一种跨场景鲁棒的室内人数无线检测方法及系统技术方案

本发明专利技术公开了一种跨场景鲁棒的室内人数无线检测方法及系统，所述方法包括：获取根据训练数据集对卷积神经网络模型进行训练获得的特征提取器；获取待检测场景的分类器训练数据集，通过特征提取器提取分类器训练数据集中的特征并训练机器学习模型，获得待检测场景的分类器，分类器训练数据集根据预先在所述待检测场景中采集的信道状态信息的集合获得，分类器用于根据输入的特征进行人数检测并输出检测结果；获取待检测场景中的待检测数据，并通过特征提取器和分类器进行人数检测并输出检测结果，待检测数据根据待检测场景中的待检测信道状态信息获得。与现有技术相比，本发明专利技术有利于提高人数检测的效率和准确性且有利于跨场景的人数检测。场景的人数检测。场景的人数检测。

【技术实现步骤摘要】
一种跨场景鲁棒的室内人数无线检测方法及系统


[0001]本专利技术涉及人数检测
，尤其涉及的是一种跨场景鲁棒的室内人数无线检测方法及系统。

技术介绍

[0002]随着科学技术的发展，人数检测在安全监控、室内节能、人员控制等领域的应用越来越广泛。人数检测是一个检测特定场景、区域或环境（例如，一个房间）内的人数的过程。现有技术中，通常在需要进行检测的场景中设置摄像头进行图像采集，然后结合训练好的深度学习模型进行人数检测。
[0003]现有技术的问题在于，通过摄像头进行人数检测时，容易因受到遮挡影响视线而影响人数检测的准确性。同时，现有技术中的深度学习模型是根据一个特定的场景中的大量标注样本数据进行训练获得的，如果应用到另一个场景中，则人数检测的效率和准确性都会极大地降低，不利于进行跨场景的人数检测。
[0004]因此，现有技术还有待改进和发展。

