一种基于信道状态信息的穿墙被动人数预测方法
技术领域
本发明属于基于信道状态信息的穿墙被动人体检测
技术领域
，具体涉及一种基于信道状态信息的穿墙被动人数预测方法。背景技术
估计一个地区的总人数的能力可以用于多种应用。例如，智能建筑可以根据建筑中的人数优化能耗；零售商可以通过评估商店的哪些部分吸引更多的游客来更好地规划他们的业务；智能城市可以通过估计城市的哪些区域更拥挤来更好地规划资源。而且，计算机视觉、无线网络和环境科学等研究领域的研究人员已经对人群计数问题进行了研究。例如，在计算机视觉中，一个区域的照片被用来识别该区域的人数。环境科学界的研究人员利用感兴趣区域的特征，如温度、二氧化碳浓度等条件，来确定该区域的人数。然而，这些方法1)需要在感兴趣的区域安装摄像机网络，因此部署成本高，2)不能在黑暗中工作，3)不能在墙后工作，以及4)存在隐私问题。而基于Wi-Fi的无线感知技术研究可以客服这些困难，应用于不同环境情况。
最早期用于无线感知技术是基于接收信号强度指示(Received Signal StrengthIndication,RSSI),使用无线路由器作为发射机，支持Wi-Fi的接收装备充当接收机，把接收到的RSSI当作环境感知和人体入侵的参量。因此RSSI被广泛的用于人体检测,室内定位。例如，在室内定位时，可以将RSSI与无线信号传输模型相结合实现室内入侵目标的定位。但是，室内信号的传播路径会受到遮挡物的影响，而无线信号会在室内有多条传播路径，使得采集到的RSSI值随着时间变化会产生比较大的波动，导致RSSI的研究方法稳定性变差，大大限制了基于的RSSI的感知精度。2010年，科研工作者完成了对驱动的改写，从而实现从商用Inter5300网卡获取信道状态信息(Channel State Information,CSI)，与RSSI相比，CSI具有更细粒度的信道信息，可以完成科研工作者对更高精度的科研需求，因此基于CSI的人体目标检测得到更发的发展。
最近几年来，随着无线设备的普及以及对无线感知技术的需求增长，使得人们对视距人体检测以及人体数量预测应用技术研究得到了极大的提升。其主要研究场景是在视距场景下，而穿墙场景下的由于Wi-Fi信号经过墙体会发生严重的衰减，增加信号的分析难度，经过大量的实验表明单一的信号特征分析在穿墙场景的人体数量预测效果一般，而选取多维的信号特征对穿墙场景下的人体数量预测效果较好。
发明内容
本发明的目的在于提供一种基于信道状态信息的穿墙被动人数预测方法。
本发明的目的通过如下技术方案来实现：包括以下步骤：
步骤1：分别将接收机和发射机布置在墙体两侧，由接收机获取信道状态信息；
步骤2：对接收机获取的信道状态信息进行预处理；
步骤2.1：采用Hampel滤波器对子载波的离群点进行去除并插值；
步骤2.2：采用线性拟合方法消除误差进行相位校正；
步骤2.3：对子载波使用离散小波阈值去除高频噪声；
步骤3：对信道状态信息的幅值时域相关系数矩阵A＝(am,n)M×N进行特征分解，将分解后的特征按照特征值的大小降序排列，得到Z1＝[λ1 λ2 … λM]；
步骤4：对相位的时域相关系数矩阵C＝(cm,n)M×N进行特征分解，将分解后的特征按照特征值的大小降序排列，得到Z2＝[γ1 γ2 … γM]；
步骤5：选取蕴含主要信息的前两大的特征值λ1、λ2和γ1、γ2作为相关性特征，对子载波相关系数矩阵S＝(sm,n)K×K进行特征分解，将分解后的特征按照特征值的大小降序排列，得到[e1 e2 … eK]；
步骤6：计算一阶差分均值选择φ1，φ2，φ3作为穿墙人数预测特征；
