CN104239951A - 一种利用信道状态信息的非绑定人数计数方法 - Google Patents

Abstract

本发明提出一种利用信道状态信息的非绑定人数计数方法。其将CSI值的变化转换成移动人员的数量。观察结果表明，在移动人员的数量和非零元素在CSI扩张矩阵中的百分比之间存在对数的关系。本发明在一座典型的办公楼中实现了FCC系统，实验证明，FCC系统估计误差小于1人的概率为93％，这说明本发明可以在大多数场合进行应用。FCC能利用其人力成本低和免设备的优势，将会长期和普遍的运用在人群计数领域中。

Description

一种利用信道状态信息的非绑定人数计数方法

技术领域

本发明属于无线定位技术领域，涉及一种非绑定人数计数方法，尤其是一种利用信道状态信息的非绑定人数计数方法。

背景技术

在一个固定场景中，为了获得人员数量的人群计数，比在多场景下为实现人员定位的人群计数要更为关键。在理想的状况下，人群计数的方法应当是可扩展的、对用户的侵害较小的。人群计数的鲁棒性是一个重要而又充满挑战性的任务。人群中的个体行为往往是不可预知的，不合理的。因此，这项挑战性的任务是要面对人群计数包括可靠的观测收集，对象闭塞和实时处理的要求。传统的解决问题的方法包括两大类：基于视频(或图像)的识别和基于无图像的定位。

基于视频(或图像)的识别已经广泛部署在许多公共场所。一个具有代表性的方法是提取一些低层次的图像然后基于人数的特征来建模。另外一种方法是基于物体的检测技术，如脸，头肩的探测器。这些方法都有固有的缺点。首先，摄像头只能在有限的视线范围之内工作，这会导致许多监控盲区。其次，光线黑暗或空气中有烟雾会严重缩短摄像机的监视范围。再次，对象互相遮挡会进一步恶化监控的情况。此外，摄像头可能会因为隐私原因在某些地方被禁止使用。

基于非图像的解决方案是利用特定的设备来定位人或者物体。比如，RFID标签、手机、传感器节点等。此类解决方案，除了部署的成本高之外，这些设备在监控的时候需要有人员的参与，这显然限制了它的使用范围(即：每个人都需要携带特定设备)。对于人数和人员流动率较大的环境，给每个人部署移动设备是不切实际的，尤其是在有突发事件发生的时候。与此同时，一些用于定位的设备(如手机)，在灾难发生的时候很可能由于基站的故障而不能运行，因此也限制了这些方案的推广。

由于上述的两种传统的方法有很多的不足之处，所以一些非绑定的方法在最近被提出来。大部分的这些方法是利用RSS来进行定位的，现有的一些设备是很容易提取RSS数据的。但是，现场勘测指纹是很耗时、耗人力、而且很容易受到环境的干扰。为了避免现场勘测，一些人提出了基于模型的定位方法，利用信号传播距离与RSS值的关系来定位对象。不幸的是，由于在复杂的室内环境的信号传播不可预测，衰减模型表现的很不稳定。而信道状态信息(CSI)基于OFDM系统，它新的潜在优势能克服RSS的许多缺点。不同于RSS，CSI反映的是整个信道的信号特征，由信道中的每个子载波的频率衰减和相移组成，因此，CSI对由于人们移动而造成的环境变化非常的敏感。

本发明中，我们提出了一种叫FCC的方法。即就是，基于CSI的非绑定的人群计数方法，所谓非绑定，指的是被估计的人群不需要携带任何额外设备。我们的设计是初衷是由于观察到CSI可以反映出由于环境的变化而引起的信号的多径传播，这可以帮助我们来获取活动人员的数量。由于动态环境的现场勘测是一个劳动密集型而且易受环境影响的过程，所以基于指纹的一些方法不适合人群的计数。FCC面临的最大的挑战是如何找到在移动人员和CSI的读数特征之间的稳定的单调的数据关系。我们提出一种新的度量PEM，它表示非零元素在CSI扩张矩阵中的百分比。我们发现在PEM和移动的人群之间有一个类似对数的关系。基于这种对数模型，我们可以对人群进行计数。我们利用现有的IEEE802.11n设备对FCC系统进行了实现，并通过广泛的实验来评估了其功能。结果表明我们的方法较目前国内外的最先进的方法，具有更好的精确度，可扩展性和一致性。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供一种利用信道状态信息的非绑定人数计数方法，其能够在不需要人群携带任何设备的情况下对人数进行估计。