技术实现思路

[0005]本专利技术的主要目的在于提供一种跨场景鲁棒的室内人数无线检测方法及系统，旨在解决现有技术中通过摄像头进行人数检测时容易因受到遮挡影响视线而影响人数检测的准确性，且训练获得的深度学习模型不利于进行跨场景的人数检测的问题。
[0006]为了实现上述目的，本专利技术第一方面提供一种跨场景鲁棒的室内人数无线检测方法，其中，所述跨场景鲁棒的室内人数无线检测方法包括：获取特征提取器，其中，所述特征提取器是预先根据训练数据集对预设的卷积神经网络模型进行训练获得的，所述训练数据集根据预先在训练场景中采集的信道状态信息的集合获得，所述训练数据集中的信道状态信息的数目为第一预设值，所述特征提取器用于提取所述信道状态信息的特征；获取待检测场景对应的分类器训练数据集，通过所述特征提取器提取所述分类器训练数据集中的特征并作为分类器训练特征，根据所述分类器训练特征训练预设的机器学习模型并获得所述待检测场景对应的分类器，其中，所述分类器训练数据集根据预先在所述待检测场景中采集的信道状态信息的集合获得，所述分类器训练数据集中的信道状态信息的数目为第二预设值，所述第二预设值小于所述第一预设值，所述分类器用于根据输入的特征进行人数检测并输出检测结果；获取所述待检测场景中的待检测数据，通过所述特征提取器和所述分类器对所述待检测数据进行人数检测并输出检测结果，其中，所述待检测数据根据所述待检测场景中的待检测信道状态信息获得。
[0007]可选的，在所述获取特征提取器之前，所述方法还包括：通过所述训练场景中的接收天线预先采集获取所述训练场景中各个人数类别对
应的信道状态信息，根据预先设置的预处理过程对所述训练场景中的信道状态信息进行处理并进行人数类别标签的标记，获得所述训练数据集；通过所述待检测场景中的接收天线预先采集获取所述待检测场景中各个人数类别对应的信道状态信息，根据预先设置的预处理过程对所述待检测场景中的信道状态信息进行处理并进行人数类别标签的标记，获得所述分类器训练数据集；其中，所述人数类别根据对应场景中的人数划分获得，所述预处理过程包括：分别计算每一个所述信道状态信息对应的幅值矩阵和相位矩阵，对所述幅值矩阵进行基于层的标准化并获得幅值信息矩阵，根据所述相位矩阵计算各所述接收天线之间的相位差并获得相位信息矩阵。
[0008]可选的，所述获取特征提取器，包括：将所述训练数据集划分为训练子集和测试子集；根据所述训练子集和所述测试子集对所述预设的卷积神经网络模型进行训练获得所述特征提取器，其中，所述卷积神经网络模型包括多个卷积块和一个全连接层，每一个所述卷积块中包括多个卷积核、一个标准化层和一个ReLU激活函数。
[0009]可选的，根据预设的训练代数和预设的知识自蒸馏过程对所述卷积神经网络模型进行训练，所述预设的知识自蒸馏过程包括：基于所述训练数据集和所述训练数据集对应的人数类别标签对所述卷积神经网络模型进行第1代训练，获得第1代模型；基于所述训练数据集、所述训练数据集对应的人数类别标签以及第代模型的输出结果对第代待训练模型进行训练，获得第代模型，其中，大于1且不大于所述预设的训练代数，所述第代待训练模型的结构与所述第代模型相同。
[0010]可选的，所述通过所述待检测场景中的多个接收天线预先采集获取所述待检测场景中各个人数类别对应的信道状态信息的过程中，分别为每一个人数类别采集至少5个对应的信道状态信息。
[0011]可选的，所述获取所述待检测场景中的待检测数据，通过所述特征提取器和所述分类器对所述待检测数据进行人数检测并输出检测结果，包括：通过所述待检测场景中的接收天线采集获取所述待检测场景中的待检测信道状态信息；根据所述预处理过程对所述待检测信道状态信息进行处理并获得所述待检测数据；将所述待检测数据输入所述特征提取器，获取所述特征提取器输出的特征并作为待检测特征；将所述待检测特征输入所述待检测场景对应的分类器中，通过所述分类器进行人数检测并输出所述检测结果。
[0012]可选的，所述预设的机器学习模型为逻辑回归模型或SVM模型。
[0013]本专利技术第二方面提供一种跨场景鲁棒的室内人数无线检测系统，其中，所述跨场景鲁棒的室内人数无线检测系统包括：特征提取器获取模块，用于获取特征提取器，其中，所述特征提取器是预先根据训
