本发明涉及一种人员识别技术，具体涉及一种基于红外阵列传感器的室内人员占有率估计方法。
背景技术
目前，建筑物设施资源浪费比较严重，全球大约40％的能源消耗在建筑物中，其中大约一半的能源用于工业化国家的hvac系统。hvac系统的输入量一般是设定量，不能随着室内人员占有率的变化进行调整，当建筑物内人员数量比较少或者某个房间没有人时，就会造成一定的能源浪费。如果能够采用更有效的控制和管理策略对hvac系统进行调控，可以节省大量的能源。占有率估计是实现这一目标的重要组成部分，首先，在hvac以及照明系统的运行周期之内，有效的控制策略要求实时的动态占有率估计作为关键输入，能够根据室内人员占有率的多少对建筑物的温度、通风、照明等进行合理调控，以节省能源。除此之外，在发生紧急情况时，动态占有率估计可以为建筑物内人员的紧急撤离发挥重要的作用。除了实时的动态占有率估计，对建筑物占有率的长期监测可用于空间和占有模型的适用分析。因此，进行室内的占有率估计就显得尤为重要。
目前，已经有很多人利用多种环境传感器进行室内人员占有率估计，应用比较广泛的是基于视频的动态占有率估计，这些视频数据不仅侵犯个人的隐私，而且在一些比较恶劣的环境下，没有很好地光线，极大地限制了其应用范围；基于rfid和可穿戴传感器的占有率估计方法需要用户的积极参与，并且这种传感器具有一定的侵入性；椅子传感器和检测设备功耗的传感器只能识别正在进行特定活动的居住者。现有的一些室内人员占有率估计的方法应用了红外阵列传感器，中国专利申请号为：201510042867.8，名称为红外阵列人数统计方法，通过安装在房顶上的传感器统计初始人数，房间门上的红外阵列传感器对进出人员进行计数，初始人数加减进出人数得室内人数，该方法实施起来比较简单，检测效果也比较好，但是该方法只能实现实时的人数统计，并不能实现室内人员占有率的在线预测估计和离线预测估计。中国专利申请号为：201510800868.4，名为一种基于红外阵列传感器的室内人数检测方法，该发明虽然是基于红外阵列传感器通过分析连续3帧的温度数据进行室内人数检测，但是该方法只能检测静止的人员数量，并不能实现动态环境下的人员占有率估计。
技术实现要素：
为解决上述技术问题，本发明提供一种基于红外阵列传感器的室内人员占有率估计方法。因为一天中不同时间段室内人员占有率是不同的，即室内人员占有率对时间有一定的依赖性，所以该方法通过构建非均匀隐马尔科夫模型(inhomogeneoushiddenmarkovmodel，ihmm)实现室内人员占有率的在线估计和离线估计，相比于传统的隐马尔科夫模型，ihmm更符合室内人员占有率随时间动态变化的实际情况。
本发明的目的是通过以下技术方案实现的：一种基于红外阵列传感器的室内人员占有率估计方法，所述方法的具体步骤：
步骤1，利用红外阵列传感器在监测区域下进行温度采集，构建数据集；
步骤2，根据需要监测区域实际人员数量进行等级划分，构建数据标签；
步骤3，对红外阵列传感器采集的温度数据进行抽样，利用非负矩阵分解(nmf)对抽样后的温度数据进行压缩；
步骤4，将压缩后的数据转化为灰度值矩阵，并对灰度值矩阵数据进行特征提取，按分钟构建特征集向量；
步骤5,根据hvac调控系统的调控周期，将一天24小时以15分钟为一个时间段划分为96个区间，将上述构建的多天特征集向量和人员等级标签按划分的区间纵向投入参与训练；
步骤6,对分段后的人员等级标签进行训练得到马尔科夫模型的隐含状态转移概率矩阵a和初始概率矩阵pi；
步骤7，运用softmax回归对分段后的特征集向量进行分类训练，得到马尔科夫模型的表现矩阵b；
步骤8，依据训练得到的概率矩阵构建非均匀马尔可夫模型(ihmm)；
步骤9，利用前向算法(forwardalgorithm)实现室内人员占有率的在线估计；
步骤10，利用维特比算法(viterbialgorithm)实现室内人员占有率的离线估计。
作为本发明的进一步方案：所述步骤1的具体内容为：
