現(xiàn)在的社會是一個(gè)信息化社會，互聯(lián)網(wǎng)發(fā)展的非常迅速，隨著一些電子產(chǎn)品的發(fā)展，移動終端也被人們熟知，在交流的時(shí)候很多人都會用到手機(jī)或者一些客戶端來進(jìn)行溝通。本文是一篇信息通信論文范文，主要論述了基于支持向量機(jī)多分類器的室內(nèi)外場景感知算法。

 　　摘要：針對普適室內(nèi)外場景持續(xù)感知面臨的低功耗、復(fù)雜動態(tài)環(huán)境、異構(gòu)使用模式帶來的挑戰(zhàn)，提出了一種輕量級的基于支持向量機(jī)多分類器的高精度、低功耗室內(nèi)外場景檢測算法。該算法使用智能手機(jī)集成的各種傳感器(可見光傳感器、磁傳感器、加速度傳感器、陀螺儀傳感器和氣壓傳感器)，在挖掘分析各種傳感器在室內(nèi)外場景的不同特征，以及人們在室內(nèi)外場景的行為差異基礎(chǔ)上，根據(jù)時(shí)間和氣象條件設(shè)計(jì)多個(gè)支持向量機(jī)分類器，對復(fù)雜室內(nèi)外場景進(jìn)行識別。實(shí)驗(yàn)結(jié)果表明，基于支持向量機(jī)多分類器的室內(nèi)外場景檢測算法具有較好的普適性，可獲得95%以上的室內(nèi)外判定準(zhǔn)確率，平均功耗小于5mW。

　　關(guān)鍵詞：室內(nèi)外場景識別,行為識別,支持向量機(jī),多分類器,屬性

　　0引言

　　當(dāng)今社會已進(jìn)入移動互聯(lián)時(shí)代，移動終端早已成為了人們通信交流重要平臺，近年來移動終端具有的環(huán)境感知能力使得移動終端更加人性化和智能化。由此可見，有效地識別室內(nèi)外場景能夠?yàn)榻K端應(yīng)用提供更加有效環(huán)境信息，從而有效提高移動終端的表現(xiàn)。例如，在基于位置服務(wù)方面，全球定位系統(tǒng)(Global Positioning System， GPS)在室外環(huán)境可以給出比較精確的推斷，然而在室內(nèi)由于衛(wèi)星視距受阻的原因不能很好地提供有效信息。在室內(nèi)，移動手機(jī)需要掃描到信號強(qiáng)度更強(qiáng)的WiFi信號，自動地提供移動數(shù)據(jù)流量服務(wù);而在室外，WiFi連接信號受到環(huán)境的與距離的影響[1-2]，效果相對較差。因此，如果能夠比較準(zhǔn)確有效地識別與區(qū)分室內(nèi)外場景，可以對GPS和WiFi的掃描和開關(guān)策略以及場景圖像自動識別[3-4]、場景和活動的行為感知、室內(nèi)定位等依賴于工作場景的服務(wù)提供有效的指導(dǎo)意見。綜上，室內(nèi)外場景識別方法有很大的實(shí)用價(jià)值和研究價(jià)值。

　　當(dāng)前的定位導(dǎo)航服務(wù)，大多數(shù)均是依賴于接收GPS信號對周圍的環(huán)境進(jìn)行判別[5]，但由于精度問題往往不能精確地給出結(jié)果，同時(shí)卻伴隨著能耗高、響應(yīng)慢、效率低等典型問題。目前有如下幾類常用的室內(nèi)外識別方法：第1類添加一些具有識別作用的外設(shè)模塊進(jìn)行室內(nèi)外場景識別。這種方法雖然可以完成識別任務(wù)，但是初始階段部署代價(jià)較高，限制了系統(tǒng)的普遍應(yīng)用。第2類是基于對周圍環(huán)境的信息進(jìn)行指紋采集[6-7]，然后利用最廣泛的匹配方法進(jìn)行匹配建模，最后還要通過不同的客戶在不同的場景下進(jìn)行反饋不斷地糾正識別結(jié)果。但是該方法面臨指紋采集費(fèi)時(shí)費(fèi)力的問題，并要求中央服務(wù)器存儲大量數(shù)據(jù)并響應(yīng)用戶請求，因而很難被廣泛地應(yīng)用到室內(nèi)外場景識別。第3類基于模式識別的圖像處理方法進(jìn)行室內(nèi)外場景識別[8-9]。這種方法的計(jì)算復(fù)雜度非常高，而且要求用戶手工交互[10-11]，采集視頻圖像進(jìn)行場景識別，其普適性受到較大限制。

