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 PDF

Info

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
Application number
CN201611120911.3A
Other languages
English (en)
Other versions
CN106685590B (zh
Inventor
吴哲夫
徐强
李嘉南
翔云
傅晨波
宣琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201611120911.3A priority Critical patent/CN106685590B/zh
Publication of CN106685590A publication Critical patent/CN106685590A/zh
Application granted granted Critical
Publication of CN106685590B publication Critical patent/CN106685590B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

一种基于信道状态信息和KNN的室内人体朝向识别方法
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。
CN201611120911.3A 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 Active CN106685590B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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