蔽度分析的数据难以相互移用,因此需要对各个低遮蔽场景均进行独立调研分析。这使得对低遮蔽场景的划分工作量极大,成本极高。
缺陷3、人工设定对低遮蔽场景和高遮蔽场景的区分标准可信度较低,容易收受到人为主管影响,从而导致即使计算出了室内场景的各项数据,也难以准确区分出该室内场景是否为低遮蔽场景。
综上,这些划分方法存在实际操作难度极大、可信度,且难以在不同低遮蔽场景之间移用,使得实用性极低的缺陷。
为了解决上述缺陷,本申请实施例从宏观角度出发,将低遮蔽场景作为一个整体对象进行处理。在此基础上利用机器学习模型,对真实接收到的卫星信号数据进行自适应学习分类。确定出其中属于低遮蔽场景的卫星信号数据和高遮蔽场景的卫星信号数据,从而实现区分出室内场景中的低遮蔽场景和高遮蔽场景。参考图2,是本申请实施例提供的一种低遮蔽场景划分方法的流程示意图,详述如下:
S101,获取样本信号数据。样本信号数据为对多个室内场景采集的卫星信号数据,或者为对多个室内场景和多个室外场景采集的卫星信号数据。
S102,基于机器学习模型,对样本信号数据进行分类,得到低遮蔽类信号数据和高遮蔽类信号数据,并将低遮蔽类信号数据所属的室内场景判定为低遮蔽场景。
其中,样本信号数据即为真实接收到的卫星信号数据(亦可称为原始的卫星信号数据)。本申请实施例所使用的用于场景分类的机器学习模型,亦可称为场景分类模型。在本申请实施例中,样本信号数据包含的数据内容有两种情况:
1、样本信号数据包含在各个室内场景下接收到的真实的卫星信号数据。此时可以选取二分类的机器学习模型,设定其学习目标为将卫星信号数据分为两类,从而实现对低遮蔽场景和高遮蔽场景的划分。
2、样本信号数据包含在各个室内场景和室外场景下接收到的真实的卫星信号数据。此时可以选取三分类的机器学习模型,设定其学习目标为将卫星信号数据分为三类,从而实现对低遮蔽场景、高遮蔽场景和室外场景的划分。
在本申请实施例中,样本信号数据的来源亦可以包含以下任意来源:
1、由技术人员对各个室内场景和室外场景进行卫星信号的人工采集。
2、获取大量真实用户在各个室内场景和室外场景接收到的卫星信号数据。
实际应用中,可根据实际应用情况来确定样本信号数据的来源以及具体包含的数据内容。例如,在一些可选实施例中,可以由技术人员手持终端设备到各个室内场景中采集卫星信号数据并作为样本信号数据。此时,样本信号数据则包含在各个室内场景下接收到的真实的卫星信号数据。
由于实际应用中三类室内室外场景下的卫星信号数据关系为:室外场景优于低遮蔽场景,低遮蔽场景优于高遮蔽场景。因此无论是分为两类还是分为三类,机器学习都可以通过特征分析学习较为容易地寻找出数据之间的差异性,并准确区分出其中低遮蔽场景下的卫星信号数据。从而确定出这些卫星信号数据具体对应的室内场景,并确定为低遮蔽场景。其中,卫星信号数据的优劣,可以体现在卫星信号数据对应的导航卫星数量,以及卫星信号的强度等。一般来说,场景下对卫星信号遮蔽度越低,其所能接收到的导航卫星数量越多,且卫星信号强度越强。本申请实施例将低遮蔽场景下对应的分类结果,称为第一类结果。即低遮蔽场景下的卫星信号数据对应的分类结果为第一类结果。
本申请实施例不对所使用的机器学习模型类型做过多限定,可有技术人员自行选定。例如在一些可选实施例中,可以选用逻辑回归模型来实现对样本信号数据的分类。
作为本申请的一个可选实施例,在S102之前,还可以利用特征工程对样本信号数据进行处理,从而提高样本信号数据的质量。再进行模型处理,以提高分类的准确性。
以一实例进行示例说明,假设有场景1、场景2、场景3、场景4、场景5、场景6、场景7、场景8、场景9和场景10,共10个室内场景。样本信号数据为这10个室内场景下采集的卫星信号数据,即样本信号数据中包含10组卫星信号数据。在此基础上,可以利用逻辑回归模型来对这10组卫星信号数据进行二分类。假设分类结果为场景1、场景3、场景5、场景7、场景8、场景9和场景10的卫星信号数据为同一类,而场景2、场景4和场景6的卫星信号数据为同一类且卫星信号数据较差。则此时可以判定为场景2、场景4和场景6为低遮蔽场景。
本申请实施例至少具有以下有益效果:
1、本申请实施例无需调研和分析室内场景下建筑物实际的各项参数,如建筑物的建筑材料情况,遮蔽面的大小和高度等,只需要在室内场景下接收对应的卫星信号数据即可。因此实际应用时,技术人员操作简单难度小且效率高,从而使得本申请实施例的可行性极高。
2、本申请实施例将多个低遮蔽场景视为一个整体对象进行处理,因此并不存在不同低遮蔽场景模型不通用的问题,避免了人工对各个低遮蔽场景逐一进行数据采集和针对性分析的问题。因此极大地降低了实际应用成本。
3、相对人工设定对低遮蔽场景和高遮蔽场景的区分标准而言,机器学习可以更好地学习出两种室内场景之间卫星信号数据特征的客观差异,从而避免了人为主管制定标准的不可靠性。因此可以提高对低遮蔽场景和高遮蔽场景划分的可信度。
作为本申请的一个可选实施例,在完成对室内场景的分类后,亦可以根据分类的结果来对场景分类结果进行更新,从而场景分类模型可以更好地区分室内场景,并可以直接输出对低遮蔽场景和高遮蔽场景的分类结果。
阶段二:基础模型训练阶段。
在本申请实施例中,将高遮蔽场景对应的识别模型称为高遮蔽模型,将低遮蔽场景对应的识别模型称为低遮蔽模型。因此基础模型训练阶段主要是构建高遮蔽模型和低遮蔽模型,以得到两个可以用于室内场景和室外场景二分类的模型。首先对模型种类选用进行说明如下:
为了提高对低遮蔽场景的识别效果,本申请实施例选择了针对低遮蔽场景和高遮蔽场景进行区分建模。其中,低遮蔽模型所选用的识别模型的精度,高于高遮蔽模型所选用的识别模型的精度,以此提高对低遮蔽场景的识别准确度。在此基础上,本申请实施例不对高遮蔽模型和低遮蔽模型具体的模型种类做过多限定。例如,可以采用对特征规律学习深度较浅,精度相对较低的模型,如针对场景构建数学计算公式作为模型、基于统计学的模型或经典机器学习模型(如逻辑回归模型和经典SVM模型等)。亦可以选择采用一些对特征规律学习更为深入,精度更高的模型,如神经网络模型(如深度学习模型等)以及集成学习族(Ensemble Learning)模型。
理论上,可以针对高遮蔽模型和低遮蔽模型均选用高精度的模型,从而提高对所有场景的识别准确度。但考虑到实际应用中,一方面高精度模型在构建过程中,往往需要较高的经济成本,且为了保障训练效果,训练的时长也往往较长。另一方面,在高遮蔽场景中的卫星信号相对室外场景的差异较大,实践中发现低精度模型也可以很好地区分出高遮蔽场景和室外场景。因此,若采样高精度模型来作为高遮蔽模型,会出现场景识别准确度差异不大,但成本差异极大的情况。基于此,作为本申请的一个可选实施例,针对高遮蔽场景,可以选用一些低精度模型来作为高遮蔽模型。例如高遮蔽模型可以是非神经网络类、非集成学习类的模型,如统计学的模型或经典机器学习模型。而针对低遮蔽场景,则可以采用高精度模型来作为低遮蔽模型,如神经网络模型和集成学习族模型等,以提高对低遮蔽场景的识别准确度。因此,本申请实施例可以实现对场景识别成本和识别准确度的较佳平衡。
在选取好模型种类的基础上,本申请实施例可以将低遮蔽场景作为一个整体对象,将各个高遮蔽场景作为另一个整体对象,分别开始对高遮蔽模型和低遮蔽模型的构建。
作为本申请的一个可选实施例,考虑到导航卫星的分布具有一定的地域性差异,不同地理位置空中的导航卫星分布密度与分布状态有一定差异。导致实际应用中,地理位置对终端设备所能采集的卫星信号会有较大的差异。为了可以适应不同地理位置对实际场景的识别需求,提升对实际场景识别的准确度。在本申请实施例中,以地区为具体的地理位置区分单位,并针对不同地区进行区分建模。即针对每个地区而言,其识别模型构建的操作可以是相互独立的。相应的,对样本数据的采集操作也是相对独立的。但每个地区识别模型构建操作的逻辑可以是一致的,因此本申请实施例基础模型训练阶段的说明,可以视为对任意地区模型构建的说明。其中,本申请实施例不对地区的划分规则做过多限定,可由技术人员根据需求自行设定。例如可以以城市作为地区划分规则,此时每个地区对应着一个城市。又例如,亦可以以省份作为地区划分规则,此时每个地区对应着一个省份。
具体而言,技术人员在选定所需建模的一个或多个地区后,可以针对不同地区分别进行建模。例如假设共有城市A和城市B两个选定的地区。此时本申请实施例共需构建至少4个识别模型:城市A在低遮蔽场景下对应的识别模型、城市A在高遮蔽场景下对应的识别模型、城市B在低遮蔽场景下对应的识别模型以及城市B在高遮蔽场景下对应的识别模型。在本申请实施例中,对各个城市下的建模方法均相同。
为了便于说明,本申请实施例以单个地区下对应的建模方法为例进行说明,其他地区下的建模方法均可参考本申请实施例实现,本申请实施例不予赘述。其中,当不区分地区进行建模时,亦可视为所有地区均属于同一个地区。下面通过具体实施例来进行说明。
可以参考图3A,示出了本申请实施例提供的基础模型训练方法的实现流程图,详述如下:
