[发明专利]用于使用装置来控制场景检测的方法

说明书

本公开的实施例涉及控制场景检测。实施例提供了一种用于控制由设备从一组可能的参考场景中进行场景检测的方法。该方法包括使用至少一种分类算法在连续检测时刻从该组可能的参考场景中来检测场景。每个新的当前检测到的场景被分配初始置信概率。该初始置信概率根据从先前检测到的场景到该新的当前检测到的场景的第一转换概率被更新。基于与每个新的当前检测到的场景相关联的至少该更新过的置信概率，对这些当前检测到的场景执行滤波处理操作。该滤波处理操作的输出连续地递送经滤波的检测到的场景。

相关申请的交叉引用

本申请要求于2018年3月19日提交的法国专利申请号1852333的优先权，该申请通过引用的方式并入本文。

技术领域

实施例提供了一种用于由装置控制场景检测的方法。

背景技术

广义上，场景被理解为特别地包含设备所处的环境的场景特征，该设备是否由可能移动的用户携带，例如，蜂窝移动电话(“公共汽车”、“火车”、“餐馆”、“办公室”等场景)或该设备是被连接地或非被连接的固定物体(例如家庭自动化应用中的散热器)，该环境的该场景特征能够成为具有，例如，“湿部分”、“干燥部分”、“白天”、“夜晚”、“百叶窗关闭”、“百叶窗打开”等类型。

场景还可以包含由该设备的携带者执行的活动的场景特征，例如智能手表，然后，这样的场景能够成为“行走”、“跑步”等。

某些无线通信设备，诸如，例如某些类型的智能手机或平板电脑，现在能够执行场景检测，从而使确定该电话或平板电脑的用户所处的环境成为可能。因此，这可以允许第三方(例如，广告商或文化机构)递送与该设备的用户所处的位置有关的相关信息。

因此，例如，如果该用户位于给定的旅游地点，则有可能向他递送他所在地区附近的餐馆地址。同样地，也有可能向他递送与位于他所在地区附近的某些古迹有关的信息。

“场景检测”被理解为特别是指无线通信设备所在的场景的辨别。存在几种用于检测(辨别)场景的已知解决方案。这些解决方案使用例如通常与特定算法相关联的一个或多个专用传感器。

在该特定算法中，可以提及分类器或决策树，其在场景检测中是本领域技术人员公知的。可以特别提及本领域技术人员已知的神经网络算法，并且针对该神经网络算法，可以参考(例如，基于所有有用的目的)Martin T Hagan和Howard B Demuth的题为NeuralNetwork Design(神经网络设计)的著作(第2版，2014年9月1日)，或者是本领域技术人员已知的名称为GMM(“高斯混合模型”)的算法，本领域技术人员能够参考(例如，基于所有有用的目的)Andrew Moore的题为“Clustering with Gaussian Mixtures”教程幻灯片，可在网站https://www.autonlab.org/tutorials/gmm.html上找到。

这两种算法还被配置为针对每个检测到的场景递送置信概率。

作为分类算法，还可以提及元分类算法或“元分类器”，也就是说位于比包含多个分类算法的层更高的层上的算法。

每个分类算法提供关于检测到的场景的决策，并且该元分类器编译由各种分类算法提供的该决策，以便例如通过多数投票或者通过平均投票来递送最终决策。

元分类器比传统分类器表现更好，然而仍然受制于可能的检测错误。此外，它们实现起来更复杂，特别是在存储器尺寸方面，并且需要更复杂的学习阶段。

发明内容

本发明的实施方式和实施例的模式涉及由设备的场景的实时检测，设备特别是但不限于，无线通信设备，例如被配备有诸如加速度计的至少一个传感器的智能电话或数字平板电脑，并且更具体地涉及决策的可靠性的提高，该决策由对其进行滤波之前的分类算法提供。