CN106792560A - 基于无线接收信号强度的目标识别方法 - Google Patents

Abstract

本发明公开了一种基于无线接收信号强度的目标识别方法，属于无线网络中的无线目标识别领域。本发明提出利用无线接收信号强度来实现目标识别，包围监测区域的无线测量节点在离线阶段通过测量每个目标在识别位置上随机改变朝向时的接收信号强度(RSS)来建立指纹数据库，并从中抽取特征向量用于训练多类目标分类函数，在线阶段首先测量t时刻某一目标在识别位置上的RSS，然后将在线数据作为特征向量代入所有训练好的分类函数中，得到特征向量所属的类，完成目标的识别。相比传统的目标识别方法，本发明基于无线接收信号强度的无源目标识别方法能够达到相当的识别精度，而且具有保护隐私和在严重遮挡环境也可以工作的优点。

Description

基于无线接收信号强度的目标识别方法

技术领域

本发明涉及一种无线目标识别方法，是一种基于无线接收信号强度的目标识别方法，属于无线网络中的无线目标识别领域。

背景技术

目标识别在我们的日常生活中有着很多的作用。比如智能家居中，不同用户可能对环境参数比如环境的布局，温度，湿度等有着不同的偏好，可以利用目标识别技术自动调整环境参数以满足不同用户的需求；在家居安全中，目标识别可用于入侵检测。

传统的目标识别方法大多数是基于生物学特征比如面部、虹膜，指纹，步态等。但是基于生物学特征的识别方法都有隐私泄露的风险。无线识别的方法不会有此担忧，而且无线信号具有较好的穿透性。目前，基于无线信号的识别方法得到了广泛关注，因为无线信号具有泛在性的特点，我们的生活环境中存在很多无线设备，比如无线电台、无线局域网接入点、蓝牙、无线传感器网络等等。但目前的研究主要集中在利用无线信号对同一目标进行手势，姿态以及行为的识别，没有考虑到多目标识别的问题。

发明内容

为了解决上述技术问题，本发明提出一种基于无线接收信号强度的目标识别方法。由于每个人的形态比如身高，腰围等都存在差异，导致不同目标对无线信号的影响是不一样的，因此不同目标位于监测区域时无线测量节点观测得到的接收信号强度(RSS)也不一样，因此本发明使用RSS作为目标识别的特征。同时由于目标位于监测区域内同一位置上不同朝向时对无线信号的影响也不相同，因此本发明考虑目标在同一位置上的朝向变化。另外由于在不同信号频率下链路RSS存在差异，本发明利用信道分集技术来提高基于无线RSS的目标识别的精度。本发明基于无线接收信号强度的目标识别方法分为两个阶段，即学习阶段和识别阶段。学习阶段通过记录不同目标位于某个位置时无线链路的RSS来建立指纹数据库。而识别阶段的目的是利用在线观测的无线链路RSS测量值通过分类算法进行目标识别。本发明所述的基于无线接收信号强度的目标识别方法，包括以下步骤：

步骤一：部署无线测量节点，构造监测区域：

将K个无线测量节点均匀地部署在监测区域周围且K≥2，这些测量节点具有相同的物理结构，每个测量节点都可以发送和接收无线信号并记录RSS，K个测量节点共构成L＝K×(K-1)/2条无线链路。另外还存在一个基站节点，负责接收其它测量节点采集的RSS数据，并将接收到的RSS数据传送到与其相连的本地计算机做后续处理。由于本发明采用信道分集技术，测量节点需要分别测量F个不同的频率下的RSS值；

步骤二：建立离线目标特征数据库：方法如下：

步骤2.1：记录目标在监测区域中位于识别位置上且不同朝向时的RSS；

假设我们在监测区域D内选择一个识别位置。每个目标在识别位置上站立一段时间并随机改变自己的朝向，与此同时节点分别测量链路在F个不同信道下的RSS，记第m个目标位于识别位置时并且朝向为o时，链路l在信道f上的RSS为

步骤2.2：根据步骤2.1记录的数据得到每个目标位于识别位置上且不同朝向时的RSS，并建立离线RSS指纹数据库：

假设目标集合定义为其中M为目标的个数。第m个目标位于识别位置并且朝向为o时，链路l在信道f上的RSS为将此时目标m在F个信道下分别测量的L×F个RSS排成一个列向量可以表示为

