CN104883732A - 一种增强型室内无源被动人体定位方法 - Google Patents

Abstract

本发明属于无线定位领域，具体涉及一种增强型室内无源被动人体定位方法。本发明包括：(1)离线训练；(2)实时定位。本发明提出一个增强型室内无源被动人体定位方法，该方法可利用信道状态信息来计算接收机对周围环境改变的敏感度，通过调整接收机位置可达到较大能力感知环境变化。对于相同设备、同等规模定位区域来说，该方法可以大大降低定位区域内的盲点个数，甚至可以覆盖更广的定位区域内或降低设备使用量，降低系统部署开销。

Description

一种增强型室内无源被动人体定位方法

方法领域

本发明属于无线定位领域，具体涉及一种增强型室内无源被动人体定位方法。

背景技术

基于位置的服务给人们的生活带来了极大的方便。基于无线方法的无源被动定位作为定位方法的组成部分之一，其无需用户携带任何定位相关的设备便可以对人体进行实时精确定位。该方法在许多领域发挥着巨大作用，包括安全防护、入侵检测、医疗看护等。因此大量的无源被动无线定位系统被相继研究与开发。

无源被动无线定位方法起初采用易于获取的信号强度信息(RSS)作为信号特征。大部分的无源被动无线定位系统基于人体对无线信号遮挡效应利用多链路数据融合方法来定位人体位置。然而在室内环境下，无线信号遭受多径效应影响，RSS值具有不稳定性。另外，当人体远离视距路径时，RSS对移动人体感知能力极弱。因此，无源被动无线定位系统的精度往往依赖于密集的设备部署，大量的现场指纹采集等方法。然而这些方法给无源被动定位系统带来了巨大的开销，一定程度上限制了无源被动无线定位系统的应用。为了取得低开销、高精度的无源被动定位，大量的学者探索利用无线信道物理层信息来实现无源被动无线定位。信道状态信息是一种常用的、细粒度的信号特征，其在一定程度上可以描述多径传播特征，有利于实现室内高精度的无源被动定位。

近些年来，随着WLAN和OFDM方法的快速发展，基于信道状态信息的无源被动无线定位方法被给予了极大的关注。MonoPHY和Pilot系统率先取得了基于信道状态信息的无源室内被动定位，MonoPHY甚至可以利用单条通信链路实现大面积的无源被动无线定位，这对于智能家居、安全防护系统的发展具有巨大的推进作用。然而值得注意的是，大量的定位盲点依然存在感兴趣区域内，同时室内无源被动定位的精度依然无法达到令人满意的程度。减少定位盲点，提高精度通常采取措施是增加设备部署密度。这样又将必然导致系统开销的增加。因此为了能实现利用少量的设备来实现大范围、无盲点、高精度室内无源被动定位，本发明提出一种增强型室内无源被动定位方法。本发明通过利用信道状态信息来评估接收机敏感度大小以调整接收机至高度敏感位置，以此达到单通信链路下最高检测和定位精度。本发明采用先进的贝叶斯定位方法，基于统计概率理论实现对人体位置的定位。通过以上方法，本发明实现了大范围、高精度的室内无源被动定位。

发明内容

本发明的目的在于提供一种利用从普通商业网卡上获取的信道状态信息来评估室内多径信号变化表现的敏感度，调整接收机至高敏感位置,利用贝叶斯定位方法，实现对人体位置的最大概率推断的增强型室内无源被动人体定位方法。

