基于多传感网络的室内活动检测识别方法及系统技术方案

本发明专利技术涉及一种基于多传感网络的室内活动检测识别方法及系统，其中，该方法主要通过所有触发式传感器在目标室内环境中的位置信息和触发信息，在进行活动类型识别前对KNN最近邻算法训练进行处理并得到识别库，在实际应用中再根据触发信息、异构信息素残留率掩膜和单帧图片变化处理得到相应的信息素图矩阵，最终基于识别库实现对人体活动类型的识别。由此本发明专利技术通过在室内环境中布置多个触发式传感器，记录触发信息和每个触发式传感器的位置信息，大大提高了活动识别结果的准确性和可靠性。

【技术实现步骤摘要】
基于多传感网络的室内活动检测识别方法及系统
本专利技术涉及环境辅助生活领域，特别是涉及一种基于多传感网络的室内活动检测识别方法及系统。
技术介绍
近年来，在室内环境下，人们对基于位置的服务质量要求越来越高，以通过探知人类实时活动位置、识别人类活动类型，从而驱动智能化决策，为人类提供其所需的服务如开启或关闭灯光、空调等室内设施。所以，为提高对人类室内的服务，必须探测人类活动。而接触式传感器与非接触式传感器如今被广泛应用于室内环境中，且基于多传感网络的智能楼宇、智能家居环境已经有很多成功的探索先例。在家居环境中，用户活动识别主要分为两种：基于触发式传感网络的活动识别方式和基于室内定位系统的活动识别方式。其中，基于触发式传感网络的活动识别方式主要是将带有唯一标识的传感器部署于床、餐具、沙发等生活活动场所和用品，用于表征用户的各种生活作息活动。而室内定位系统主要是通过红外、WIFI、视频、射频等无线传感手段，对用户进行精度较高的室内定位，通过位置信息与室内各功能区域进行匹配，实现对用户活动的判断。但是，对于基于触发式传感网络的活动识别方式，现有的技术方案一般为直接基于触发序列的分析方案，主要通过直接将某个传感器触发或某些传感器按特定的顺序触发作为相关活动发生的依据，这种方法忽略了传感器的位置信息，判断依据较为单一，容易产生误判，而且数据可读性较差，只能获得最终的活动识别结果。对于基于室内定位系统的活动识别方式，由于室内区域如餐桌、沙发、床等可对应多种活动，这些区域称为活动歧义区域，故单凭定位信息无法准确判断目标的活动类型。所以，目前对用户活动的识别方法都无法准确地识别和判断目标活动的类型，目标的活动识别的结果可靠性较低。
技术实现思路
为解决上述现有技术的缺点和不足，本专利技术提供了一种基于多传感网络的室内活动检测识别方法及系统，通过在室内环境中布置多个触发式传感器，记录触发信息和每个触发式传感器的位置信息，大大提高了活动识别结果的准确性和可靠性。一种基于多传感网络的室内活动检测识别方法，包括以下步骤：记录所有触发式传感器在目标室内环境中的位置信息；记录所有触发式传感器的触发信息；根据所有触发式传感器的位置信息生成相应的二维平面图；根据触发时间顺序依序读取触发信息，并根据当前读取到的触发信息所对应的触发式传感器的位置信息在所述二维平面图上作出触发时刻t对应的单帧图片变化Δs(t)；根据单帧图片变化Δs(t)和高斯卷积核h(t)生成触发时刻t的子信息素矩阵s(t)，根据当前读取到的触发信息所对应的触发式传感器的位置信息生成基于欧氏距离的异构信息素残留率掩膜ρ(t)；根据子信息素矩阵s(t)和异构信息素残留率掩膜ρ(t)生成触发时刻t的信息素图矩阵S(t)，S(t)＝ρ(t)*S(t-1)+s(t)；通过十折交叉验证法，对KNN最近邻算法进行训练，得到KNN识别样本和相应的活动类型识别库；将信息素图矩阵S(t)输入到KNN识别样本中，计算得到相应的识别数据，并结合所述活动类型识别库实现对当前活动类型的识别，得到识别结果。由此，本专利技术基于多传感网络的室内活动检测识别方法通过在室内环境中布置多个触发式传感器，记录触发信息和每个触发式传感器的位置信息，大大提高了活动识别结果的准确性和可靠性。