　　與上述場景識別算法不同，本文利用手機(jī)集成的各種傳感器， 不借助其他任何先驗(yàn)信息，提出了基于支持向量機(jī)(Support Vector Machine， SVM)多分類器的室內(nèi)外場景感知算法，該算法具有高準(zhǔn)確度、低功耗等特點(diǎn)，在Android平臺下的大量實(shí)驗(yàn)驗(yàn)證了算法的有效性和可用性。

　　1基于SVM多分類器室內(nèi)外場景識別算法

　　考慮到環(huán)境光強(qiáng)值受不同時(shí)段(白天、晚上、黃昏等時(shí)段)及終端不同使用模式(放到背包/口袋里面與拿在手里)影響較大，如果不區(qū)分使用時(shí)段或者使用模式，將難以有效利用不同時(shí)段和不同使用模式條件的可見光強(qiáng)度屬性。為此，本文所提的基于SVM多分類器室內(nèi)外場景識別算法首先從室內(nèi)外區(qū)別比較明顯的特征開始，基于對所處時(shí)段以及手機(jī)使用模式進(jìn)行室內(nèi)外場景識別。

　　根據(jù)用戶使用移動設(shè)備的狀態(tài)及時(shí)間段組合，基于SVM多分類器室內(nèi)外場景識別算法通過訓(xùn)練多個(gè)分類模型，進(jìn)行高精度室內(nèi)外場景識別。其中每個(gè)SVM分類器都基于終端使用模式和時(shí)間段抽取可區(qū)分室內(nèi)外場景的最佳特征屬性組合，即不同的SVM分類器使用不同的優(yōu)化屬性組合，減少無效特征數(shù)據(jù)對分類器的影響與干擾，從而提高室內(nèi)外場景識別準(zhǔn)確度。

　　基于SVM多分類器室內(nèi)外場景識別算法包括訓(xùn)練數(shù)據(jù)采集、多分類器訓(xùn)練、基于終端使用模式和時(shí)間段的室內(nèi)外場景識別，其偽代碼如下所示：

　　1)訓(xùn)練數(shù)據(jù)采集。

　　程序前

　　輸入：白天(D)，夜晚(N)，手持(H)，口袋(P);

　　輸出：DateSet_DH， DateSet_DP， DateSet_NH， DateSet_NP。

　　If(D)

　　{

　　If(H) getDate();//DateSet_DH Values

　　Else getDate();//DateSet_DP Values

　　}

　　Else if(N)

　　{

　　If(H) getDate();//DateSet_NH Values

　　Else getDate();//DateSet_NP Values

　　}

　　程序后

　　2)分類器訓(xùn)練

　　程序前

　　輸入：各個(gè)模型樣本的特征子集N={N1，N2，…，Nk};

　　輸出：bestModle。

　　for(i=1;i　　Model=svmtrain(Ni);

　　return bestModle;

　　程序后

　　3)基于終端使用模式和時(shí)間段適配的室內(nèi)外場景實(shí)時(shí)識別。

　　程序前

　　輸入：DateSet_DH， DateSet_DP， DateSet_NH， DateSet_NP;

　　輸出：indoor/outdoor。

　　if(DH)

　　result=bestModel(DateSet_DH);// indoor/outdoor 　　else if(DP)

　　result=bestModel(DateSet_DP);// indoor/outdoor

　　else if(NH)

　　result=bestModel(DateSet_NH);// indoor/outdoor

　　else if(NP)

　　return bestModel(DateSet_NP);// indoor/outdoor

　　程序后

　　1.1分類器屬性選擇

　　為了有效識別室內(nèi)外場景，本文選取具有明顯室內(nèi)外區(qū)分度的特征進(jìn)行分類，本文選取5個(gè)特征來定義室內(nèi)外的特征屬性如表1所示，定義VP1=〈L，M，S，T，P〉。

