方潛生,黃 晶,王 萍,張振亞
(1.安徽建筑大學(xué)智能建筑與建筑節(jié)能安徽省重點實驗室,安徽合肥 230022;2.安徽建筑大學(xué)電子與信息工程學(xué)院,安徽合肥 230601)
現(xiàn)階段我國建筑能耗約占全國社會終端總能耗的22%,遠高于發(fā)達國家的平均水平[1],建筑節(jié)能勢在必行。建筑物的使用與人員關(guān)聯(lián)甚緊,建筑物內(nèi)人員數(shù)量、流量和位置分布均為節(jié)能調(diào)控提供了重要的數(shù)據(jù)參考。
當(dāng)前,室內(nèi)人員辨識及其在建筑節(jié)能領(lǐng)域的應(yīng)用已成為學(xué)術(shù)界和工業(yè)界的一大研究熱點[2-9]。其中,人員計數(shù)、人群密度估計屬于計算機視覺領(lǐng)域的重要研究內(nèi)容。例如,Alzaydi 等[10]對高密度視頻圖像的人員計數(shù)方法進行了研究;Chen 等[11]首次提出利用移動設(shè)備的麥克風(fēng)和揚聲器等音頻技術(shù)實現(xiàn)人員計數(shù)的方法;Meyn 等[12]基于SUN(Sensor-Utility-Network)框架實現(xiàn)了室內(nèi)人員計數(shù),準(zhǔn)確率比直接觀察提高了70%;Huang 等[13]首次提出基于二氧化碳濃度對室內(nèi)人員數(shù)目進行估計,但準(zhǔn)確率受外界環(huán)境影響較大。目前,上海交通大學(xué)、清華大學(xué)、香港中文大學(xué)、中國科學(xué)院自動化研究所等機構(gòu)的專家學(xué)者們相繼開展了遮擋檢測和補償技術(shù)、背景消除技術(shù)、回歸算法(模型)等基于視頻圖像的人員計數(shù)方法研究[14-16]。
除人員計數(shù)外,人員定位也是人員狀態(tài)監(jiān)測的重要組成部分。例如,Want 等[17]設(shè)計了第一個室內(nèi)標(biāo)記感測原型系統(tǒng)Active Badge;Valle 等[18]采用智能手機的Wi-Fi 信號、GSM、加速度計/磁場傳感功能實現(xiàn)了人員室內(nèi)定位;Priyantha 等[19]研究了基于WLAN、藍牙、WiFi、RFID 等無線信號強度的人員室內(nèi)定位方法,精度可達到厘米級;Sun等[20]基于慣性/磁傳感、無線通信技術(shù),結(jié)合慣性導(dǎo)航算法實現(xiàn)了基于信號強度的人員室內(nèi)定位;Kotaru 等[21]研發(fā)了基于Wi-Fi 的可精準(zhǔn)到厘米級別的人體定位系統(tǒng)SpotFi;Wang 等[22]提出一種基于光學(xué)無線通信技術(shù)的室內(nèi)定位系統(tǒng)。
以上人員計數(shù)與定位方法依賴于大量硬件設(shè)施,成本高昂,且很少將人員定位與計數(shù)相結(jié)合。為此,本文提出一種無需額外鋪設(shè)昂貴硬件設(shè)施和人員主動參與的室內(nèi)人員自動計數(shù)方法。該方法基于當(dāng)今社會人員與移動終端的強依賴關(guān)系,在感興趣區(qū)域部署多個可持續(xù)監(jiān)測Wi-Fi 連接請求信息的低廉商用Wi-Fi 探針,以檢測人員的存在性??紤]到不同建筑物、區(qū)域、背景環(huán)境對Wi-Fi 信號存在不同程度的反射、折射、散射以及衍射等影響,本文從Wi-Fi 數(shù)據(jù)采集和模型構(gòu)建兩方面著手,通過部署多探針裝置采集數(shù)據(jù)并構(gòu)建通用室內(nèi)人員辨識模型,以降低環(huán)境對模型性能的影響,提高其泛化能力,實現(xiàn)室內(nèi)人員精準(zhǔn)計數(shù)。
如圖1 所示,根據(jù)IEEE 802.11 系列協(xié)議,當(dāng)移動終端打開Wi-Fi 模塊后便會廣播Wi-Fi 探測請求(Probe Request)幀,掃描所在區(qū)域內(nèi)目前有哪些802.11 網(wǎng)絡(luò)可接入(圖1 中用虛線框表示無線接入點可有可無),該幀中包含終端MAC 地址、接收信號強度、信道號等信息。Wi-Fi 探針即利用Wi-Fi 探測請求幀的明文特性監(jiān)測并解析出其中的有用信息。
