一种基于移动群智感知的食堂排队时间检测系统及方法技术方案

一种基于移动群智感知的食堂排队时间检测系统，包括线下训练模块和实时检测模块，其中，线下训练模块包括样本采集单元、动作识别模型训练单元、粗略活动识别模型训练单元和排队识别模型训练单元，实时检测模块包括食堂实时定位单元、基于动作识别模型的楼层实时估计单元、基于粗略活动识别模型和排队识别模型的排队实时检测单元和排队时间估算单元。以及提供一种基于移动群智感知的食堂排队时间检测方法。本发明专利技术充分利用了智能手机的传感、计算和通信能力，具有对日常生活环境的适应性强、无需用户介入、能耗低等优点，为特定场所人流量检测提供了一种新型的思路。

A canteen queuing time detection system and method based on mobile swarm intelligence

【技术实现步骤摘要】
一种基于移动群智感知的食堂排队时间检测系统及方法
本专利技术涉及人机交互和机器学习技术，具体涉及一种基于移动群智感知的食堂排队时间检测系统及方法。
技术介绍
现有特定场所(如商场、车站、地铁)的排队时间主要与人流量有关，而人流量检测主要依赖于在该场所内部署相应的检测设备(如摄像头、WIFI探针、红外线)。然而，由于检测设备的购买、部署、维护费用高昂，因此其覆盖范围通常有限，特别是经费相对不足的场所和经济欠发达的地区。另一方面，移动群智感知指采用普适传感设备采集特定范围内的个体、环境数据，完成复杂的泛在、深度社会感知任务的过程。其中，由于智能手机具备强大的传感、计算和通信能力，且已实现大范围的普及，因此智能手机是实现移动群智感知最理想的普适传感设备。因此，基于移动群智感知的场所排队时间检测手段，可作为现有基于检测设备的场所人流量检测手段的有效补充。与检测设备不同，智能手机是用户的私人设备，其主要功能并非参与移动群智感知任务，因此基于智能手机的移动群智感知系统要以不影响用户对智能手机的正常使用为前提，系统设计需满足以下要求：(1)检本文档来自技高网...

【技术保护点】
1.一种基于智能手机传感设备的食堂排队时间检测系统，其特征在于，所述系统包括线下训练模块和实时检测模块，其中，所述线下训练模块包括：/n样本采集单元，用于采集并建立动作样本集和活动样本集；/n动作识别模型训练单元，用于基于动作样本集训练动作识别模型；/n粗略活动识别模型训练单元，用于基于活动样本集训练粗略活动识别模型；/n排队识别模型训练单元，用于基于活动样本集训练排队识别模型/n所述实时检测模块包括：/n食堂实时定位单元，用于基于智能手机的定位设备，检测用户当前是否在食堂，以及在哪个食堂；/n基于动作识别模型的楼层实时估计单元，用于基于智能手机的加速度传感器，检测用户的上下楼动作，在此基础上...

【技术特征摘要】
1.一种基于智能手机传感设备的食堂排队时间检测系统，其特征在于，所述系统包括线下训练模块和实时检测模块，其中，所述线下训练模块包括：
样本采集单元，用于采集并建立动作样本集和活动样本集；
动作识别模型训练单元，用于基于动作样本集训练动作识别模型；
粗略活动识别模型训练单元，用于基于活动样本集训练粗略活动识别模型；
排队识别模型训练单元，用于基于活动样本集训练排队识别模型
所述实时检测模块包括：
食堂实时定位单元，用于基于智能手机的定位设备，检测用户当前是否在食堂，以及在哪个食堂；
基于动作识别模型的楼层实时估计单元，用于基于智能手机的加速度传感器，检测用户的上下楼动作，在此基础上估计用户所在楼层；
基于粗略活动识别模型和排队识别模型的排队实时检测单元，用于基于智能手机的加速度传感器，检测用户的排队活动；
排队时间估算单元，用于结合多个用户的排队活动估算排队时间。


2.一种如权利要求1所述的基于智能手机传感设备的食堂排队时间检测系统实现的方法，其特征在于，所述方法包括以下步骤：
第一、线下训练，过程如下：
1.1)样本采集：采集并建立动作样本集和活动样本集；
1.2)动作识别模型线下训练：基于动作样本集训练动作识别模型；
1.3)粗略活动识别模型线下训练：基于活动样本集训练粗略活动识别模型；
1.4)排队识别模型线下训练：基于活动样本集训练排队识别模型；
第二、实时检测，过程如下：
2.1)食堂实时定位：基于智能手机的定位设备，检测用户当前是否在食堂，以及在哪个食堂；
2.2)楼层实时估计：基于智能手机的加速度传感器，检测用户的上下楼动作，在此基础上估计用户所在楼层；
2.3)排队实时检测：基于智能手机的加速度传感器，检测用户的排队活动；
2.4)排队时间估算：结合多个用户的排队活动估算排队时间。


3.如权利要求2所述的方法，其特征在于，所述1.1)中，样本采集的步骤如下：1.1.1)动作样本采集：基于智能手机采集用户在食堂中可能进行的各种类型动作的样本，动作类型包括站、坐、走、上楼和下楼，其中，动作样本的数据为采集到的三轴加速度数据序列，动作样本的标注为进行的动作类型，最终形成动作样本集MS；
1.1.2)活动样本采集：首先，基于智能手机采集用户在食堂中可能进行的各种类型活动的样本，活动类型包括排队、吃饭、挑选窗口、闲逛和聊天，其中，活动样本的数据为采集到的三轴加速度数据序列，活动样本的标注为进行的动作类型；然后，将活动样本标注泛化为持续运动、持续静止、动静交替三类，形成粗略活动样本集CS；将活动样本标注泛化为排队和其它两类，形成排队样本集QS。


4.如权利要求2或3所述的方法，其特征在于，所述步骤1.2)中，动作识别模型线下训练的步骤如下：
1.2.1)训练样本生成：以大小为δmw、步长为δmw/2的滑动窗口对MS中的每个动作样本进行分割，最后得到大量动作训练样本；
1.2.2)特征抽取：从动作训练样本中抽取时域特征和频域特征，其中，时域特征包括均值、方差、最大值和最小值；为计算频域特征，对动作训练样本的数据进行离散傅立叶变换，在此基础上计算1～10Hz频率的幅值的熵，以及幅值最大的频率和该频率对应的幅值作为特征；
1.2.3)模型训练：基于抽取的特征和动作类型标注，采用C4.5决策树模型训练得到动作识别模型MM。


5.如权利要求2或3所述的方法，其特征在于，所述步骤1.3)中，粗略活动识别模型线下训练的步骤如下：
1.3.1)训练样本生成：以大小为δcw、步长为δcw/2的滑动窗口对CS中的每个粗略活动样本进行分割，最后得到大量粗略活动训练样本,其中，δcw>δmw；
1.3.2)特征抽取：从粗略活动训练样本中抽取时域特征和分段特征，其中，时域特征包括均值、方差、最大值、最小值，为计算分段特征，以大小为δsw、步长为δsw/2的滑动窗口将粗略活动训练样本分割成若干片段，计算每个片段的信号能量，在此基础上计算所有片段信号能量的均值和方差作为特征；
1.3.3)模型训练：基于抽取的特征和粗略活动类型标注，采用C4.5决策树模型训练得到粗略活动识别模型CM。


...

【专利技术属性】
技术研发人员：吕明琪，王琦晖，邢顺华，
申请(专利权)人：杭州智策略科技有限公司，
类型：发明
国别省市：浙江;33