本发明的目的是这样实现的：

(1)离线训练：

(1.1)从网卡中采集信号特征信息；

(1.1.1)从网卡中获取物理层信号信道状态信息；

(1.1.2)提取数据包中每个子载波的振幅值，所有子载波振幅值集合作为信号特征信息；

(1.2)计算接收机敏感度因子大小，调整接收机位置；

(1.2.1)采集一定量静态环境状态下的信号特征信息；

(1.2.2)利用采集的数据来计算接收机的敏感度因子，如果接收机敏感度较低则调整接收机位置，重复步骤(1.2.1)，直到获取较高的接收机敏感度；

(1.3)计算位置信号指纹特征，构建位置信号指纹数据库；

(1.3.1)测试人员站于指定采样位置，包括无测试人员存在的情况；

(1.3.2)接收机采集一定量当前状态下的信号特征信息，计算信号特征模型参数，将其作为位置指纹信号特征存储于数据库中；

(1.3.3)测试人员更换采样位置，重复步骤(1.3.2)操作，直到采集完所有采样位置对应的信号指纹特征信息；

(2)实时定位：

(2.1)实时采集信号特征信息；

(2.1.1)从网卡中获取物理层信号信道状态信息；

(2.1.2)提取数据包中每个子载波的振幅值，所有子载波振幅值集合作为信号特征信息；

(2.2)实时人体出现检测；

(2.2.1)实时获取检测信号特征信息；

(2.2.2)根据静态状态下的信号模型，计算无人出现的概率，如果其概率小于设定阈值则进行人体定位，否则继续步骤(2.2.1)；

(2.3)如果步骤(2.2)检测有人体出现则对人体进行定位，否则继续执行步骤(2.1)；

(2.3.1)读取数据库位置信号指纹信息，计算检测信号特征对应各个采样位置的概率；

(2.3.2)对比检测信号在各个位置处概率大小，最大概率值所对应的位置即为人体出现的位置。

本发明的有益效果在于：

本发明提出一个增强型室内无源被动人体定位方法，该方法可利用信道状态信息来计算接收机对周围环境改变的敏感度，通过调整接收机位置可达到较大能力感知环境变化。对于相同设备、同等规模定位区域来说，该方法可以大大降低定位区域内的盲点个数，甚至可以覆盖更广的定位区域内或降低设备使用量，降低系统部署开销。

本发明通过调整接收机至较高的接收机敏感度可以提高传统的室内无源被动定位精度，能够取得大规模定位区域下的高精度室内无源被动定位。

附图说明

图1是本发明第一实施例提供的增强型室内无源被动人体定位方法的流程图；

图2是本发明第二实施例提供的增强型室内无源被动人体定位方法的离线训练示意图；

图3是本发明第三实施例提供的增强型室内无源被动人体定位方法的实时定位示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。

本发明公开了一种增强型室内无源被动人体定位方法。所述方法包括两个阶段：离线训练与实时定位。离线训练阶段包括：采集信号特征信息；计算接收机敏感度因子大小，调整接收机至高敏感度的位置；计算位置信号指纹特征，构建位置信号指纹数据库。实时定位阶段包括：实时采集环境信号特征信息，检测人体是否出现；当人体出现时，进行指纹信号特征匹配，对人体进行定位。

为实现上诉发明目的，本发明提供一种增强型室内无源被动人体定位方法，该方法实现包括以下两个阶段：

阶段A：离线训练；

阶段B：实时定位；

其中阶段A包括以下步骤：

步骤A1：从网卡中采集信号特征信息；

步骤A2：计算接收机敏感度因子大小，调整接收机位置；

步骤A3：计算位置信号指纹特征信息，构建位置信号指纹数据库。

阶段B包括以下步骤：

步骤B1：实时采集信号特征信息；

步骤B2：实时人体出现检测；

步骤B3：如果步骤B2检测有人体出现则对人体进行定位，否则继续执行步骤B2。

所述步骤A1中的信号特征信息是指子载波的振幅信息，其所述提取信号特征信息的步骤包括：

步骤A11：从网卡中采集信道状态信息；

步骤A12：提取各个子载波的振幅值集合作为该信号的信号特征；

所述步骤A2中的计算接收机敏感度因子，调整接收机位置的步骤为：

步骤A21：采集一定量静态环境状态下的信号特征信息，并将其保存于本地。

步骤A22：利用采集数据来计算接收机的敏感度因子。如果接收机敏感度较低则调整接收机位置，重复步骤A21，直到获取较高的接收机敏感度。

所述步骤A3中的计算位置信号指纹特征信息，构建位置信号指纹数据库的步骤为：

步骤A31：测试人员站于指定采样位置(包括无测试人员存在的情况)；

步骤A32：接收机采集一定量当前状态下的信号特征信息，计算信号特征模型参数，将其作为位置信号指纹特征存储于数据库中；

步骤A33：测试人员更换采样位置，重复步骤A32操作，直到采集完所有采样位置对应的信号指纹信息。

所述步骤B1中的实时采集信号特征信息步骤为：

步骤B11：实时从网卡中采集检测信号，提取信号特征信息，其过程同步骤A1；

所述步骤B2中的实时人体出现检测步骤为：

步骤B21：获取实时信息特征信息；

步骤B22：根据静态状态下的信号模型，计算无人出现的概率，如果其概率小于设定阈值则进行人体定位，否则继续步骤B21。

所述步骤B3中的实时定位的步骤为：

步骤B31：读取数据库位置指纹信息，计算检测信号特征对应各个采样位置的概率。

步骤B32：对比检测信号在各个位置处概率大小，最大概率值所对应的位置即为人体出现的位置。

可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。

图1是本发明第一实施例提供的增强型室内无源被动定位实现流程图，该方法详述如下：

在步骤101和步骤201中，采集信号特征信息是指从信道状态信息中提取频域上所有子载波的信道状态信息的振幅向量。

在无线传输过程中，无线通信可以被简单建模为：

$y\left(t\right)=h\left(t\right)\⊗x\left(t\right)+z\left(t\right)---\left(1\right)$

