CN106685590A - 一种基于信道状态信息和knn的室内人体朝向识别方法 - Google Patents
一种基于信道状态信息和knn的室内人体朝向识别方法 Download PDFInfo
- Publication number
- CN106685590A CN106685590A CN201611120911.3A CN201611120911A CN106685590A CN 106685590 A CN106685590 A CN 106685590A CN 201611120911 A CN201611120911 A CN 201611120911A CN 106685590 A CN106685590 A CN 106685590A
- Authority
- CN
- China
- Prior art keywords
- data
- human body
- knn
- test
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0023—Systems modifying transmission characteristics according to link quality, e.g. power backoff characterised by the signalling
- H04L1/0026—Transmission of channel quality indication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/24765—Rule-based classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/10—Small scale networks; Flat hierarchical networks
- H04W84/12—WLAN [Wireless Local Area Networks]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种基于信道状态信息和KNN的室内人体朝向识别方法,该方法利用了简单可得的设备搭建数据采集平台,具体的朝向检测主要分为两个阶段:离线训练阶段和在线测试阶段。离线训练阶段采集人体在8个方向时的CSI数据并进行预处理,通过主成分分析(PCA,Principal Components Analysis)方法提取特征值,并建立朝向‑CSI数据的指纹映射关系;在线测试阶段,将测试数据变换到与训练数据相同的维度,并利用机器学习中的最近邻算法(KNN,K‑Nearest Neighbors)得到每个测试样本的分类结果。最终的估计朝向为所有测试样本中出现最多的分类。通过上述方式,本发明能够利用现有的简单设备,以较好的性能和较低的成本实现无源室内人体朝向的识别。本发明在智能家居、入侵检测、室内导航等领域具有一定的应用价值。
Description
技术领域
本发明涉及人体检测识别领域,尤其涉及一种基于信道状态信息和KNN的室内人体朝向识别方法。
背景技术
在基于位置的服务(LBS,Location Based Service)中,用户的朝向往往与其下一步动作或者其当前的关注点有关,因此检测识别用户的朝向具有非常重要的价值。一般的朝向检测都是由用户主动发起,借助于陀螺仪、指南针等传感器实现,最终得到的朝向是以地理方向为坐标系。而在室内环境中,更加重要的是相对于室内坐标的朝向。
目前的朝向识别用到了陀螺仪,指南针等传感器,这些设备一方面成本较高;另一方面,在某些场景下,如室内入侵检测,人体不一定会携带设备主动参与到朝向的检测中。这就需要一种无源的方法来识别人体的朝向。随着无线局域网(WLAN,Wireless LocalNetwork)的发展,无线设备已经广泛的分布于各种室内场合,如学校、医院、餐厅、超市等,如果能有效利用这些现有的设备实现朝向识别,将大大降低系统部署成本;同时随着无线局域网传输速率的不断提高,如未来的802.11ac将具有更高的工作频带,这为进一步精确的朝向识别提供了可能性。
接收信号强度指示(RSSI,Received Signal Strength Indicator)是WLAN中最容易得到的物理量,但由于室内普遍存在着多径效应(Multi-path Effect),RSSI存在不够稳定,精度不高的缺点。目前已经出现了一些利用物理层的更稳定、更高精度的物理量——信道状态信息(CSI,Channel State Information)来的一些研究。近几年,随着一些开源软件的发展,CSI的获取更加容易,对CSI的研究也越来越多。
发明内容
本发明要克服现有技术的上述缺点,提供一种基于WIFI的无源-无设备人体朝向检测方法,实现利用现有设备实现无源的室内人体朝向识别。
为实现上述的目标,本发明采用的一个技术方案:一种基于信道状态信息和KNN的室内人体朝向识别方法,具体包括以下步骤:
步骤1:搭建信道状态信息数据采集平台;
步骤2:将人体在自然站立状态下的朝向分成8个类别,每个朝向之间约有45°的夹角;
步骤3:离线训练阶段,具体包括以下子步骤:
步骤3-1:人体在每个朝向时保持一段时间的静止状态,采集包含信道状态信息的数据包。每个数据样本的格式为:{f1,f2,...,f30}T×R。其中f1~f30为子载波,T为发射天线数,R为接收天线数;
步骤3-2:取训练数据,取每个样本的每条天线对上的数据,将每个训练样本转换为格式:{f1,f2,...,f30,...,f60,...fT×R×30}。其中f1~fT×R×30为子载波,T为发射天线数,R为接收天线数;
步骤3-3:去除数据中的明显异常值;