步骤1.1，根据红外阵列传感器的视角范围(60°*60°)以及房顶距离地面的高度计算每个传感器的覆盖范围，确定需要传感器的数量，在房顶安装相应的红外阵列传感器覆盖整个监测区域；
步骤1.2，红外阵列传感器利用usb进行数据传输，同时利用human_detection_union软件在电脑端进行实时监测和数据存储。
作为本发明的进一步方案：所述步骤3具体内容为
步骤3.1，对红外阵列传感器采集的原始温度数据进行主观抽样；
步骤3.2，选取r为1利用非负矩阵分解(nmf)将抽样后的原始数据分解为特征矩阵w和系数矩阵h；
步骤3.3，选取系数矩阵h中的最大值，利用a≈whmax进行矩阵融合实现数据压缩降维。
作为本发明的进一步方案：所述步骤4具体内容为
步骤4.1，将压缩后的温度数据转化为8*8矩阵，并进行灰度值转化；
步骤4.2，为防止数据产生重复计算的区域，将监测区域内多个传感器数据按方向融合成一个实验环境下的灰度值矩阵；
步骤4.3，求取灰度值矩阵的特征，构建特征集向量。
作为本发明的进一步方案：所述步骤6的具体内容为
步骤6.1，统计测试集中每个时间段内零、低、中、高四种状态分别转移到其他状态的数量和所有隐含状态的一步转移数量，训练得到每个十五分钟时间段的状态转移概率矩阵a；
步骤6.2，统计每个时间段在t＝0时零、低、中、高四种等级的数量，将统计后的数量与一天96个初始状态相除，训练得到初始状态概率矩阵pi。
作为本发明的进一步方案：所述步骤7的具体内容为
步骤7.1，将特征集对应每一时刻的人员等级，为训练集贴标签，利用softmax回归中数据训练部分对训练集中所有的特征集以及所对应的人员等级标签进行训练；
步骤7.2，将测试集以及测试集所对应的真实人员数量等级标签投入softmax回归的预测部分，得到表现概率矩阵b；
作为本发明的进一步方案：所述步骤9的具体内容如下：
步骤9.1，将上述训练得到的非均匀马尔可夫模型的状态转移概率矩阵a，初始概率矩阵pi，表现概率矩阵b输入到前向算法中；
步骤9.2，根据最大后验概率(map)迭代求得测试特征集序列的隐含状态序列，进而实现室内人员占有率的在线估计。
作为本发明的进一步方案：所述步骤10的具体内容如下：
步骤10.1，将上述训练得到的马尔可夫模型的状态转移概率矩阵a，初始概率矩阵pi，表现概率矩阵b输入到维特比算法中；
步骤10.2，计算寻找隐含状态转移的最大似然估计路径，从最终的状态向前递推得到隐含状态的序列的情况，实现室内人员占有率的离线估计。
本发明的有益效果在于：
本发明不仅能够实现实时的室内人员占有率估计，而且能够利用数据，对整个建筑物的使用情况进行离线评估；除此之外，该发明还具有技术合理、估计精确、性能稳定、成本低、操作简单等优点。
附图说明
图1为本发明系统组成示意图。
图2为本发明数据处理示意图。
图3为本发明视频数据处理示意图。
图4为本发明ihmm组成结构示意图。
图5为本发明隐含状态转移过程示意图。
图6为本发明softmax回归训练流程图。
图7为本发明前向算法在线估计示意图。
图8为本发明维特比算法离线估计示意图。
具体实施方式
为了更充分的解释本发明的实施，以下提供本发明的实施实例，这些实例仅仅是对本发明的阐述，不限制本发明的范围。
实施例如下：
一种基于红外阵列传感器的室内人员占有率估计方法，所述方法的具体步骤：
步骤1，利用红外阵列传感器在监测区域下进行温度采集，构建数据集；
步骤2，根据需要监测区域实际人员数量进行等级划分，构建数据标签；
步骤3，对红外阵列传感器采集的温度数据进行抽样，利用非负矩阵分解(nmf)对抽样后的温度数据进行压缩；
步骤4，将压缩后的数据转化为灰度值矩阵，并对灰度值矩阵数据进行特征提取，按分钟构建特征集向量；
步骤5,根据hvac调控系统的调控周期，将一天24小时以15分钟为一个时间段划分为96个区间，将上述构建的多天特征集向量和人员等级标签按划分的区间纵向投入参与训练；
步骤6,对分段后的人员等级标签进行训练得到马尔科夫模型的隐含状态转移概率矩阵a和初始概率矩阵pi；