Fig.1 Schematic diagram of Wi-Fi probe sniffing Wi-Fi terminal圖1 Wi-Fi探針嗅探Wi-Fi終端示意圖
除加密性和廣播性外,只要移動終端開啟Wi-Fi 模塊,無論是否成功接入到某個無線接入點,終端都會間歇性、突發(fā)性地廣播Wi-Fi 探測請求幀。加之室內(nèi)無線傳播環(huán)境的復(fù)雜性,位于終端通信半徑內(nèi)的Wi-Fi 探針不可能持續(xù)周期性地正確接收到來自于同一終端的Wi-Fi 探測請求幀;且在相同的時間間隔內(nèi),不同探針檢測到的幀數(shù)量也不盡相同。如圖2 所示,同一時間段內(nèi)不同探針接收到的來自同一終端Wi-Fi 的探測請求幀相互獨立,具有間歇性和突發(fā)性。
Fig.2 Characteristics of Wi-Fi terminal network access detection request frame圖2 Wi-Fi終端入網(wǎng)探測請求幀特性
Fig.3 Data acquisition array device based on multi Wi-Fi probe圖3 基于多Wi-Fi探針的數(shù)據(jù)采集陣列裝置
如圖3 所示,為降低Wi-Fi 信號間歇性和突發(fā)性對室內(nèi)人員辨識模型性能的影響,在建筑物空間內(nèi)部署n 個商用WiFi 探針,記為R=(R1,R2,…,Rn),形成一個多Wi-Fi探針的數(shù)據(jù)采集陣列裝置。圖4 為本文設(shè)計的基于Wi-Fi的室內(nèi)區(qū)域人員辨識模型,其中正數(shù)據(jù)指區(qū)域內(nèi)移動終端的接收信號強度(Received Signal Strength Indication,RSSI)向量,負數(shù)據(jù)指區(qū)域外移動終端的RSSI 向量。為降低模型對環(huán)境的依賴性,提高其泛化能力,本文采集了多個不同區(qū)域的Wi-Fi 終端樣本數(shù)據(jù)并進行了標(biāo)注。圖4(I)展示了離線階段模型訓(xùn)練的過程,該階段采用粒子群優(yōu)化(Particle Swarm Optimization,PSO)算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的方法訓(xùn)練分類模型。圖4(II)為在線辨識階段,首先采用區(qū)域的Wi-Fi 探針聯(lián)合裝置捕獲Wi-Fi 數(shù)據(jù)幀;然后對Wi-Fi 數(shù)據(jù)幀進行解析,獲取探針I(yè)D、移動終端MAC 地址、RSSI 等信息;最后將解析后的信號強度處理成適合模型輸入的向量,通過模型分類識別獲取區(qū)域內(nèi)人員數(shù)量。
Fig.4 Wi-Fi-based indoor occupant identification model圖4 基于Wi-Fi的室內(nèi)人員辨識模型
Wi-Fi 信號在傳播時易受室內(nèi)物品及人員的影響,存在嚴(yán)重的多徑現(xiàn)象。為此,將多Wi-Fi 探針的數(shù)據(jù)采集裝置置于區(qū)域某個高處(具體高度并不作要求),如柜子頂部等,盡可能使Wi-Fi 終端與探針裝置之間存在視距傳輸(LoS)。數(shù)據(jù)采集來源于室內(nèi)多個區(qū)域,采集到的原始數(shù)據(jù)經(jīng)過處理才能送入人員辨識模型進行訓(xùn)練和判斷。
使用離差標(biāo)準(zhǔn)化對降噪后的RSSI 序列進行歸一化處理,使其取值范圍為[0,1],具體轉(zhuǎn)換公式為:
式中,min(RSSI)和max(RSSI)分別為當(dāng)前一個時間窗口內(nèi)探針檢測到的RSSI最小值和最大值。