步骤3-4:对训练数据进行主成分分析,得到特征矩阵mV及降维后的训练数据;
步骤3-5:对降维后的每组数据进行归一化,Xnew=(Xold-min)/(max-min),其中,Xnew表示归一化后的数据,Xold表示归一化前的数据,min表示该数据的一列特征中的最小值,max表示该数据的一列特征的最大值;
步骤3-6:将归一化后的数据及其对应的朝向作为一条指纹存入指纹库中;
步骤4:在线测试阶段,具体包括以下子步骤:
步骤4-1:采集人体在某个朝向时的测试数据包;
步骤4-2:按照步骤3-2,将测试数据转换为{f1,f2,...,f30,...,f60,...fT×R×30}。其中f1~fT×R×30为子载波,T为发射天线数,R为接收天线数;
步骤4-3:使用特征矩阵mV将测试数据变换到降维后的维度;
步骤4-3:按照3-5的步骤,对每组测试数据进行归一化。
步骤4-4:使用KNN算法,得到每组测试数据的分类结果{ori1,ori2,...,orin},其中n为测试样本的数量。
步骤4-5:选择分类结果中出现最多的朝向作为最终的估计方向。
本发明的有益效果是:
1.使用了简单易得的设备作为检测平台,利用了目前广泛分布的无线局域网系统,比较灵活,易于普及;
2.本发明不需要人体携带任何电子标签、有源设备等,降低了朝向识别的设备成本,在智能家居、安防等领域有较大的应用价值;
3.物理量采用了信道状态信息,具有精度高、稳定的优点;
4.KNN方法简单有效,训练时间较短,有利于在环境变化后的重新训练;
附图说明
图1是本发明的方法流程图。
图2是本发明的实验平台示意图;
图3是一种本发明方法实施例的环境;
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
请参阅图1~图3,本发明实施例包括:
1.如图2所示,我们的实验平台包括发送端Tx和接收端Rx两部分,Tx和Rx均为安装了Intel 5300网卡和信道状态信息提取软件的笔记本电脑;
2.实验室是一个典型的室内环境,我们将其作为实施例的环境,该环境下具有较丰富的多径效应。如图3所示;
3.每次采集,人体站在如图1的检测区域进行数据采集,收集包含信道状态信息的数据包,每个朝向的采集时间为10秒。采集完毕后,每个朝向都能得到一个.dat文件;
4.从每个朝向的.dat文件中提取出每对天线的信道状态信息数据;
5.对数据进行预处理和特征值提取,包括以下三个步骤:
5-1.取每对天线对上的数据得到一个训练样本:{f1,f2,...,f30,...,f60,...fT×R×30}。其中f1~fT×R×30为子载波,T为发射天线数,R为接收天线数;
5-2.使用拉依达方法去除异常值;
5-3.将数据进行PCA降维,得到特征矩阵和降维后的训练数据;
5-4.对数据归一化;
6.将处理后数据的每个样本和其对应的朝向作为指纹存入朝向数据库;
7.测试阶段,人体同样自然站立于图1中的检测区域,采集测试数据,每个位置采集时间5秒;
8.对测试数据进行预处理和特征值提取,包括以下两个步骤:
8-1.根据步骤5-3中得到的特征矩阵,将测试数据降维;
8-2.将降维后的测试数据进行归一化处理;
9.我们对每个朝向的每个测试样本进行KNN分类,同时根据发明内容中步骤4-4~步骤4-5的详细过程,估计得到最终的估计朝向。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (1)
1.一种基于信道状态信息和KNN的室内人体朝向识别方法,包括以下步骤:
步骤1:搭建信道状态信息数据采集平台;
步骤2:将人体在自然站立状态下的朝向分成8个类别,每个朝向之间约有45°的夹角;
步骤3:离线训练阶段,具体包括以下子步骤:
步骤3-1:人体在每个朝向时保持一段时间的静止状态,采集包含信道状态信息的数据包;每个数据样本的格式为:{f1,f2,...,f30}T×R。其中f1~f30为子载波,T为发射天线数,R为接收天线数;
步骤3-2:取训练数据,取每个样本的每条天线对上的数据,将每个训练样本转换为格式:{f1,f2,...,f30,...,f60,...fT×R×30};其中f1~fT×R×30为子载波,T为发射天线数,R为接收天线数;
步骤3-3:去除数据中的明显异常值;
步骤3-4:对训练数据进行主成分分析,得到特征矩阵mV及降维后的训练数据;
步骤3-5:对降维后的每组数据进行归一化,Xnew=(Xold-min)/(max-min),其中,Xnew表示归一化后的数据,Xold表示归一化前的数据,min表示该数据的一列特征中的最小值,max表示该数据的一列特征的最大值;
步骤3-6:将归一化后的数据及其对应的朝向作为一条指纹存入指纹库中;
步骤4:在线测试阶段,具体包括以下子步骤:
步骤4-1:采集人体在某个朝向时的测试数据包;
步骤4-2:按照步骤3-2,将测试数据转换为{f1,f2,...,f30,...,f60,...fT×R×30};其中f1~fT×R×30为子载波,T为发射天线数,R为接收天线数;
步骤4-3:使用特征矩阵mV将测试数据变换到降维后的维度;
步骤4-3:按照3-5的步骤,对每组测试数据进行归一化;
步骤4-4:使用KNN算法,得到每组测试数据的分类结果{ori1,ori2,...,orin},其中n为测试样本的数量;
