基于支持向量机多分类器的室内外场景感知算法.docVIP

基于支持向量机多分类器的室内外场景感知算法 　　摘要：针对普适室内外场景持续感知面临的低功耗、复杂动态环境、异构使用模式带来的挑战，提出了一种轻量级的基于支持向量机多分类器的高精度、低功耗室内外场景检测算法。该算法使用智能手机集成的各种传感器（可见光传感器、磁传感器、加速度传感器、陀螺仪传感器和气压传感器），在挖掘分析各种传感器在室内外场景的不同特征，以及人们在室内外场景的行为差异基础上，根据时间和气象条件设计多个支持向量机分类器，对复杂室内外场景进行识别。实验结果表明，基于支持向量机多分类器的室内外场景检测算法具有较好的普适性，可获得95%以上的室内外判定准确率，平均功耗小于5mW。 　　关键词：室内外场景识别；行为识别；支持向量机；多分类器；属性 　　中图分类号： TP274 　　文献标志码：A 　　0引言 　　当今社会已进入移动互联时代，移动终端早已成为了人们通信交流重要平台，近年来移动终端具有的环境感知能力使得移动终端更加人性化和智能化。由此可见，有效地识别室内外场景能够为终端应用提供更加有效环境信息，从而有效提高移动终端的表现。例如，在基于位置服务方面，全球定位系统（Global Positioning System， GPS）在室外环境可以给出比较精确的推断，然而在室内由于卫星视距受阻的原因不能很好地提供有效信息。在室内，移动手机需要扫描到信号强度更强的WiFi信号，自动地提供移动数据流量服务；而在室外，WiFi连接信号受到环境的与距离的影响[1-2]，效果相对较差。因此，如果能够比较准确有效地识别与区分室内外场景，可以对GPS和WiFi的扫描和开关策略以及场景图像自动识别[3-4]、场景和活动的行为感知、室内定位等依赖于工作场景的服务提供有效的指导意见。综上，室内外场景识别方法有很大的实用价值和研究价值。 　　当前的定位导航服务，大多数均是依赖于接收GPS信号对周围的环境进行判别[5]，但由于精度问题往往不能精确地给出结果，同时却伴随着能耗高、响应慢、效率低等典型问题。目前有如下几类常用的室内外识别方法：第1类添加一些具有识别作用的外设模块进行室内外场景识别。这种方法虽然可以完成识别任务，但是初始阶段部署代价较高，限制了系统的普遍应用。第2类是基于对周围环境的信息进行指纹采集[6-7]，然后利用最广泛的匹配方法进行匹配建模，最后还要通过不同的客户在不同的场景下进行反馈不断地纠正识别结果。但是该方法面临指纹采集费时费力的问题，并要求中央服务器存储大量数据并响应用户请求，因而很难被广泛地应用到室内外场景识别。第3类基于模式识别的图像处理方法进行室内外场景识别[8-9]。这种方法的计算复杂度非常高，而且要求用户手工交互[10-11]，采集视频图像进行场景识别，其普适性受到较大限制。 　　与上述场景识别算法不同，本文利用手机集成的各种传感器， 不借助其他任何先验信息，提出了基于支持向量机（Support Vector Machine， SVM）多分类器的室内外场景感知算法，该算法具有高准确度、低功耗等特点，在Android平台下的大量实验验证了算法的有效性和可用性。 　　1基于SVM多分类器室内外场景识别算法 　　考虑到环境光强值受不同时段（白天、晚上、黄昏等时段）及终端不同使用模式（放到背包/口袋里面与拿在手里）影响较大，如果不区分使用时段或者使用模式，将难以有效利用不同时段和不同使用模式条件的可见光强度属性。为此，本文所提的基于SVM多分类器室内外场景识别算法首先从室内外区别比较明显的特征开始，基于对所处时段以及手机使用模式进行室内外场景识别。 　　根据用户使用移动设备的状态及时间段组合，基于SVM多分类器室内外场景识别算法通过训练多个分类模型，进行高精度室内外场景识别。其中每个SVM分类器都基于终端使用模式和时间段抽取可区分室内外场景的最佳特征属性组合，即不同的SVM分类器使用不同的优化属性组合，减少无效特征数据对分类器的影响与干扰，从而提高室内外场景识别准确度。 　　基于SVM多分类器室内外场景识别算法包括训练数据采集、多分类器训练、基于终端使用模式和时间段的室内外场景识别，其伪代码如下所示： 　　1）训练数据采集。 　　程序前 　　输入：白天（D），夜晚（N），手持（H），口袋（P）； 　　输出：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