S201,技术人员针对高遮蔽场景进行数据采集得到高遮蔽样本数据,对低遮蔽场景进行数据采集得到低遮蔽样本数据。
在正式开始模型训练前,本申请实施例由技术人员针对高遮蔽场景和低遮蔽场景分别进行数据采集(即采样)。其中,由于实际场景可能为室内场景或室外场景,因此在进行数据采集时,需要对室内场景和室外场景均进行数据采集,从而得到模型训练所需的样本数据。同时还需要为采集到的样本数据标记对应的场景标签,以记录是在室内场景下采集还是在室外场景下采集的。例如,假设针对低遮蔽场景A进行采样时,可以在低遮蔽场景A内进行采样,并将采集到的样本数据标记为室内场景。同时还对低遮蔽场景A对应的室外场景进行采样,并将采集到的样本数据标记为室外场景。另外为了提升模型训练效果,技术人员可以采集较多的样本数据以备使用。
应当说明的几点:
1、在本申请实施例中,所需采集的样本数据(包括低遮蔽样本数据和高遮蔽样本数据)至少包括:通过搜星器采集到的卫星信号数据(如卫星信号的特征数据等)。在此基础上,所需采集的样本数据亦可以包含一些卫星信号数据以外的其他数据,例如WiFi信号数据、磁场信号数据、以及雷达信号数据和激光信号数据等。在本申请实施例中,将卫星信号数据以外的其他数据,称为辅助特征数据(亦可简称为辅助特征)。同时,本申请实施例不对是否采用辅助特征数据,以及具体采用什么辅助特征数据做过多限定,可由技术人员自行设定。
由于统计学特征可以较好的表征卫星信号的一些特征,同时实验证明,统计学特征参数室内场景下和室外场景下均会存在一定的差异。因此,作为本申请的一个可选实施例,卫星信号数据可以包括卫星信号的统计学特征参数,作为本申请实施例中进行模型训练的样本数据,以及后续终端设备实际应用时所需获取的基础数据。
作为本申请实施例,可使用但不限于以下统计学特征参数中的任意一项或多项作为所使用的样本数据:卫星信号强度比例、最大信噪比、最小信噪比、信噪比标准差、信噪比中位数、信噪比极差、去零平均信噪比以及含零平均信噪比。
其中,考虑到地区内可搜索到的卫星数量往往是浮动的,为了去除浮动对求均值时的影响,在本申请实施例中,技术人员可以预先设定一个卫星总数量Q1。例如可以将Q1设置为地球表面所有导航卫星的总数。假设当前可搜索到的导航卫星数量n1,在计算去零平均信噪比,可以将当前搜索到的n1个导航卫星的卫星信号信噪比数据求和并除以n1,而在计算含零平均信噪比时,则可以将当前搜索到的n1个导航卫星的卫星信号信噪比数据求和并除以Q1。其中,n1和Q1均为任意正整数,且n1≤Q1。对使用去零平均信噪比以及含零平均信噪比说明如下:
实际应用中,由于室内遮挡的缘故,室内场景可搜索到的导航卫星数量一般会比室外场景少较多,因此实际室内场景可获取到的卫星信号信噪比数据往往也会少于室外场景。含零平均信噪比在计算时,可以避免可搜索到的导航卫星数量对计算结果造成较大影响,因此使用该项特征参数可以较好的适配室内场景的实际情况,从而可以提升识别模型对室内场景的识别效果。而去零平均信噪比可以较好的体现所搜索到的导航卫星的信号数据,相对整体导航卫星数据分布情况,因此该项特征参数可以较好的适配室外场景的实际情况,从而可以提升识别模型对室外场景的识别效果。
2、实际操作中,技术人员可根据业务场景确定具体所需采集数据的室内场景和室外场景。例如需要针对地铁站内外进行识别的业务场景,可以是对地铁站内和地铁站外进行数据采集。
3、实际操作中,对于同一地区下低遮蔽场景和高遮蔽场景的数据采集工作可以同时或穿插进行。
作为本申请的一个可选实施例,为了提升对低遮蔽场景的场景识别准确度,在本申请实施例中,针对低遮蔽场景采集的样本数据(以下称为低遮蔽样本)所包含的数据种类,多于高遮蔽场景下采集的样本数据(以下称为高遮蔽样本)。即低遮蔽样本数据所包含的数据维度更为丰富,对场景的描述更为丰富准确。例如,在一些可选实施例中,考虑到高遮蔽场景对卫星信号遮蔽效果较好,因此可以选用卫星信号数据作为高遮蔽场景的样本数据。而针对低遮蔽场景,则可以在卫星信号数据的基础上,再增加一些辅助特征数据,如WiFi信号数据、磁场信号数据、以及雷达信号数据和激光信号数据等数据中的任意数据。作为本申请的一个可选实施例,辅助特征数据内可以包含一些不具备地域特性的数据,例如WiFi信号强度和磁场信号强度等。
S202,服务器基于高遮蔽样本数据,对预先构建的初始模型进行训练,得到高遮蔽基础模型。服务器基于低遮蔽样本数据,对预先构建的另一初始模型进行训练,得到低遮蔽基础模型。
在本申请实施例中,模型包含初始模型、基础模型(包括高遮蔽基础模型和低遮蔽基础模型)以及更新后的基础模型三种状态,其中基础模型是指对初始模型进行迭代训练后得到的,可用于进行室内场景和室外场景的分类模型。更新后的基础模型是指基于新的数据对基础模型进行更新训练后得到的模型。在本申请实施例中,又将基础模型和更新后的基础模型统称为识别模型。因此,初始模型的模型种类与识别模型的模型种类是一致的。
根据实际选择的模型种类的不同,本申请实施例对初始模型进行训练的方式也可以存在一定的差异,因此具体可根据实际识别模型的模型类型来选取对应的训练方式。例如假设高遮蔽模型选用的预先构建的数学计算公式时,则可以利用高遮蔽样本数据来校验或修正公式参数。当高遮蔽模型选用的是经典机器学习模型时,则利用一些机器学习训练方法来实现模型训练。假设低遮蔽度模型选用的是神经网络模型,则可以迭代训练或深度学习训练等神经网络模型的训练方法来实现模型训练。
作为本申请的一个可选实施例,在本申请实施例中,高遮蔽模型可以选用一些非神经网络类,亦非集成学习类的模型,例如一些经典机器学习模型。其好处在于:建模的效率高耗时短,且成本较低,在应用时计算效率高,对终端设备的资源消耗少。同时亦可以满足高遮蔽场景下的场景识别准确率需求。但考虑到经典机器学习模型对特征规律学习深度较浅,因此对低遮蔽场景的识别难度较大,准确性较低。因此在本申请实施例中,针对低遮蔽模型则可以选用对特征规律学习更为深入的深度学习模型或者集成学习族模型。其好处在于学习能力强,对低遮蔽场景的识别能力强,准确度高。但这类模型训练成本较高,且训练耗时较长。因此若用在高遮蔽场景下,由于大部分室内场景为高遮蔽场景,因此会导致实际应用时的场景识别成本和耗时激增(增加经济成本且降低时间效率)。因此本申请实施例将其应用于低遮蔽场景。
本申请实施例将两类学习深度不同,精度不同的识别模型结合起来,充分利用两类模型各自的特点以及对实际室内场景需求的匹配度,从而实现了对场景识别准确度、经济成本以及时间效率的较佳平衡。
作为本申请的一个可选实施例,低遮蔽模型可以是集成学习族模型。此时可以使用决策级融合的方式,采用集成学习方法来进行初始模型的迭代训练,将卫星信号数据以及各个辅助特征数据进行加权融合学习,以得到所需的低遮蔽基础模型。其中,具体的集成学习方法此处不做过多限定,可由技术人员选定,例如可以使用的集成学习方法包括但不限于如:Stacking、boosting、bagging、blending以及随机森林等类型的集成学习融合方案。
作为本申请的一个可选实施例,考虑到相对卫星信号数据而言,辅助特征数据精度往往较差,对于室内场景和室外场景分辨能力相对较弱。因此在利用集成学习方法来进行迭代训练的过程前,低遮蔽场景对应的初始模型中,本申请实施例可以针对卫星信号数据和辅助特征数据分别构建基分类器。在此基础上,可以为各个基分类器分别设置对应的融合系数,且卫星信号数据对应的基分类器的融合系数(亦可称为第一融合系数),大于辅助特征数据对应的基分类器的融合系数(亦可称为第二融合系数)。其中辅助特征数据可以作为一个整体构建一个基分类器,亦可以为辅助特征数据拆分为多组数据,并为每组数据分别构建对应的基分类器,此时每组数据中可以包含一项或多项数据。以一实例进行举例说明,可以参考图3B,是本申请实施例提供的一种基础模型训练过程中,基分类器构建及融合的架构示意图。在本申请实施例中,针对卫星信号数据构建了一个基分类器(即强模态分类器)。同时将辅助特征数据划分为Q2组,并为每组数据设置了对应的基分类器(即弱模态分类器1至弱模态分类器Q2),且采用Stacking集成学习融合方案。在本申请实施例中,Q2为大于或等于1的正整数。
基于图3B,本申请实施例中基础模型最终的元(Meta)分类器的分类结果Pfinal可以表示为:
Pfinal=Meta(k0×PGNSS,k1×P1,... kn2×Pn2...,kQ2×PQ2)(1)
其中,PGNSS为强模态分类器的分类结果,P1至PQ2分别为弱模态分类器1至弱模态分类器Q2的分类结果,k0为强模态分类器的融合系数,k1至kQ2分别为弱模态分类器1至弱模态分类器Q2的融合系数,k1至kQ2均小于k0,其中n2为大于或等于1且小于或等于Q2的正整数。其中,强模态分类器和各个弱模态分类器的分类结果,均是输出对室内场景和室外场景的判定概率。
