CN107947874B

CN107947874B - 基于WiFi信道状态信息的室内地图语义标识方法

Info

Publication number: CN107947874B
Application number: CN201711165119.4A
Authority: CN
Inventors: 陈永乐; 于丹; 王会青; 姚青桦
Original assignee: Taiyuan University of Technology
Current assignee: Taiyuan University of Technology
Priority date: 2017-11-21
Filing date: 2017-11-21
Publication date: 2020-10-30
Anticipated expiration: 2037-11-21
Also published as: CN107947874A

Abstract

本发明提供一种基于WiFi信道状态信息的室内地图语义标识方法，属于物联网技术领域。通过在所需语义标识的房间布置发射信号与接收信号装置，收集CSI(信道状态信息)数据，再将收集后的数据通过PEM算法处理收集并记录数据，实现实时感知室内环境活动人数，并记录数据和计算时间块的大小，作为属性学习式决策树分类，生成一个决策树分类器。以决策树分类结果为该房间标识结果，实现房间语义标识。本发明能有效解决现有技术中适用范围狭窄，不能实时变更房间语义标识，设备能耗大，容易泄密的问题。

Description

基于WiFi信道状态信息的室内地图语义标识方法

技术领域

本发明属于物联网技术领域，涉及一种基于WiFi信道状态信息的室内地图语义标识方法。

背景技术

目前实现室内地图语义标识的方法主要是采用众包收集处理用户传感器数据实现室内地图标识，所用到的传感器包括了摄像头、话筒、加速度计、磁感应计、GPS、WIFI等。提出的方法较早的有由Martin Azizyan等人提出的Surroundsense方法(Azizyan M,Constandache I,Choudhury R R.SurroundSense:mobile phone localization viaambience fingerprinting，MOBICOM 2009)针对于学校附近的书店、酒吧以及服装店实现了环境感知，通过收集用户手机所传来的摄像头、话筒以及加速度等数据对房间进行识别，运用图片的亮度、色度以及饱和度构建指纹特征进行聚类得到标识结果。MoustafaElhamshary等人提出的Semsense方法(Elhamshary M and Youssef M,SemSense:Automatic construction ofsemantic indoorfloorplans,Proc.of IEEE IPIN,2015)首先采用室内定位方法和聚类方法将不同房间人员分隔开，并在每个房间聚类中心处理用户的各类传感器数据实现语义标识。Yohan Chon等人提出的CSP方法(Chon Y,Lane N D,LiF,Cha H and Zhao F,Automatically characterizing places with opportunisticcrowdsensing using smartphones,Proc.ofACM Ubicomp,2012)采取了间歇使用用户摄像头以及话筒的方法，将采集回来的数据分别做OCR、语音识别、物体识别等处理来获取用户所处位置的语义，并最终标识室内地图。Rufeng Meng等人提出的Auto-label方法(Meng R,Shen S,Choudhury RR and Nelakuditi S,AutoLabel:labeling places from picturesand websites,Proc.Of ACM Ubicomp,2016)使用了网络线上数据，通过收集摄像头拍摄照片OCR识别图片文字，然后与线上信息进行TF-IDF文本匹配，相似度最高的即匹配结果。

但它们存在着诸多不足之处，其一，众包需要众多的参与人数，在人数相对较少的地方应用困难；其二，由于收集数据涵括了摄像头和话筒，可能对用户造成隐私威胁；其三，需要一些传感器来借助实现，增加了设备能耗；其四，无法对现有变化进行实时调整。因此目前提出的方法虽然可以完成室内语义标识，但是在适用范围以及基础设施布置上并没有达到理想状态。

发明内容

本发明的目的在于提供一种基于WiFi信道状态信息的室内地图语义标识方法，解决了现有技术中适用范围狭窄，不能实时变更房间语义标识，设备能耗大，容易泄密的问题。

本发明所采用的技术方案是：提供了一种基于WiFi信道状态信息的室内地图语义标识方法，包括以下步骤：

1)将发射信号设备和接收信号设备布置于需要语义标识的室内场景中，收集的数据一方面通过PEM算法求得特定时间非零元素占比从而判断当前房间内活动人数，另一方面按行为识别处理流程实现较少人数时的行为感知，通过结合两方面数据学习决策树实现语义标识；

