CN105979485A - 基于信道状态信息的室内环境下人员检测方法 - Google Patents

Abstract

本发明是一种基于CSI的适用于室内环境的全向人员检测方法。传统基于WiFi的室内人员检测方案主要采用RSSI信息，即接收信号指示强度。普通的商用AP和WiFi终端都能够方便地测量RSSI信息，然而其本身存在着粒度粗和时间稳定性差等缺陷。针对上述问题，本发明利用信道状态信息CSI代替RSSI，利用CSI信息时间稳定性好、对动态环境干扰抵抗力强、对链路周围人员存在敏感性强等优势，通过在室内环境下搭载基于Intel 5300系列网卡的功控机，采用指纹匹配的方法，实现了室内的全向被动式人员感知。通过使用本发明提出的方法可提高室内环境下人员检测的准确率，同时，可实现室内环境下的全向人员检测。

Description

基于信道状态信息的室内环境下人员检测方法

技术领域

本发明是一种适用于室内环境下的人员检测方法，属于物联网技术领域。

背景技术

随着计算机和通信技术的迅速发展，计算资源将遍布人们周围的环境，情景感知技术应运而生。情景感知获得传感器采集的环境信息以后，对信息进行智能处理并灵活地为用户提供服务。WiFi信号作为一种广泛部署的基础设施成为当前情景感知技术中的研究热点。然而WiFi信号带宽较窄，时间分辨率低，在信号处理设备上存在较大差距，因此亟需设计WiFi环境下的新型感知技术与方法，实现基于普通商用WiFi设备的室内环境的精确环境感知。

WiFi室内定位作为情景感知中的典型应用，传统基于WiFi的室内定位方法主要采用RSSI信息，即接收信号指示强度。普通的商用AP和WiFi终端都能够方便地测量RSSI信息，然而RSSI测量的是多径叠加之后的信号，不能细粒度地区分每一条路径信号传播信息，在复杂的室内环境下，由信号的多径传播所引起的小尺度阴影衰落将极大限制RSSI的测距精度及稳定性。因此，有必要对室内环境下的定位及感知技术展开深入研究，寻找更为细粒度的信号刻画因子，以获得更为准确的室内定位及感知性能。本发明的意义在于：设计了一种基于CSI的室内全向被动式人员感知方法，为基于普通商用WiFi设备实现室内环境下的精确情景感知提供了方案。

发明内容

技术问题：本发明的目的是提供一种室内环境下高精度的人员检测方法，以实现普通商用WiFi设备上的高精度的环境感知。本方案采用物理层信道状态信息(CSI)代替传统的接收信号指示强度信息(RSSI)，通过在室内环境下搭载基于Intel 5300系列网卡的功控机，采用指纹匹配的方法，利用灰色关联度分析法进行信号匹配，实现了室内的全向被动式人员感知。通过使用本发明提出的方法可解决RSSI粒度粗、时间稳定性差以及不能区分多径信号传播信息等缺陷，实现更为细粒度及准确的室内人员检测方案。

技术方案：本发明利用物理层信道状态信息(CSI)代替传统接收信号指示强度信息(RSSI)，利用CSI信息时间稳定性好、对动态环境干扰抵抗力强、对链路周围人员存在敏感性强等优势，通过在室内环境下搭载基于Intel 5300系列网卡的功控机，采用指纹匹配的方法，利用灰色关联度分析法进行信号匹配，实现了室内环境下全向被动式人员的感知检测。

本发明是一种适用于室内环境下的人员检测方案，针对传统基于RSSI的室内人员检测方案存在粒度粗、时间稳定性差以及不能区分多条路径信息等缺陷，该方案利用物理层信道状态信息(CSI)代替RSSI，利用CSI信息时间稳定性好、对动态环境干扰抵抗力强、对链路周围人员存在敏感性强等优势，通过在室内环境下搭载基于Intel 5300系列网卡的功控机，采用指纹匹配的方法，利用灰色关联度分析法进行信号匹配，实现了室内的全向被动式人员感知。

该基于CSI的适用于室内环境下的全向人员检测方案，包含在以下具体步骤中：

CSI信号特征提取及预处理：

步骤1)在室内环境进行CSI信号数据采集：验证平台包括安装Ubuntu系统、Intel5300无线网卡、virtual CSI以及CSI Tool工具的迷你功控机一台、TP-Link路由器、外接天线若干、液晶显示屏、笔记本电脑若干。方案中，TP-Link作为信号发射源AP，迷你功控机通过5300网卡接收无线信号，外接天线作为信号接收机MP，每一对AP、MP组成一条链路。利用virtual CSI以及CSI Tool工具采集传输信道状态信息并保存到笔记本中；