由图3B及上述表达式(1)可知,在申请实施例中,先由强模态分类器和各个弱模态分类器对卫星信号数据和辅助特征数据进行分类,得到对应的多个判定概率。再以强模态分类器以及所有弱模态分类器的分类结果组成的评定概率矩阵输入值最终的元分类器,由元分类器进行最终的分类处理。由于任意kn2均小于k0,因此元分类器在进行室内场景和室外场景的分类处理时,强模态分类器分类结果的影响最大,从而实现数据多模态融合。即在主要参考卫星信号特征数据的基础上,同时参考辅助特征数据的效果,提升最终分类结果的准确性。其中,本申请实施例不对元分类器的类型做过多限定,可以技术人员设定,例如可以使用逻辑(logistic)回归分类器等分类器作为本申请实施例中元分类器。
作为本申请的一个具体实施例,可以参考图3C,是本申请实施例提供的一种针对单个地区下,场景划分阶段和基础模型训练的模型训练方法的流程框图。在本申请实施例中,场景划分阶段所使用的机器学习模型为逻辑回归模型,针对低遮蔽场景使用多模态融合的集成学习族模型(简称为融合模型),针对正常的高遮蔽场景则使用简单的经典机器学习模型。低遮蔽样本数据中包含卫星信号数据和辅助特征数据。具体包括:
获取某地区室内场景下批量原始的卫星信号数据。
利用特征工程对该卫星信号数据进行处理。
将处理后的卫星信号数据输入至逻辑回归模型进行分类,确定出室内场景是否为低遮蔽场景,或是高遮蔽场景。
当室内场景为低遮蔽场景时,选取多模态融合的集成学习族模型作为低遮蔽模型,并利用在低遮蔽场景下采集的卫星信号数据、磁场信号数据、WiFi信号数据和激光信号数据等,对融合模型进行训练,得到可用于低遮蔽场景识别的低遮蔽模型。
其中,磁场信号数据可由磁力计等传感器采集得到。在其他实施例中,辅助特征数据可以包含更多其他的数据,此处不予限定。
当室内场景为高遮蔽场景时,则选取经典机器学习模型作为高遮蔽模型,并利用在高遮蔽场景下采集的卫星信号数据来对高遮蔽模型进行训练,得到可用于高遮蔽场景识别的高遮蔽模型。
作为本申请的另一个可选实施例,在得到基础模型的基础上,本申请实施例还可以对这些基础模型进行一次或多次更新,以持续维持基础模型的准确性。
在完成基础模型构建,或者完成对基础模型更新的基础上,本申请实施例可以进入实际场景识别阶段。
阶段三:实际场景识别阶段。
在本申请实施例中,实际场景识别阶段亦可以细分为:触发阶段和识别阶段。其中,触发阶段主要用于检测终端设备是否有需求进行场景识别,并触发终端设备进入识别阶段。识别阶段则主要用于具体的场景识别。详述如下:
触发阶段:
考虑到实际应用中终端设备有着严格的功耗控制需求,且对室内场景和室外场景识别,也仅是用户日常的一种生活场景。因此为了降低本对终端设备带来的功耗,作为本申请的一个可选实施例,可以针对场景识别预设对应的触发条件。即在终端设备运行过程中,当检测到满足触发条件时,认为有场景识别需求并进入识别阶段,开启场景识别阶段中的场景识别方法。其中,本申请实施例不对具体的触发条件做过多限定。
作为本申请的一个可选实施例,本申请实施例中触发条件可以包含以下三类中任意条件:
1、用户主动触发。即终端设备内可以内置对室内室外的场景识别功能,由用户在有需求的时候自行使用。例如针对一些视力障碍用户而言,难以自行区分自身所处是室内还是室外,因此此时可以选择自行触发场景识别功能,从而获知自身所处实际场景情况。
2、由终端设备内的一些功能关联触发。此时可以设置预先选取一些与场景识别相关的功能。终端设备在这些功能开启时,联动触发场景识别。例如,导航功能被开启,可以作为触发条件开启后续的场景识别。
3、检测到进入特定区域(亦可称为预设区域)时触发。实际应用中,室内场景和室外场景往往具有一定的地域特性,即均具有实际的地理位置。当用户处于这些地理位置一定范围时,终端设备可以自动开启场景识别。其中,对特定数据的检测方式,可以是主动或被动。例如可以主动查找数据,或者被动接收一些数据。本申请实施例不对特定区域的具体位置、大小及数量等属性做过多限定,可由技术人员根据实际应用需求设定。例如在一些实施例中,可以将各个建筑物独立划分,并以建筑物为中心周围一定范围划分为该建筑物对应的特定区域,从而得到多个与不同建筑物一一对应的特定区域。同时本申请实施例不对是否进入特定区域的具体识别方法做过多限定,亦可由技术人员自行设定。例如,可以结合接收到的卫星信号来进行定位,从而确定出是否进入特定区域。
作为本申请的一个可选实施例,可以选定卫星信号或具有一定地域特性的数据(以下统称为目标数据),并设置目标数据对应的识别方案。在此基础上,终端设备可以在检测到目标数据时,使用对应预设的识别方案进行处理,以识别当前是否进入特定区域。当识别出进入了预设场景时,则可以判定为满足触发条件,并开始进行实际场景识别。其中,本申请实施例不对目标数据内包含的具体内容做过多限定,可由技术人员设定。例如在一些可选实施例中,可以将卫星信号、地理标识信息(如建筑物周围的WiFi信息或基站信息等)以及地理辅助信息(如信息点(Point of Information,POI)信息)中的任意数据作为目标数据。在此基础上,作为本申请的一个实施例,可以基于这些目标信息通过卫星信号定位、地理标识信息匹配和地理辅助信息匹配等方式,来判断出是否进入了特定区域。
作为本申请的一个可选实施例,可以利用地理围栏(Geo-fencing/geofencing)技术来划分各个特定区域的实际边界。终端设备可以基于卫星信号、地理标识信息或地理辅助信息等信息来识别自身是否进入地理围栏范围内,若进入地理围栏范围,则可以判定为进入了特定区域,满足触发条件。
以一实例进行示例说明,假设针对地铁站A在其周边一定范围为界限建立了对应的地理围栏。在此基础上,终端设备在根据接收到的卫星信号、识别到的地理标识信息或地理辅助信息等信息,识别出进入该地理围栏范围内时,或者接收到进入地理围栏范围的通知时,则可以判定为进入了特定区域,开始进行场景识别。
识别阶段:
可以参考图4A,示出了本申请实施例提供的识别阶段中场景识别方法的实现流程图,详述如下:
S301,终端设备识别当前所处的区域是否包含低遮蔽场景。
首先对本申请实施例识别阶段中的区域进行说明,在本申请实施例中,“区域”是指由室内场景下的建筑物以及该建筑物周围的一定范围(可称为预设范围)所构成的区域。例如可以参考图4B,是本申请实施例提供的一种区域的场景示意图。在图4B中的(1)部分中,区域是由建筑物以及以建筑物为圆心,半径为d构成的圆所覆盖的范围构成。在图4B中的(2)部分中,区域则是由建筑物出发,包含建筑物在内的五边形所覆盖的范围构成。由于实际生活中每个建筑物及周边环境的情况各异,因此在实际应用中,技术人员可以根据各个建筑物及周边环境实际情况来设定对应的区域范围大小和形状等。
应当理解地:
1、区域的范围大小和形状的均可根据实际需求设置,本申请实施例不做过多限定。例如针对范围大小而言,可以是仅包含室内场景对应的建筑物,亦可以是在建筑物的基础上再包含较大的一片范围。针对形状而言,则可以是一些规则的形状,如圆形和矩形等。亦可以是一些无特定规则的形状,如无规则的多边形或由无规则曲线构成的封闭图形等。实际可跟据实际应用情况设定。
2、当区域的范围大小取极小值,即区域内仅包含室内场景下的建筑物本身时,则S102识别当前区域内是否包含低遮蔽场景的操作,亦可替换为:终端设备识别自身是否处于低遮蔽场景。相应的,以下所有对“识别当前区域内是否包含低遮蔽场景”,均可视为“识别是否处于低遮蔽场景”。其中,处于低遮蔽场景,可以是刚进入亦可以是已进入低遮蔽场景。相应的,此时“当前区域内包含低遮蔽场景”,亦可以描述为“处于低遮蔽场景”。“当前区域内包含低遮蔽场景”亦可以描述为“未处于低遮蔽场景”或者“处于高遮蔽场景”。
3、S301中的区域,亦可以触发阶段中的“特定区域”复用。即继续采用触发阶段中的特定区域来作为识别包含低遮蔽场景的区域对象。此时若在触发阶段检测到终端设备进入特定区域,终端设备一方面进入识别阶段,另一方面,则继续识别该特定区域内是否存在低遮蔽场景。
在进入识别阶段后,终端设备可以确定自身当前所处的区域(即当前区域),并确定其中是否包含有低遮蔽场景。其中,本申请实施例不对当前区域以及是否包含低遮蔽场景的识别方法做过多限定,可由技术人员自行设定。例如在一些可选实施例中,可以选择基于卫星信号定位终端设备的位置,并根据所处位置判断当前是否进入了包含室内场景的区域。又例如,可以将建筑物所属的地理围栏范围复用为该建筑物对应的区域范围。此时终端设备可以在主动或被动检测到进入地理围栏范围时,判定为满足触发条件,且进入了包含室内场景的区域。
作为本申请的一个可选实施例,对当前区域内是否包含低遮蔽场景的识别,可以采用基于模型识别的方式,或者基于非模型识别的方式来实现。以下分别进行说明:
1、基于模型识别方式实现:
在本申请实施例,可以预先训练一个可以识别低遮蔽场景的模型。例如可以预先采集较多的室内场景下的卫星信号数据作为样本数据,再利用样本数据来进行机器学习模型(如逻辑回归模型等)的训练,从而得到可以识别低遮蔽场景的模型(以下称为场景识别模型)。作为本申请的一个可选实施例,室内场景可分为高遮蔽场景和低遮蔽场景,因此亦可以采用该模型亦可以是一个可进行低遮蔽场景和高遮蔽场景的二分类模型。