进一步，所述触发信息的记录是以一天为单位进行记录；且在记录好位置信息后，还结合位置信息和触发信息生成所有触发式传感器在一天内的触发记录表；并将多天记录生成的多张触发记录表存储至同一数据库中。通过此处限定，有利于对KNN算法的训练及人体活动的规律的得知提供可靠的基础。进一步，所述位置信息包括每一触发式传感器的坐标信息(x,y)；及所述触发信息包括每一触发式传感器的唯一标号ID、触发时刻t、触发值ON/OFF。通过此处限定，使位置信息和触发信息趋于简化，从而降低数据运算的复杂度，同时也降低数据的冗余度，提高对记录的数据的利用率。进一步，所述步骤根据当前读取到的触发信息所对应的触发式传感器的位置信息生成基于欧氏距离的异构信息素残留率掩膜ρ(t)中，异构信息素残留率掩膜ρ(t)的生成步骤包括：建立与子信息素矩阵s(t)等规模的空白矩阵ρ(M×N)；对于空白矩阵ρ(M×N)中的每个网格元素(m,n)，以当前被触发的触发式传感器的位置坐标(x,y)为基准点，以待计算网格的几何中心坐标(xm,yn)计算该网格内的异构信息素残留率ρmn，其中，m∈[0,M-1],n∈[0,N-1]；所述异构信息素残留率ρmn为关于欧氏距离且服从正态分布ρ～A×N(0,σ2)分布的函数值，即其中σ2为正态分布方差，A为函数幅值补偿参数；根据异构信息素残留率ρmn的计算方式，得到于触发时刻t基于被触发的传感器位置坐标(x,y)的异构信息素残留率掩膜ρ(t)。通过上述步骤，当与当前触发信息距离越远时，信息素残留率越低，则有利于提高当前活动类型的可辨识度，从而进一步减少误判率。进一步，所述步骤根据子信息素矩阵s(t)和异构信息素残留率掩膜ρ(t)生成触发时刻t的信息素图矩阵S(t)，S(t)＝ρ(t)*S(t-1)+s(t)中，是根据触发时刻t被触发的触发式传感器的信息残留率掩膜ρ(t)与上一触发时刻t-1的信息素图矩阵对应位置的元素相乘后再叠加当前触发时刻t所对应的子信息素矩阵sij(t)生成触发时刻t的信息素图矩阵Sij(t)，Sij(t)＝ρij(t)×Sij(t-1)+sij(t)。通过此处限定，能通过加快历史活动的残留信息素挥发，同时最大限度留存当前活动信息素，以进一步提高当前活动的辨识准确度。进一步，所述步骤通过十折交叉验证法，对KNN最近邻算法进行训练，得到KNN识别样本和相应的活动类型识别库，具体包括以下步骤：记录220天中用于表示人体活动及触发式传感器被触发的活动信息，并将该220天的活动信息平均分成10组活动记录，每组活动记录记录有22天的活动信息；根据时间的先后顺序从10组活动记录中依次选取其中一组作为识别模型测试集，其余九组作为模型训练集，生成10组训练库；依次通过10组训练库对KNN最近邻算法进行训练，经10次训练完成后，共得到10个初步识别库；对所述10个初步识别库进行算术平均处理得到一个代表所述10组训练库的训练结果的标准识别库，所述标准识别库中包括所述KNN识别样本和所述相应的活动类型识别库。通过上述限定，有利于对KNN算法进行最合适的训练，从而得到更加准确并贴合人体实际活动的识别样本和活动类型识别库，从而进一步降低误判率。进一步，所述步骤将信息素图矩阵S(t)输入到KNN识别样本中，计算得到相应的识别数据，并结合所述活动类型识别库实现对当前活动类型的识别，得到识别结果，具体包括以下步骤：输入信息素图矩阵S(t)到所述KNN识别样本中；通过KNN最近邻算法于KNN识别样本中获取与输入信息素图矩阵S(t)在特征空间中距离最近的k个判断样本；于所述活动类型识别库中查找并获取与所述k个判断样本分别一一对应的k个活动类型；统计所述k个活动类型中的相同活动类型的个数，并选取个数最大的活动类型为当前触发时刻t所对应的人体活动类型，实现识别结果的获取和输出。通过上述限定，通过利用出现次数最大的活动类型表征人体活动类型，从而进一步降低误判率。进一步，所述本文档来自技高网...