為辨識終端是否在指定區(qū)域內(nèi),基于多探針感知到的同一終端的RSSI 值,圍繞多探針數(shù)據(jù)集構(gòu)建基于BP 神經(jīng)網(wǎng)絡(luò)的區(qū)域內(nèi)人員辨識模型,其由輸入層、隱含層和輸出層組成,結(jié)構(gòu)見圖5。對于同一個移動終端,可將同一時間周期內(nèi)不同探針(如n 個)探測得到的RSSI 值(預(yù)處理后)構(gòu)成一個n維向量,表示為:
Fig.5 BP neural network structure used by personnel indentification model圖5 人員辨識模型采用的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
將該向量作為模型輸入,其中RSSI′i表示第i 個探針探測到的移動終端的接收信號強度值(預(yù)處理后)。當(dāng)輸出值為0時表示被感知的移動終端在指定區(qū)域外。
隱含層神經(jīng)元的激活函數(shù)表示為:
輸出層神經(jīng)元的激活函數(shù)表示為:
模型訓(xùn)練過程中,采用PSO 算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的內(nèi)部權(quán)重和閾值。PSO 算法可在更大的空間內(nèi)搜索最優(yōu)解,具有很強的全局尋優(yōu)能力,在一定程度上彌補了BP 神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)的不足,能進一步減小神經(jīng)網(wǎng)絡(luò)輸出誤差。PSO-BP 算法的具體流程如圖6所示。
Fig.6 PSO-BP algorithm flow圖6 PSO-BP算法流程
首先,根據(jù)BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)初始化輸入層、隱含層、輸出層的神經(jīng)元個數(shù)以及各層之間的權(quán)重與閾值;然后初始化區(qū)域的鄰域拓撲結(jié)構(gòu),以及粒子的位置和速度,每個區(qū)域并行計算并比較粒子的適應(yīng)值,尋找個體最優(yōu)值和本地最優(yōu)值,對本地最優(yōu)值和鄰域最優(yōu)值進行比較,尋找區(qū)域最優(yōu)值;最后根據(jù)區(qū)域最優(yōu)值更新粒子的位置和速度,算法迭代到最大迭代次數(shù)時終止,得到最終的區(qū)域內(nèi)人員辨識模型。
由于Wi-Fi 終端入網(wǎng)通信具有固有的間歇性和非周期性,加之受室內(nèi)環(huán)境的影響,位于移動終端通信范圍內(nèi)的每個Wi-Fi 探針不能夠持續(xù)周期性地正確接收同一個移動終端信號,即使在相同的持續(xù)時間間隔內(nèi),不同探針檢測到的移動終端次數(shù)也不盡相同,且漏檢現(xiàn)象十分嚴(yán)重。為此,本文設(shè)計了如圖3 所示的Wi-Fi 探針聯(lián)合裝置,4 個Wi-Fi 探針同時工作,以降低上述問題對人員統(tǒng)計造成的影響。這4 個Wi-Fi 探針組成的數(shù)據(jù)采集裝置對應(yīng)24-1 種組合方式,數(shù)據(jù)集可分為15 種情況,根據(jù)輸入數(shù)據(jù)的不同可以訓(xùn)練15 種模型。此外,為了降低室內(nèi)人員辨識模型對環(huán)境的依賴性,在訓(xùn)練時需采集多種不同區(qū)域的大量數(shù)據(jù),因此模型訓(xùn)練任務(wù)重、耗時長。為此,本文引入并行計算的思想,使用實驗室服務(wù)器,配置為Intel Xeon E5-2637 的CPU,4 個NVIDIA Tesla k80 的GPU 和192G 內(nèi)存。根據(jù)使用到的Wi-Fi 探針個數(shù),模型可分為1-探針模型(包括4 種模型)、2-探針模型(包括6 種模型)、3-探針模型(包括4 種模型)和4-探針模型(包括1 種模型)4 種類型。采用并行訓(xùn)練方式能夠同時訓(xùn)練多個分類模型,采用分布式方法迭代優(yōu)化粒子群,能大幅度縮短模型的訓(xùn)練時間。每類模型的訓(xùn)練時間如表1 所示。可以看出,采用并行計算可有效提高模型訓(xùn)練效率。