在得到场景识别模型的基础上,S301可以被替换为:接收卫星信号数据,并利用场景识别模型识别当前所处的区域是否包含低遮蔽场景。其中场景识别模型是根据在室内场景内接收到的卫星信号数据进行模型预先训练得到的,可用于识别低遮蔽场景的模型。
或者,当该模型为二分类模型时,则S301亦可以被替换为:接收卫星信号数据,并利用场景识别模型识别当前所处的区域是否包含低遮蔽场景。其中场景识别模型是根据在室内场景内接收到的卫星信号数据进行模型训练得到的,可用于区分包含低遮蔽场景或包含高遮蔽场景的二分类模型。
作为本申请的一个可选实施例,可以复用场景划分阶段中的场景分类模型来作为本申请实施例中的场景识别模型(即场景识别模型和场景分类模型是同一模型),从而实现对区域内是否包含低遮蔽场景的识别。
2、基于非模型方识别式实现:
在已知各个低遮蔽场景的情况,通过确定出区域内包含的实际场景并与已记录的低遮蔽场景进行比对的方式,以判断出区域内是否包含低遮蔽场景。具体而言,终端设备可以结合获取到的卫星信号、地理标识信息或地理辅助信息等信息,判断自身所处区域内有什么室内场景。再将确定出的室内场景与已记录各个低遮蔽场景进行比对,判断是否为已记录的低遮蔽场景,从而快速判断出自身是否处于低遮蔽场景的一定范围内。该一定范围,包含已处于低遮蔽场景之中的情况,如当终端设备已进入灰度区域或进入低遮蔽度的建筑物之中,即此时的与低遮蔽场景的距离可以为0。
相应的,此时S301可以被替换为:终端设备识别当前所处的区域内包含的室内场景,并将识别出的室内场景与已记录的低遮蔽场景进行匹配。若识别出的室内场景为已记录的低遮蔽场景,则判定当前区域内包含低遮蔽场景。
S302,若当前区域内包含低遮蔽场景,获取低遮蔽基础数据,并利用低遮蔽模型对低遮蔽基础数据进行处理,确定出自身所处的实际场景。
S303,若当前区域内包含高遮蔽场景,获取高遮蔽基础数据,并利用高遮蔽模型对高遮蔽基础数据进行处理,确定出自身所处的实际场景。低遮蔽模型的精度高于高遮蔽模型。
在当前区域内包含低遮蔽场景时,说明用户可能会进入低遮蔽场景中。反之,当前区域内未包含低遮蔽场景时,则可以认为是包含高遮蔽场景,此时说明用户可能会进入高遮蔽场景。在本申请实施例中,低遮蔽场景亦可称为第一室内场景,高遮蔽场景亦可称为第二室内场景。低遮蔽基础数据亦可称为第一基础数据,高遮蔽基础数据亦可称为第二基础数据。低遮蔽样本数据亦可称为第一样本数据,高遮蔽样本数据亦可称为第二样本数据。低遮蔽模型亦可称为第一识别模型,高遮蔽模型亦可称为第二识别模型。
此时,为了提升对低遮蔽场景的识别准确度,终端设备可以区分高遮蔽场景和低遮蔽场景来分别选取基础数据和识别模型。其中,采用精度更高的低遮蔽模型来对所采集的卫星信号数据等基础数据进行处理。由于低遮蔽模型是针对低遮蔽场景训练出的识别模型,因此可以更为准确地识别出终端设备当前所处的是室外场景还是低遮蔽场景。其中,本申请实施例不对高遮蔽模型和低遮蔽模型具体对基础数据的处理操作做过多限定,可根据实际识别模型的情况来确定。对本申请实施例中的基础数据(包括低遮蔽基础数据和高遮蔽基础数据)的相关说明如下:
1、基础数据包含的内容:
低遮蔽基础数据,是针对低遮蔽场景识别时所采集的,用于进行实际场景识别的数据。高遮蔽基础数据则是针对高遮蔽场景识别时所采集的,用于进行实际场景识别的数据。在本申请实施例中,低遮蔽基础数据具体包含的数据种类与低遮蔽样本数据中包含的数据种类相同,即至少包含卫星信号数据。在此基础上,还可以包含辅助特征数据。而高遮蔽基础数据具体包含的数据种类则与高遮蔽样本数据中包含的数据种类相同,即至少包含卫星信号数据,还可以包含辅助特征数据。具体可参考对图3A所示实施例中S201的相关说明,此处不予赘述。
作为本申请的一个可选实施例,低遮蔽基础数据中包含的数据种类,多与高遮蔽基础数据中包含的数据种类。例如在一些实施例中,高遮蔽基础数据内包含卫星信号数据,而低遮蔽基础数据内包含卫星信号数据以及一种或多种辅助特征数据。如低遮蔽基础数据中可以包含WiFi信号数据、磁场信号数据、以及雷达信号数据和激光信号数据等数据中的一种或多种。
2、基础数据的采集时机:
应当理解地,对基础数据的具体采集操作时机,可以是在实际利用识别模型处理基础数据之前的任意步骤实现。例如可以在S301识别所处区域是否包含低遮蔽场景之前或之后。同时,若是在判断是否满足触发条件操作过程中,已经获取了基础数据,则在识别阶段中,亦可以不再重复获取基础数据。另外,在基础数据包含卫星信号和辅助特征数据时,对卫星信号和辅助特征数据的获取也可以是分开进行的。例如可以在触发阶段或识别低遮蔽场景的操作中先获取卫星信号,再在确定出有低遮蔽场景时获取辅助特征数据等。另外,根据具体数据种类的不同,基础数据中各个数据的采集方式也可以存在一定差异,如可以包括主动检测和被动接收等方式实现采集。
3、S302和S303中获取基础数据的具体实现方式:
应当理解地,在本申请实施例中“获取基础数据”可以是指采集基础数据和/或本地获取基础数据,具体可根据实际情况确定,此处不做限定。例如,当在实际利用识别模型处理基础数据之前已采集到了所需的基础数据时,则此时的获取基础数据可以是获取本地的基础数据。当在需要利用识别模型处理基础数据之前仅采集到了部分基础数据时,则此时的获取基础数据可以是获取本地已有的部分基础数据,并采集剩余部分的基础数据。当在需要利用识别模型处理基础数据之前没有采集到基础数据时,则此时的获取基础数据则可以是采集基础数据。
作为本申请的一个可选实施例,假设高遮蔽基础数据内包含卫星信号数据,而低遮蔽基础数据内包含卫星信号数据以及一种或多种辅助特征数据。同时假设在S302和S303之前,终端设备已经采集到了当前的卫星信号数据,但并未进行辅助特征数据的采集,则此时S302可以被替换为:若当前区域内包含低遮蔽场景,采集辅助特征数据,并利用低遮蔽模型对当前的卫星信号数据和辅助特征数据进行处理,确定出自身所处的实际场景。S303则可以被替换为:若当前区域内包含高遮蔽场景,利用高遮蔽模型对当前的卫星信号数据进行处理,确定出自身所处的实际场景。
作为本申请的一个可选实施例,设区域的范围取极小值,即每个区域及对应着一个具体的室内场景。此时S301可以被替换为:终端设备识别当前所处的室内场景是否为低遮蔽场景。其中,当前所处室内场景为低遮蔽场景时,则可以判定为终端设备处于低遮蔽场景。反之,当前所处实际场景为高遮蔽场景时,则可以判定为终端设备处于高遮蔽场景,或判定为终端设备未处于低遮蔽场景。因此,相应的,S302可以被替换为:在当前所处室内场景为低遮蔽场景时,获取低遮蔽基础数据,并利用低遮蔽模型对低遮蔽基础数据进行处理,确定出自身所处的实际场景。S303可以被替换为:在当前所处室内场景为高遮蔽场景时,获取高遮蔽基础数据,并利用高遮蔽模型对高遮蔽基础数据进行处理,确定出自身所处的实际场景。
作为本申请的一个可选实施例,对本申请实施例中终端设备对识别模型的获取方式进行说明。在本申请实施例中,识别模型由服务器端进行基础模型建模或更新训练得到,在此基础上,终端设备若想使用识别模型,可以采用如下两种可选方式实现:
方式1:终端设备将识别模型提前下载至本地,在需要的时候,从本地存储的识别模型中进行模型匹配和使用。
在本地存储识别模型时,终端设备可以主动或被动的对存储的识别模型进行模型数据更新,以获取最新的识别模型。例如终端设备可以预设的频率主动从服务器下载最新的识别模型,并覆盖本地存储的识别模型,以更新识别模型。又例如,服务器可以主动将最新的识别模型推送至终端设备,终端设备在接收到新的识别模型后,覆盖本地存储的识别模型,以更新识别模型。
作为本申请的一个可选实施例,本申请实施例中针对不同地区区分构建识别模型。即每个识别模型都是有对应适用地区的。同时针对不同地区,分别记录对应的低遮蔽场景。如城市A有建筑物A、建筑物B和建筑物C属于低遮蔽场景,城市B有建筑物D、建筑物E和建筑物F属于低遮蔽场景。在此基础上,终端设备可以根据自身实时所处的地区,来下载可用的识别模型。同时下载当前地区对应记录的低遮蔽场景,以供使用。因此本申请实施例可以实现对用户实际情况的实时跟随,提升实际场景识别的准确度。
作为本申请的一个可选实施例,为了保障本地识别模型的有效性,本申请实施例可以主动评估本地识别模型的有效性(亦可称为评估识别模型是否老化)。并在识别出本地识别模型满足预设的老化条件时,主动重新下载新的识别模型,并删除旧的识别模型将新的识别进行本地存储,以实现对识别模型的维护。其中,本申请实施例不对老化条件做过多限定,可由技术人员自行设定。例如在一些可选实施例中,老化条件可以包括以下任意条件:
1、识别模型未使用的时长是否达到预设时长。如当某个识别模型未使用时长达到预设时长时(如1个月),判定为该识别模型已老化,并重新下载该识别模型对应的新的识别模型。
2、当针对不同地区区分构建识别模型时,若用户实时所处的地区发生更新。即本地存储的识别模型对应的地区与用户当前实际所处地区不同时,亦可以选择重新下载用户当前所处地区对应的识别模型。