步骤7，运用softmax回归对分段后的特征集向量进行分类训练，得到马尔科夫模型的表现矩阵b；
步骤8，依据训练得到的概率矩阵构建非均匀马尔可夫模型(ihmm)；
步骤9，利用前向算法(forwardalgorithm)实现室内人员占有率的在线估计；
步骤10，利用维特比算法(viterbialgorithm)实现室内人员占有率的离线估计。
本实施例中所述步骤1的具体内容为：
步骤1.1，根据红外阵列传感器的视角范围(60°*60°)以及房顶距离地面的高度计算每个传感器的覆盖范围，确定需要传感器的数量，在房顶安装相应的红外阵列传感器覆盖整个监测区域；
步骤1.2，红外阵列传感器利用usb进行数据传输，同时利用human_detection_union软件在电脑端进行实时监测和数据存储。
本实施例中所述步骤3具体内容为
步骤3.1，对红外阵列传感器采集的原始温度数据进行主观抽样；
步骤3.2，选取r为1利用非负矩阵分解(nmf)将抽样后的原始数据分解为特征矩阵w和系数矩阵h；
步骤3.3，选取系数矩阵h中的最大值，利用a≈whmax进行矩阵融合实现数据压缩降维。
本实施例中所述步骤4具体内容为
步骤4.1，将压缩后的温度数据转化为8*8矩阵，并进行灰度值转化；
步骤4.2，为防止数据产生的重复计算的区域，将监测区域内多个传感器数据按方向融合成一个实验环境下的灰度值矩阵；
步骤4.3，求取灰度值矩阵的特征，构建特征集向量。
本实施例中所述步骤6的具体内容为
步骤6.1，统计测试集中每个时间段内零、低、中、高四种状态分别转移到其他状态的数量和所有隐含状态的一步转移数量，训练得到每个十五分钟时间段的状态转移概率矩阵a；
步骤6.2，统计每个时间段在t＝0时零、低、中、高四种等级的数量，将统计后的数量与一天96个初始状态相除，训练得到初始状态概率矩阵pi。
本实施例中所述步骤7的具体内容为
步骤7.1，将特征集对应每一时刻的人员等级，为训练集贴标签，利用softmax回归中数据训练部分对训练集中所有的特征集以及所对应的人员等级标签进行训练；
步骤7.2，将测试集以及测试集所对应的真实人员数量等级标签投入softmax回归的预测部分，得到表现概率矩阵b；
本实施例中所述步骤9的具体内容如下：
步骤9.1，将上述训练得到的非均匀马尔可夫模型的状态转移概率矩阵a，初始概率矩阵pi，表现概率矩阵b输入到前向算法中；
步骤9.2，根据最大后验概率(map)迭代求得测试特征集序列的隐含状态序列，进而实现室内人员占有率的在线估计。
本实施例中所述步骤10的具体内容如下：
步骤10.1，将上述训练得到的马尔可夫模型的状态转移概率矩阵a，初始概率矩阵pi，表现概率矩阵b输入到维特比算法中；
步骤10.2，计算寻找隐含状态转移的最大似然估计路径，从最终的状态向前递推得到隐含状态的序列的情况，实现室内人员占有率的离线估计。
下面结合附图对本发明作进一步说明：
本发明提供一种基于红外阵列传感器的室内人员占有率估计方法，流程图如图1所示，首先将红外阵列传感器采集的原始温度数据输入到该系统中，进行数据处理，原始数据一帧有64个数，一秒钟有7帧，不能用原始数据直接作为特征集，因此对处理后的数据进行特征提取，本发明提取的主要特征为灰度值数值特征：平均值、标准差、方差、均方根，直方图统计特征，形状特征：连通区域数量，纹理特征：对比度、相关性、能量、均匀性，将提取后的特征构成特征集向量；同时利用摄像头对监测区域中的真实人员数量进行数据采集，并对摄像头采集的视频数据进行处理，统计出每分钟地面的真实人数，并进行等级划分，0人为零，1～3人为低，4～6人为中，7人以上为高，构建特征向量标签，与特征集向量一一对应进行标注，如图2所示。根据havc的调控周期，将一天24小时特征集向量和人员等级按15分钟一个时间段划分为96个区间，将分段后的训练数据集的特征向量以及所对应的人员等级标签输入到softmax回归中进行训练，然后将分段后的测试数据集特征向量和测试数据集标签输入到softmax回归中进行分类预测，得到每个区间中测试数据特征集向量对应四个人员等级标签的概率，进而得到每个时间区间表现特征和隐含状态之间的表现矩阵b；同时将划分等级后的人员数量分时间段进行训练，统计零、低、中、高四种隐含状态的一步状态转移数，分别除以所有状态的一步转移数量之和，得到各个状态的一步转移概率，构成状态转移概率矩阵a；统计每个时间段初始时刻的四个人员等级数量分别除以一天中所有初始状态的数量，训练得到初始概率矩阵pi。由以上得到的概率矩阵构建ihmm，然后分别实现室内人员占有率的在线估计和离线估计。
