CN106802404A - 一种人体室内定位自动检测方法及系统 - Google Patents

Abstract

本发明提供一种人体室内定位自动检测方法及系统，属于定位技术领域。本发明方法包括如下步骤：S1：无线接收端接收无线信号发射器发射的无线信号，并将无线信号信息上传至服务器；S2：服务器接收到无线接收端的无线信号信息，并评估信道状态信息；S3：服务器根据信道状态信息的变化检测人体的定位信息；S4：服务器将计算的定位结果返回无线接收端。还包括参数校正步骤A：利用人体自带的传感器对步骤S3中检测的算法中用到的参数进行校正。本发明能够在室内对人体进行精准的定位，并利用系统的自学习功能处理误报情况，进一步降低误报率；可以在遍布无线网络的任何环境中使用，同时被检测者不需要携带任何额外传感设备，非常便利。

Description

一种人体室内定位自动检测方法及系统

技术领域

本发明涉及定位技术，尤其涉及一种人体室内定位自动检测方法，还涉及一种实现所述方法的系统。

背景技术

近几年来，室内位置信息在人们的日常生活中扮演着越来越重要的作用，定位服务市场发展迅速，定位服务需求量迅速增长。精确的定位对于公共安全、商业应用以及军事应用都具有非常重要的意义。然而室内环境非常复杂,信号传播会受到墙壁、隔板、天花板等障碍物的阻挡,引起信号发生反射、折射、衍射现象,发射信号经过多条路径、以不同的时间到达接收端,出现多径传播现象和非视距效应,使得室内定位极具挑战性。因此，我们急切需要找到一种能够方便并有效的人体定位的方法。为了位置的准确检测，人们提出了利用视觉、可见光或者声音来进行检测的方法。然而采用这些方法搭建的检测系统本身都存在着种种不足。在利用视觉的定位检测系统，需要在被检测者所处的检测环境中安装有高分辨率的摄像头来拍摄大量影像，进而通过所拍摄的影像来追踪定位。然而，安装摄像头在某种程度下会侵犯到被检测者的个人隐私。与此同时，由于光线因素的影响，利用视觉的定位检测系统不能在黑暗条件下有效的工作。这些系统都存在着受环境因素影响大的缺点，并且这些系统所存在的局限性都为准确并方便的进行对人体定位的检测造成了障碍。而利用可见光进行定位的系统中，特定的设备仪器需要事先被安装在被检测者所处的环境中。传送光线不能够被阻挡，否则基本不具备通信穿透能力。而波长也不能太短，否则会导致受散射、反射、多径的影响很大，从而使定位精确度很低。而利用声音进行定位的系统中，被检测者周围的其他声音或其他环境因素很容易干扰环境设备的工作，从而造成较低的准确度。这些系统都存在着受环境因素影响大的缺点，并且这些系统所存在的局限性都为准确人体室内定位检测造成了障碍。

随着无线通信技术的发展，越来越多的无线设备被人们应用到生活当中。因此，利用无线通信技术来定位人体位置被认作是一种有效可行的方法。现有的无线通信技术提出了多种人体室内定位的方法。比如通过蓝牙技术实现室内定位，该方法具较高准确率，但使用该方法，被检测者需要携带额外标签，仍会造成不便。而利用UWB(Ultra Wideband，无载波通信技术)脉冲无线电技术实现室内定位，虽然平均发射功率很低，可以与其他无线通信系统“安静的共存”，有低能耗、低成本、保密性好、抗多径干扰等优点，但同时，脉冲UWB系统频谱利用率较低，不适合高数据率传输。还有一个重要的原因就是UWB定位 需要被定位人和物额外佩戴标签(相对于手机等终端是天然的标签而言)，这些方法都会给被检测者的生活造成一定程度的不便。

发明内容

为解决现有技术中的问题，本发明提供一种人体室内定位自动检测方法，还提供一种实现所述人体室内定位自动检测方法的系统。

本发明人体室内定位自动检测方法包括如下步骤：

S1：无线接收端接收无线信号发射器发射的无线信号，并将无线信号信息上传至服务器；S2：服务器接收到无线接收端的无线信号信息，并评估信道状态信息；S3：服务器根据信道状态信息的变化检测人体的定位信息；S4：服务器将计算的定位结果返回无线接收端。

