CN105158727A - 一种增强型室内无源被动人体定位方法 - Google Patents

Abstract

本发明属于无线感知领域，具体涉及一种室内细粒度实时被动人体移动检测的增强型室内无源被动人体定位方法。本发明包括：数据采集：数据处理：利用线性变换方法，将随机相位转换为可用相位；特征值提取：人体移动检测。本发明提出一个室内细粒度实时被动人体移动检测方法，该方法可利用信道状态信息中的相位信息来实现人体移动检测。本方法中采用了消除随机噪音的相位信息，可以获得更加精确的检测性能。本发明研发了两种新的检测方法，这两种方法其检测阈值与具体环境无关，避免了因环境自身改变而需重新勘测的开销。这两种方法计算量较小，实时性较高。

Description

一种增强型室内无源被动人体定位方法

技术领域

本发明属于无线感知领域，具体涉及一种室内细粒度实时被动人体移动检测的增强型室内无源被动人体定位方法。

背景技术

设备无源被动检测是一项新兴方法，其可以对不携带相关电子产品的用户行为进行检测。该方法在许多领域拥有这巨大的应用潜力，如安全防护、入侵检测、智能看护等等。设备无源被动检测可以通过许多方法来实现，包括红外线、视频、无线电等。然而，基于红外线的被动人体检测需要严格地依赖视距路径，因而并不适用于狭小而复杂的室内环境；基于视频的被动人体检测性能受光线影响较严重，且视频检测很容易暴露个人隐私。相比之下，无线电方法不仅可以穿越墙壁，而且能够实现全向范围被动人体移动检测，无隐私泄露隐患。同时，随着WLAN方法的快速发展，基于无线信号的设备无源被动人体移动检测将具有更大的普适性。

早期的室内被动人体检测主要采用易于获取的信号强度(RSS)作为信号特征。RSS是来自MAC层的信号特征，其反映了信号整体能量强度。基于RSS的被动人体移动检测主要利用人体遮挡效应。由于人体包含大量水分，当人体遮挡通信链路时，信号经过人体时发生巨大衰减，RSS值发生巨大变化。然而，在室内环境下，无线信号遭受增益性或者相消性衰减，其导致RSS值不稳定。因而基于RSS的被动人体检测性能较弱，尤其是当人体位于第一菲尼尔区外时。

近些年来，随着WLAN和OFDM方法的快速发展，基于信道状态信息(channelstateinformation，CSI)的无源被动无线人体移动检测被给予了极大的关注。相比于RSS，CSI是一种细粒度的无线信号特征信息，其包含了信号的振幅与相位信息。过去研发的系统主要是采用振幅信息，通过现场勘测或者聚类方法来实现被动人体移动检测。但是基于现场勘测方法的被动人体移动检测性能受环境特征影响较大，当环境发生变化时，勘测数据便失效，则需要重新勘测。而聚类算法需要大量的数据包，降低了人体移动检测的实时性。因此，本发明提出利用消除随机误差的相位信息来实现轻量级、实时被动人体移动检测的方法。该方法在在消除相位随机噪音的基础上获取可用相位信息。然后分别计算各个子载波相位信息在滑动时间窗口内的变异系数，将其作为特征值。为了消除环境自身变化对于检测阈值的影响，本发明提出了特征值短期平均变化率和长期平均变化率两种检测方法，通过融合两种方法的结果能够准确判断人体移动事件。

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获取信号相位信息，通过对滑动窗口内子载波相位值离散度的评估来实现对人体移动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)数据采集：