步骤7：对预处理后的信道状态信息进行标准化处理记为Y，通过投影得到各个主成分pi＝Y×ei；计算各个主成分pi的方差，记为βi；选取β1，β2，β3作为检测特征，通过时域和频域选取的特征构建特征空间F；
F＝[λ1 λ2 γ1 γ2 φ1 φ2 φ3 β1 β2 β3]
步骤8：将特征空间F输入BP神经网络中进行训练，得到训练完成的分类器用于对人体数量进行预测。
本发明还可以包括：
所述的步骤2.1中采用Hampel滤波器对子载波的离群点进行去除并插值的方法具体为：
步骤2.1.1：设置阈值α、滑动窗口长度v；
步骤2.1.2：计算序列数据X的中值Midu,v；
步骤2.1.3：计算序列数据X中各个数据xu与中值Midu,v的绝对差MAD；
MAD＝abs(xu-Midu,v)
步骤2.1.4：若序列数据X中数据xu不在[(Midu,v-α*MAD),(Midu,v+α*MAD)]范围之内，则判定xu为序列数据X中的异常点，用序列数据X的中值Midu,v代替异常点的值。
所述的步骤2.2中采用线性拟合方法消除误差进行相位校正的方法具体为：
由于在收集信道状态信息中的相位并不是真实相位，测量相位与真实相位有一定的偏差，因此需要对相位进行校准；真实相位表示为： 表示第b个子载波的测量相位，θb表示第b个子载波的真实相位，表示相位偏移，ε表示常数相位偏差；采用线性拟合方法消除误差，假设每个子载波的序列号b依次逐渐增加去除随机噪声后的相位表示为： 代表编号为bj的子载波的真实相位。
本发明的有益效果在于：
本发明针对当收发机在墙体两侧时对人体数量的预测的问题，提供了一种当Wi-Fi信号穿过不同墙体材料时都能保持较高检测性能的方法。本发明分别从子载波的时域相关性和子载波之间的相关性提取多维特征，并选取对处理复杂数据具有良好能力的BP神经网络完成检测特征与预测结果映射。
附图说明
图1是本发明的流程图。
图2是一个人在三种不同墙体材料的检测精度图。
图3是两个人在三种不同墙体材料的检测精度图。
图4是三个人在三种不同墙体材料的检测精度图。。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明属于基于信道状态信息的穿墙被动人体检测领域，具体涉及一种基于信道状态信息的穿墙被动人数预测方法。本发明的目的是提供一种当Wi-Fi信号穿过不同墙体材料时都能保持较高检测性能的基于信道状态信息的穿墙被动人数预测方法。
本发明的目的是这样实现的：包括以下步骤：
步骤1：分别将接收机和发射机布置在墙体两侧，由接收机获取信道状态信息；
步骤2：提取收集到的信道状态信息进行预处理；
步骤2.1：采用Hampel滤波器对子载波的离群点进行去除并插值；
步骤2.2：为了减少原始相位的误差，采用线性拟合方法消除误差进行相位校正；
步骤2.3：进一步对子载波使用离散小波阈值去除高频噪声；
步骤3：提取特征。经过预处理后的矩阵可表示为：
令表示第m个数据包中的子载波的CSI，表示第k个子载波的CSI。
CSI幅值时域相关系数矩阵A＝(am,n)M×N可表示为：
同理我们也可以用同样方法计算相位的时域相关系数矩阵C＝(cm,n)M×N
其中cm,n＝corr(∠gm,∠gn)分别对矩阵A和矩阵C进行特征分解，按照特征值的大小降序排列Z1＝[λ1 λ2 … λM],Z2＝[γ1 γ2 … γM]根据矩阵的性质可知矩阵A和C的主要信息蕴含在前两大的特征值上，因此选择λ1、λ2和γ1、γ2作为相关性特征。
然后对子载波的相关系数矩阵S＝(sm,n)K×K进行特征分解按照降序排列[e1 e2 …eK]，并求取特征值的一阶差分均值选择φ1，φ2，φ3作为穿墙人数预测特征另外，对标准化处理记为Y，通过投影得到各个主成分pi＝Y×ei。并计算各个主成分pi的方差，记为βi，选β1，β2，β3作为检测特征，通过时域和频域选取的特征构建特征空间F＝[λ1 λ2 γ1 γ2 φ1 φ2 φ3 β1 β2 β3]。