本发明的目的是通过以下技术方案来实现的：

该种利用信道状态信息的非绑定人数计数方法，包括以下步骤：

1)CSI配置文件构建

在人群计数监测之前，服务器收集监测点的监测数据并加以处理：分为训练阶段和监视阶段；

所述训练阶段是在没有人或者有很少人的情况下研究CSI值，为每个数据流构建训练的配置文件；

所述监测阶段是收集监测点的读数并决定是否有人员移动；并且还更新存储的训练日志；

2)CSI配置文件适应

人数的增加后的CSI矩阵中非零元素的百分比呈单调增加,他们之间的关系用灰色理论进行曲线拟合和估计；利用GM(2,1)模型对曲线进行拟合，利用使用所有子载波的平均CSI值进行曲线拟合；

3)人数估计

根据当前人数所对应的PEM和拟合参数，计算对应的人数：

根据拟合序列的值，对应求取值，该值即为估计人数，根据灰色理论，设a₁为灰发展系统，代表曲线拟合和估计的能力，其值越接近0则效果越好，利用归一化调和数表征权重，最终估计结果Enumber为：

$\mathrm{Enumber}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\hat{k}}_i*w_i;$

其中 $w_i=\frac{1/a_{1i}}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}1/a_{1i}}.$

进一步，训练阶段和监视阶段包含一个共同的组成部分，即学习监视区域中的信号读数的行为。

进一步，以上根据人群分析算法进行，所述人群分析算法包括：

A.SI的振幅序列变换成二维矩阵；

B.扩张所述二维矩阵，膨胀矩阵非零元；

C.计算矩阵中的非零元素所占比例。

进一步，以上步骤2)中，对原始PEM数据确定拟合流程如下：

a)生成累加生成序列计算方法如下：

$x_k^{\left(1\right)}=\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{x}_j^{\left(0\right)}$

b)生成均值临界生成序列计算方法如下：

$z_k^{\left(1\right)}=\frac{1}{2}(x_k^{\left(1\right)}+x_{k+1}^{\left(1\right)})$

c)根据灰色理论模型构建关于累加生成序列的差分白化方程：

$\frac{d^2{X}^{\left(1\right)}}{{\mathrm{dt}}^2}+a_1\frac{{\mathrm{dX}}^{\left(1\right)}}{\mathrm{dt}}+a_2{X}^{\left(1\right)}=b$

d)求解参数，利用最小二乘法，解得参数，令

$B=\left[\begin{array}{ccc}-x_2^{\left(0\right)}& -z_2^{\left(1\right)}& 1\\ -x_3^{\left(0\right)}& -z_3^{\left(1\right)}& 1\\ .& .& .\\ .& .& .\\ .& .& .\\ -x_n^{\left(0\right)}& -z_n^{\left(1\right)}& 1\end{array}\right],Y=\left[\begin{array}{c}{x}_2^{\left(0\right)}-x_1^{\left(0\right)}\\ x_3^{\left(0\right)}-x_2^{\left(0\right)}\\ .\\ .\\ .\\ x_n^{\left(0\right)}-x_{n-1}^{\left(0\right)}\end{array}\right]$