本发明中用的是未标记的观测量，也就是说训练样本中目标的实际朝向是未知的。假设总共测量了O个不同朝向下的RSS，那么目标m的指纹可以表示为

r[m]＝[r¹[m],r²[m],...,r^o[m],...,r^O[m]]；

其中r[m]为LF×O大小的矩阵，o＝1,2,...,O；

将所有M个目标得到的RSS指纹构成指纹数据库R，表示为

R＝[r[1],r[2],...,r[m],...,r(M)]；

其中R为LF×OM大小的矩阵。令x_[(m-1)×O+o]＝r^o[m]，则指纹数据库R可以简化为以下形式

R＝[x₁,x₂,....,x_OM]；

其中R中每一列x_i,i＝1,2,...,OM称为特征向量；

步骤三：在线观测目标，获得在线RSS观测量：方法如下：

t时刻当某一目标进入监测区域并静立于识别位置时，所有测量节点重新测量L条链路在所有F个信道下的RSS，得到t时刻的RSS观测量作为观测目标的特征向量，表示为x_t＝[r_1,1(t),r_2,1(t),...,r_L,1(t),r_1,2(t),r_2,2(t),...,r_L,F(t)]^T；

步骤四：用由步骤二得到的特征向量作为训练样本来训练分类算法，并对目标进行识别：方法如下：

步骤4.1：构造多目标分类的分类函数，利用步骤二得到的特征向量作为训练样本来训练分类函数：

每一个目标作为一个类，则共M个类。选择一种多类分类算法，并根据M个类构造分类函数。利用步骤二得到的相应类的特征向量作为训练样本来训练分类函数；

步骤4.2：根据步骤三得到的在线RSS观测量，对目标进行识别：

将在线测量的特征向量x_t代入训练好的分类函数，得到特征向量所属的类，完成目标的识别。

进一步地，

作为优选，在步骤4.1中，采用一对一扩展的多类支持向量机(multi-class SVM)分类算法：方法如下：

每一个目标作为一个类，将M个类任意两两组合，比如第i类和第j类，构造共M(M-1)/2个二元SVM分类函数y^ij(x)，i＝1,2,...,M；j＝1,2,...,M；i≠j；，每一个分类函数称为一个分类器；分别用属于第i和第j类的2×O个特征向量r[i]＝[x_(i-1)×O+1,....,x_i×O]和r[j]＝[x_(j-1)×O+1,....,x_j×O]作为训练样本来训练对应的分类函数y^ij(x)，i＝1,2,...,M；j＝1,2,...,M；i≠j；重复本步骤直到所有M(M-1)/2个分类函数完成训练；二元支持向量机分类函数的构造和训练方法详见"byTrevorHastie,RobertTibshirani,JeromeFriedman.The Elements of Statistical Learning[M].世界图书出版公司北京公司,2008."，P417-P421。

作为优选，在步骤4.2中，将在线测量的特征向量x_t分别代入训练好的M(M-1)/2个分类器，分类结果采用投票制，每个分类器的分类结果作为选票，最后得票最多的类被识别为特征向量所属的类。

作为优选，步骤一所述无线测量节点、基站节点均支持IEEE802.14.5协议。进一步地，步骤1所述无线测量节点、基站节点采用TICC2530节点，各节点工作在2.4GHz的ISM频段，并且每个节点都安装有全向天线，每个信道中心频率间隔为5MHz。

作为优选，在步骤2.1中，利用信道分集技术来提高目标识别精度；采用多信道测量协议，在该协议中，所有节点首先工作于某一个信道；当所有节点完成该信道的测量后，所有节点自动切换到下一个信道，继续下一个信道的测量直到所有信道的测量都完成。

作为优选，在步骤2.1中，节点测量的信道数目为4。

作为优选，所述目标是站立的人。

对比传统目标识别的方法，本发明有益效果在于，本发明提出的基于无线接收信号强度的目标识别方法，具有保护隐私以及在严重遮挡环境也可以工作的优点。无线方法的挑战在于目标的不同朝向对RSS有不同的影响，本发明中通过随机的测量用户不同朝向下的RSS来缓解这一问题，同时使用空间分集技术来提高识别精度。