方式2:终端设备在需要匹配识别模型时,将所需使用的识别模型告知至服务器,由服务器将对应的低遮蔽模型或高遮蔽模型下发至终端设备使用。
具体可根据实际应用需求来确定对识别模型的获取方式,此处不做过多限定。
作为本申请的一个可选实施例,考虑到一些低遮蔽场景的特殊性(以下将这些低遮蔽场景称为目标场景),如实际应用中对这些目标场景的识别准确度相对其他低遮蔽场景的识别准确度要求更高,或者目标场景自身识别的难度较大。因此为了提高对目标场景的识别准确度,本申请实施例可以选择针对目标场景进行识别模型的单独建模。本申请实施例中将目标场景对应的低遮蔽模型亦称为目标模型。其中对目标模型的构建方法与其他低遮蔽模型的构建方法基本相同,其区别仅在于所使用的低遮蔽样本数据为针对目标模型采集的低遮蔽样本数据,因此此处不予赘述,具体可参考上述基础模型训练阶段的相关说明。
此时,在图4A所示实施例的基础上,可以参考图4C,是本申请实施例提供的一种室内场景为目标场景时的场景识别方法的流程示意图。此时S302可以被替换为S3021和S3022:
S3021,若当前区域内包含目标场景,获取低遮蔽基础数据,并确定出目标场景对应的目标模型。其中,目标场景属于低遮蔽场景。
S3022,利用目标模型对低遮蔽基础数据进行处理,确定出自身所处的实际场景。
在本申请实施例中,通过对低遮蔽场景中个别或部分目标场景来针对性构建识别模型,并在识别出用户可能会进入目标场景(包括已进入目标场景中的情况)时,使用对应的目标模型来对此时的低遮蔽基础数据进行处理。从而使得本申请实施例有效提升对这些特殊的目标场景的识别准确度,同时还可以灵活满足实际应用中对不同低遮蔽场景的识别需求。提升本申请实施例的实用性。
应当说明地,实际应用中,识别阶段的场景识别方法可以集成于应用程序内实施,此时可由应用程序来进行触发条件检测以及场景识别等操作。或者,识别阶段的场景识别方法亦可以作为终端设备内置的底层算法实施,此时可由终端设备的其他算法、功能或应用程序等在检测到满足触发条件时,调用识别阶段的场景识别方法。
阶段四、识别模型更新阶段:
为了保持识别模型(包括初始训练好的低遮蔽模型和高遮蔽模型,以及进行更新训练后的低遮蔽模型和高遮蔽模型)的准确性,本申请实施例可以对识别模型进行及时更新,从而使得终端设备可以及时获得准确可靠的识别模型,保持对实际场景识别的准确性。具体而言,本申请实施例在阶段三:实际场景识别的过程中,当终端设备完成基础数据的采集后,可以由终端设备将采集到的真实的基础数据上传到云端的服务器。再由服务器根据这些真实的基础数据来对已有的识别模型进行更新训练。
由于实际应用中终端设备的数量往往较多,因此对于服务器角度而言,其可以收到较多不同终端设备上传的基础数据,因此以下将这些由终端设备上传的基础数据称为众包数据。对于服务器而言,在接收到众包数据的基础上,可以基于众包数据作为样本数据对已有的识别模型进行更新训练。具体的更新训练操作,与阶段二:基础模型训练阶段中对基础模型的训练操作基本相同,因此此处不予赘述。其中,对于众包数据中,在低遮蔽场景下采集的基础数据,可以作为新的低遮蔽样本数据。相应的,众包数据中,在高遮蔽场景下采集的基础数据,可以作为新的高遮蔽样本数据。再对识别模型进行更新训练。
在一些实施例中,服务器在完成对识别模型的更新训练后,可以主动向终端设备推送更新后的识别模型。
作为本申请的一个具体实施例,为了验证本申请实施例对室内场景识别准确度的改善效果,本申请实施例针对以下情况进行了实际场景识别情况测试。详述如下:
相对本申请实施例涉及到的一些可评估准确度的指标进行说明如下:
准确率:是指样本数据识别正确的次数占所有样本份数的比例。
召回率(recall):是指针对单类样本数据,该类样本数据识别正确的次数占实际该类样本数据份数的比例。
精确率(precision):是指针对单类样本数据,该类样本数据识别正确的次数,占预测结果为该类样本数据的总次数的比例。
以一实例进行示例说明,假设某城市待验证的样本数据份数共为100,其中正样本份数和负样本均为50,正样本是指实际场景为室外场景的样本数据,负样本是指实际场景为室内场景的样本数据。假设基础模型在对100份样本数据进行实际场景识别后结果情况如下:
50份正样本中,识别结果为室外场景(即识别正确)的共30份,识别结果为室内场景(即识别错误)的共20份。
50份负样本中,识别结果为室内场景的共34份,识别结果为室外场景的共16份。
基于上述结果情况可以得到如下数据:
准确率=(30+34)÷100=0.64;
室外场景的召回率=30÷50=0.6;
室外场景的精确率=30÷(30+16)=0.65;
室内场景的召回率=34÷50=0.68;
室内场景的精确率=34÷(34+20)=0.63。
在本申请实施例中,针对城市A,业务场景为地铁站的室内场景和室外场景识别的情况。且针对低遮蔽模型和高遮蔽模型,会基于收集到的众包数据来对识别模型进行更新,并利用更新后的识别模型进行测试。测试分为三部分:针对未区分高遮蔽场景和低遮蔽场景的情况进行相应的测试(即此时的室内场景同时包含高遮蔽场景和低遮蔽场景),针对区分高遮蔽场景和低遮蔽场景后的情况,分别针对高遮蔽场景和低遮蔽场景进行独立测试。测试的数据如下表1:
表1
其中,室外召回率是指对室外场景的召回率,室外准确率是指对室外场景的准确率,室内召回率是指对室内场景的召回率,室内准确率是指对室内场景的准确率。针对室内场景区分高遮蔽场景和低遮蔽场景的情况,则是指将高遮蔽场景和低遮蔽场景分别作为独立的测试对象得到的对应指标。例如针对低遮蔽场景,室外召回率是指对低遮蔽场景对应的室外场景的召回率,室外准确率是指对低遮蔽场景对应的室外场景的准确率,室内召回率是指对低遮蔽场景的召回率,室内准确率是指对低遮蔽场景的准确率。针对高遮蔽场景同理。
由表1内数据可以看出,在对室内场景进行区分,并针对低遮蔽场景和高遮蔽场景分别进行识别模型的建模、分别进行基础数据采集,并采用对应识别模型进行识别后。无论是低遮蔽场景还是高遮蔽场景,本申请实施例对实际场景的识别能力均大大提高,场景识别准确度均得到极大的提升。
上述本申请实施例至少具有以下有益效果:
1、针对低遮蔽场景和高遮蔽场景进行区分建模,并针对低遮蔽场景采用精度更高的低遮蔽模型。因此可以更好的提升对低遮蔽场景的识别效果,从而提升实际场景识别准确性。而对于高遮蔽场景,由于使用针对训练出的识别模型进行识别,且剔除了低遮蔽场景混杂的情况。因此亦可以极大地提升对高遮蔽场景的识别效果,从而提升实际场景识别准确性。
同时,考虑到大多数室内场景属于高遮蔽场景,正常精度的识别模型已经可以较好的识别出这些室内场景。高精度识别模型的初始构建和更新训练过程中,模型的训练经济成本较高,且训练耗时较长。特别是在利用百万数量级的众包数据进行识别模型更新的时候,模型更新的工作量极大,且由于模型会更新多次,从而导致对高精度模型更新维护的成本极其高昂。在此基础上,若针对数量占比为大多数的高遮蔽场景使用高精度模型,会导致实际应用成本激增,相对由此带来的识别准确度提升而言,方案的性价比较低,实用价值较低。因此区分两种精度的模型使用,可以在提升对低遮蔽场景识别效果的同时,避免均采用高精度模型所带来的模型构建成本过高的问题,以及对终端设备均运行高精度识别模型导致的资源占用较多的问题。实现对整体成本和场景识别准确性较好的较平衡。因此具有较高的实用价值。
在一些实施例中,高遮蔽模型可以采用一些可以采用对特征规律学习深度较浅,精度相对较低的模型,如经典机器学习模型。而低遮蔽模型则可以选择采用一些对特征规律学习更为深入,精度更高的模型,如神经网络模型(如深度学习模型等)以及集成学习族模型。从而实现对两类室内场景更为准确且成功适宜的场景识别操作。
2、在构建低遮蔽模型和高遮蔽模型的过程中,模型训练所使用的样本数据,都是针对相应的场景采集的。例如低遮蔽模型训练时所采用的样本数据,均是针对低遮蔽场景采集得到的低遮蔽样本数据。因此本申请实施例的识别模型在构建时,对场景更具有针对性。使得本申请实施例所得到的低遮蔽识别模型对低遮蔽场景的针对性更强,识别能力也更强。同理,高遮蔽模型对高遮蔽场景具有高针对性,因此识别能力更强。
3、本申请实施例可以将多个低遮蔽场景作为一个整体对象来构建,来构建低遮蔽识别模型,并采用构建出的低遮蔽模型来对这些低遮蔽场景来进行场景识别。因此并不存在不同低遮蔽场景模型不通用的问题,避免了人工对各个低遮蔽场景逐一进行数据采集和针对性分析的问题。因此极大地降低了实际应用成本。
4、针对个别或部分有特殊需求的低遮蔽场景,可以针对性的进行独立建模。即独立构建目标场景所需的目标模型,并在应用时,针对目标场景使用对应的目标模型进行场景识别。从而可以提升对这些有特殊需求的目标场景的场景识别准确度。同时还可以灵活满足实际应用中对不同低遮蔽场景的识别需求。提升本申请实施例的实用性。