步骤2)利用傅里叶反变换将采集到的频域信号CFR转换成时域信号CIR；

步骤3)对CIR数据信息进行处理，减少多径传播及阴影衰落的影响；

步骤4)对处理后CIR数据信号进行傅里叶变换，还原成频域信号CFR；

步骤5)利用获得的CFR信号数据得到信道状态信息的幅度和相位信息；

信号指纹数据库建立：

步骤6)针对不同场景，采集CSI信号进行训练，分别选取四个方向(分别为上下左右四个方向，作为全向的简单抽象)的参考点进行人为干扰情况下信号特征的测量并加入到指纹匹配数据库中，加上没有人存在情况下的信号特征，完成指纹匹配数据库的建立；

全向人员检测：

步骤7)利用统计学中的灰色关联度分析方法进行信号特征的匹配，选择关联度最高的数据库信号特征作为当前测量场景的信号特征。

至此，实现室内环境下全向人员的检测与感知。

以上步骤中所涉及的一些关键操作定义如下：

信号预处理思想：

由于室内环境下信号的传播存在多径效应及阴影衰落的现象并且受环境的影响比较严重，所以在利用采集的CSI信号进行人员检测前需要对CSI信号进行预处理，以减轻多径效应及阴影衰落的影响。

本发明采用的信号预处理具体步骤如下:

步骤1)利用IFFT傅里叶变换将采集到的频域信号CFR转换成时域信号CIR；

步骤2)将CIR信号分成有限个波带，每个波带的长度为实验设备可利用的带宽，此时由于带宽限制的存在，时域情况下很难完整获得所有采集的信号；

步骤3)仅保留幅度最大到达信号所在的波带而滤除其他波带信号，即认为携带最大能量的信号及其周围的信号包含最多LOS路径信息；

步骤4)对处理过后的CIR数据信号进行FFT傅里叶变换，还原成频域信号CFR；

指纹匹配算法：

我们引入灰色关联度分析法作为实际人员检测过程中的指纹匹配算法。灰色关联度分析法是灰色系统分析方法中的一种，是一种因素比较分析法。其主要原理是通过对灰色系统内有限数据系列的分析找到跟目标值关联度最大的因素，进而分析各因素之间的关联程度。其主要的判别依据是数据系列曲线的相似程度，曲线的总体趋势越接近，则说明两者之间的关联度越高。因此灰色关联度分析为一个系统的变化态势提供了量化的度量标准，非常适合动态分析。

灰色关联分析基本步骤如下：

设目标序列为X₀＝(x₀(1),x₀(2),…,x₀(n))，比较序列为X_i＝(x_i(1),x_i(2),…,x_i(n))，i＝{1,2,3,…,m}，其中n为序列长度，m为比较序列个数。

对于ξ∈(0,1)，令则X₀与X_i的灰色关联度可表示为：具体操作步骤如下：

(1)数据预处理。当数据量纲不一致的时候需要对数据进行预处理，使得数据无量纲化。我们采用初值处理法：

$X_i^{\′}=\frac{X_i}{x_i\left(1\right)},i=0,1,2,\mathrm{...},m---\left(1\right)$

(2)求差序列。

Δ_i(k)＝|x′₀(k)-x′_i(k)| (2)

(3)求两级最大差和最小差。记最大差为M，最小差为m，则：

$M=\underset{i}{\max }\underset{k}{\max }{\mathrm{\Δ}}_i\left(k\right),m=\underset{i}{\min }\underset{k}{\min }{\mathrm{\Δ}}_i\left(k\right)---\left(3\right)$

(4)求关联系数。

${\mathrm{\γ}}_{0i}\left(k\right)=\frac{m+\mathrm{\ξ}M}{{\mathrm{\Δ}}_i\left(k\right)+\mathrm{\ξ}M},\mathrm{\ξ}\∈(0,1),k=1,2,\mathrm{...},n,i=1,2,\mathrm{...},m---\left(4\right)$

其中，ξ是分辨系数，其反映了灰色关联系数之间的显著性，为了简化计算，一般取0.5。

(5)计算关联度。

为了方便比较，对关联系数进行均值处理，使得关联系数反映的信息集中表现出来。则关联度可表示为：

$\mathrm{\γ}(X_0,X_i)=\frac{1}{n}\underset{k=1}{\overset{n}{\Σ}}{\mathrm{\γ}}_{0i}\left(k\right)---\left(5\right)$

(6)关联度排序。

关联度γ的值越接近1表示两个数据序列的关联度越高。将灰色关联度按大小排列显示各个比较序列跟目标序列的关联度。

有益效果：本发明设计了一种基于CSI的室内环境下的全向人员检测方案，对应方案有如下优点：

1.简便性

方案采用物理层信息CSI作为室内环境下人员检测评价因子，CSI能够从普通商用WiFi设备上提取出来，加上WiFi基础设施的广泛部署，这使得获得CSI信息变得简单可行。