附图说明

图1：基于无线接收信号强度的目标识别方法的结构框图；

图2：实验场景办公室环境下节点分布及测试点设置示意图；

图3：实验中目标的身体参数表格；

图4：办公室环境下的目标识别结果概率表格。

具体实施方式

下面将结合附图和实施例对本发明加以详细说明，同时也叙述了本发明技术方案解决的技术问题及有益效果。本发明提出了一种基于无线接收信号强度的目标识别方法，本方法的结构框图如图1所示，具体包括如下实施步骤：

步骤一：部署无线测量节点，构造监测区域：

将K个无线测量节点均匀地部署在监测区域周围且K≥2，这些测量节点具有相同的物理结构，每个测量节点都可以发送和接收无线信号并记录RSS，K个节点共构成L＝K×(K-1)/2条无线链路。另外还存在一个基站节点，负责接收其它测量节点采集的RSS数据，并将接收到的RSS数据传送到与其相连的本地计算机做后续处理。由于本发明采用信道分集技术，测量节点需要分别测量F个不同的频率下的RSS值；

本发明中采用多信道测量协议，在该协议中，所有节点首先工作于某一个信道。当所有节点完成该信道的测量后，所有节点自动切换到下一个信道，继续下一个信道的测量直到所有信道的测量都完成；

需要说明的是，在本发明的实验中使用的是基于CC2530芯片开发的ZigBee节点。CC2530芯片由TI公司推出，能够完全兼容IEEE802.15.4协议。节点安装有全向天线且发射功率设置为4.5dBm，工作于2.4GHz的ISM频段。IEEEE502.15.4在2.4GHz上划分了16个信道，每个信道中心频率间隔为5MHz，实验选取其中四个信道。实验中共使用13个节点，其中12个作为测量节点，1个作为基站节点，基站节点负责接收来自测量节点的RSS数据并将数据通过串口传送到本地PC上做后处理。本地PC上运行分类算法并最终给出当前的目标识别结果；

步骤二：建立离线目标特征数据库：方法如下：

步骤2.1：记录目标在监测区域中位于识别位置上且不同朝向时的RSS：

假设我们在监测区域D内选择一个识别位置。每个目标在识别位置上站立一段时间并随机改变自己的朝向，与此同时节点测量链路在4个不同信道下的RSS，记第m个目标位于识别位置时并且朝向为o时，链路l在信道f上的RSS为

步骤2.2：根据步骤2.1记录的数据得到每个目标在识别位置上且不同朝向时的RSS，并建立离线RSS指纹数据库：

假设目标集合定义为其中M为目标的个数。第m个目标位于识别位置并且朝向为o时，链路l在信道f上的RSS为将此时目标m在F个信道下分别测量的L×F个RSS排成一个列向量可以表示为

本发明中用的是未标记的观测量，也就是说训练样本中目标的实际朝向是未知的。假设总共测量了O个不同朝向下的RSS，那么目标m的指纹可以表示为

r[m]＝[r¹[m],r²[m],...,r^o[m],...,r^O[m]]；

其中r[m]为LF×O大小的矩阵，其中o＝1,2,...,O；

将所有M个目标得到的RSS指纹构成指纹数据库R，表示为

R＝[r[1],r[2],...,r[m],...,r(M)]；

其中R为LF×OM大小的矩阵。令x_[(m-1)×O+o]＝r^o[m]，则指纹数据库R可以简化为以下形式

R＝[x₁,x₂,....,x_OM]；

其中R中每一列x_i,i＝1,2,...,OM称为特征向量；

需要说明的是，本发明在一个典型的室内会议室环境下进行了无线目标识别的实验，除了四周墙壁之外，室内有很多物体包括桌子、椅子、柜子等物体，这些东西都可以反射无线信号，节点被固定在墙上，距地面高度约为1.2m。实验中监测区域节点分布如图2所示(图中测量节点1～12)，整个监测区域的面积为5.4m*3.9m。在实验中我们选择5个不同身高范围在1.60m-1.75m之间的成年人作为目标来测试识别精度，实验中5个目标的身体参数如图3的表格所示。目标分别在每个识别位置上随机改变自己的朝向，时间持续一分钟，测试数据作为指纹数据库用于训练分类函数。我们在监测区域内选择了5个识别位置，如图中的三角所示(记为P1～P5)，在每个识别位置上重复本发明的实验步骤，以验证本发明方法的目标识别效果；