这里t是时间，y是接收信号，x是发送信号，h是信道相应或者信道状态信息，通常情况下其为一个复数，代表信号振幅与相位信息，z为高斯白噪音。在传统的室内环境中，一个传输信号可以通过多径进行传播，并导致不同的传播长度、路径损失、不同的时延、振幅衰减和相位偏移。而多径环境可以通过时间线性过滤器h(τ)特征化,即信道脉冲响应(ChannelImpulse Response，CIR)：

$h\left(\mathrm{\τ}\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left|a_i\right|\exp (-j{\mathrm{\θ}}_i)\mathrm{\δ}\left(\mathrm{\τ}{-\mathrm{\τ}}_i\right)---\left(2\right)$

其中，a_i、θ_i和τ_i分别代表第i个多径的振幅、相位和时延，i＝1,2,…,N，N表示多径数。

在频率域中，OFDM系统在OFDM子载波粒度上提供信道频率响应(Channel FrequencyResponse，CFR)：

H＝{H(1),H(2),...,H(N)}    (3)

其中N为子载波个数。每个子载波的CFR信息是一个复数值，每个子载波又被定义为：

H(f)＝|H(f)|exp(jsin(∠H(f)))    (4)

其中H(f)表示子载波的振幅响应，而∠H(f)表示子载波的相位响应。

对于给定的一个带宽，CIR可以通过快速傅里叶变换转换成CFR：

H＝FFT(h(τ))    (5)

尽管CIR与CFR在信道相应模型上是等价的。但是在人体检测与定位领域更加偏向使用CFR作为信号特征。目前已可以从商业Intel 5300无线网卡上利用更新后的固件提取具有30个子载波的CFR，并能以信道状态信息的形式提交到用户态进行程序处理。

每一个子载波的信道状态信息是以一个复数的形式来表示的，其包含了每个子载波的振幅与相位信息。通过计算每个子载波信道状态信息的振幅值，程序可以获取一个包含所有子载波振幅的向量，将其作为信号特征。

在步骤102中，当监测区域无人的情况下，系统采集n个数据包并从中随机选取m个数据包，提取每一个数据包中的信号特征获取静态条件下信号特征H_std：

$H_{\mathrm{std}}=[H_{\mathrm{std}}^1,H_{\mathrm{std}}^2,...,H_{\mathrm{std}}^m]---\left(6\right)$

为了刻画接收机对于人体移动的敏感度，我们引入了接收机敏感度因子变量。接收机敏感度因子可以在一定程度上反映出多径信号占接收机总信号比重大小。接收机敏感度因子的计算是利用静态信号特征。首先需要将每一个信号特征进行振幅归一化，将每个子载波的振幅归一化到中心频率上：

$H_{\mathrm{norm}}\left(f_k\right)\frac{f_k}{f_0}\·H\left(f_k\right)---\left(7\right)$

其中H(f_k)和H_norm(f_k)分别是第k个子载波原始振幅值和归一化后的振幅值。f₀是中心频率值，f_k是第k个子载波的频率值。

为了消除测量尺度影响，获得一个统一的数据量纲，本发明需计算归一化后的振幅向量的变异系数：

$v=\frac{\mathrm{std}\left(H_{\mathrm{norm}}\right)}{\mathrm{mean}\left(H_{\mathrm{norm}}\right)}---\left(8\right)$

其中std(H_norm)和mean(H_norm)分别是归一化CSI振幅H_norm的标准差与均值。因此利用静态标准信号特征可以计算得到变异系数集当敏感度较大时，CV值具有较大值和较宽的分布。当敏感度较小时，CV值则具有较小值和较窄的分布。为了刻画CV的分布与敏感度大小，本发明引入了接收机敏感度因子变量K_s：

$K_s=\frac{\frac{E{\{x-\mathrm{\μ}\}}^4}{{\mathrm{\σ}}^4}}{\mathrm{\μ}}---\left(9\right)$

其中，x，μ和σ分别代表ν的测量值、均值和标准差值。从实验中发现K_s值越小则接收机的敏感度越高。因此通过调整接收机的位置，来获取较小的K_s值可以帮助获取较高的定位精度。