　　表格(有表名)

　　表1特征屬性及含義

　　特征屬性屬性含義

　　L(Light)室內(nèi)外光強(qiáng)的在滑動窗口內(nèi)的均值

　　M(Magnetic)有效運(yùn)動時(shí)間內(nèi)磁場數(shù)據(jù)窗口中主波峰的個(gè)數(shù)來衡量環(huán)境磁場變化強(qiáng)度

　　S(Stop Count) 一個(gè)2min的滑動窗口(隊(duì)列)記錄在該有效運(yùn)動時(shí)間內(nèi)用戶停頓的次數(shù)

　　D(Direction)在單位有效運(yùn)動時(shí)間內(nèi)產(chǎn)生的轉(zhuǎn)彎次數(shù)

　　P(Pressure)30s內(nèi)氣壓變化的差值

　　1.1.1光強(qiáng)特征

　　室內(nèi)外光強(qiáng)的在滑動窗口內(nèi)的均值。通常情況下室內(nèi)外光強(qiáng)是一個(gè)區(qū)別很大的特征，經(jīng)實(shí)驗(yàn)測得室內(nèi)光強(qiáng)范圍L∈[0，400]，而室外光強(qiáng)范圍L∈[0，40000]不等。為提高可見光判定室內(nèi)外場景的魯棒性，本文采用滑動窗口平滑處理方法，以減少非正常動作導(dǎo)致的可見光數(shù)據(jù)突變。

　　1.1.2室內(nèi)磁場特征

　　現(xiàn)代建筑物內(nèi)使用的鋼筋混凝土等磁性材料導(dǎo)致室內(nèi)不同位置的磁場產(chǎn)生變化。本文利用一段有效運(yùn)動時(shí)間內(nèi)磁場數(shù)據(jù)窗口中主波峰數(shù)目來評估環(huán)境磁場變化，并用于室內(nèi)外場景區(qū)分。

　　1.1.3走停行為特征

　　通過對人們?nèi)粘９ぷ餍袨榱?xí)慣的統(tǒng)計(jì)分析發(fā)現(xiàn)，人們一般在室內(nèi)環(huán)境下常會處理一些事物，而在室外多數(shù)是一種持續(xù)的運(yùn)動狀態(tài)。占空比可有效表征用戶在室內(nèi)外行走模式的差異。本文使用寬度為2min的滑動窗口(隊(duì)列)保存在該有效運(yùn)動時(shí)間內(nèi)用戶停頓的次數(shù)τ∈[0，5]，并根據(jù)用戶連續(xù)走動時(shí)間動態(tài)調(diào)整室內(nèi)外置信度。如果用戶產(chǎn)生停頓的時(shí)刻已經(jīng)超過滑動窗口(位于滑動窗口之外)，則該停頓從總的有效停頓次數(shù)中剔除(最大有效停頓次數(shù)定義為5，超過5以后仍然計(jì)為5)。

　　1.1.4轉(zhuǎn)彎行為特征

　　通過觀察分析人們在室內(nèi)外場景活動的規(guī)律性，發(fā)現(xiàn)人們在室內(nèi)小尺度空間內(nèi)單位時(shí)間內(nèi)發(fā)生更頻繁的轉(zhuǎn)彎行為，而在室外由于比較開闊次數(shù)明顯小于室內(nèi)環(huán)境。 f表示當(dāng)前檢測到的轉(zhuǎn)彎頻率，σ表示人在單位有效運(yùn)動時(shí)間內(nèi)，能產(chǎn)生的最大轉(zhuǎn)彎次數(shù)。處于室內(nèi)的σ表示人在單位有效運(yùn)動時(shí)間t內(nèi)能產(chǎn)生的最大轉(zhuǎn)彎次數(shù)，ε表示對不發(fā)生轉(zhuǎn)彎時(shí)間段的計(jì)數(shù)，在沒有發(fā)生轉(zhuǎn)彎時(shí)，ε根據(jù)所設(shè)置的陀螺儀或加速度傳感器采樣頻率q來計(jì)數(shù)，每采樣一次數(shù)據(jù)，對應(yīng)ε加1，每當(dāng)判定發(fā)生一次轉(zhuǎn)彎時(shí)，對ε進(jìn)行更新，更新后的ε值為原ε值除以最新統(tǒng)計(jì)的轉(zhuǎn)彎次數(shù)。