数据处理过程包括对红外阵列传感器采集的原始数据进行数据抽样、数据压缩、归一化处理，如图3所示。数据抽样采用主观抽样的方法，抽取原始温度数据一分钟最后五秒的数据作为这一分钟的数据，主要是为了去除在实验环境中人员走动造成的干扰，将这5秒钟35帧数据利用非负矩阵分解(nmf)实现在线数据压缩，具体压缩过程如下式所示：
v是抽样后的数据矩阵，w是基矩阵，h是系数矩阵。
选取r＝1，找出h矩阵中的最大数，与基矩阵w对原始数据进行重新融合成一帧数据，并将压缩后的数据由1*64转化为8*8矩阵，对融合后的数据矩阵进行灰度值转化，将温度值转化到0～1之间，使各个位置的传感器采集的温度处于同一个基准之下，能够去除不同位置的红外阵列传感器所采集的温度差异。将六个传感器的灰度值矩阵按采集方向融合成一个灰度值矩阵作为特征提取过程的输入。
考虑到室内人员占有率在不同的时间段是不同的，而且不同的时间段和人员占有率之间并不是相互独立的，因此我们在传统隐马尔科夫模型的基础上构建非均匀隐马尔科夫模型(ihmm)，也就是概率在不同的时间段是不同的，但是在时间段之内假定是不变的。hvac系统的调控周期一般为15分钟左右，因此我们将一天24小时按15分钟一个时间段划分为96个区间，如图4所示。将训练数据集的多天数据的相同时间段的数据纵向构建传统hmm，在hmm中对状态转移概率矩阵a、表现矩阵b和初始概率矩阵pi进行训练，相邻时间段之内各个概率矩阵是不同的，由一天中96个传统马尔科夫模型共同组成一个非均匀马尔科夫模型ihmm完成对室内人员占有率的估计。
隐含状态的转移过程如图5所示，初始状态向各个隐含状态进行转移以及各个隐含状态之间进行转移构成隐含状态转移概率矩阵，具体训练过程如下:
表现矩阵应用softmax回归进行训练，具体过程如图6所示。对于训练集{(x(1),y(1)),…,(x(m),y(m))}，我们有y(i)∈{1,2,…k}，本发明中k为4。我们想估计特征集x的每一种分类结果的概率。因此，我们构造一个假设函数将要输出一个k维的向量来表示这k个估计的概率值。假设函数的形式如下所示：
其中，θ1，θ2，...，θk是模型的参数，
我们将训练模型参数θ，使其能够最小化代价函数：
对于j(θ)的最小化问题，我们使用梯度下降法，首先对上述代价函数进行求导，得到：
将上述偏导公式带入到梯度下降算法中进行迭代，最小化j(θ)，能够得到满足j(θ)最小值的θ，带入到假设函数中就能得到测试数据特征集所对应四个人员等级标签大的概率，即训练完成得到表现矩阵b。
将以上训练完成的ihmm模型，应用到室内人员占有率的在线估计以及离线估计。如图7所示，在线估计应用的算法是前向算法，输入初始概率矩阵，状态转移概率矩阵以及表现矩阵，每个特征集对应四个人员等级标签，利用最大后验概率求得每个特征集可能对应的隐含状态，实现室内人员占有率的在线估计，具体实现过程如下式所示：
t＝1时：
t>1时：
如图8所示，离线估计应用的是维特比算法，输入初始概率矩阵，状态转移概率矩阵以及表现矩阵，根据每个隐含状态所对应的特征集，求出隐含状态转移的最大似然路径，然后从后向前进行递归，求出路径所对应的隐含状态序列，即为室内人员的离线估计，具体实现过程如下式所示：
t＝1时：
t>1时：
通过在线估计以及离线估计，能够得到隐含状态序列，根据人员等级的划分，就能比较精确地确定室内人员占有率。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。