则 $\hat{a}=\left[\begin{array}{c}{a}_1\\ a_2\\ b\end{array}\right]={\left(B^{T}B\right)}^{-1}{B}^{T}Y$

e)根据参数反解该微分方程；如果特征方程有两个不相等实根r₁,r₂时，其方程的解表示成：

${\hat{X}}^{\left(1\right)}=C_1{e}^{r_{1}t}+C_2{e}^{r_{2}t}+X^{*}$

其中，C₁，C₂是待定系数，由累加生成序列推出，X^*为对应白化方程的特解；

f)反解拟合序列其中：

${\hat{x}}_k^{\left(0\right)}=\left\{\begin{array}{cc}{\hat{x}}_1^{\left(1\right)}& k=1\\ {\hat{x}}_k^{\left(1\right)}-{\hat{x}}_{k-1}^{\left(1\right)}& k\≠1\end{array}\right..$

本发明具有以下有益效果：

本发明利用信道状态信息的非绑定人数计数方法提出了一种新的度量PEM，它表示非零元素在CSI扩张矩阵中的百分比。由于在PEM和移动的人群之间有一个类似对数的关系。基于这种对数模型，本发明对人群进行计数。本发明利用现有的IEEE802.11n设备对FCC系统进行了实现，并通过广泛的实验来评估了其功能。结果表明本发明的方法较目前国内外的最先进的方法，具有更好的精确度，可扩展性和一致性。

具体实施方式

本发明提出一种利用信道状态信息的非绑定人数计数方法。之前的人群计数方法主要依赖于图像识别，这种方法受到光线等自然条件的限制，或需要携带设备、现场勘测，这不适合于大型的场景。本发明主要的思想是，将CSI值的变化转换成移动人员的数量。观察结果表明，在移动人员的数量和非零元素在CSI扩张矩阵中的百分比之间存在对数的关系。本发明具体为：

首先进行系统建模和问题设定。在基本FCC系统中，在4个角落有4台笔记本电脑，配备了英特尔5300网卡。其中一台笔记本持续广播信标消息。其他三个笔记本的工作是对来自发件人CSI值进行测量。

利用CSI在无设备状态下的人群计数的方法主要分为一下几个步骤：

(1)CSI配置文件构建

在人群计数监测之前，服务器应该收集监测点的监测数据并加以处理。主要分为训练阶段和监视阶段。训练阶段是系统在特定区域中没有人或者有很少人的情况下研究CSI值，主要为每个数据流构建训练的配置文件。监测阶段过程中，系统收集监测点的读数并决定是否有人员移动。它还更新存储的训练日志，以便可以适应环境变化。

训练阶段和监视阶段包含一个共同的组成部分，即就是学习监视区域中的信号读数的一些行为。系统操作的选择特性应该是可以抵抗可能的环境变化。这可能会影响到存储的数据。在此之外，所选择的特征也应该是对人体运动敏感的，用以提高检测精度。通过实验可以知道，当人员的移动越频繁的时候，CSI值会分布更广泛并且改变更激烈。剖析这种分布的一个直接的想法是计算方差。基于这样的发现，我们设计了人群分析算法：

该算法一般分为三个步骤：1.将CSI的振幅序列变换成二维矩阵。2.扩张该矩阵，膨胀矩阵非零元。3.计算矩阵中的非零元素所占比例。

(2)CSI配置文件适应

CSI配置文件构建模块的目的是要构建一个标准的配置文件，捕捉CSI的特性。这是被用来让其他的模块来进行人群计数的。此模块运行在训练和监控阶段，它可以从滑动窗口来收集数据，并估计其分布情况。

根据实验表明，人数的增加后的CSI矩阵中非零元素的百分比呈单调增加。他们之间的关系可以用灰色理论进行曲线拟合和估计。

由于该曲线具有小样本、贫信息、不确定的特点，我们利用GM(2,1)模型对曲线进行拟合。由来自一个天线的30个子载波的相邻载波存在较强的相关性，因此利用使用所有子载波的平均CSI值进行曲线拟合以减小随机噪音的干扰。