步骤三：在线观测目标，获得在线RSS观测量：方法如下：

t时刻当某一目标进入监测区域并位于识别位置时，所有节点重新测量链路在所有F个信道下的RSS，得到t时刻的RSS观测量作为观测目标的特征向量，表示为x_t＝[r_1,1(t),r_2,1(t),...,r_L,1(t),r_1,2(t),r_2,2(t),...,r_L,F(t)]^T；

步骤四：用由步骤二得到的特征向量作为训练样本来训练分类算法，并对目标进行识别：方法如下：

步骤4.1：构造多目标分类的分类函数，并利用步骤二得到的特征向量作为训练样本来训练M(M-1)/2个分类函数：

本发明使用的分类算法是一对一扩展的多类支持向量机(multi-class SVM)方法。每一个目标作为一个类，将M个类任意两两组合，比如第i类和第j类，构造共M(M-1)/2个二元SVM分类函数y^ij(x),i＝1,2,...,M；j＝1,2,...,M；i≠j；，每一个分类函数称为一个分类器；用属于第i和第j类的2×O个特征向量r[i]＝[x_(i-1)×O+1,....,x_i×O]和r[j]＝[x_(j-1)×O+1,....,x_j×O]作为训练样本来训练对应的分类函数y^ij(x)，i＝1,2,...,M；j＝1,2,...,M；i≠j；

重复本步骤直到所有M(M-1)/2个分类函数完成训练；二元支持向量机分类函数的构造和训练方法详见"byTrevorHastie,RobertTibshirani,JeromeFriedman.TheElements of Statistical Learning[M].世界图书出版公司北京公司,2008."，P417-P421；

步骤4.2：根据步骤三得到的在线RSS观测量，对目标进行识别：

将在线测量的特征向量x_t分别代入训练好的M(M-1)/2个分类器，分类结果采用投票制，每个分类器的分类结果作为选票，最后得票最多的类被识别为特征向量所属的类。

实验结果表明基于无线接收信号强度的目标识别方法在实验中的识别准确度可以达到95％。基于无线接收信号强度的目标识别结果概率如图4的表格所示。相比传统的目标识别方法，本发明能够达到相当的识别精度，而且具有保护隐私和在严重遮挡环境也可以工作的优点。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换和替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (7)

1.基于无线接收信号强度的目标识别方法，其特征在于，包括如下步骤：

步骤一：部署无线测量节点，构造监测区域：

将K个无线测量节点均匀地部署在监测区域周围且K≥2，这些测量节点具有相同的物理结构，每个测量节点都可以发送和接收无线信号并记录RSS，K个测量节点共构成L＝K×(K-1)/2条无线链路。另外还存在一个基站节点，负责接收其它测量节点采集的RSS数据，并将接收到的RSS数据传送到与其相连的本地计算机做后续处理。由于本发明采用信道分集技术，测量节点需要分别测量F个不同的频率下的RSS值；

步骤二：建立离线目标特征数据库：方法如下：

步骤2.1：记录目标在监测区域中位于识别位置上且不同朝向时的RSS；

假设我们在监测区域D内选择一个识别位置。每个目标在识别位置上站立一段时间并随机改变自己的朝向，与此同时节点分别测量链路在F个不同信道下的RSS，记第m个目标位于识别位置时并且朝向为o时，链路l在信道f上的RSS为

步骤2.2：根据步骤2.1记录的数据得到每个目标位于识别位置上且不同朝向时的RSS，并建立离线RSS指纹数据库：

假设目标集合定义为其中M为目标的个数。第m个目标位于识别位置并且朝向为o时，链路l在信道f上的RSS为将此时目标m在F个信道下分别测量的L×F个RSS排成一个列向量可以表示为