步骤A1：在内核态中，从网卡中获取信道状态信息；

步骤A2：用户态读取物理层信道状态信息，获取频域相应信息，计算每个子载波相位；

(2)数据处理：利用线性变换方法，将随机相位转换为可用相位；

(3)特征值提取：

步骤C1：计算滑动时间窗口中子载波相位的均值与方差；

步骤C2：利用子载波相位的均值与方差计算其变异系数，将其作为检测特征值；

(4)人体移动检测：

步骤D1：计算当前滑动时间窗口的相位变异系数与前一刻窗口的相位变异系数的短期平均变化率；

步骤D2：计算当前滑动时间窗口的相位变异系数与稳定状态下长时间窗口的相位变异系数的长期平均变化率；

步骤D3：判断SVR与LVR是否在置信区间内，如果两个变量值超越了置信区间则意味有人体出现在监控区域内，否则继续检测。

本发明的有益效果在于：

本发明提出一个室内细粒度实时被动人体移动检测方法，该方法可利用信道状态信息中的相位信息来实现人体移动检测。本方法中采用了消除随机噪音的相位信息，可以获得更加精确的检测性能。本发明的检测方法，其检测阈值与具体环境无关，避免了因环境自身改变而需重新勘测的开销。这种方法计算量较小，实时性较高。

附图说明

图1是本发明第一实施例提供的室内细粒度实时被动人体移动检测的总体流程图。

图2是本发明第二实施例提供的室内细粒度实时被动人体移动检测的具体示意图。

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。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。

本发明公开了一种室内细粒度实时被动人体移动检测方法。所述方法过程包括：数据采集，即从商业无线网卡中采集信号信道状态信息，获取信道频域响应信息；数据处理，即从频域响应信息中提取相位信息，利用线性变换方法获得可用的相位信息；特征值提取，即计算滑动时间窗口内每个子载波相位的变异系数；人体移动检测，即基于相位变异系数，计算特征值短期平均变化率和长期平均变化率等，当平均变化率均超出置信区间时则意味有人体出现在监控区域内，否则继续监测。

为实现上诉发明目的，本发明提供一种室内细粒度实时被动人体检测方法，该方法实现包括以下阶段：

A1数据采集；

A2数据处理；

A3特征值提取；

A4人体移动检测。

所述步骤A1中，其所述数据采集的步骤包括：

步骤A11：在内核态中，从网卡中获取信道状态信息；

步骤A12：用户态读取物理层信道状态信息，获取频域相应信息，计算子载波相位。

所述步骤A2中，其所述数据处理的步骤为：

步骤A21：利用线性变换方法，将随机相位转换为可用相位；

所述步骤A3中，其所述特征提取的步骤为：

步骤A31：计算滑动时间窗口中子载波相位的均值与方差；

步骤A32：利用子载波相位的均值与方差计算其变异系数，将其作为检测特征值。

所述步骤A4中，其所述的移动检测步骤为：

步骤A41：计算当前滑动时间窗口的相位变异系数与前一刻窗口的相位变异系数的短期平均变化率，Short-termaveragedVarianceRatio(SVR)；

步骤A42：计算当前滑动时间窗口的相位变异系数与稳态状态下长时间窗口的相位变异系数的长期平均变化率，Long-termaveragedVarianceRatio(LVR)；

步骤A43：判断SVR与LVR是否在置信区间内，如果两个变量值超越了置信区间则意味有人体出现在监控区域内，否则继续检测。

图1是本发明第一实施例提供的室内细粒度被动人体移动检测的总体流程图，该方法详述如下：

在步骤101，数据采集是指从商业无线网卡中获取信道状态信息，提取信道频率响应信息中的相位信息。

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(ChannelImpulseResponse，CIR)：

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

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(ChannelFrequencyResponse，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Intel5300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。

在步骤102中，数据处理是指将随机、不可用的相位信息通过线性变换转化为可用的相位信息。

由于不可能精确测量和修正发射机与接收机的同步误差，其处理过的信号中包含的残余同步误差在CFR测量过程中被CFR携带，从而可以在均衡中进一步消除信号中的残余同步误差。因此，在实际应用中测量的CFR受到残余同步误差的影响，相位发生了很大的变化，不再反映真实的信道状态。在OFDM系统中，第k个子载波上的CFR的测量相位通常被表达为：

${\widehat{\mathrm{\φ}}}_k={\mathrm{\φ}}_k+2\mathrm{\π}\frac{k}{N}{\mathrm{\α}}_{\mathrm{\ϵ}}+\mathrm{\β}+n---\left(6\right)$