　　1.1.5氣壓快變化特征

　　氣壓判定室內(nèi)外模塊每10s采集一次氣壓觀測值，構(gòu)建大小為30s的滑動窗口，當(dāng)滑動窗口填滿觀測數(shù)據(jù)后，計(jì)算窗口內(nèi)最新觀測氣壓與前30s的氣壓觀察差值，如果該30s內(nèi)的氣壓變化絕對值大于規(guī)定氣壓變化閾值，判定當(dāng)前觀測周期內(nèi)用戶產(chǎn)生了上下樓動作，導(dǎo)致氣壓觀測快速變化，把該氣壓快變化累加到氣壓快變化參數(shù)上。具體來講，每當(dāng)需要判定室內(nèi)外場景時(shí)，如果氣壓快變化小于-0.45hPa，表明用戶從啟動程序開始到目前為止，總體上發(fā)生了上樓動作，因此判定用戶當(dāng)前處于室內(nèi)狀態(tài); 如果氣壓快變化參數(shù)值大于 0.45hPa，表明用戶產(chǎn)生了下樓動作，聯(lián)合考慮用戶可能乘坐電梯或者步行下樓后往室外走，判定用戶當(dāng)前處于室內(nèi)。綜上，本文維護(hù)記錄30s滑動窗口內(nèi)的第三個(gè)值與第一個(gè)值得差值作為一個(gè)快變化值，檢測到發(fā)生上樓動作時(shí)一直維護(hù)該數(shù)值，直到有對應(yīng)的下樓動作發(fā)生時(shí)，該數(shù)值歸零。

　　1.1.6特征值數(shù)量選擇及分類算法優(yōu)化

　　在實(shí)際的生活中，通過對模型的研究發(fā)現(xiàn)，人們通常情況下長時(shí)間處于一種室內(nèi)的環(huán)境，據(jù)統(tǒng)計(jì)，人們每天平均有80%以上的時(shí)間都是在室內(nèi)度過。如果是典型的上班族，估計(jì)這一數(shù)值將達(dá)到90%以上。也就是說室內(nèi)室外的原始數(shù)據(jù)在數(shù)值上將會存在著嚴(yán)重的不平衡情況，標(biāo)準(zhǔn)SVM在使用過程中由于數(shù)據(jù)的不均衡將會對分類結(jié)果產(chǎn)生偏斜性的影響。本文采用文獻(xiàn)[12]中提出的不平衡樣本SVM方法，用標(biāo)準(zhǔn)的SVM分離出超平面的法向量通過高維樣本投影到該法向量上得到投影數(shù)據(jù)的標(biāo)準(zhǔn)差以及樣本容量所提供的信息[13]，得出兩類數(shù)據(jù)的懲罰因子，再用標(biāo)準(zhǔn)的SVM進(jìn)行第2 次訓(xùn)練，得到一個(gè)新的分類超平面。

　　1.2分類器參數(shù)訓(xùn)練流程

　　在實(shí)際實(shí)驗(yàn)過程中，需要對采集到的可用來區(qū)分室內(nèi)外場景的特征參數(shù)用組合的方式進(jìn)行優(yōu)化選擇。對每個(gè)狀態(tài)下的數(shù)據(jù)集進(jìn)行整理，保證室內(nèi)外標(biāo)記在數(shù)量上的均衡，對數(shù)據(jù)集選取適宜變量進(jìn)行訓(xùn)練、優(yōu)化，得到高精度分類器，其訓(xùn)練流程如圖1所示。

　　圖片

　　圖1分類器訓(xùn)練過程

　　1.3多分類器設(shè)計(jì)