步骤4-5:选择分类结果中出现最多的朝向作为该测试数据最终的估计方向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611120911.3A CN106685590B (zh) | 2016-12-08 | 2016-12-08 | 一种基于信道状态信息和knn的室内人体朝向识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611120911.3A CN106685590B (zh) | 2016-12-08 | 2016-12-08 | 一种基于信道状态信息和knn的室内人体朝向识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106685590A true CN106685590A (zh) | 2017-05-17 |
CN106685590B CN106685590B (zh) | 2019-10-29 |
Family
ID=58867805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611120911.3A Active CN106685590B (zh) | 2016-12-08 | 2016-12-08 | 一种基于信道状态信息和knn的室内人体朝向识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106685590B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108268894A (zh) * | 2018-01-10 | 2018-07-10 | 浙江工业大学 | 一种基于网络可视图的人体朝向检测方法 |
CN108924736A (zh) * | 2018-06-14 | 2018-11-30 | 西北师范大学 | 一种基于PCA-Kalman的无源室内人员状态检测方法 |
CN109063697A (zh) * | 2018-10-11 | 2018-12-21 | 浙江工业大学 | 一种基于信道状态信息的人体坐姿检测方法 |
CN109344901A (zh) * | 2018-10-11 | 2019-02-15 | 浙江工业大学 | 一种基于无线信道的驾驶员行车动作检测方法 |
CN109522794A (zh) * | 2018-10-11 | 2019-03-26 | 青岛理工大学 | 一种基于全景摄像头的室内人脸识别定位方法 |
CN110636466A (zh) * | 2019-09-06 | 2019-12-31 | 联泰集群(北京)科技有限责任公司 | 一种机器学习下基于信道状态信息的WiFi室内定位系统 |
CN110751115A (zh) * | 2019-10-24 | 2020-02-04 | 北京金茂绿建科技有限公司 | 一种无接触式人体行为识别方法和系统 |
CN111479231A (zh) * | 2020-04-17 | 2020-07-31 | 西安交通大学 | 一种用于毫米波大规模mimo系统的室内指纹定位方法 |
CN113225806A (zh) * | 2021-01-06 | 2021-08-06 | 浪潮云信息技术股份公司 | 基于csi的室内人体定位方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120116252A1 (en) * | 2010-10-13 | 2012-05-10 | The Regents Of The University Of Colorado, A Body Corporate | Systems and methods for detecting body orientation or posture |
CN102542240A (zh) * | 2010-12-23 | 2012-07-04 | 三星电子株式会社 | 用于估计人体朝向的设备和方法 |
CN105609020A (zh) * | 2016-03-22 | 2016-05-25 | 太仓秦风广告传媒有限公司 | 一种基于人体朝向控制运行的广告机 |
CN105678779A (zh) * | 2016-01-15 | 2016-06-15 | 上海交通大学 | 基于椭圆匹配的人体朝向角度实时检测方法 |
-
2016
- 2016-12-08 CN CN201611120911.3A patent/CN106685590B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120116252A1 (en) * | 2010-10-13 | 2012-05-10 | The Regents Of The University Of Colorado, A Body Corporate | Systems and methods for detecting body orientation or posture |
CN102542240A (zh) * | 2010-12-23 | 2012-07-04 | 三星电子株式会社 | 用于估计人体朝向的设备和方法 |
CN105678779A (zh) * | 2016-01-15 | 2016-06-15 | 上海交通大学 | 基于椭圆匹配的人体朝向角度实时检测方法 |
CN105609020A (zh) * | 2016-03-22 | 2016-05-25 | 太仓秦风广告传媒有限公司 | 一种基于人体朝向控制运行的广告机 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108268894A (zh) * | 2018-01-10 | 2018-07-10 | 浙江工业大学 | 一种基于网络可视图的人体朝向检测方法 |
CN108924736A (zh) * | 2018-06-14 | 2018-11-30 | 西北师范大学 | 一种基于PCA-Kalman的无源室内人员状态检测方法 |
