[发明专利]一种基于深度学习的室内人员感知方法

说明书

本发明涉及一种基于深度学习的室内人员感知方法。采用普及的具有WIFI功能的设备（包括但不限于路由器），根据设备检测到的RSSI信号，无需人员携带特殊设备实现人员感知，利用深度学习DNN模型进行人员检测；深度学习当中的DNN模型能够自动提取不同人数下信号矩阵的特征，从而对人员数量进行检测。本发明通过人员数量的不同对RSSI信号矩阵的影响结合深度学习进行人员感知，实现室内人员数量的检测。

技术领域

本发明涉及无感探测技术、深度学习方法，具体涉及一种基于深度学习的室内人员感知方法。

背景技术

无线传感网络是由大量静止或移动的廉价微型传感器组成的多跳自组织无线网络，通过协作的方式感知、采集、处理和传输对象的监测信息。随着网络和通信技术的快速发展，无线传感网络也迅速融入进人们的日常生活中。利用无线传感网络进行用户情景感知，特别是室内环境下的人数感知，并根据获取到的情景信息为用户提供相应信息服务在实际应用上有着重要意义。WiFi网络作为无线感知网络的一种具体体现形式，由于其广泛存在于生活中的各种基础电子设备中，如何利用WiFi网络进行室内环境下的人数感知，成为了近年来无线感知领域的研究热点。

现阶段利用WiFi网络进行室内人数感知的研究主要方法有：一是基于传统机器学习的RSSI信号人员感知，通过阈值比较的方式确定待测区域内有无人员；二是基于WiFi网络里的CSI信号，根据人员数量对CSI信号的影响建立指纹库采用指纹匹配的方法进行人员数量的判别。传统机器学习的RSSI信号人员感知，由于传统机器学习算法对数据特征获取的能力有限，因此仅能实现简单的人员有无情况识别，难以针对人员数量进行有效识别。另一方面，只有少数路由器设备才能支持基于CSI信号进行人数判别，在商业推广与实际应用上有着很大的缺陷。

伴随着深度学习的发展，特别是对信息量有限的数据特征的强大挖掘能力，近年来深度学习作为一种新的机器学习方法开始受到研究人员和商业人士的高度关注。若能基于易获取的RSSI信号结合深度学习模型进行数据训练，使不同人数下的RSSI信号特征的获取成为可能，从而让人员的感知更加具有实际的应用意义。

发明内容

本发明的目的在于克服传统技术的局限性与不足，提供一种基于深度学习的室内人员感知方法，通过人员数量的不同对RSSI信号矩阵的影响结合深度学习进行人员感知，实现室内人员数量的检测。

为实现上述目的，本发明的技术方案是：一种基于深度学习的室内人员感知方法，包括如下步骤：

步骤S1、在室内场所放置n个传感节点，各个传感节点间两两互感，相互测得剩余n-1个传感节点发送的RSSI信号值，经由总传感节点对各链路的RSSI信号值进行汇总，共可生成一个n×n的RSSI信号矩阵，对应公式(1)：

其中，n为传感节点个数，RSSI信号矩阵中的每个元素表示其中一个传感节点检测到对应另一个传感节点的RSSI信号值；矩阵中对角线元素对应的值表示传感节点自发自收的值，在实验中将RSSI信号检测装置紧贴传感节点进行RSSI信号检测来近似表示传感节点自发自收的值，故取RSSI信号检测装置贴近传感节点多次实际检测值-8近似作为传感节点检测到自身的RSSI信号值，即矩阵中对角线元素对应的值；在采集矩阵数据过程中，创建一个n×n的空矩阵，接收到一个RSSI值即填入对应元素位置，当所有元素被填满时输出该矩阵作为一个样本数据，同时将矩阵清空，继续采集下一个矩阵信号；

步骤S2、根据室内环境中的人数数量M将不同人员数量下的信号矩阵分成M类并标记对应标签作为样本；然后，随机选取其中一部分的样本作为训练集，另一部分的样本作为测试集，利用DNN模型进行数据训练，进行特征提取，建立样本特征对应人数的关系，从而根据给定的信号矩阵特征，输出最终的人员数量，实现人员的检测，并固化网络模型；最后，用测试集进行测试，验证方法效果。

在本发明一实施例中，所述步骤S2的具体过程如下：