本发明作进一步改进，还包括参数校正步骤A：利用人体自带的传感器对步骤S3中检测的算法中用到的参数进行校正。

本发明作进一步改进，所述传感器包括手机自带的传感器，手机自带的传感器包括重力传感器、加速度传感器、陀螺仪。

本发明作进一步改进，所述参数校正方法包括：

A1：设置人体运动的开始与结束，利用传感器记录运动特征，并记录此时间段；

A2：传感器计算此时间段内人体运动的步数；

A3：通过时间段和步数计算人体运动速度，并对检测算法的参数进行校正。

本发明作进一步改进，在步骤S2中，评估信道状态信息包括如下步骤：

S21：采集信道状态数据，所述信道状态数据包括N个空间流中的M个子载波的CSI值，其中，N和M均为大于1的自然数；

S22：对每一空间流，求取在同一时间点上的P个连续子载波的CSI值的平均值，将此平均值作为信道状态信息，P为大于1小于M的自然数；

S23：对信道状态信息进行平滑处理。

本发明作进一步改进，步骤S3的处理方法包括如下步骤：

S31：基于统计学习理论，预先建立以设定空间内由信道状态信息CSI与距离作为训练样本的室内传播模型；

S32：接收网络层中的无线信号发射器坐标和来自物理层的信道状态信息CSI；

S33：应用三边定位法和室内传播模型完成人体的定位。

本发明作进一步改进，步骤S3的处理方法还包括步骤S34：通过指纹卡算法自适应修改步骤S33中定位算法中的参数。

本发明作进一步改进，步骤S3的处理方法还包括步骤S35：建立数据库，将定位的位 置样本映射到无线电地图。

本发明作进一步改进，步骤S35中，采用统计机器学习创建用于信道响应模式的判定区域，并将接收的无线信号互相关用于位置识别，所述统计机器学习识别位置的方法包括如下步骤：

B1：计算采样点的接收无线信号的信道响应信息的互相关；

B2：统计每个网格点处的信道响应的整体统计信息的接收无线信号的互相关；

B3：计算天线之间的互相关系数；

B4：根据多维高斯分布和最大似然估计法计算马氏距离，并与室内传播模型中无线电地图中的无线电信号之间的最佳匹配来确定人体位置。

本发明还提供一种实现所述方法的系统，包括无线信号发射器：用于发射无线信号；无线接收端：用于接收无线信号发射器发射的无线信号，并将无线信号信息上传至服务器，获取服务器返回的定位结果；服务器：用于接收无线接收端的无线信号信息，并评估信道状态信息，根据信道状态信息的变化检测人体的定位信息，然后把将计算的定位结果返回无线接收端。

与现有技术相比，本发明的有益效果是：在装饰物较少的室内环境中，被检测动作的检测准确率为84％～94％，而在装饰物较多的室内环境中，检测准确率能够达到78％；能够在室内对人体进行精准的定位，并利用系统的自学习功能处理误报情况，进一步降低误报率；在现有的无线网络及设备的基础上，进行室内的检测工作，被检测环境中无需安装其他特定的检测设备，可以在遍布无线网络的任何环境中使用，具有极高的普及性，同时被检测者不需要携带任何额外传感设备，避免了被检测者携带检测设备所造成的不便，为其生活提供了便利。

附图说明

图1为本发明一种实施例系统结构示意图；

图2为本发明服务器实现流程简图；

图3为本发明一实施例方法流程图。

具体实施方式

下面结合附图和实施例对本发明做进一步详细说明。

如图1所示，本发明人体室内定位自动检测系统包括无线信号发射器：用于发射无线信号；无线接收端：用于接收无线信号发射器发射的无线信号，并将无线信号信息上传至服务器，获取服务器返回的定位结果；服务器：用于接收无线接收端的无线信号信息，并评估信道状态信息，根据信道状态信息的变化检测人体的定位信息，然后把将计算的定位 结果返回无线接收端。

在实际应用中，优选地，所述无线接收端为无线网卡，所述无线信号发射器为无线路由器，所述服务器为手机，该方法基于室内环境下的无线电传播机制，建立无线信号和人体移动距离的关系，只需要使用家庭现有的无线网络设备，即能够通过对被检测者距离而造成的无线信号的改变进行分析，从而得到精准的室内定位位置。在特定的室内环境中，可通过无线网卡收集无线网络的丰富的信道状态信息。在本发明中，系统分别有多根天线来发送和接收无线信号；系统所使用的无线网卡可以接收信道状态信息。所述无线信号发射器的数目为一个或两个以上，所述无线接收端的数目为一个以上。优选地，无线信号发射器和无线接收端的数目分别为2个或者3个。如图1所示，被检测环境中存在两个无线信号发射器(第一无线信号发射器和第二无线信号发射器)和两个无线接收端(第一无线接收端和第二无线接收端)。其中第一无线接收端接收来自第一无线信号发射器的CSI(Channel StateInformation的缩写，即信道状态信息，在无线通信领域，CSI就是通信链路的信道属性，描述了信号在每条传输路径上的衰弱因子)，第二无线接收端接收来自第二无线信号发射器的CSI。在被检测环境中，被检测者无需携带其他额外设备。系统将利用两个无线接收端所接收的CSI来对被检测者的动作进行检测，并从而判断被检测者的动作或者位置，比如是否摔倒等。