5、针对低遮蔽场景,本申请实施例所参考的低遮蔽基础数据所包含的数据种类,相对高遮蔽基础数据包含的数据种类而言更为丰富。因此本申请实施例对低遮蔽场景的特征维度更高,描述的更为丰富全面。在此基础上,利用低遮蔽基础数据来分析识别低遮蔽场景,可以实现更为全面精准的分析效果,从而提升对低遮蔽场景的识别准确度。
相应的,在进行识别模型训练时,针对低遮蔽场景采集的低遮蔽样本数据所包含的数据种类,与低遮蔽基础数据中的数据种类一致。且针对高遮蔽场景下采集的高遮蔽样本数据,与高遮蔽基础数据中的数据种类一致。即低遮蔽样本数据所包含的数据维度更为丰富,对场景的描述更为丰富准确。从提升了低遮蔽模型对低遮蔽场景的针对性,使得低遮蔽模型针对低遮蔽场景具有更强的识别能力。
对应于上文实施例所述的场景识别方法,图5示出了本申请实施例提供的场景识别装置的结构示意图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图5,该场景识别装置包括:
场景确定模块51,用于确定自身所处的当前区域。
第一识别模块52,用于在当前区域内包含第一室内场景时,获取第一基础数据,并利用第一识别模型对第一基础数据进行处理,确定自身所处的实际场景,实际场景为室内场景或室外场景。
第二识别模块53,用于在当前区域内包含第二室内场景时,获取第二基础数据,并利用第二识别模型对第二基础数据进行处理,确定自身所处的实际场景。第一基础数据和第二基础数据中均包括卫星信号数据,第一室内场景和第二室内场景均为室内场景,第一室内场景对卫星信号的遮蔽度低于第二室内场景对卫星信号的遮蔽度,且第一识别模型的精度高于第二识别模型的精度。
作为本申请的一个实施例,场景识别装置可以作为执行主体实现如图2至图4C所示实施例以及其他相关方法实施例。
本申请实施例提供的场景识别装置中各模块实现各自功能的过程,具体可参考前述图2至图4C所示实施例以及其他相关方法实施例的描述,此处不再赘述。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。还应理解的是,虽然术语“第一”、“第二”等在文本中在一些本申请实施例中用来描述各种元素,但是这些元素不应该受到这些术语的限制。这些术语只是用来将一个元素与另一元素区分开。例如,第一表格可以被命名为第二表格,并且类似地,第二表格可以被命名为第一表格,而不背离各种所描述的实施例的范围。第一表格和第二表格都是表格,但是它们不是同一表格。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
本申请实施例提供的场景识别方法可以应用于手机、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality,AR)/虚拟现实(virtual reality,VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本、个人数字助理(personal digital assistant,PDA)等终端设备上,本申请实施例对终端设备的具体类型不作任何限制。
例如,所述终端设备可以是WLAN中的站点(STATION,ST),可以是蜂窝电话、无绳电话、会话启动协议(Session InitiationProtocol,SIP)电话、无线本地环路(WirelessLocal Loop,WLL)站、个人数字处理(Personal Digital Assistant,PDA)设备、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、车载设备、车联网终端、电脑、膝上型计算机、手持式通信设备、手持式计算设备、卫星无线设备、无线调制解调器卡、电视机顶盒(set top box,STB)、用户驻地设备(customer premise equipment,CPE)和/或用于在无线系统上进行通信的其它设备以及下一代通信系统,例如,5G网络中的终端设备或者未来演进的公共陆地移动网络(Public Land Mobile Network,PLMN)网络中的终端设备等。
作为示例而非限定,当所述终端设备为可穿戴设备时,该可穿戴设备还可以是应用穿戴式技术对日常穿戴进行智能化设计、开发出可以穿戴的设备的总称,如眼镜、手套、手表、服饰及鞋等。可穿戴设备即直接穿在身上,或是整合到用户的衣服或配件的一种便携式设备。可穿戴设备不仅仅是一种硬件设备,更是通过软件支持以及数据交互、云端交互来实现强大的功能。广义穿戴式智能设备包括功能全、尺寸大、可不依赖智能手机实现完整或者部分的功能,如智能手表或智能眼镜等,以及只专注于某一类应用功能,需要和其它设备如智能手机配合使用,如各类进行体征监测的智能手环、智能首饰等。
下文以终端设备是手机为例,图6A示出了手机100的结构示意图。
手机100可以包括处理器110,外部存储器接口120,内部存储器121,通用串行总线(universal serial bus,USB)接口130,充电管理模块140,电源管理模块141,电池142,天线1,天线2,移动通信模块150,无线通信模块160,音频模块170,扬声器170A,受话器170B,麦克风170C,耳机接口170D,传感器模块180,按键190,马达191,指示器192,摄像头193,显示屏194,以及SIM卡接口195等。其中传感器模块180可以包括陀螺仪传感器180A,加速度传感器180B,气压传感器180C,磁传感器180D,环境光传感器180E,距离传感器180F,接近光传感器180G、指纹传感器180H,温度传感器180J,触摸传感器180K(当然,手机100还可以包括其它传感器,比如温度传感器,压力传感器、气压传感器、骨传导传感器等,图中未示出)。
处理器110可以包括一个或多个处理单元,例如:处理器110可以包括应用处理器(application processor,AP),调制解调处理器,图形处理器(graphics processingunit, GPU),图像信号处理器(image signal processor,ISP),控制器,存储器,视频编解码器,数字信号处理器(digital signal processor,DSP),基带处理器,和/或神经网络处理器( Neural-network Processing Unit,NPU)等。其中,不同的处理单元可以是独立的器件,也可以集成在一个或多个处理器中。其中,控制器可以是手机100的神经中枢和指挥中心。控制器可以根据指令操作码和时序信号,产生操作控制信号,完成取指令和执行指令的控制。
处理器110中还可以设置存储器,用于存储指令和数据。在一些实施例中,处理器110中的存储器为高速缓冲存储器。该存储器可以保存处理器110刚用过或循环使用的指令或数据。如果处理器110需要再次使用该指令或数据,可从所述存储器中直接调用。避免了重复存取,减少了处理器110的等待时间,因而提高了系统的效率。
处理器110可以运行本申请实施例提供的场景识别方法,以便于准确识别实际场景,提升用户的体验。处理器110可以包括不同的器件,比如集成CPU和GPU时,CPU和GPU可以配合执行本申请实施例提供的场景识别方法,比如场景识别方法中部分算法由CPU执行,另一部分算法由GPU执行,以得到较快的处理效率。
应理解,在实际应用中,手机100可以包括比图6A所示的更多或更少的部件,本申请实施例不作限定。图示手机100仅是一个范例,并且手机100可以具有比图中所示出的更多的或者更少的部件,可以组合两个或更多的部件,或者可以具有不同的部件配置。图中所示出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。
终端设备的软件系统可以采用分层架构,事件驱动架构,微核架构,微服务架构,或云架构。本申请实施例以分层架构的Android系统为例,示例性说明终端设备的软件结构。图6B是本申请实施例的终端设备的软件结构框图。
分层架构将软件分成若干个层,每一层都有清晰的角色和分工。层与层之间通过软件接口通信。在一些实施例中,将Android系统分为四层,从上至下分别为应用程序层,应用程序框架层,安卓运行时(Android runtime)和系统库,以及内核层。
应用程序层可以包括一系列应用程序包。
如图6B所示,应用程序包可以包括电话、相机,图库,日历,通话,地图,导航,WLAN,蓝牙,音乐,视频,短信息等应用程序。
应用程序框架层为应用程序层的应用程序提供应用编程接口(applicationprogramming interface,API)和编程框架。应用程序框架层包括一些预先定义的函数。
如图6B所示,应用程序框架层可以包括窗口管理器,内容提供器,视图系统,电话管理器,资源管理器,通知管理器等。
窗口管理器用于管理窗口程序。窗口管理器可以获取显示屏大小,判断是否有状态栏,锁定屏幕,截取屏幕等。
内容提供器用来存放和获取数据,并使这些数据可以被应用程序访问。所述数据可以包括视频,图像,音频,拨打和接听的电话,浏览历史和书签,电话簿等。