　　將室內(nèi)外場景判別分為白天手持、夜晚手持、白天非手持和夜晚非手持等4個(gè)狀態(tài)，得到4個(gè)傳感器狀態(tài)閾值范圍相對較小的四個(gè)分類器。通過對上文所述特征的分析發(fā)現(xiàn)室內(nèi)外光強(qiáng)的在滑動窗口內(nèi)的均值在白天與夜晚是兩個(gè)相反的特性。通過對測量數(shù)據(jù)分析，發(fā)現(xiàn)白天室外光強(qiáng)遠(yuǎn)大于室內(nèi)光強(qiáng)，由此可根據(jù)日出日落時(shí)間將SVM分類器分為白天與晚上兩種。為評估所提室內(nèi)外場景感知算法的普適性，選擇手持手機(jī)放到胸前(無阻擋，能良好感知環(huán)境光強(qiáng)，對應(yīng)人們使用手機(jī)情形)， 以及手機(jī)放到口袋/挎包內(nèi)(對應(yīng)日常工作或外出過程中不使用手機(jī)情形)這兩種常用模式進(jìn)行實(shí)驗(yàn)，對應(yīng)狀態(tài)簡稱為手持狀態(tài)與非手持狀態(tài)(放在包或口袋內(nèi)，光傳感器失效)。 　　2實(shí)驗(yàn)及結(jié)果分析

　　2.1實(shí)驗(yàn)條件

　　本文基于LIBSVM(LIBrary for Support Vector Machines)[14]的建模法為核心，直接采用已有的軟件庫進(jìn)行建模，較傳統(tǒng)方法有速度快、精度高、方便易行的特點(diǎn)。在實(shí)驗(yàn)中本文選取了辦公大廈、居家住宅、公共交通中心、學(xué)校、商場等有代表性的場地進(jìn)行數(shù)據(jù)的采集，以保證訓(xùn)練后的分類器能有較強(qiáng)的場景普適性。在大部分有監(jiān)督學(xué)習(xí)的實(shí)際應(yīng)用中，并不是所有的屬性特征在預(yù)測目標(biāo)方面都具有相同的重要性。對于一些分類器冗余或不相關(guān)屬性可能會導(dǎo)致訓(xùn)練模型有問題。本文選擇懷卡托智能分析環(huán)境(Waikato Environment for Knowledge Analysis， WEKA)為工具進(jìn)行屬性選擇。對于各個(gè)分類器一般會產(chǎn)生多個(gè)組合的分類結(jié)果。

　　屬性選擇中采用為LIBSVM和10折交叉驗(yàn)證對所有特征進(jìn)行一一驗(yàn)證，并記錄正確分類的百分比。下面為每個(gè)分類器選擇相應(yīng)的屬性值進(jìn)行測試的結(jié)果。本文使用三星S4手機(jī)進(jìn)行測試，對應(yīng)的實(shí)驗(yàn)數(shù)據(jù)分布如表2所示。

　　2.2實(shí)驗(yàn)結(jié)果及分析

　　本文定義室內(nèi)外場景檢測準(zhǔn)確率為在所有實(shí)驗(yàn)中，室內(nèi)和室外場景被正確檢測出來的比例，如式(1)所示：

　　Ac=m/n×100%(1)

　　其中：m為全部實(shí)驗(yàn)中室內(nèi)外場景被準(zhǔn)確檢測出的次數(shù)，n為總的實(shí)驗(yàn)次數(shù)。

　　2.2.1白天手持狀態(tài)室內(nèi)外場景識別性能

　　對白天手持終端使用狀態(tài)的訓(xùn)練數(shù)據(jù)進(jìn)行屬性組合訓(xùn)練，與使用所有屬性不區(qū)分時(shí)段的單分類器模式下進(jìn)行性能比較，發(fā)現(xiàn)當(dāng)選擇〈L，D，T，P〉屬性組合時(shí)，基于SVM的多分類器室內(nèi)外判別算法可獲得最優(yōu)的室內(nèi)外場景分類性能，如表3所示。

　　2.2.2夜晚手持狀態(tài)室內(nèi)外場景識別性能

　　本文對夜晚手持狀態(tài)數(shù)據(jù)進(jìn)行屬性組合訓(xùn)練后發(fā)現(xiàn)，夜晚手持狀態(tài)下選擇〈L，M，S，T，P〉屬性組合可得到最優(yōu)分類結(jié)果，如表4所示。