2.适应性

方案采用CSI代替传统的RSSI，克服了RSSI粒度粗和时间稳定性差的缺陷，CSI能够获得更为细粒度的信息并且能够区分多条路径，能适用于更多的室内应用场景。

3.功能性

方案进一步考虑检测范围的方向性，利用指纹匹配方法实现全向人员存在性检测，相比较于传统的只能实现单向人员检测，功能更为强大。

4.可优化性

本方案仅仅考虑了CSI信号的幅度信息，通过考虑CSI信号的相位信息、角度信息等能够获得更为优越的人员检测性能，同时可以用于实现人员定位、手势识别等精确度更高的应用。

附图说明

图1是室内环境下无线信号多径传播示意图；

图2是基于CSI的室内全向人员检测方案流程图。

具体实施方式

本发明是一种适用于室内环境下的人员检测方案，针对传统基于RSSI的室内人员检测方案存在粒度粗、时间稳定性差以及不能区分多条路径信息等缺陷，该方案利用物理层信道状态信息(CSI)代替RSSI，利用CSI信息时间稳定性好、对动态环境干扰抵抗力强、对链路周围人员存在敏感性强等优势，通过在室内环境下搭载基于Intel 5300系列网卡的功控机，采用指纹匹配的方法，利用灰色关联度分析法进行信号匹配，实现了室内的全向被动式人员感知。

该基于CSI的适用于室内环境下的全向人员检测方案，包含在以下具体步骤中：

CSI信号特征提取及预处理：

步骤1)在室内环境下进行CSI信号数据采集：平台包括安装有Ubuntu系统、Intel5300无线网卡、virtual CSI以及CSI Tool工具的迷你功控机一台、TP-Link路由器、外接天线若干、液晶显示屏、笔记本电脑若干。在实验中，TP-Link作为信号发射源AP，迷你功控机通过5300网卡接收无线信号，外接天线作为信号接收机MP，每一对AP、MP组成一条链路。利用virtual CSI以及CSI Tool工具采集传输信道状态信息并保存到笔记本中；

步骤2)利用IFFT傅里叶变换将采集到的频域信号CFR转换成时域信号CIR；

步骤3)对CIR数据信息进行处理，减少多径传播及阴影衰落的影响；

步骤4)对处理过后的CIR数据信号进行FFT傅里叶变换，还原成频域信号CFR；

步骤5)利用获得的CFR信号数据得到信道状态信息的幅度和相位信息；

信号指纹数据库建立：

步骤6)针对不同场景，采集CSI信号进行训练，分别选取四个方向(分别为上下左右四个方向，作为全向的简单抽象)的参考点进行人为干扰情况下信号特征的测量并加入到指纹匹配数据库中，加上没有人存在情况下的信号特征，完成指纹匹配数据库的建立；

全向人员检测：

步骤7)利用统计学中的灰色关联度分析方法进行信号特征的匹配，选择关联度最高的数据库信号特征作为当前测量场景的信号特征。

至此，实现了室内环境下全向人员的感知与检测。

Claims (1)

1.一种基于信道状态信息的室内环境下人员检测方法，其特征在于该方法包含以下的具体步骤：

一.信道状态信息CSI信号特征提取及预处理：

步骤1)在室内环境进行CSI信号数据采集：平台包括安装有Ubuntu系统、Intel 5300无线网卡、virtual CSI以及CSI Tool工具的迷你功控机一台、TP-Link路由器、外接天线若干、液晶显示屏、笔记本电脑若干；在实验中，TP-Link作为信号发射源AP，迷你功控机通过5300网卡接收无线信号，外接天线作为信号接收机MP，每一对AP、MP组成一条链路；利用虚拟状态信息Virtual CSI以及信道状态信息工具CSI Tool采集传输信道状态信息并保存到笔记本中；

步骤2)利用IFFT傅里叶变换将采集到的频域信号CFR转换成时域信号CIR；

步骤3)对CIR数据信息进行处理，减少多径传播及阴影衰落的影响；

步骤4)对处理过后的CIR数据信号进行FFT傅里叶变换，还原成频域信号CFR；

步骤5)利用获得的CFR信号数据得到信道状态信息的幅度和相位信息；

二.信号指纹数据库建立：

步骤6)针对不同场景，采集CSI信号进行训练，分别选取上、下、左、右四个方向作为全向的简单抽象的参考点，进行人为干扰情况下信号特征的测量并加入到指纹匹配数据库中，加上没有人存在情况下的信号特征，完成指纹匹配数据库的建立；

三.全向人员检测：

步骤7)利用灰色关联度分析方法进行信号特征的匹配，根据公式计算关联度，选择关联度最大值所对应的数据库信号特征作为当前测量场景的信号特征，其中X₀、X_i分别代表目标序列和比较序列，n代表序列长度，γ_0i(k)为关联系数；

至此，实现了室内环境下全向人员的感知和检测。