为了建立无线信号和人体移动距离的联系，本发明采用无线网络的信道状态信息CSI作为指示物。CSI能够描述出在时间延迟、振幅衰减和相位转移的共同影响之下，一个信号的传播途径。基于室内环境下的无线电传播模型，本发明建立了CSI与人体移动距离之间的联系。在一个特定的室内环境中，如一个房间，存在一条主要传播路径和多个因为周围环境，比如天花板、地板和墙等的影响而产生的反射路径。当被检测者处于该房间内，他的身体会产生多条散射路径；当被检测者在该环境中保持静止状态时，处于该环境内的接收端会接收稳定的传播能量；而当被检测者移动到另一位置时，由人体影响而产生散射路径的散射点会迅速的改变位置，而这种突变会导致接收端所收到的能量发生变化。而通过这种变化，本发明将会判断出人体移动距离的变化。本发明利用正交频分载波复用(OrthogonalFrequency Division Multiplex,OFDM)得到以子载波(subcarrier)形式存在的CSI。而使用这种方法得到的CSI与人体动作之间建立联系会提高对动作判断的准确率。

如图2和图3所示，本发明基于上述系统的人体室内定位自动检测方法包括如下步骤：

S1：无线接收端接收无线信号发射器发射的无线信号，并将无线信号信息上传至服务器。当本发明的系统开始工作时，无线信号发射器会传播无线网络信号，同时处于特定区域内的无线接收端(如手机端)会收集CSI作为初始信道状态数据，并上传至服务器，然后通过服务器进行数据处理。

S2：服务器接收到无线接收端的无线信号信息，并评估信道状态信息，其中，所述评估信道状态信息包括如下步骤：

S21：采集信道状态数据，所述信道状态数据包括N个空间流中的M个子载波的CSI值，其中，N和M均为大于1的自然数；

S22：对每一空间流，求取在同一时间点上的P个连续子载波的CSI值的平均值，将此平均值作为信道状态信息，P为大于1小于M的自然数；

S23：对信道状态信息进行平滑处理。

具体地，本发明使用3×3的多入多出技术(Multiple-Input Multiple-Out-put，MIMO)为例，在感应阶段得到的初始信道状态数据会被分成9个空间流，而在每一个流中会有30个子载波。人体移动距离的变化会对不同的空间流所包含的数据产生影响，而对每一个空间流中的所有子载波则会产生相似的影响。同时，实验表明，环境因素(如温度，房间的设置)也会造成收集的CSI有所起伏。因此，在本发明中，每一个独立的空间流中的30个子载波的CSI值被合并汇总成一个单独的信道状态信息。优选地，对每一个空间流，先求得连续5个子载波的CSI平均值，而且对9个空间流分别取同一时间点的CSI平均值作为信道状态信息。为了减小环境因素的干扰，本发明利用数据过滤技术和滑动平均方法，具体地，使用加权移动平均法(weighted moving average)对通过上述处理的信道状态信息进行平滑处理，以减少数据中的噪声。

S3：服务器根据信道状态信息的变化检测人体的定位信息。所述检测人体定位信息的处理方法包括如下步骤：

S31：基于统计学习理论，预先建立以设定空间内由信道状态信息CSI与距离作为训练样本的室内传播模型；

S32：接收网络层中的无线信号发射器坐标和来自物理层的信道状态信息CSI；

S33：应用三边定位法和室内传播模型完成人体的定位。

所述步骤S3的处理方法还包括步骤S34：通过指纹卡算法自适应修改步骤S33中定位算法中的参数。以达到利用少量的训练样本完成精准定位的效果。

根据已有的无线电传播模型，本发明开发了一个基于CSI信息与距离的室内传播模型。通过一种简单的基于监督学习的快速训练方法，并通过三边定位方法来进行定位。第一步：在两个点处收集多个分组的CSI数据以训练环境因子和室内传播模型的路径损耗衰落指数；第二步：使用在第三点处收集的CSI来测试参数估计的效率。通过以上办法，建立一个基于CSI信息与距离的室内传播模型，通过CSI信息可以算出未知点距离和已知点的距离。未知点必然位于以已知点为球心的，距离为半径的球上。只要测出未知点和三个已知点的 距离，则未知点在三个球圆周的相交处，当相交处为两个点时，因有接收方向，故有一个处于接收背面的点可以舍去，从而准确的测出未知点的位置。

