[发明专利]一种基于红外阵列传感器的室内人员占有率估计方法

摘要

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。步骤1为构建数据集；步骤2为构建数据标签；步骤3为对温度数据抽样并进行压缩降维；步骤4为构建特征集向量；步骤5为数据训练；步骤6为得到转移概率矩阵A和初始概率矩阵Pi；步骤7为得到表现矩阵B；步骤8为构建非均匀马尔可夫模型(IHMM)；步骤9为实现在线估计；步骤10实现离线估计；本发明实现了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。

主权项

1.一种基于红外阵列传感器的室内人员占有率估计方法，其特征在于：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)；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马尔科夫模型，在传统马尔科夫模型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，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；步骤9，利用前向算法(forward algorithm)实现室内人员占有率的在线估计；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；步骤10，利用维特比算法(Viterbi algorithm)实现室内人员占有率的离线估计；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归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。