在步骤103中，测试人员站在采样位置j处，系统采集n个数据包并从中随机选取m个数据包，提取每一个数据包中的信号特征获取该位置处的信号特征H_j：

$H_j=[H_j^1,H_j^2,...,H_j^m]---\left(10\right)$

在步骤104中，所述的信号模型是指每个子载波在环境状态稳定下其振幅值符合高斯分布，即振幅分布满足：

$f\left(x\right)=\frac{1}{2{\mathrm{\σ}}^2}{e}^{\frac{{(x-\mathrm{\μ})}^2}{{\mathrm{\σ}}^2}}---\left(11\right)$

其中，μ，σ分布代表第i个子载波的振幅均值与标准差。因此对于第i个子载波的指纹特征可以表示为rⁱ＝(μ,σ)。每个子载波的特征值可以从步骤103中H_j获取，即 假设使用子载波的数量为f，则对于每一组接收机和发射机天线来说，其信号指纹特征可以表示为：R^f＝{r¹,r²,...,r^f}。假设监测区域内部署a对接收机与发射机，则采用位置j的信号指纹特征可以表示为F_j＝{R₁,R₂,...R_a}。在获取该位置处的信号指纹特征后将其存储到数据库中。然后重复步骤103与104直到获取所有采样位置处的信号特征指纹。

在步骤202中，接收机从网卡中实时获取检测信号，并提取每个数据包中信号特征H_t。利用离线训练中获取的静态信号特征指纹信息来计算检测信号在无人情况下的先验概率值P＝P(H_t|H_std)。对于每一个子载波i来说，其满足先验概率Pⁱ＞β，其中β为设置的置信概率。当所有子载波的都满足此条件时，则认为环境中无人出现，否则判断有人出现。

在步骤203中，当步骤202判断有人体出现在监测区域内时，系统启动定位功能。对于已采集的检测信号特征H_t，系统计算其在每个位置处先验概率：

$P\left(L\right|H)=\frac{P\left(H\right|L)P\left(L\right)}{P\left(H\right)}---\left(12\right)$

假设每个位置是平等的，且检测信号独立与位置。则公式(12)可简化为：

$P\left(H\right|L)=\underset{a}{\mathrm{\Π}}\underset{f}{\mathrm{\Π}}\∫f\left(x\right)---\left(13\right)$

通过计算所有位置的先验概率后，可计算获取拥有最大先验概率的位置，即人体最可能所在的位置。为了增强定位评估的鲁棒性，可将公式(13)与时间窗口机制相结合，通过对窗口内检测结果的投票决策来给出最后的人体定位结果。

图2是本发明第二实施例提供的增强性室内无源被动人体定位的离线训练示意图。信号发射机(TX)采用目前应用最为普及的商用无线路由器(AP)，而信号接收机(RX)为商用电脑，该电脑上配置有Intel NIC 5300网卡，支持802.11n协议，安装Linux操作系统和Linux CSI Tool工具。Linux CSI Tool包含针对Intel NIC 5300网卡的一款驱动程序iwlwifi，它可以获取OFDM系统中30个子载波的信道响应信息，并能够以信道状态信息(CSI)形式提交给相应程序进行处理。信号发射机和信号接收机一般被固定在离地面高度1.2m的位置，这样能更准确的对人体的出现进行检测和定位。信号接收机以一定速率(例如设定为每秒钟20个数据包)向信号发射机发送ICMP请求报文，然后信号接收机利用Linux CSI Tool驱动从信号发射机的应答包中获取CSI信息，并实时收集CSI信息。系统部署期间，测试人员应首先对系统参数进行设置，包括ICMP包发送速率参数等相应信息。

当设备部署完成后，系统采集信道状态信息。安装人员开启标准信号特征采集功能，并确保监测区域内无人出现。接收机会以20Hz的频率向发射机发射ICMP报文，接收机通过网卡固件获取信道状态信息，该信道状态信息上传到用户态。检测系统数据接收模块接收机发送来的数据后，利用CSI Tool工具提取信号特征。系统会自动计算天线上信号特征中每个子载波的振幅，并将其存储在缓冲区中。采集过程大概需要5分钟左右。系统将会提取缓冲区内每个数据包的信号特征，计算每个数据包的信号特征变异系数，将其存入内存数组中。当提取所有的数据包的变异系数后，系统按照图1中步骤102的方法计算出检测系统在此场景下的敏感度因子。测试人员判断该位置下接收机是否具有高敏感度，如果接收机敏感度较低则调整接收机位置，重新测定敏感度因子，否则固定接收机位置。