其中，φ_k是第k个子载波上的CFR的真实相位，N是FFT解调部分的采样数，α_ε是时钟同步误差，β是常数相位误差，n是随机相位误差。

由于测量相位误差是关于子载波号k的线性函数，因此为了消除α_ε和β，可以采用线性变换方法。假设n个子载波编号按照递增顺序为那么可以从CFR测量相位中减去估计线性误差ak_i+b后得到处理后的相位

${\widetilde{\mathrm{\φ}}}_{k_i}={\widehat{\mathrm{\φ}}}_{k_i}-(a{k}_i+b)---\left(7\right)$

其中，将处理后的相位公式展开后可以得到：

${\widetilde{\mathrm{\φ}}}_{k_i}={\mathrm{\φ}}_{k_i}=\frac{k_i}{k_n-k_1}({\mathrm{\φ}}_{k_n}-{\mathrm{\φ}}_{k_1})-\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\φ}}_{k_j}-\frac{2\mathrm{\π}{\mathrm{\α}}_{\mathrm{\ϵ}}}{\mathrm{nN}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{k}_j---\left(8\right)$

为了进一步消除误差项α_ε，可以将子载波编号设定为正负对称，即那么最后处理得到的相位形式为：

${\widetilde{\mathrm{\φ}}}_{k_i}={\mathrm{\φ}}_{k_i}-\frac{k_i}{k_n-k_1}({\mathrm{\φ}}_{k_n}-{\mathrm{\φ}}_{k_1})-\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\φ}}_{k_j}---\left(9\right)$

那么，经过处理后的相位将不再包含误差项α_ε，β，而仅仅是CSI真实相位的线性组合。因而可以获得可用的相位信息。

在步骤103中，特征值提取是指计算每个子载波相位在滑动时间窗口内的变异系数。

当人体在监测区域内不断移动时，信号相位也是连续变化。为了实时观测相位在时间上的变化情况，本发明引入滑动时间窗口机制。当环境中无人移动时，滑动窗口内子载波相位值是稳定状态，而当环境中有人移动时，窗口内子载波的相位值是波动状态。为了衡量窗口内子载波相位值的离散度，本发明引入相位变异系数作为特征值。窗口内第k个子载波的相位的变异系数为：

${\mathrm{\δ}}^k=\frac{{\mathrm{\σ}}_{{\mathrm{\Δ}}_T}^k}{{\mathrm{\μ}}_{{\mathrm{\Δ}}_T}^k}$

其中，Δ_T代表滑动时间窗口，分别代表第k个子载波相位在滑动窗口内的标准差与均值。

在步骤104中，移动检测是指通过计算不同窗口之间的变异系数的短期平均变化率和长期平均变化率来判断是否有人体移动。

基于现场勘测方法的检测性能容易受到环境自身变化影响，并不适用于复杂、多变的室内场景。因此为了消除环境自身变化对检测阈值的影响，本发明提出特征值平均变化率的概念，其中包括短期平均变化率和长期平均变化率。

短期平均变化率(short-termaveragedvarianceratio,SVR)为：

$\mathrm{SVR}=\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\frac{{\mathrm{\δ}}_{\mathrm{\ΔT}}^i}{{\mathrm{\δ}}_{{\mathrm{\Δ}}_{T^{\′}}}^i}$

其中m代表子载波个数，分布代表第i个子载波在滑动时间窗口Δ_T，Δ_T'内的相位变异系数值。

当环境中无人移动时，SVR值应该等于1。由于受反射和散射影响，静态环境下的SVR值应该位于均值为1的置信区间内，即(1-Z_α/2×σ)＜SVR＜(1+Z_α/2×σ)。其中σ是SVR在静态环境下的经验标准差，置信区间的置信水平为(1-α)，Z_α/2值则可以通过查Z-core表获取。当SVR值在置信区间外时，意味着有人出现在监控区域内。