练数据集对预设的卷积神经网络模型进行训练获得的，所述训练数据集根据预先在训练场景中采集的信道状态信息的集合获得，所述训练数据集中的信道状态信息的数目为第一预设值，所述特征提取器用于提取所述信道状态信息的特征；分类器获取模块，用于获取待检测场景对应的分类器训练数据集，通过所述特征提取器提取所述分类器训练数据集中的特征并作为分类器训练特征，根据所述分类器训练特征训练预设的机器学习模型并获得所述待检测场景对应的分类器，其中，所述分类器训练数据集根据预先在所述待检测场景中采集的信道状态信息的集合获得，所述分类器训练数据集中的信道状态信息的数目为第二预设值，所述第二预设值小于所述第一预设值，所述分类器用于根据输入的特征进行人数检测并输出检测结果；人数检测模块，用于获取所述待检测场景中的待检测数据，通过所述特征提取器和所述分类器对所述待检测数据进行人数检测并输出检测结果，其中，所述待检测数据根据所述待检测场景中的待检测信道状态信息获得。
[0014]本专利技术第三方面提供一种智能终端，所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的跨场景鲁棒的室内人数无线检测程序，所述跨场景鲁棒的室内人数无线检测程序被所述处理器执行时实现任意一项所述跨场景鲁棒的室内人数无线检测方法的步骤。
[0015]本专利技术第四方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有跨场景鲁棒的室内人数无线检测程序，所述跨场景鲁棒的室内人数无线检测程序被处理器执行时实现任意一项所述跨场景鲁棒的室内人数无线检测方法的步骤。
[0016]由上可见，本专利技术方案中，获取特征提取器，其中，所述特征提取器是预先根据训练数据集对预设的卷积神经网络模型进行训练获得的，所述训练数据集根据预先在训练场景中采集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种跨场景鲁棒的室内人数无线检测方法，其特征在于，所述方法包括：获取特征提取器，其中，所述特征提取器是预先根据训练数据集对预设的卷积神经网络模型进行训练获得的，所述训练数据集根据预先在训练场景中采集的信道状态信息的集合获得，所述训练数据集中的信道状态信息的数目为第一预设值，所述特征提取器用于提取所述信道状态信息的特征；获取待检测场景对应的分类器训练数据集，通过所述特征提取器提取所述分类器训练数据集中的特征并作为分类器训练特征，根据所述分类器训练特征训练预设的机器学习模型并获得所述待检测场景对应的分类器，其中，所述分类器训练数据集根据预先在所述待检测场景中采集的信道状态信息的集合获得，所述分类器训练数据集中的信道状态信息的数目为第二预设值，所述第二预设值小于所述第一预设值，所述分类器用于根据输入的特征进行人数检测并输出检测结果；获取所述待检测场景中的待检测数据，通过所述特征提取器和所述分类器对所述待检测数据进行人数检测并输出检测结果，其中，所述待检测数据根据所述待检测场景中的待检测信道状态信息获得。2.根据权利要求1所述的跨场景鲁棒的室内人数无线检测方法，其特征在于，在所述获取特征提取器之前，所述方法还包括：通过所述训练场景中的接收天线预先采集获取所述训练场景中各个人数类别对应的信道状态信息，根据预先设置的预处理过程对所述训练场景中的信道状态信息进行处理并进行人数类别标签的标记，获得所述训练数据集；通过所述待检测场景中的接收天线预先采集获取所述待检测场景中各个人数类别对应的信道状态信息，根据预先设置的预处理过程对所述待检测场景中的信道状态信息进行处理并进行人数类别标签的标记，获得所述分类器训练数据集；其中，所述人数类别根据对应场景中的人数划分获得，所述预处理过程包括：分别计算每一个所述信道状态信息对应的幅值矩阵和相位矩阵，对所述幅值矩阵进行基于层的标准化并获得幅值信息矩阵，根据所述相位矩阵计算各所述接收天线之间的相位差并获得相位信息矩阵。3.根据权利要求2所述的跨场景鲁棒的室内人数无线检测方法，其特征在于，所述获取特征提取器，包括：将所述训练数据集划分为训练子集和测试子集；根据所述训练子集和所述测试子集对所述预设的卷积神经网络模型进行训练获得所述特征提取器，其中，所述卷积神经网络模型包括多个卷积块和一个全连接层，每一个所述卷积块中包括多个卷积核、一个标准化层和一个ReLU激活函数。4.根据权利要求3所述的跨场景鲁棒的室内人数无线检测方法，其特征在于，根据预设的训练代数和预设的知识自蒸馏过程对所述卷积神经网络模型进行训练，所述预设的知识自蒸馏过程包括：基于所述训练数据集和所述训练数据集对应的人数类别标签对所述卷积神经网络模型进行第1代训练，获得第1代模型；基于所述训练数据集、所述训练数据集对应的人数类别标签以及第代模型的输出
结果对第代待训练模型进行训练，获得第代模型，其中，大于1且不大于所述预设的...

【专利技术属性】
技术研发人员：毕宿志，侯华炜，全智，郑莉莉，
申请(专利权)人：深圳大学，
类型：发明
国别省市：