当完成了接收机位置选定后，系统开启离线训练功能。当环境中无人体存在时，接收机以每秒20Hz的频率向接收机发送ICMP包，并从网卡中获取信道信息。当检测系统接收到信道信息后，利用CSI Tool工具提取数据包的信号特征，并将其存入到时间窗口缓冲区中。当缓冲区被填满后，系统读取缓冲区内所有的信号特征，求其接收机天线上每个子载波的振幅均值和标准差。然后将其存入到位置指纹特征数据库中。测试人员站立于采用位置处，重复无人情况下信号模型参数提取过程，直到采集完所有采用位置的信号特征指纹信息。

图3是本发明第三实施例提供的增强性室内无源被动人体定位的实时定位示意图。信号发射机(TX)采用目前应用最为普及的商用无线路由器(AP)，而信号接收机(RX)为商用电脑，该电脑上配置有Intel NIC 5300网卡，支持802.11n协议，安装Linux操作系统和Linux CSI Tool工具。Linux CSI Tool包含针对Intel NIC 5300网卡的一款驱动程序iwlwifi，它可以获取OFDM系统中30个子载波的信道响应信息，并能够以信道状态信息(CSI)形式提交给相应程序进行处理。信号发射机和信号接收机一般被固定在离地面高度1.2m的位置，这样能更准确的对人体的出现进行检测和定位。信号接收机以一定速率(例如设定为每秒钟20个数据包)向信号发射机发送ICMP请求报文，然后信号接收机利用Linux CSI Tool驱动从信号发射机的应答包中获取CSI信息，并实时将收集的CSI信息。系统部署期间，测试人员应首先对系统参数进行设置，包括ICMP包发送速率等相应信息。

当设定完系统参数后，系统开启实时定位功能。接收机以每秒20Hz的频率向接收机发送ICMP包，并从网卡中获取信道信息。当检测系统接收到信道信息后，利用CSI Tool工具提取数据包的信号特征，并将其存入到时间窗口缓冲区中。当缓冲区被填满后，系统读取缓冲区内所有的信号特征。计算每个子载波振幅在无人存在情况下的先验概率，如果所有子载波的先验概率值都大于置信概率则判断无人存在。当时间窗口内超过一半的数据包的检测结果是无人存在的情况下系统继续采集下一轮信号特征，否则开启人体定位功能。当检测模块判定有人体存在时，系统读取数据库中每个位置的指纹特征到内存，然后计算检测信号特征在每个位置处的先验概率值。然后对比所有位置处的先验概率值，找到最大先验概率对应的位置，最后时间窗口内最多数量对应的位置即为定位结果。

Claims (1)

1.一种增强型室内无源被动人体定位方法，其特征在于，包括如下步骤：

(1)离线训练：

(1.1)从网卡中采集信号特征信息；

(1.1.1)从网卡中获取物理层信号信道状态信息；

(1.1.2)提取数据包中每个子载波的振幅值，所有子载波振幅值集合作为信号特征信息；

(1.2)计算接收机敏感度因子大小，调整接收机位置；

(1.2.1)采集一定量静态环境状态下的信号特征信息；

(1.2.2)利用采集的数据来计算接收机的敏感度因子，如果接收机敏感度较低则调整接收机位置，重复步骤(1.2.1)，直到获取较高的接收机敏感度；

(1.3)计算位置信号指纹特征，构建位置信号指纹数据库；

(1.3.1)测试人员站于指定采样位置，包括无测试人员存在的情况；

(1.3.2)接收机采集一定量当前状态下的信号特征信息，计算信号特征模型参数，将其作为位置指纹信号特征存储于数据库中；

(1.3.3)测试人员更换采样位置，重复步骤(1.3.2)操作，直到采集完所有采样位置对应的信号指纹特征信息；

(2)实时定位：

(2.1)实时采集信号特征信息；

(2.1.1)从网卡中获取物理层信号信道状态信息；

(2.1.2)提取数据包中每个子载波的振幅值，所有子载波振幅值集合作为信号特征信息；

(2.2)实时人体出现检测；

(2.2.1)实时获取检测信号特征信息；

(2.2.2)根据静态状态下的信号模型，计算无人出现的概率，如果其概率小于设定阈值则进行人体定位，否则继续步骤(2.2.1)；

(2.3)如果步骤(2.2)检测有人体出现则对人体进行定位，否则继续执行步骤(2.1)；

(2.3.1)读取数据库位置信号指纹信息，计算检测信号特征对应各个采样位置的概率；

(2.3.2)对比检测信号在各个位置处概率大小，最大概率值所对应的位置即为人体出现的位置。