但是由于SVR是短期效应，只能反映相邻窗口内相位变异系数的差异性，当人体在监测区域内持续移动时，SVR的值也有时会落到置信区间内。因此单单依赖SVR无法持续监测是否人体在监控区域内移动。本发明因此引入了长期平均变化率(long-termaveragedvarianceratio,LVR)：

$\mathrm{LVR}=\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\frac{{\mathrm{\δ}}_{{\mathrm{\Δ}}_T}^i}{{\mathrm{\δ}}_{{\mathrm{\Δ}}_{\mathrm{LT}}}^i}$

其中m代表子载波个数，分布代表第i个子载波在滑动时间窗口Δ_T，Δ_LT内的相位变异系数值。Δ_LT是一个长时间的窗口。

同上，当环境中无人移动时，LVR值应该等于1。由于受反射和散射影响，静态环境下的LVR值应该位于均值为1的置信区间内，即(1-Z_α/2×λ)＜LVR＜(1+Z_α/2×λ)。其中λ是SVR在静态环境下的经验标准差，置信区间的置信水平为(1-α)。LVR能更好帮助判断当前窗口内相位状态同稳定状态下的相位状态之前的区别。同时，本发明提及的稳定状态也需要借助SVR来进行判断。当持续M个无人状态下的SVR值时，便可用来计算稳定状态下长时间窗口内子载波相位的变异系数

人体移动检测是通过结合SVR和LVR来进行判定。SVR可以用来判定是否有人体进入监控区域。当有人体进入监控区域时，SVR会发生巨大变化。SVR值将超出置信区间范围，然后可以利用LVR值来判定是否人体在监控区域内持续移动，如果每个时间窗口下的LVR值超出了置信区间范围则意味当前时刻人体在监控区域内移动。

图2是本发明第二实施例提供的室内细粒度实时被动人体移动检测的具体示意图。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IntelNIC5300网卡，支持802.11n协议，安装Linux操作系统和LinuxCSITool工具。LinuxCSITool包含针对IntelNIC5300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LinuxCSITool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。安装人员开启信号采集功能，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CSITool工具提取信号频域相应信息。系统会提取天线上信号特征中每个子载波的相位信息，然后按照步骤102对随机相位进行线性变换，获得可用相位信息，然后并将其存储在缓冲区中。每个缓冲区大小设定为30*30浮点数的容量。当缓冲区容量满时，系统将会提取缓冲区内每个子载波的相位信息，计算每个子载波的变异系数，将其存入内存数组中。当提取所有的子载波的变异系数后，系统按照图1中步骤104的方法计算出检测系统在此场景下的SVR值和LVR值。然后根据人体移动检测标准判断是否有人体在监测区域内移动。值得注意的是，为了能够计算LVR值，系统启动时并不能马上进入检测状态，需要采集M次连续稳定状态下的数据(即连续M次SVR值为正常状态情况)。同时，为了适应环境变化，系统需要另外存储正常状态下的窗口内相位变异系数值。当学习到新的长时间窗口下的相位变异系数不同于过去的长时间窗口下的相位变异系数时则对长时间窗口相位变异系数进行更新。

Claims (1)

1.一种室内细粒度实时被动人体移动检测方法，其特征在于，包括以下步骤：

(1)数据采集：

步骤A1：在内核态中，从网卡中获取信道状态信息；

步骤A2：用户态读取物理层信道状态信息，获取频域相应信息，计算每个子载波相位；

(2)数据处理：利用线性变换方法，将随机相位转换为可用相位；

(3)特征值提取：

步骤C1：计算滑动时间窗口中子载波相位的均值与方差；

步骤C2：利用子载波相位的均值与方差计算其变异系数，将其作为检测特征值；

(4)人体移动检测：

步骤D1：计算当前滑动时间窗口的相位变异系数与前一刻窗口的相位变异系数的短期平均变化率；

步骤D2：计算当前滑动时间窗口的相位变异系数与稳定状态下长时间窗口的相位变异系数的长期平均变化率；

步骤D3：判断SVR与LVR是否在置信区间内，如果两个变量值超越了置信区间则意味有人体出现在监控区域内，否则继续检测。