步骤4：选取BP神经网络对数据训练，并对人体数量进行预测。
与现有技术相比，本发明的有益效果是：本发明应用于基于信道状态信息的穿墙被动人体检测领域，主要是针对当收发机在墙体两侧时对人体数量的预测。由于传统的基于信道状态信息的人体数量预测皆在收发机同一室内环境下完成，而在Wi-Fi信号穿墙场景下的预测结果并不理想。为对信道状态信息进行更好的处理，本方法分别从子载波的时域相关性和子载波之间的相关性提取多维特征，并选取对处理复杂数据具有良好能力的BP神经网络完成检测特征与预测结果映射。
如附图1所示，本方法一共包括四个模块：数据采集、信号预处理、多维特征提、分类器构造。
(1)数据采集模块：将发射机和接收机分别放在两个相邻的房间内或将收发机放到与房间相邻的走廊内，收发机之间间距3米左右。令一个双天线的TP-Link路由器作为发射机，一台装有Intel 5300无线网卡的笔记本电脑作为接收机。采样频率设置为200Hz，采样时长60s，分别对室内存在无人、1人、2人、3人进行数据采样。
(2)预处理模块：由于获取CSI数据的过程中，子载波在无线传输过程中发生反射等，导致在接收端接收到的数据与真实数据存在误差，为减小对预测结果的影响，需要对数据进行预处理。
(2.1)异常值处理：本方法采用Hampel滤波器。设置一个长度为k的滑动窗口，计算序列数据X的中值Midi,k，并且计算各个数据与中值的绝对差MAD＝abs(xi-Midi,k)，其中i代表序列数据的X的第i个点，当xi不在[(Midi,k-γ*MAD),(Midi,k+γ*MAD)]范围之内时，将xi当成序列数据X中的一个异常点，并用序列X的中值Midi,k代替这个点的值，选取γ为3。
(2.2)相位校正：由于在收集信道状态信息中的相位并不是真实相位，测量相位与真实相位有一定的偏差，需要对相位进行校准，真实相位表示为： 表示第k个子载波的测量相位，θk表示第k个子载波的真实相位，表示相位偏移，ε表示常数相位偏差。本方法采用线性拟合方法消除误差，假设每个子载波的序列号依次逐渐增加去除随机噪声后的相位表示为： 代表编号为kj的子载波的真实相位。
(2.3)对处理完的数据做离散小波阈值去噪处理。
(3)多维特征提取：分别对CSI幅值时域相关系数矩阵A＝(am,n)M×N和相位的时域相关系数矩阵C＝(cm,n)M×N进行特征分解Z1＝[λ1 λ2 … λM]，Z2＝[γ1 γ2 … γM]并选取蕴含主要信息的前两大的特征值λ1、λ2和γ1、γ2作为相关性特征。对子载波相关系数矩阵S＝(sm,n)K×K进行特征分解将特征值按照降序排列，特征值对应的特征向量为：[e1 e2 … eK],并根据特征向量求得一阶差分均值以防在选取特征主要内容遗失，选择φ1，φ2，φ3作为穿墙人数预测特征，另外对预处理后的CSI数据标准化处理记为Y，通过投影得到各个主成分pi＝Y×ei。并计算各个主成分pi的方差，记为βi，选β1，β2，β3作为检测特征，通过时域和频域选取的特征构建特征空间F＝[λ1 λ2 γ1 γ2 φ1 φ2 φ3 β1β2 β3]。
(4)选取对非线性数据的具有较好映射的能力的BP神经网络对提取的特征进行训练。
(5)按照(3)中的特征提取，对剩余数据的进行特征提取，通过训练完成的分类器对数据结果进行预测。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
- 上一篇：石墨接头机器人自动装卡簧、装栓机
- 下一篇：网络结构的搜索方法、装置、设备及存储介质