2)设置路由器发包率为700p/s，在该室内环境中持续收集数据；

3)设置非零元素占比阈值1，通过阈值1过滤静止状态下信道状态信息数据；设置三人以上情境为多人情境，两人以下情境为少人情境，并设置非零元素占比阈值2区分两者；多人情境通过计算非零元素占比时间块和记录不同时间段信道状态信息波动情况将不同场景分类，少人情境采用提出的信道状态信息行为感知方法来感知房间内行为；在实现信道状态信息行为感知时，首先计算信道状态信息幅度值并放入矩阵，计算30个子载波对应幅度值方差并选取第二三四大值作为处理数据，随后使用移动平均滤波器以及巴特沃斯滤波器过滤信号噪声，设置移动平均滤波跨度值为20-point，通过小波分解过滤信号噪声并提取不同行为对应时频域特征，最后通过提取小波分解矩阵最高层系数，判断系数的最高层数，最高层持续时间，以及前一识别动作来设计算法区分走动/弯腰/坐下/起立/手势/上楼六种动作，得到时间块、行为特征、时间特征属性，设计决策树算法学习适合该场景的决策树最终实现语义标识。

进一步的，所述步骤1)中的发射信号设备为路由器，接收设备为配备Intel5300网卡的电脑。

进一步的，所述步骤3)中通过小波变换分解过滤信号噪声并提取不同行为对应信号时频域特征，小波变换中采用哈尔母小波对信号进行12层分解并对数据进行小波分解去噪，得到的结果是一个关于n*12的矩阵，n代表数据包的个数，12代表分解层数，矩阵元素代表不同时间域的小波分解系数；由该分解系数可得该时间段信号频率的大小；根据速度波长、速度与频率的关系，人活动速度与频率呈一个正相关的关系，由此频率越大代表人活动速度越大；小波分解系数矩阵即代表了一时间段内人活动的特征，依据小波分解最高层数、持续时间和前一识别动作即可识别每个动作。

进一步的，所述步骤3)通过以下公式计算非零元素占比值：

第一步，将收集的信道状态信息数据按每秒的发射速率700p/s将数据进行分段处理，分段后的数据通过15-point中值滤波进行去噪，H为每个包的信道状态信息矩阵，计算信道状态信息幅度值放入矩阵A中，通过归一化公式，将幅度值矩阵A中的数据归一至新矩阵中；其中，i,j代表第j个包的第i个子载波，收集数据包总数为P，T为CSI幅度值归一至矩阵所对应值，Amax、Amin分别表示矩阵A中的最大值和最小值；

H＝[H₁，H₂...H_j]；

A＝[A₁，A₂...A_j]；

第二步，设置一个矩形放大范围D1,D2，判断每个T值周围(T-D1,T+D1),(T-D2,T+D2)的区域是否超出坐标边界，如未超出边界，则将矩形区域内值置为1；从而由于多人活动产生的信号多径干扰会使矩阵中置为1的元素变多，而相对静止时置为1元素较少；其中，D1取值为30，D2取值为10；

第三步，统计所有非零元素得出结果，即得出PEM值用于判断室内环境嘈杂程度，从而推测室内活动人数：

PEM(i)＝Num(1)/P*P(1)

其中P*P为矩阵所有元素总数，所得结果为每一个子载波的PEM值，取平均。

进一步的，所述步骤3)阈值1设置为0.15。

进一步的，所述步骤3)阈值2设置为0.3。

进一步的，所述步骤3)时间块为大于非零元素占比阈值1数据时间总和。

进一步的，所述步骤3)移动平均滤波计算方法，在计算幅度值A＝[A₁，A₂...A_j]后，其中某一个幅度值A_k由前t个幅度值得到，表示为：

其中，跨度值t取为20。

进一步的，所述步骤3)巴特沃斯滤波器阶数为9阶，带通频率为3Hz-200Hz，采样率F＝700p/s。

进一步的，所述步骤3)决策树算法为C4.5算法。

本发明的有益效果为：

(1)利用室内现有的WiFi环境即可实现房间的语义识别，有效减少基础设施布置和资源消耗；

(2)本发明适用于广泛的室内场景，可实现在人少场景下的语义标识；

(3)本发明不使用用户的麦克风、摄像头、GPS等个人数据，保障了用户的隐私；

(4)在所识别房间类型发生变换时，本发明可以实现房间语义标识的实时变更。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明方法的方法结构图；