Table 1 Training time of personnel identification model based on parallel computing表1 基于并行計算的人員辨識模型訓(xùn)練時間
為測試人員辨識模型的性能,本文基于新型建筑智能化平臺搭建了一套分布式人員辨識系統(tǒng),并在智能建筑與建筑節(jié)能安徽省重點實驗室4 樓開展了驗證實驗。該樓層的區(qū)域布局和Wi-Fi 探針裝置部署如圖7 所示,401、402、403、404、405、407 等標(biāo)記為區(qū)域編號,在以上區(qū)域內(nèi)部分別配置1 個WiFi 聯(lián)合裝置,放置在實驗區(qū)域的固定位置,離地高度約為2m。
Fig.7 Schematic diagram of experimental site layout and Wi-Fi probe deployment location圖7 實驗區(qū)域布局及Wi-Fi探針部署位置示意圖
將15 種數(shù)據(jù)集分別標(biāo)記為data1、data2、data3……data15,具體信息如表2 所示。使用并行計算方法,在計算能力比較強大的服務(wù)器上訓(xùn)練15種模型。
3.2.1 模型對Wi-Fi探針組合方式的泛化能力
為研究本文模型對探針組合方式的泛化能力,在407區(qū)域使用4 個Wi-Fi 探針同時采集數(shù)據(jù),經(jīng)過數(shù)據(jù)解析、處理,共得到31 517 個樣本,并對其進行標(biāo)注。針對表2 中的15 種數(shù)據(jù)集并行訓(xùn)練15 種區(qū)域內(nèi)人員辨識模型。前文提到,根據(jù)使用到的Wi-Fi探針個數(shù),15 種模型可分為4 大類。對4 種類型的人員辨識模型分別進行泛化性討論,分析模型在不同數(shù)據(jù)集之間的泛化能力。
4 種1-探針模型的召回率計算結(jié)果見表3??梢钥闯?,1號Wi-Fi探針采集的Wi-Fi數(shù)據(jù)作為訓(xùn)練集訓(xùn)練出的模型能有效辨識1 號Wi-Fi 探針、2 號Wi-Fi 探針、3 號Wi-Fi 探針、4 號Wi-Fi 探針采集的數(shù)據(jù),召回率達0.893 以上。同樣的,2 號Wi-Fi 探針、3 號Wi-Fi 探針、4 號Wi-Fi 探針訓(xùn)練出的模型能以較高的召回率辨識其他Wi-Fi 探針采集的數(shù)據(jù)。4 種1-探針模型的準(zhǔn)確率計算結(jié)果見表4,可以看出,1-探針模型的準(zhǔn)確率可達0.893以上。
Table 2 Data set name and number of samples表2 數(shù)據(jù)集名稱和樣本數(shù)
Table 3 1-sniffer model recall rate表3 1-探針模型召回率
Table 4 1-sniffer model accuracy表4 1-探針模型準(zhǔn)確率
2-探針模型、3-探針模型的召回率和準(zhǔn)確率分別見表5、表6、表7、表8??梢钥闯?,1 號和2 號Wi-Fi 探針同時采集的Wi-Fi 數(shù)據(jù)作為訓(xùn)練集訓(xùn)練出的模型能有效辨識1 號和3號Wi-Fi探針、1號和4號Wi-Fi探針、2號和3號Wi-Fi探針、2 號和4 號Wi-Fi 探針、3 號和4 號采集的數(shù)據(jù),召回率可達0.995 7 以上。同樣的,其他2-探針模型均表現(xiàn)出很好的召回性能。
Table 5 2-sniffer model recall rate表5 2-探針模型召回率
Table 6 2-sniffer model accuracy表6 2-探針模型準(zhǔn)確率
Table 7 3-sniffer model recall rate表7 3-探針模型召回率
Table 8 3-sniffer model accuracy表8 3-探針模型準(zhǔn)確率