　　2.2.3白天非手持狀態(tài)室內(nèi)外場景識別性能

　　對白天非手持狀態(tài)的情況下的數(shù)據(jù)進(jìn)行屬性組合訓(xùn)練，發(fā)現(xiàn)SVM多分類器在使用〈P，T，S〉屬性的情況下會得到最優(yōu)的分類結(jié)果，如表5所示。

　　2.2.4夜晚非手持狀態(tài)室內(nèi)外場景識別性能

　　通過對夜晚非手持狀態(tài)的情況下的數(shù)據(jù)進(jìn)行屬性組合訓(xùn)練，發(fā)現(xiàn)SVM多分類器在使用〈M，S，T，P〉屬性的情況下會得到最優(yōu)的分類結(jié)果。具體各項(xiàng)結(jié)果如表6所示。

　　2.2.5軟件功耗

　　使用Powermonitor[15]手機(jī)能耗追蹤設(shè)備能針對智能手機(jī)在處理不同任務(wù)時(shí)的功耗情況進(jìn)行測試，同時(shí)通過在PC端安裝PowerTool軟件來進(jìn)行直觀的曲線數(shù)據(jù)記錄。研發(fā)人員可以通過Powermonitor第一時(shí)間了解產(chǎn)品整體性能的穩(wěn)定性，從而作出合理的評估和改進(jìn)。通過對不同設(shè)備以及不同分類器的狀態(tài)下的功耗進(jìn)行了詳細(xì)的測試，結(jié)果如表7。進(jìn)行對比后發(fā)現(xiàn)使用多分類器的情況下由于一次訓(xùn)練完成后每次判別只會產(chǎn)生少量運(yùn)算帶來的功耗，總體平均功耗均小于5mW。

　　2.2.6性能比較

　　上述實(shí)驗(yàn)顯示，各狀態(tài)下分類器所優(yōu)化屬性值有所差別，部分分類器只需部分屬性就能獲得不錯(cuò)的性能，使用更多屬性反而降低準(zhǔn)確率。即最佳的屬性子集得到的分類準(zhǔn)確率可能高于完整數(shù)據(jù)集得到的分類準(zhǔn)確率。表8比較了使用不同分類器進(jìn)行室內(nèi)外場景的性能和使用不同型號終端下的室內(nèi)外場景評定性能，均獲得了較高的室內(nèi)外場景判定準(zhǔn)確率，展示出良好的異構(gòu)設(shè)備魯棒性能。

　　3結(jié)語

　　本文提出了一種輕量級的基于支持向量機(jī)多分類器的高精度、低功耗室內(nèi)外場景檢測算法。使用大量真實(shí)數(shù)據(jù)集，通過挖掘各種傳感器在室內(nèi)外場景的不同特征，以及人們在室內(nèi)外場景的行為差異，設(shè)計(jì)了基于時(shí)間和氣象條件的多個(gè)支持向量機(jī)分類器，對復(fù)雜室內(nèi)外場景進(jìn)行識別，達(dá)到了良好的效果。下一步工作是進(jìn)行室內(nèi)外特征向量的優(yōu)化選擇以及實(shí)現(xiàn)不同設(shè)備不同場景的遷移性學(xué)習(xí)。

　　參考文獻(xiàn)：

　　[1] YANG Z， WU C， LIU Y. Locating in fingerprint space： wireless indoor localization with little human intervention[J]. Proceedings of Annual International Conference on Mobile Computing and Networking， 2012， 6(1)：269-280.

　　[2] ZHANG Z， ZHOU X， ZHANG W. I am the antenna： accurate outdoor AP location using smartphones[C]// Proceedings of the 17th Annual International Conference on Mobile Computing and Networking. New York： ACM， 2011： 109-120.

　　信息通信論文發(fā)表期刊推薦《通訊世界》由全球最大的信息出版公司美國國際數(shù)據(jù)集團(tuán)(IDG)與我國知名的信息研究機(jī)構(gòu)中國科技信息研究所聯(lián)合出版。堅(jiān)持“集成世界強(qiáng)勢力量把握通信未來脈搏”的辦刊理念，以及資本、發(fā)行、采編和服務(wù)的國際化運(yùn)作。