【技术保护点】
一种基于多传感网络的室内活动检测识别方法，其特征在于：包括以下步骤：记录所有触发式传感器在目标室内环境中的位置信息；记录所有触发式传感器的触发信息；根据所有触发式传感器的位置信息生成相应的二维平面图；根据触发时间顺序依序读取触发信息，并根据当前读取到的触发信息所对应的触发式传感器的位置信息在所述二维平面图上作出触发时刻t对应的单帧图片变化Δs(t)；根据单帧图片变化Δs(t)和高斯卷积核h(t)生成触发时刻t的子信息素矩阵s(t)，

【技术特征摘要】
1.一种基于多传感网络的室内活动检测识别方法，其特征在于：包括以下步骤：记录所有触发式传感器在目标室内环境中的位置信息；记录所有触发式传感器的触发信息；根据所有触发式传感器的位置信息生成相应的二维平面图；根据触发时间顺序依序读取触发信息，并根据当前读取到的触发信息所对应的触发式传感器的位置信息在所述二维平面图上作出触发时刻t对应的单帧图片变化Δs(t)；根据单帧图片变化Δs(t)和高斯卷积核h(t)生成触发时刻t的子信息素矩阵s(t)，根据当前读取到的触发信息所对应的触发式传感器的位置信息生成基于欧氏距离的异构信息素残留率掩膜ρ(t)；根据子信息素矩阵s(t)和异构信息素残留率掩膜ρ(t)生成触发时刻t的信息素图矩阵S(t)，S(t)＝ρ(t)*S(t-1)+s(t)；通过十折交叉验证法，对KNN最近邻算法进行训练，得到KNN识别样本和相应的活动类型识别库；将信息素图矩阵S(t)输入到KNN识别样本中，计算得到相应的识别数据，并结合所述活动类型识别库实现对当前活动类型的识别，得到识别结果。2.根据权利要求1所述的基于多传感网络的室内活动检测识别方法，其特征在于：所述触发信息的记录是以一天为单位进行记录；且在记录好位置信息后，还结合位置信息和触发信息生成所有触发式传感器在一天内的触发记录表；并将多天记录生成的多张触发记录表存储至同一数据库中。3.根据权利要求1所述的基于多传感网络的室内活动检测识别方法，其特征在于：所述位置信息包括每一触发式传感器的坐标信息(x,y)；及所述触发信息包括每一触发式传感器的唯一标号ID、触发时刻t、触发值ON/OFF。4.根据权利要求1所述的基于多传感网络的室内活动检测识别方法，其特征在于：所述步骤根据当前读取到的触发信息所对应的触发式传感器的位置信息生成基于欧氏距离的异构信息素残留率掩膜ρ(t)中，异构信息素残留率掩膜ρ(t)的生成步骤包括：建立与子信息素矩阵s(t)等规模的空白矩阵ρ(M×N)；对于空白矩阵ρ(M×N)中的每个网格元素(m,n)，以当前被触发的触发式传感器的位置坐标(x,y)为基准点，以待计算网格的几何中心坐标(xm,yn)计算该网格内的异构信息素残留率ρmn，其中，m∈[0,M-1],n∈[0,N-1]；所述异构信息素残留率ρmn为关于欧氏距离且服从正态分布ρ～A×N(0,σ2)分布的函数值，即其中σ2为正态分布方差，A为函数幅值补偿参数；根据异构信息素残留率ρmn的计算方式，得到于触发时刻t基于被触发的传感器位置坐标(x,y)的异构信息素残留率掩膜ρ(t)。5.根据权利要求4所述的基于多传感网络的室内活动检测识别方法，其特征在于：所述步骤根据子信息素矩阵s(t)和异构信息素残留率掩膜ρ(t)生成触发时刻t的信息素图矩阵S(t)，S(t)＝ρ(t)*S(t-1)+s(t)中，是根据触发时刻t被触发的触发式传感器的信息残留率掩膜ρ(t)与上一触发时刻t-1的信息素图矩阵对应位置的元素相乘后再叠加当前触发时刻t所对应的子信息素矩阵sij(t)生成触发时刻t的信息素图矩阵Sij(t)，Sij(t)＝ρij(t)×Sij(t-1)+sij(t)。6.根据权利要求5所述的基于多传感网络的室内活动检测识别方法，其特征在于：所述步骤通过十折交叉验证法，对KNN最近邻算法进行训练，得到KNN识别样本和相应的活动类型识别库，具体包括以下步骤：记录220天中用于表示人体活动及触发式传感器被触发的活动信息，并将该220天的活动信息平均分成10组活动记录，每组活动记录记录有22天的活动信息；根据时间的先后顺...

【专利技术属性】
技术研发人员：王国利，谈志超，许沥文，郭雪梅，
申请(专利权)人：中山大学，
类型：发明
国别省市：广东,44