CN108924736B (zh) * | 2018-06-14 | 2021-03-09 | 西北师范大学 | 一种基于PCA-Kalman的无源室内人员状态检测方法 |
CN109063697A (zh) * | 2018-10-11 | 2018-12-21 | 浙江工业大学 | 一种基于信道状态信息的人体坐姿检测方法 |
CN109344901A (zh) * | 2018-10-11 | 2019-02-15 | 浙江工业大学 | 一种基于无线信道的驾驶员行车动作检测方法 |
CN109522794A (zh) * | 2018-10-11 | 2019-03-26 | 青岛理工大学 | 一种基于全景摄像头的室内人脸识别定位方法 |
CN110636466A (zh) * | 2019-09-06 | 2019-12-31 | 联泰集群(北京)科技有限责任公司 | 一种机器学习下基于信道状态信息的WiFi室内定位系统 |
CN110751115A (zh) * | 2019-10-24 | 2020-02-04 | 北京金茂绿建科技有限公司 | 一种无接触式人体行为识别方法和系统 |
CN111479231A (zh) * | 2020-04-17 | 2020-07-31 | 西安交通大学 | 一种用于毫米波大规模mimo系统的室内指纹定位方法 |
CN113225806A (zh) * | 2021-01-06 | 2021-08-06 | 浪潮云信息技术股份公司 | 基于csi的室内人体定位方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106685590B (zh) | 2019-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106685590A (zh) | 一种基于信道状态信息和knn的室内人体朝向识别方法 | |
CN105828289B (zh) | 一种基于信道状态信息的无源室内定位方法 | |
Wu et al. | Passive indoor localization based on csi and naive bayes classification | |
CN105573498B (zh) | 一种基于Wi-Fi信号的手势识别方法 | |
CN110475221A (zh) | 一种基于信道状态信息的人员动作识别和位置估计方法 | |
CN110337066A (zh) | 基于信道状态信息室内人员活动识别方法、人机交互系统 | |
CN106792808A (zh) | 一种基于信道状态信息的室内环境下视距路径识别方法 | |
CN108171278B (zh) | 一种基于运动训练数据的运动模式识别方法和系统 | |
CN109587645A (zh) | 基于信道状态信息的室内环境下人员识别方法 | |
Zhang et al. | CSI-based human activity recognition with graph few-shot learning | |
Shi et al. | Human activity recognition using deep learning networks with enhanced channel state information | |
CN110072186B (zh) | 基于属性独立的加权朴素贝叶斯室内定位方法 | |
CN108717175A (zh) | 基于区域划分和稀疏支持向量回归的室内指纹定位方法 | |
CN110636466A (zh) | 一种机器学习下基于信道状态信息的WiFi室内定位系统 | |
CN105873212A (zh) | 基于信道状态信息的室内环境人员检测方法 | |
CN108769907B (zh) | 基于深度学习的融合WiFi和iBeacon的室内定位方法 | |
Zhang et al. | WiFiMap+: high-level indoor semantic inference with WiFi human activity and environment | |
CN108200644A (zh) | 一种基于网络可视图的无源室内定位方法 | |
Shang et al. | LSTM-CNN network for human activity recognition using WiFi CSI data | |
Shi et al. | Passive detection of situations from ambient fm-radio signals | |
Ding et al. | Improving WiFi-based human activity recognition with adaptive initial state via one-shot learning | |
CN105979485A (zh) | 基于信道状态信息的室内环境下人员检测方法 | |
CN106803769A (zh) | 一种基于wifi的无源‑无设备人体朝向检测方法 | |
CN107071902A (zh) | 一种基于混合滤波和幂指数映射wifi室内定位方法 | |
Shi et al. | Activity recognition from radio frequency data: Multi-stage recognition and features |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |