現在的社會是一個信息化社會，互聯網發展的非常迅速，隨著一些電子產品的發展，移動終端也被人們熟知，在交流的時候很多人都會用到手機或者一些客戶端來進行溝通。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多分類器的室內外場景感知算法。

 　　摘要：針對普適室內外場景持續感知面臨的低功耗、復雜動態環境、異構使用模式帶來的挑戰，提出了一種輕量級的基于支持向量機多分類器的高精度、低功耗室內外場景檢測算法。該算法使用智能手機集成的各種傳感器(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外場景的不同特征，以及人們在室內外場景的行為差異基礎上，根據時間和氣象條件設計多個支持向量機分類器，對復雜室內外場景進行識別。實驗結果表明，基于支持向量機多分類器的室內外場景檢測算法具有較好的普適性，可獲得95%以上的室內外判定準確率，平均功耗小于5mW。

　　關鍵詞：室內外場景識別,行為識別,支持向量機,多分類器,屬性

　　0引言

　　當今社會已進入移動互聯時代，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，有效地識別室內外場景能夠為終端應用提供更加有效環境信息，從而有效提高移動終端的表現。例如，在基于位置服務方面，全球定位系統(Global Positioning System， GPS)在室外環境可以給出比較精確的推斷，然而在室內由于衛星視距受阻的原因不能很好地提供有效信息。在室內，移動手機需要掃描到信號強度更強的WiFi信號，自動地提供移動數據流量服務;而在室外，WiFi連接信號受到環境的與距離的影響[1-2]，效果相對較差。因此，如果能夠比較準確有效地識別與區分室內外場景，可以對GPS和WiFi的掃描和開關策略以及場景圖像自動識別[3-4]、場景和活動的行為感知、室內定位等依賴于工作場景的服務提供有效的指導意見。綜上，室內外場景識別方法有很大的實用價值和研究價值。

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

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

　　1基于SVM多分類器室內外場景識別算法

　　考慮到環境光強值受不同時段(白天、晚上、黃昏等時段)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，如果不區分使用時段或者使用模式，將難以有效利用不同時段和不同使用模式條件的可見光強度屬性。為此，本文所提的基于SVM多分類器室內外場景識別算法首先從室內外區別比較明顯的特征開始，基于對所處時段以及手機使用模式進行室內外場景識別。

　　根據用戶使用移動設備的狀態及時間段組合，基于SVM多分類器室內外場景識別算法通過訓練多個分類模型，進行高精度室內外場景識別。其中每個SVM分類器都基于終端使用模式和時間段抽取可區分室內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化屬性組合，減少無效特征數據對分類器的影響與干擾，從而提高室內外場景識別準確度。

　　基于SVM多分類器室內外場景識別算法包括訓練數據采集、多分類器訓練、基于終端使用模式和時間段的室內外場景識別，其偽代碼如下所示：

　　1)訓練數據采集。

　　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)分類器訓練

　　程序前

　　輸入：各個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間段適配的室內外場景實時識別。

　　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

　　為了有效識別室內外場景，本文選取具有明顯室內外區分度的特征進行分類，本文選取5個特征來定義室內外的特征屬性如表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)室內外光強的在滑動窗口內的均值

　　M(Magnetic)有效運動時間內磁場數據窗口中主波峰的個數來衡量環境磁場變化強度

　　S(Stop Count) 一個2min的滑動窗口(隊列)記錄在該有效運動時間內用戶停頓的次數

　　D(Direction)在單位有效運動時間內產生的轉彎次數

　　P(Pressure)30s內氣壓變化的差值

　　1.1.1光強特征

　　室內外光強的在滑動窗口內的均值。通常情況下室內外光強是一個區別很大的特征，經實驗測得室內光強范圍L∈[0，400]，而室外光強范圍L∈[0，40000]不等。為提高可見光判定室內外場景的魯棒性，本文采用滑動窗口平滑處理方法，以減少非正常動作導致的可見光數據突變。

　　1.1.2室內磁場特征

　　現代建筑物內使用的鋼筋混凝土等磁性材料導致室內不同位置的磁場產生變化。本文利用一段有效運動時間內磁場數據窗口中主波峰數目來評估環境磁場變化，并用于室內外場景區分。

　　1.1.3走停行為特征

　　通過對人們日常工作行為習慣的統計分析發現，人們一般在室內環境下常會處理一些事物，而在室外多數是一種持續的運動狀態。占空比可有效表征用戶在室內外行走模式的差異。本文使用寬度為2min的滑動窗口(隊列)保存在該有效運動時間內用戶停頓的次數τ∈[0，5]，并根據用戶連續走動時間動態調整室內外置信度。如果用戶產生停頓的時刻已經超過滑動窗口(位于滑動窗口之外)，則該停頓從總的有效停頓次數中剔除(最大有效停頓次數定義為5，超過5以后仍然計為5)。

　　1.1.4轉彎行為特征

　　通過觀察分析人們在室內外場景活動的規律性，發現人們在室內小尺度空間內單位時間內發生更頻繁的轉彎行為，而在室外由于比較開闊次數明顯小于室內環境。 f表示當前檢測到的轉彎頻率，σ表示人在單位有效運動時間內，能產生的最大轉彎次數。處于室內的σ表示人在單位有效運動時間t內能產生的最大轉彎次數，ε表示對不發生轉彎時間段的計數，在沒有發生轉彎時，ε根據所設置的陀螺儀或加速度傳感器采樣頻率q來計數，每采樣一次數據，對應ε加1，每當判定發生一次轉彎時，對ε進行更新，更新后的ε值為原ε值除以最新統計的轉彎次數。

　　1.1.5氣壓快變化特征

　　氣壓判定室內外模塊每10s采集一次氣壓觀測值，構建大小為30s的滑動窗口，當滑動窗口填滿觀測數據后，計算窗口內最新觀測氣壓與前30s的氣壓觀察差值，如果該30s內的氣壓變化絕對值大于規定氣壓變化閾值，判定當前觀測周期內用戶產生了上下樓動作，導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上。具體來講，每當需要判定室內外場景時，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，總體上發生了上樓動作，因此判定用戶當前處于室內狀態; 如果氣壓快變化參數值大于 0.45hPa，表明用戶產生了下樓動作，聯合考慮用戶可能乘坐電梯或者步行下樓后往室外走，判定用戶當前處于室內。綜上，本文維護記錄30s滑動窗口內的第三個值與第一個值得差值作為一個快變化值，檢測到發生上樓動作時一直維護該數值，直到有對應的下樓動作發生時，該數值歸零。

　　1.1.6特征值數量選擇及分類算法優化

　　在實際的生活中，通過對模型的研究發現，人們通常情況下長時間處于一種室內的環境，據統計，人們每天平均有80%以上的時間都是在室內度過。如果是典型的上班族，估計這一數值將達到90%以上。也就是說室內室外的原始數據在數值上將會存在著嚴重的不平衡情況，標準SVM在使用過程中由于數據的不均衡將會對分類結果產生偏斜性的影響。本文采用文獻[12]中提出的不平衡樣本SVM方法，用標準的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據的標準差以及樣本容量所提供的信息[13]，得出兩類數據的懲罰因子，再用標準的SVM進行第2 次訓練，得到一個新的分類超平面。

　　1.2分類器參數訓練流程

　　在實際實驗過程中，需要對采集到的可用來區分室內外場景的特征參數用組合的方式進行優化選擇。對每個狀態下的數據集進行整理，保證室內外標記在數量上的均衡，對數據集選取適宜變量進行訓練、優化，得到高精度分類器，其訓練流程如圖1所示。

　　圖片

　　圖1分類器訓練過程

　　1.3多分類器設計

　　將室內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個狀態，得到4個傳感器狀態閾值范圍相對較小的四個分類器。通過對上文所述特征的分析發現室內外光強的在滑動窗口內的均值在白天與夜晚是兩個相反的特性。通過對測量數據分析，發現白天室外光強遠大于室內光強，由此可根據日出日落時間將SVM分類器分為白天與晚上兩種。為評估所提室內外場景感知算法的普適性，選擇手持手機放到胸前(無阻擋，能良好感知環境光強，對應人們使用手機情形)， 以及手機放到口袋/挎包內(對應日常工作或外出過程中不使用手機情形)這兩種常用模式進行實驗，對應狀態簡稱為手持狀態與非手持狀態(放在包或口袋內，光傳感器失效)。 　　2實驗及結果分析

　　2.1實驗條件

　　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行建模，較傳統方法有速度快、精度高、方便易行的特點。在實驗中本文選取了辦公大廈、居家住宅、公共交通中心、學校、商場等有代表性的場地進行數據的采集，以保證訓練后的分類器能有較強的場景普適性。在大部分有監督學習的實際應用中，并不是所有的屬性特征在預測目標方面都具有相同的重要性。對于一些分類器冗余或不相關屬性可能會導致訓練模型有問題。本文選擇懷卡托智能分析環境(Waikato Environment for Knowledge Analysis， WEKA)為工具進行屬性選擇。對于各個分類器一般會產生多個組合的分類結果。

　　屬性選擇中采用為LIBSVM和10折交叉驗證對所有特征進行一一驗證，并記錄正確分類的百分比。下面為每個分類器選擇相應的屬性值進行測試的結果。本文使用三星S4手機進行測試，對應的實驗數據分布如表2所示。

　　2.2實驗結果及分析

　　本文定義室內外場景檢測準確率為在所有實驗中，室內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為全部實驗中室內外場景被準確檢測出的次數，n為總的實驗次數。

　　2.2.1白天手持狀態室內外場景識別性能

　　對白天手持終端使用狀態的訓練數據進行屬性組合訓練，與使用所有屬性不區分時段的單分類器模式下進行性能比較，發現當選擇〈L，D，T，P〉屬性組合時，基于SVM的多分類器室內外判別算法可獲得最優的室內外場景分類性能，如表3所示。

　　2.2.2夜晚手持狀態室內外場景識別性能

　　本文對夜晚手持狀態數據進行屬性組合訓練后發現，夜晚手持狀態下選擇〈L，M，S，T，P〉屬性組合可得到最優分類結果，如表4所示。

　　2.2.3白天非手持狀態室內外場景識別性能

　　對白天非手持狀態的情況下的數據進行屬性組合訓練，發現SVM多分類器在使用〈P，T，S〉屬性的情況下會得到最優的分類結果，如表5所示。

　　2.2.4夜晚非手持狀態室內外場景識別性能

　　通過對夜晚非手持狀態的情況下的數據進行屬性組合訓練，發現SVM多分類器在使用〈M，S，T，P〉屬性的情況下會得到最優的分類結果。具體各項結果如表6所示。

　　2.2.5軟件功耗

　　使用Powermonitor[15]手機能耗追蹤設備能針對智能手機在處理不同任務時的功耗情況進行測試，同時通過在PC端安裝PowerTool軟件來進行直觀的曲線數據記錄。研發人員可以通過Powermonitor第一時間了解產品整體性能的穩定性，從而作出合理的評估和改進。通過對不同設備以及不同分類器的狀態下的功耗進行了詳細的測試，結果如表7。進行對比后發現使用多分類器的情況下由于一次訓練完成后每次判別只會產生少量運算帶來的功耗，總體平均功耗均小于5mW。

　　2.2.6性能比較

　　上述實驗顯示，各狀態下分類器所優化屬性值有所差別，部分分類器只需部分屬性就能獲得不錯的性能，使用更多屬性反而降低準確率。即最佳的屬性子集得到的分類準確率可能高于完整數據集得到的分類準確率。表8比較了使用不同分類器進行室內外場景的性能和使用不同型號終端下的室內外場景評定性能，均獲得了較高的室內外場景判定準確率，展示出良好的異構設備魯棒性能。

　　3結語

　　本文提出了一種輕量級的基于支持向量機多分類器的高精度、低功耗室內外場景檢測算法。使用大量真實數據集，通過挖掘各種傳感器在室內外場景的不同特征，以及人們在室內外場景的行為差異，設計了基于時間和氣象條件的多個支持向量機分類器，對復雜室內外場景進行識別，達到了良好的效果。下一步工作是進行室內外特征向量的優化選擇以及實現不同設備不同場景的遷移性學習。

　　參考文獻：

　　[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據集團(IDG)與我國知名的信息研究機構中國科技信息研究所聯合出版。堅持“集成世界強勢力量把握通信未來脈搏”的辦刊理念，以及資本、發行、采編和服務的國際化運作。