视图系统包括可视控件,例如显示文字的控件,显示图片的控件等。视图系统可用于构建应用程序。显示界面可以由一个或多个视图组成的。例如,包括短信通知图标的显示界面,可以包括显示文字的视图以及显示图片的视图。
电话管理器用于提供终端设备的通信功能。例如通话状态的管理(包括接通,挂断等)。
资源管理器为应用程序提供各种资源,比如本地化字符串,图标,图片,布局文件,视频文件等等。
通知管理器使应用程序可以在状态栏中显示通知信息,可以用于传达告知类型的消息,可以短暂停留后自动消失,无需用户交互。比如通知管理器被用于告知下载完成,消息提醒等。通知管理器还可以是以图表或者滚动条文本形式出现在系统顶部状态栏的通知,例如后台运行的应用程序的通知,还可以是以对话窗口形式出现在屏幕上的通知。例如在状态栏提示文本信息,发出提示音,终端设备振动,指示灯闪烁等。
Android Runtime包括核心库和虚拟机。Android Runtime负责安卓系统的调度和管理。
核心库包含两部分:一部分是java语言需要调用的功能函数,另一部分是安卓的核心库。
应用程序层和应用程序框架层运行在虚拟机中。虚拟机将应用程序层和应用程序框架层的java文件执行为二进制文件。虚拟机用于执行对象生命周期的管理,堆栈管理,线程管理,安全和异常的管理,以及垃圾回收等功能。
系统库可以包括多个功能模块。例如:表面管理器(surface manager),媒体库(Media Libraries),三维图形处理库(例如:OpenGL ES),2D图形引擎(例如:SGL)等。
表面管理器用于对显示子系统进行管理,并且为多个应用程序提供了2D和3D图层的融合。
媒体库支持多种常用的音频,视频格式回放和录制,以及静态图像文件等。媒体库可以支持多种音视频编码格式,例如:MPEG4, H.164, MP3, AAC, AMR, JPG, PNG等。
三维图形处理库用于实现三维图形绘图,图像渲染,合成,和图层处理等。
2D图形引擎是2D绘图的绘图引擎。
内核层是硬件和软件之间的层。内核层至少包含显示驱动,摄像头驱动,音频驱动,传感器驱动。
图7是本申请一实施例提供的终端设备的结构示意图。如图7所示,该实施例的终端设备7包括:至少一个处理器70(图7中仅示出一个)、存储器71,所述存储器71中存储有可在所述处理器70上运行的计算机程序72。所述处理器70执行所述计算机程序72时实现上述各个场景识别方法实施例中的步骤,例如图4A所示的步骤301至303。或者,所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能,例如图5所示模块51至53的功能。
所述终端设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器70、存储器71。本领域技术人员可以理解,图7仅仅是终端设备7的示例,并不构成对终端设备7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,例如所述终端设备还可以包括输入发送设备、网络接入设备、总线等。
所称处理器70可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71在一些实施例中可以是所述终端设备7的内部存储单元,例如终端设备7的硬盘或内存。所述存储器71也可以是所述终端设备7的外部存储设备,例如所述终端设备7上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器71还可以用于暂时地存储已经发送或者将要发送的数据。
另外,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
本申请实施例还提供了一种终端设备,所述终端设备包括至少一个存储器、至少一个处理器以及存储在所述至少一个存储器中并可在所述至少一个处理器上运行的计算机程序,所述处理器执行所述计算机程序时,使所述终端设备实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行时可实现上述各个方法实施例中的步骤。
本申请实施例还提供了一种芯片系统,所述芯片系统包括处理器,所述处理器与存储器耦合,所述处理器执行存储器中存储的计算机程序,以实现上述各个方法实施例中的步骤。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使对应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (11)
1.一种场景识别方法,其特征在于,应用于终端设备,所述方法包括:
确定自身所处的当前区域;
在所述当前区域内包含第一室内场景时,获取第一基础数据,并利用第一识别模型对所述第一基础数据进行处理,确定自身所处的实际场景,所述实际场景为室内场景或室外场景;
在所述当前区域内包含第二室内场景时,获取第二基础数据,并利用第二识别模型对所述第二基础数据进行处理,确定自身所处的实际场景;所述第一基础数据和所述第二基础数据中均包括卫星信号数据,所述第一室内场景和所述第二室内场景均为室内场景,所述第一室内场景对卫星信号的遮蔽度低于所述第二室内场景对卫星信号的遮蔽度,且所述第一识别模型的精度高于所述第二识别模型的精度。
2.根据权利要求1所述的场景识别方法,其特征在于,所述第一基础数据包括的数据种类,多于所述第二基础数据包括的数据种类。
3.根据权利要求1或2所述的场景识别方法,其特征在于,所述第一识别模型为基于在所述第一室内场景下采集的第一样本数据进行模型训练,得到的识别模型;所述第二识别模型为基于在所述第二室内场景下采集的第二样本数据进行模型训练,得到的识别模型;所述第一样本数据包括的数据种类,与所述第一基础数据包括的数据种类相同,且所述第二样本数据包括的数据种类,与所述第二基础数据包括的数据种类相同。
4.根据权利要求1或2所述的场景识别方法,其特征在于,在所述确定自身所处的当前区域之前,还包括:
当检测到满足预设的触发条件时,执行所述确定自身所处的当前区域的操作。
5.根据权利要求4所述的场景识别方法,其特征在于,所述触发条件包括:进入预设区域范围。
6.根据权利要求1所述的场景识别方法,其特征在于,所述当前区域内包含室内场景;
所述确定自身所处的当前区域,包括:
确定自身所处的所述当前区域内包含的室内场景;
当确定出的室内场景属于已记录的第一室内场景时,判定所述当前区域内包含所述第一室内场景。
7.根据权利要求1或6所述的场景识别方法,其特征在于,所述当前区域由室内场景构成;
所述确定自身所处的当前区域,包括:
确定自身进入的室内场景是否为第一室内场景;
所述在所述当前区域内包含第一室内场景时,获取第一基础数据,并利用第一识别模型对所述第一基础数据进行处理,确定自身所处的实际场景;在所述当前区域内包含第二室内场景时,获取第二基础数据,并利用第二识别模型对所述第二基础数据进行处理,确定自身所处的实际场景,包括:
当自身进入的室内场景为所述第一室内场景时,所述获取第一基础数据,并利用所述第一识别模型对所述第一基础数据进行处理,确定自身所处的所述实际场景;
当自身进入的室内场景不为所述第一室内场景时,获取所述第二基础数据,并利用所述第二识别模型对所述第二基础数据进行处理,确定自身所处的所述实际场景。
8.根据权利要求1或2或6所述的场景识别方法,其特征在于,所述在所述当前区域内包含第一室内场景时,获取第一基础数据,并利用第一识别模型对所述第一基础数据进行处理,确定自身所处的实际场景,包括:
在所述当前区域内包含目标场景时,获取所述第一基础数据,并确定出所述目标场景关联的目标模型,所述目标场景属于所述第一室内场景;
利用所述目标模型对所述第一基础数据进行处理,确定自身所处的所述实际场景。
9.一种场景识别系统,其特征在于,包括:服务器以及如权利要求1至8任一所述的场景识别方法中的所述终端设备;
所述服务器获取样本信号数据,所述样本信号数据包括对室内场景采集的卫星信号数据;
所述服务器基于机器学习模型对所述样本信号数据进行分类;
当分类结果为所述样本信号数据属于第一类结果时,所述服务器将所述样本信号数据所属的室内场景记录为第一室内场景;
所述终端设备确定自身所处的当前区域,包括:
所述终端设备确定自身所处的所述当前区域内包含的室内场景;
当确定出的室内场景属于已记录的第一室内场景时,所述终端设备判定所述当前区域内包含所述第一室内场景。
10.一种终端设备,其特征在于,所述终端设备包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述场景识别方法。