对原始PEM数据确定拟合流程如下：

a)生成累加生成序列计算方法如下：

$x_k^{\left(1\right)}=\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{x}_j^{\left(0\right)}$

b)生成均值临界生成序列计算方法如下：

$z_k^{\left(1\right)}=\frac{1}{2}(x_k^{\left(1\right)}+x_{k+1}^{\left(1\right)})$

c)根据灰色理论模型构建关于累加生成序列的差分白化方程

$\frac{d^2{X}^{\left(1\right)}}{{\mathrm{dt}}^2}+a_1\frac{{\mathrm{dX}}^{\left(1\right)}}{\mathrm{dt}}+a_2{X}^{\left(1\right)}=b$

d)求解参数，利用最小二乘法，可解得参数，令：

$B=\left[\begin{array}{ccc}-x_2^{\left(0\right)}& -z_2^{\left(1\right)}& 1\\ -x_3^{\left(0\right)}& -z_3^{\left(1\right)}& 1\\ .& .& .\\ .& .& .\\ .& .& .\\ -x_n^{\left(0\right)}& -z_n^{\left(1\right)}& 1\end{array}\right],Y=\left[\begin{array}{c}{x}_2^{\left(0\right)}-x_1^{\left(0\right)}\\ x_3^{\left(0\right)}-x_2^{\left(0\right)}\\ .\\ .\\ .\\ x_n^{\left(0\right)}-x_{n-1}^{\left(0\right)}\end{array}\right]$

则 $\hat{a}=\left[\begin{array}{c}{a}_1\\ a_2\\ b\end{array}\right]={\left(B^{T}B\right)}^{-1}{B}^{T}Y$

e)根据参数反解该微分方程，其解为白化方程特解加对应齐次方程通解的形式，具体解法可参考任何一本高等数学教程。如果特征方程有两个不相等实根r₁,r₂时，其方程的解一般可表示成：

${\hat{X}}^{\left(1\right)}=C_1{e}^{r_{1}t}+C_2{e}^{r_{2}t}+X^{*}$

其中，C₁，C₂是待定系数，可由累加生成序列推出，X^*为对应白化方程的特解。

f)反解拟合序列其中：

${\hat{x}}_k^{\left(0\right)}=\left\{\begin{array}{cc}{\hat{x}}_1^{\left(1\right)}& k=1\\ {\hat{x}}_k^{\left(1\right)}-{\hat{x}}_{k-1}^{\left(1\right)}& k\≠1\end{array}\right.$

(3)人数估计

根据当前人数所对应的PEM和拟合参数，计算对应的人数。

根据拟合序列的值，对应求取值，该值即为估计人数，根据灰色理论，a₁称为灰发展系统，代表曲线拟合和估计的能力，其值越接近0则效果越好，由于共有N台机器对同一区域估计，因此利用归一化调和数表征权重。最终估计结果Enumber为：

$\mathrm{Enumber}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\hat{k}}_i*w_i$

其中 $w_i=\frac{1/a_{1i}}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}1/a_{1i}}$

综上所述，本发明提出一种利用无线通信的信道状态信息(CSI)的非绑定人群计数的方法。之前的人群计数方法主要依赖于图像识别，这种方法受到光线等自然条件的限制，或需要携带设备、现场勘测，这可能不适合于大型的场景。本发明提出一种利用无线通信的CSI值在非绑定状态下进行人群计数的方法。其主要的思想是，将CSI值的变化转换成移动人员的数量。对本发明的试验观察结果表明，在移动人员的数量和非零元素在CSI扩张矩阵中的百分比之间存在对数的关系。本发明在一座典型的办公楼中实现了FCC系统，实验证明，FCC系统估计误差小于1人的概率为93％，这说明本发明可以在大多数场合进行应用。FCC能利用其人力成本低和免设备的优势，将会长期和普遍的运用在人群计数领域中。

Claims (4)

