一种基于DNN算法的人数统计分类方法技术

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。本发明专利技术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，本发明专利技术在商场营销、公共安全等领域具有一定的应用价值。

【技术实现步骤摘要】
一种基于DNN算法的人数统计分类方法
本专利技术涉及人体感知领域，尤其涉及一种基于深度神经网络(DeepNeuralNetworks,DNN)算法的人数统计分类方法。
技术介绍
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。
技术实现思路
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，本专利技术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，本专利技术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。本专利技术的有益效果是：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.本专利技术不需人体携带设备、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.本专利技术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.本专利技术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是本专利技术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专利技术的较佳实施例进行详细阐述，以使本专利技术的优点和特征能更易于被本领域技术人员理解，从而对本专利技术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。本本文档来自技高网...

【技术保护点】
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

【技术特征摘要】
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，X...

【专利技术属性】
技术研发人员：吴哲夫，樊坤鹏，邵承贤，翔云，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33