为了提高准确度和减少训练样本，本发明采用指纹法来纠正定位算法。在每个采样点位置接收来自无线信号发射器的信标信息，该信标信息包含了多个子载波的信道响应信息。手机接收端会同时收集30组CSI信息。

此外，本例的步骤S3的处理方法还包括步骤S35：建立数据库，将定位的位置样本映射到无线电地图。

步骤S35中，本例采用统计机器学习来创建用于信道响应模式的判定区域，并将接收的无线信号互相关用于位置识别的模式。

利用带有一些概率分布假设的最大似然估计来定位算法。通过中心极限定理，实际上假定特征向量遵循由两个统计参数(即平均值向量和协方差矩阵)为表征的多维高斯分布。利用多维高斯分布及其协方差矩阵，决定区域可以由马氏距离来定义。机器学习阶段等效于在统计机器学习过程中计算样本数据的平均向量和协方差矩阵。

具体地，所述统计机器学习识别位置的方法实现过程如下：

首先，计算采样点的接收无线信号的信道响应信息的互相关。相关的统计特性可以通过发射信号的自相关函数和信道响应的互相关函数的统计特性来描述。

其中，表示第i根天线在位置ψ的接收信号，和分别表示信道响应和发射信号，表示为零均值高斯噪声，1≤m≤M,1≤τ≤m,为动作起始和结束之间的时间段。

发射信号的自相关函数的统计特性可以被认为是恒定的，因为它由信号的调制和发射滤波器确定。另一方面，信道响应的互相关函数取决于变化的环境以及发射机的位置。因此，互相关的波动主要受到信道响应的互相关性的影响。本例采用统计机器学习，其中波动被用作信道响应的统计特性。这意味着所提出的方法需要是统计地实现具有关于每个网格点处的信道响应的整体统计信息的接收信号的互相关，统计公式如下：

本例采集2N+1个互相关的离散的样本，即-N≤n≤N。因此，具有2N+1个维度，其中N由最大时延扩展确定。由于手机端自带两根距离很相近的天线，所以k和l可看成一个相同的传感器。所以本例互相关系数的学习数据库可以定义为：

利用带有一些概率分布假设的最大似然估计法来改善这个算法。通过中心极限定理，实际上假定特征向量遵循由两个统计参数(即平均值向量和协方差矩阵)为表征的多维高斯分布。利用多维高斯分布及其协方差矩阵，决定区域可以由马氏距离来定义。机器学习阶段等效于在统计机器学习过程中计算样本数据的平均向量和协方差矩阵。本例假设特征向量遵循多维高斯分布，以及可以通过采用最大似然估计法来计算马氏距离。然后，如下定义学习数据，即平均值向量和协方差矩阵：

其中H表示为矩阵的共轭转置(又称Hermitian转置)，为的平均向量，为以 的协方差矩阵，将概率函数形成决策区域定义为：

p(xxx)为一个概率函数的固有格式，其实p指的是决策区域概率函数的概率是多少，p(x|ψ)表达的意思为在ψ的条件下，所求的概率是多少。

在该方法中，平均向量和协方差矩阵都是天线k与l和位置信息ψ的函数。当无线信号发射器的位置ψ已知，即可以定义对应决策区域的评估函数。在预测位置的时候，最可疑位置可以被估计为具有最高似然性的位置，即与先前训练模型中无线电地图中的无线电信号之间的最佳匹配来推断其位置。

其中，本发明还包括参数校正步骤A：利用人体自带的传感器对步骤S3中检测的算法中用到的参数进行校正。

本例的传感器优选手机自带的传感器，比如手机自带的传重力传感器、加速度传感器、陀螺仪等等。

具体地，所述参数校正方法包括：

A1：设置人体运动的开始与结束，利用传感器记录运动特征，并记录此时间段；

A2：传感器计算此时间段内人体运动的步数；

A3：通过时间段和步数计算人体运动速度，并对检测算法的参数进行校正。

以手机传感器为例，以摇晃手机动作作为设置移动开始与结束的标志，并在开始与结束时间点记录此时间段，并利用手机自带传感器计算此时间段移动的距离。通过收集回来的距离和角度信息来计算移动后的位置，对定位算法进行校正，从而使定位更加准确。

本发明还包括步骤S4：服务器将计算的定位结果返回无线接收端。服务器计算好定位结果后，将定位结果返回无线接收端，比如无线网卡，其他需要的终端可以从无线网卡中获取定位信息。