1.一种利用信道状态信息的非绑定人数计数方法，其特征在于，包括以下步骤：

1)CSI配置文件构建

在人群计数监测之前，服务器收集监测点的监测数据并加以处理：分为训练阶段和监视阶段；

所述训练阶段是在没有人或者有很少人的情况下研究CSI值，为每个数据流构建训练的配置文件；

所述监测阶段是收集监测点的读数并决定是否有人员移动；并且还更新存储的训练日志；

2)CSI配置文件适应

人数的增加后的CSI矩阵中非零元素的百分比呈单调增加,他们之间的关系用灰色理论进行曲线拟合和估计；利用GM(2,1)模型对曲线进行拟合，利用使用所有子载波的平均CSI值进行曲线拟合；

3)人数估计

根据当前人数所对应的PEM和拟合参数，计算对应的人数：

根据拟合序列的值，对应求取值，该值即为估计人数，根据灰色理论，设a₁为灰发展系统，代表曲线拟合和估计的能力，其值越接近0则效果越好，利用归一化调和数表征权重，最终估计结果Enumber为：

$\mathrm{Enumber}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\hat{k}}_i*w_i;$

其中 $w_i=\frac{1/a_{1i}}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}1/a_{1i}}.$

2.根据权利要求1所述的利用信道状态信息的非绑定人数计数方法，其特征在于，训练阶段和监视阶段包含一个共同的组成部分，即学习监视区域中的信号读数的行为。

3.根据权利要求1所述的利用信道状态信息的非绑定人数计数方法，其特征在于，根据人群分析算法进行，所述人群分析算法包括：

A.SI的振幅序列变换成二维矩阵；

B.扩张所述二维矩阵，膨胀矩阵非零元；

C.计算矩阵中的非零元素所占比例。

4.根据权利要求1所述的利用信道状态信息的非绑定人数计数方法，其特征在于，步骤2)中，对原始PEM数据确定拟合流程如下：

a)生成累加生成序列计算方法如下：

$x_k^{\left(1\right)}=\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{x}_j^{\left(0\right)}$

b)生成均值临界生成序列计算方法如下：

$z_k^{\left(1\right)}=\frac{1}{2}(x_k^{\left(1\right)}+x_{k+1}^{\left(1\right)})$

c)根据灰色理论模型构建关于累加生成序列的差分白化方程：

$\frac{d^2{X}^{\left(1\right)}}{{\mathrm{dt}}^2}+a_1\frac{{\mathrm{dX}}^{\left(1\right)}}{\mathrm{dt}}+a_2{X}^{\left(1\right)}=b$

d)求解参数，利用最小二乘法，解得参数，令

$B=\left[\begin{array}{ccc}-x_2^{\left(0\right)}& -z_2^{\left(1\right)}& 1\\ -x_3^{\left(0\right)}& -z_3^{\left(1\right)}& 1\\ .& .& .\\ .& .& .\\ .& .& .\\ -x_n^{\left(0\right)}& -z_n^{\left(1\right)}& 1\end{array}\right],Y=\left[\begin{array}{c}{x}_2^{\left(0\right)}-x_1^{\left(0\right)}\\ x_3^{\left(0\right)}-x_2^{\left(0\right)}\\ .\\ .\\ .\\ x_n^{\left(0\right)}-x_{n-1}^{\left(0\right)}\end{array}\right]$

则 $\hat{a}=\left[\begin{array}{c}{a}_1\\ a_2\\ b\end{array}\right]={\left(B^{T}B\right)}^{-1}{B}^{T}Y$

e)根据参数反解该微分方程；如果特征方程有两个不相等实根r₁,r₂时，其方程的解表示成：

${\hat{X}}^{\left(1\right)}=C_1{e}^{r_{1}t}+C_2{e}^{r_{2}t}+X^{*}$

其中，C₁，C₂是待定系数，由累加生成序列推出，X^*为对应白化方程的特解；

f)反解拟合序列其中：

${\hat{x}}_k^{\left(0\right)}=\left\{\begin{array}{cc}{\hat{x}}_1^{\left(1\right)}& k=1\\ {\hat{x}}_k^{\left(1\right)}-{\hat{x}}_{k-1}^{\left(1\right)}& k\≠1\end{array}\right..$