11.一种芯片系统,其特征在于,所述芯片系统包括处理器,所述处理器与存储器耦合,所述处理器执行存储器中存储的计算机程序,以实现如权利要求1至8任一项所述的场景识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310694906.7A CN116432090B (zh) | 2023-06-13 | 2023-06-13 | 场景识别方法、系统及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310694906.7A CN116432090B (zh) | 2023-06-13 | 2023-06-13 | 场景识别方法、系统及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116432090A true CN116432090A (zh) | 2023-07-14 |
CN116432090B CN116432090B (zh) | 2023-10-20 |
Family
ID=87091118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310694906.7A Active CN116432090B (zh) | 2023-06-13 | 2023-06-13 | 场景识别方法、系统及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116432090B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110026840A1 (en) * | 2009-07-28 | 2011-02-03 | Samsung Electronics Co., Ltd. | System and method for indoor-outdoor scene classification |
CN112396125A (zh) * | 2020-12-01 | 2021-02-23 | 中国第一汽车股份有限公司 | 一种定位测试场景的分类方法、装置、设备及存储介质 |
CN113299034A (zh) * | 2021-03-31 | 2021-08-24 | 辽宁华盾安全技术有限责任公司 | 一种适应多场景的火焰识别预警方法 |
CN113534226A (zh) * | 2021-07-30 | 2021-10-22 | 东南大学 | 一种基于智能手机场景识别的室内外无缝定位算法 |
CN114022823A (zh) * | 2021-11-16 | 2022-02-08 | 北京信息科技大学 | 一种遮挡驱动的行人再识别方法、系统及可存储介质 |
WO2023020365A1 (zh) * | 2021-08-18 | 2023-02-23 | 杭州萤石软件有限公司 | 室内外场景的识别和移动终端的定位 |
CN115859158A (zh) * | 2023-02-16 | 2023-03-28 | 荣耀终端有限公司 | 场景识别方法、系统及终端设备 |
-
2023
- 2023-06-13 CN CN202310694906.7A patent/CN116432090B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110026840A1 (en) * | 2009-07-28 | 2011-02-03 | Samsung Electronics Co., Ltd. | System and method for indoor-outdoor scene classification |
CN112396125A (zh) * | 2020-12-01 | 2021-02-23 | 中国第一汽车股份有限公司 | 一种定位测试场景的分类方法、装置、设备及存储介质 |
CN113299034A (zh) * | 2021-03-31 | 2021-08-24 | 辽宁华盾安全技术有限责任公司 | 一种适应多场景的火焰识别预警方法 |
CN113534226A (zh) * | 2021-07-30 | 2021-10-22 | 东南大学 | 一种基于智能手机场景识别的室内外无缝定位算法 |
WO2023020365A1 (zh) * | 2021-08-18 | 2023-02-23 | 杭州萤石软件有限公司 | 室内外场景的识别和移动终端的定位 |
CN114022823A (zh) * | 2021-11-16 | 2022-02-08 | 北京信息科技大学 | 一种遮挡驱动的行人再识别方法、系统及可存储介质 |
CN115859158A (zh) * | 2023-02-16 | 2023-03-28 | 荣耀终端有限公司 | 场景识别方法、系统及终端设备 |
Non-Patent Citations (2)
Title |
---|
"Study on indoor and outdoor seamless positioning based on GPS and Wi-Fi location fingerprint", 《COMPUTER ENGINEERING》, vol. 42, no. 2, pages 98 - 103 * |
黄健: "一种高精度室内外定位系统设计与定位算法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 2, pages 136 - 778 * |
Also Published As
Publication number | Publication date |
---|---|
CN116432090B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230297600A1 (en) | Adaptive spatial density based clustering | |
US20200314586A1 (en) | Points of interest in a location sharing system | |
CN108932331B (zh) | 一种地图数据更新方法、装置及系统 | |
US9443202B2 (en) | Adaptation of context models | |
CN111726846B (zh) | 网络小区切换方法、装置、存储介质及电子设备 | |
CN107076561B (zh) | 在位置确定期间考虑室内-室外过渡 | |
US9740773B2 (en) | Context labels for data clusters | |
CN104871607B (zh) | 室内与室外状态的低功率始终开启确定 | |
CN115859158B (zh) | 场景识别方法、系统及终端设备 | |
US9479904B2 (en) | Methods, apparatuses and computer program products for providing automatic maintenance of a geoposition system | |
CN110147705A (zh) | 一种基于视觉感知的车辆定位方法及电子设备 | |
US20110190008A1 (en) | Systems, methods, and apparatuses for providing context-based navigation services | |
CN111182453A (zh) | 定位方法、装置、电子设备及存储介质 | |
KR102656490B1 (ko) | 위치를 결정하는 전자 장치 및 방법 | |
US11301117B2 (en) | Contextual information in chat | |
CN114424230A (zh) | 基于行进的通知 | |
WO2022073417A1 (zh) | 融合场景感知机器翻译方法、存储介质及电子设备 | |
US20190171732A1 (en) | Systems and methods for evaluating accuracy of place data based on context | |
CN103748862A (zh) | 情境提取 | |
CN117115596B (zh) | 对象动作分类模型的训练方法、装置、设备及介质 | |
CN113806469B (zh) | 语句意图识别方法及终端设备 | |
CN116432090B (zh) | 场景识别方法、系统及终端设备 | |
CN113409041B (zh) | 一种电子卡的选取方法、装置、终端以及存储介质 | |
CN114879879B (zh) | 一种显示健康码的方法、电子设备及存储介质 | |
CN116070035B (zh) | 数据处理方法和电子设备 |
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 |