$r^o\[m\]={\[r_{1,1}^o\[m\],r_{2,1}^o\[m\],\mathrm{...},r_{L,1}^o\[m\],r_{1,2}^o\[m\],r_{2,2}^o\[m\],\mathrm{....},r_{L,2}^o\[m\],\mathrm{....},r_{L,F}^o\[m\]\]}^T;$

本发明中用的是未标记的观测量，也就是说训练样本中目标的实际朝向是未知的。假设总共测量了O个不同朝向下的RSS，那么目标m的指纹可以表示为r[m]＝[r¹[m],r²[m],...,r^o[m],...,r^O[m]]；

其中r[m]为LF×O大小的矩阵，o＝1,2,...,O；

将所有M个目标得到的RSS指纹构成指纹数据库R，表示为

R＝[r[1],r[2],...,r[m],...,r(M)]；

其中R为LF×OM大小的矩阵。令x_[(m-1)×O+o]＝r^o[m]，则指纹数据库R可以简化为以下形式

R＝[x₁,x₂,....,x_OM]；

其中R中每一列x_i,i＝1,2,...,OM称为特征向量；

步骤三：在线观测目标，获得在线RSS观测量：方法如下：

t时刻当某一目标进入监测区域并静立于识别位置时，所有测量节点重新测量L条链路在所有F个信道下的RSS，得到t时刻的RSS观测量作为观测目标的特征向量，表示为x_t＝[r_1,1(t),r_2,1(t),...,r_L,1(t),r_1,2(t),r_2,2(t),...,r_L,F(t)]^T；

步骤四：用由步骤二得到的特征向量作为训练样本来训练分类算法，并对目标进行识别：方法如下：

步骤4.1：构造多目标分类的分类函数，利用步骤二得到的特征向量作为训练样本来训练分类函数：

每一个目标作为一个类，则共M个类。选择一种多类分类算法，并根据M个类构造分类函数。利用步骤二得到的相应类的特征向量作为训练样本来训练分类函数；

步骤4.2：根据步骤三得到的在线RSS观测量，对目标进行识别：

将在线测量的特征向量x_t代入训练好的分类函数，得到特征向量所属的类，完成目标的识别。

2.根据权利要求1所述基于无线接收信号强度的目标识别方法，其特征在于，在步骤4.1中，采用一对一扩展的多类支持向量机(multi-class SVM)分类算法：方法如下：

每一个目标作为一个类，将M个类任意两两组合，比如第i类和第j类，构造共M(M-1)/2个二元SVM分类函数y^ij(x)，i＝1,2,...,M；j＝1,2,...,M；i≠j；，每一个分类函数称为一个分类器；分别用属于第i和第j类的2×O个特征向量r[i]＝[x_(i-1)×O+1,....,x_i×O]和r[j]＝[x_(j-1)×O+1,....,x_j×O]作为训练样本来训练对应的分类函数y^ij(x)，i＝1,2,...,M；j＝1,2,...,M；i≠j；重复本步骤直到所有M(M-1)/2个分类函数完成训练；二元支持向量机分类函数的构造和训练方法详见"byTrevorHastie,RobertTibshirani,JeromeFriedman.TheElements of Statistical Learning[M].世界图书出版公司北京公司,2008."，P417-P421。

3.根据权利要求1所述基于无线接收信号强度的目标识别方法，其特征在于，在步骤4.2中，将在线测量的特征向量x_t分别代入训练好的M(M-1)/2个分类器，分类结果采用投票制，每个分类器的分类结果作为选票，最后得票最多的类被识别为特征向量所属的类。

4.根据权利要求1所述基于无线接收信号强度的目标识别方法，其特征在于，步骤一所述无线测量节点、基站节点工作在2.4GHz的ISM频段，每个节点都安装有全向天线。

5.根据权利要求1所述基于无线接收信号强度的目标识别方法，其特征在于，在步骤2.1中，利用信道分集技术来提高目标识别精度，信道数目为4。

6.根据权利要求1所述基于无线接收信号强度的目标识别方法，其特征在于，步骤1所述无线测量节点均支持IEEE802.15.4协议。

7.根据权利要求1所述基于无线接收信号强度的目标识别方法，其特征在于，所述目标是站立的人。