本发明基于室内环境下的无线电传播机制，将信道状态信息CSI与人体移动距离建立联系，通过CSI的变化判断人体移动的距离，从而有效的计算人体室内的位置，其具有以下有益效果：在装饰物较少的室内环境(如实验室)中，被检测动作的检测准确率为84％～94％，而在装饰物较多的室内环境(如宿舍)中，检测准确率也能够达到78％。能够在室内对人体进行精准的定位，并利用系统的自学习功能处理误报情况，进一步降低误报率；本发明是在现有的无线网络及设备的基础上，进行室内的检测工作，被检测环境中无需安装其他特定的检测设备，可以在遍布无线网络的任何环境中使用，具有极高的普及性，同时被检测者不需要携带任何额外传感设备，避免了被检测者携带检测设备所造成的不便，为其生活提供了便利。

以上所述之具体实施方式为本发明的较佳实施方式，并非以此限定本发明的具体实施范围，本发明的范围包括并不限于本具体实施方式，凡依照本发明所作的等效变化均在本发明的保护范围内。

Claims (10)

1.一种人体室内定位自动检测方法，其特征在于包括如下步骤：

S1：无线接收端接收无线信号发射器发射的无线信号，并将无线信号信息上传至服务器；

S2：服务器接收到无线接收端的无线信号信息，并评估信道状态信息；

S3：服务器根据信道状态信息的变化检测人体的定位信息；

S4：服务器将计算的定位结果返回无线接收端。

2.根据权利要求1所述的人体室内定位自动检测方法，其特征在于：在步骤S3执行后，计算出定位信息后才执行，其包括参数校正步骤A：利用人体自带的传感器对步骤S3中检测的算法中用到的参数进行校正。

3.根据权利要求2所述的人体室内定位自动检测方法，其特征在于：所述传感器包括手机自带的传感器，手机自带的传感器包括重力传感器、加速度传感器、陀螺仪。

4.根据权利要求3所述的人体室内定位自动检测方法，其特征在于：所述参数校正方法包括：

A1：设置人体运动的开始与结束，利用传感器记录运动特征，并记录此时间段；

A2：传感器计算此时间段内人体运动的步数；

A3：通过时间段和步数计算人体运动速度，并对检测算法的参数进行校正。

5.根据权利要求1-4任一项所述的人体室内定位自动检测方法，其特征在于：在步骤S2中，评估信道状态信息包括如下步骤：

S21：采集信道状态数据，所述信道状态数据包括N个空间流中的M个子载波的CSI值，其中，N和M均为大于1的自然数；

S22：对每一空间流，求取在同一时间点上的P个连续子载波的CSI值的平均值，将此平均值作为信道状态信息，P为大于1小于M的自然数；

S23：对信道状态信息进行平滑处理。

6.根据权利要求5所述的人体室内定位自动检测方法，其特征在于：步骤S3的处理方法包括如下步骤：

S31：基于统计学习理论，预先建立以设定空间内由信道状态信息CSI与距离作为训练样本的室内传播模型；

S32：接收来自发射端物理层的信道状态信息CSI；

S33：应用三边定位法和室内传播模型完成人体的定位。

7.根据权利要求6所述的人体室内定位自动检测方法，其特征在于：步骤S3的处理方法还包括步骤S34：通过指纹卡算法自适应修改步骤S33中定位算法中的参数。

8.根据权利要求7所述的人体室内定位自动检测方法，其特征在于：步骤S3的处理方法还包括步骤S35：建立数据库，将定位的位置样本映射到无线电地图。

9.根据权利要求8所述的人体室内定位自动检测方法，其特征在于：步骤S35中，采用统计机器学习创建用于信道响应模式的判定区域，并将接收的无线信号互相关用于位置识别，所述统计机器学习识别无线电地图中的位置的方法包括如下步骤：

B1：计算采样点的接收无线信号的信道响应信息的互相关；

B2：统计每个网格点处的信道响应的整体统计信息的接收无线信号的互相关；

B3：计算天线之间的互相关系数；

B4：根据多维高斯分布和最大似然估计法计算马氏距离，并与室内传播模型中无线电地图中的无线电信号之间的最佳匹配来确定人体位置。

10.一种实现权利要求1-9任一项所述人体室内定位自动检测方法的系统，其特征在于：包括无线信号发射器：用于发射无线信号；

无线接收端：用于接收无线信号发射器发射的无线信号，并将无线信号信息上传至服务器，获取服务器返回的定位结果；

服务器：用于接收无线接收端的无线信号信息，并评估信道状态信息，根据信道状态信息的变化检测人体的定位信息，然后把将计算的定位结果返回无线接收端。