图2为行为感知系统流程图；

图3为根据场景属性值所学习决策树。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明一种基于WiFi信道状态信息的室内地图语义标识方法，其思路如图1所示：在所需语义标识的房间布置发射信号与接收信号装置，开始收集CSI(信道状态信息)数据。收集后的数据通过“按秒计算PEM值”处理并记录数据，可实现实时感知室内环境活动人数，通过记录的数据和计算时间块的大小，作为属性学习式决策树分类，生成一个决策树分类器。以决策树分类结果为该房间标识结果，实现房间语义标识。

实施例

首先在所需语义标识的房间布置发射信号与接收信号装置，开始收集CSI数据。收集后的数据通过公式(1)计算每一秒PEM值，此时设置一个阈值1，过滤掉PEM值小于一人的数据，这些数据记录但不做处理。大于阈值1的数据继续判断是否超过了阈值2，阈值2设置为同时有两人活动时PEM值上界。

PEM(i)＝Num(1)/P*P (1)

通过该PEM算法即可实现实时感知室内环境活动人数，感知环境状态从而得到一些有用的信息。行为感知阶段，通过实际环境的实验证明，在人数二人或二人以下的环境中可以使用本发明提出的行为感知方法来感知人的行为。所以，使用PEM值将原始数据划分为无人场景、一人至两人场景以及大于两人场景三类，一人至两人场景使用行为感知方法来识别不同时间段房间内行为特征，而大于两人场景以时间块、不同时间房间活动情况作为特征。此后将得到的感知结果，记录的数据、计算时间块的大小作为属性学习决策树分类，生成一个决策树分类器。决策树的生成有两种方式，第一种是监督学习式决策树，这一类可以通过实验数据或已有的经验数据设置属性通过决策树算法来自动学习生成决策树，另一种是无监督式决策树，此类可将上述方法学习生成的决策树放入一个语义标识数据库中，如果数据库中现有的决策树模型完全适用于标识场景，那么无需再次通过属性学习生成决策树，直接可以按照原先属性来分类决策。最终在收集实时数据后经过上述方法处理，决策树分类结果则为该房间标识结果，最终实现房间语义标识。

行为感知阶段，参考图2，包括信号处理阶段与特征提取阶段两个阶段：

1.信号处理阶段：

将经过PEM值筛选后的CSI数据计算每个子载波的幅度值方差，选取方差的第二三四大值进行处理。经过筛选后的子载波进行移动平均滤波器处理，设置移动平均滤波跨度值为20-point，滤波后的数据进行巴特沃斯低通滤波器，设置滤波器阶数为9，设置频段为3Hz至200Hz之间，采样率F＝700p/s，由此对信号进行低通滤波处理，处理后的信号进入特征提取阶段。

2.特征提取阶段：

在该阶段选用小波变换对信号进行时频域的特征提取，采用12层的哈尔母小波对信号进行分解，得到的结果是一个关于n*12的矩阵，n代表数据包的个数，12代表分解层数，结果为不同时间域内的每一层分解系数。由该分解系数可得该时间段信号频率的大小。根据速度波长与频率的关系，人活动的速度与频率呈一个正相关的关系，由此频率越大代表人活动速度越大，在设计算法时，使用分解最高层系数、持续时间以及前一个感知行为结果即可完成行为感知，并将感知结果记录下来。

分类阶段，参考图3，本实施例以实验楼为环境，学习得了以下的决策树:

决策树的第一个属性是是否处于工作时间，这个属性将所有的数据分为两大类。在不存在工作时间的数据中计算时间块，如果时间块很小或无，则定义为空房间。如存在时间块时则通过计算PEM值大小将场景分为人多场景与人少场景，人多场景由以上属性即可决定为实验室，而人少场景通过识别场景内行为来判断具体属于哪一类型房间，通过识别上楼与弯腰即可区分楼梯间与卫生间两类型房间。当属于工作时间时，首先通过不同时间的PEM值情况判断房间是否具有周期性，周期性代表了相邻时间段内是否存在相似的PEM变化，由该属性即可将属于工作时间的四种房间类型区分为两类。其次分别通过PEM值大小和最大连续时间块两个属性来将四种房间类型分类，当房间活动具有周期性且PEM值较大时，则可将该房间判断为多人办公室，相反如果PEM值较小时则判断为但少人办公室。最大连续时间块用于区分房间内连续活动时间长，由该属性可以分辨储物间和会议室两类场景，由于储物间活动时间短且离散，而会议室活动时间长且连续，因此最大连续时间块在区分两者上效果较佳。至此完成了所在实验楼八种不同房间类型的具体标识，完成基于CSI行为感知的语义标识。以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims

1.一种基于WiFi信道状态信息的室内地图语义标识方法，其特征在于，包括以下步骤：

3)设置非零元素占比阈值1，通过阈值1过滤静止状态下信道状态信息数据；设置三人以上情境为多人情境，两人以下情境为少人情境，并设置非零元素占比阈值2区分两者；多人情境通过计算非零元素占比时间块和记录不同时间段信道状态信息波动情况将不同场景分类，少人情境采用提出的信道状态信息行为感知方法来感知房间内行为；在实现信道状态信息行为感知时，首先计算信道状态信息幅度值并放入矩阵，计算30个子载波对应幅度值方差并选取第二三四大值作为处理数据，随后使用移动平均滤波器以及巴特沃斯滤波器过滤信号噪声，设置移动平均滤波跨度值为20-point，通过小波分解过滤信号噪声并提取不同行为对应时频域特征，最后通过提取小波分解矩阵最高层系数，在设计算法时，使用分解最高层系数、持续时间以及前一个感知行为结果区分走动、弯腰、坐下、起立、手势、上楼六种动作，并将感知结果记录下来，得到时间块、行为特征、时间特征属性，设计决策树算法学习适合该场景的决策树最终实现语义标识；

其中，步骤3)中通过小波变换分解过滤信号噪声并提取不同行为对应信号时频域特征，小波变换中采用哈尔母小波对信号进行12层分解并对数据进行小波分解去噪，得到的结果是一个关于n*12的矩阵，n代表数据包的个数，12代表分解层数，矩阵元素代表不同时间域的小波分解系数；由该分解系数可得该时间段信号频率的大小；根据速度、波长与频率的关系，人活动速度与频率呈一个正相关的关系，由此频率越大代表人活动速度越大；小波分解系数矩阵即代表了一时间段内人活动的特征，依据小波分解最高层数、持续时间和前一识别动作即可识别每个动作；

步骤3)中所述非零元素占比阈值通过以下公式计算：

第一步，将收集的信道状态信息数据按每秒的发射速率700p/s将数据进行分段处理，分段后的数据通过15-point中值滤波进行去噪，H为每个包的信道状态信息矩阵，计算信道状态信息幅度值放入矩阵A中，通过归一化公式，将幅度值矩阵A中的数据归一至新矩阵中；其中，i,j代表第j个包的第i个子载波，收集数据包总数为P，i的取值为1≤i≤30，j的取值为1≤i≤P，A_j代表第j个数据包所有子载波的幅度值矩阵，T为CSI幅度值归一至新矩阵所对应值，CSI幅度值为信道状态信息幅度值，Amax、Amin分别表示矩阵A中的最大值和最小值，A_ij表示某个数据包信道状态信息幅度值；

H＝[H₁，H₂…H_j]；

A＝[A₁，A₂…A_j]；

PEM(i)＝Num(1)/P*P (1)

2.根据权利要求1所述的基于WiFi信道状态信息的室内地图语义标识方法，其特征在于，所述步骤1)中的发射信号设备为路由器，接收设备为配备Intel5300网卡的电脑。

3.根据权利要求1所述的基于WiFi信道状态信息的室内地图语义标识方法，其特征在于，所述步骤3)阈值1设置为0.15。

4.根据权利要求1所述的基于WiFi信道状态信息的室内地图语义标识方法，其特征在于，所述步骤3)阈值2设置为0.3。

5.根据权利要求1所述的基于WiFi信道状态信息的室内地图语义标识方法，其特征在于，所述步骤3)时间块为大于非零元素占比阈值1数据时间总和。

6.根据权利要求1所述的基于WiFi信道状态信息的室内地图语义标识方法，其特征在于，所述步骤3)移动平均滤波计算方法，在计算幅度值A＝[A₁，A₂…A_j]后，其中某一个幅度值A_k由前t个幅度值得到，表示为：

其中，跨度值t取为20。

7.根据权利要求1所述的基于WiFi信道状态信息的室内地图语义标识方法，其特征在于，所述步骤3)巴特沃斯滤波器阶数为9阶，带通频率为3Hz-200Hz，采样率F＝700p/s。

8.根据权利要求1的基于WiFi信道状态信息的室内地图语义标识方法，其特征在于，所述步骤3)决策树算法为C4.5算法。