驗證試驗結(jié)果表明,本文模型對Wi-Fi 探針的組合方式泛化能力很強。因此,可以合并4 類1 種Wi-Fi 探針采集的數(shù)據(jù)集訓(xùn)練1-探針模型,合并6 類2 種Wi-Fi 探針采集的數(shù)據(jù)集訓(xùn)練2-探針模型,合并4 類3 種Wi-Fi 探針采集的數(shù)據(jù)集訓(xùn)練3-探針模型。綜上所述,本文提出的基于Wi-Fi 的室內(nèi)人員辨識模型對探針組合具有良好的泛化能力,即15 種不同探針的模型最終可簡化為1-探針辨識模型、2-探針辨識模型、3-探針辨識模型和4-探針辨識模型。
3.2.2 模型對不同區(qū)域的泛化能力
為進一步研究人員辨識模型對不同區(qū)域的泛化能力,采集6 個實驗區(qū)域(401、402、403、404、405 和407 區(qū)域)內(nèi)的Wi-Fi 數(shù)據(jù),每個實驗區(qū)域同時使用4 個Wi-Fi 探針采集數(shù)據(jù)。經(jīng)過數(shù)據(jù)解析、處理,共得到79 995 個樣本作為實驗數(shù)據(jù)。打亂后隨機選取80%的樣本,共63 996 條數(shù)據(jù)作為訓(xùn)練集,剩余20%的樣本共15 999 條作為測試集。訓(xùn)練數(shù)據(jù)為訓(xùn)練集中全部數(shù)據(jù),并行訓(xùn)練4 個人員辨識模型,設(shè)置BP 神經(jīng)網(wǎng)絡(luò)的隱含層個數(shù)為6,迭代次數(shù)maxGen為1 000,學(xué)習(xí)因子c1 設(shè)置為2,學(xué)習(xí)因子c2 設(shè)置為2,慣性因子設(shè)置為0.8。模型訓(xùn)練過程中,根據(jù)誤差MSE 值使用鏈?zhǔn)椒▌t進行每層梯度參數(shù)變化的計算和不斷迭代調(diào)整。
對每個區(qū)域的召回率進行計算,結(jié)果如表9 所示??梢钥闯觯鲄^(qū)域召回率均能達到90%以上。計算訓(xùn)練得到的4 種辨識模型的準(zhǔn)確率,結(jié)果如表10 所示??梢钥闯?,各模型準(zhǔn)確率均可達到91%以上。實驗結(jié)果表明,該模型能準(zhǔn)確辨識人員是否在區(qū)域內(nèi),且具備較強的泛化能力,大大降低了不同室內(nèi)環(huán)境因素對模型性能的影響。
Table 9 Recall rate of each area表9 各區(qū)域召回率
Table 10 Accuracy of each model表10 各模型準(zhǔn)確率
本文結(jié)合Wi-Fi 探針技術(shù)與智能計算方法,設(shè)計并實現(xiàn)了一種基于Wi-Fi 的室內(nèi)人員辨識通用模型。該模型采用PSO 算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)內(nèi)部的權(quán)重和閾值,不僅收斂速度快,而且不易陷入局部極值,具有較強的泛化能力。面對人員辨識通用模型繁重的訓(xùn)練任務(wù),本文采用并行計算方法,有效提高了模型訓(xùn)練速度。驗證實驗結(jié)果表明,該模型對不同Wi-Fi 探針的組合方式具有良好的泛化能力,召回率可達到90%以上,準(zhǔn)確率可達91%以上。此外,該模型對不同區(qū)域亦具有良好的泛化能力,解決了傳統(tǒng)人員辨識模型部署一次訓(xùn)練一次的難題,滿足建筑物智能化系統(tǒng)快速部署人員計量方法的實際應(yīng)用需求。
由于室內(nèi)環(huán)境復(fù)雜,Wi-Fi 信號傳播特性多樣化,Wi-Fi 終端接入網(wǎng)絡(luò)時連接請求信號具有間歇性。本研究使用4 個Wi-Fi 探針,以降低Wi-Fi 信號間歇性和突發(fā)性對室內(nèi)人員辨識模型性能的影響,但尚未考慮探針數(shù)量對模型檢測結(jié)果的影響,未來還需要對此進行進一步研究。同時,后續(xù)仍需針對WiFi 信號的特征進行更深層次的挖掘,建立既能反映人員的存在性與WiFi 信號特征關(guān)聯(lián),又能抵抗室內(nèi)環(huán)境影響的人員識別模型,以滿足建筑智能化系統(tǒng)對人員準(zhǔn)確刻畫的需求。