CN108122310A - 一种基于WiFi信道状态信息和动态时间规整的人流量统计方法 - Google Patents

Abstract

本发明提出一种基于WiFi信道状态信息(CSI)和动态时间规整(DTW)的用于通道和出入口的人流量统计方法。不需要搭建专门的硬件设施，充分利用现有WiFi无线网络，本发明能够对经过通道或者出入口的人流量进行精确统计，成本低，普适性强，有光无光情况下均能有效工作。在获得CSI数据序列后，本发明首先采用滑动平均算法去除CSI数据中的噪声，然后将平滑去噪后的CSI数据归一化到‑1和1之间。由于人群通过通道或者出入口需要一定时间，并且相同流量人群每次通过通道或者出入口的时间和速率都可能不同，因此本发明采用DTW算法进行CSI数据序列模板的训练和匹配，以确定不同CSI数据序列之间准确的对应关系，使得模板匹配和相似度计算更加准确，从而使人流量统计更加准确。

Description

一种基于WiFi信道状态信息和动态时间规整的人流量统计 方法

技术领域

本发明涉及人流量统计领域，尤其涉及一种基于WiFi信道状态信息并使用动态时间规整算法在通道或者出入口处进行人流量统计的方法。

背景技术

统计穿过通道或出入口的人流量是一种很重要的功能，例如：公共场所根据各出入口的人流量可以了解出入口设置的合理程度并合理配置员工；准确统计通道处人流量并根据人流密度采取相应措施，能够有效预防拥挤踩踏等灾难发生，提高公共安全性。传统的人流量统计方法主要采用视频监控方法或者无线射频方法。视频监控方法目前已经获得广泛应用，但在弱光环境下或非视距情况下，摄像头无法良好工作，导致监控质量下降或者监控盲区。基于无线射频的监控近年来也获得较多关注，如采用无线传感器网络、红外线、超宽带等，但这些方法都需要安装部署专有设备，成本高，普适性差。

基于WiFi的无线网络已获得广泛部署，其在提供无线数据传输服务的同时，可以用来进行人流量的监控和统计。该方法不需要增加额外硬件设施，也不需要人员携带电子设备，仅利用现有的WiFi无线网络就能完成通道处和出入口处的人流量统计，成本低，普适性强，因此是极具市场前景和发展潜力的解决方案。当人体经过WiFi覆盖的通道或者出入口时，会对周围的WiFi信号产生反射、散射、衍射、衰减等效果，人数不同产生的效果也不同。通过监测人流经过时间内的WiFi信号序列就能够确定是否有人通过通道或出入口，并能根据信号序列的模式估算出通过人数，从而计算出人流量。目前使用最广泛的用于测量WiFi信号变化的能量特性是接收信号强度指示(Received Signal Strength Indicator,RSSI)，但是由于室内环境的复杂性，WiFi信号存在多径效应，且每条路径具有不同延迟、衰减和相位移动，导致RSSI是多条路径信号的叠加，从而导致RSSI不稳定，用于人流量统计时误差较大。

发明内容

本发明的目的是针对上述存在的问题，提出一种基于WiFi信道状态信息(ChannelState Information,CSI)并使用动态时间规整算法(Dynamic Time Warping,DTW)进行通道处或者出入口处的人流量统计方法。

本发明为解决上述技术问题所采用的技术方案是，一种基于WiFi信道状态信息和动态时间规整的人流量统计方法，包括以下步骤：

1)基于CSI的DTW模板训练步骤：

1-1)采集通道处或出入口处不同人流量经过时的多条CSI原始数据序列，所述原始数据包括发送天线个数、接收天线个数、发送频率、信道状态信息CSI矩阵，并记录经过通道或者出入口的人数；

1-2)移除原始数据中CSI矩阵的第一维度，将产生的二维矩阵从线性(电平)空间转换到对数(功率)空间，将矩阵中每一个复数转换成幅值；

1-3)采用滑动平均算法(Central Moving Average,CMA)对CSI数据进行平滑以去除噪声；

1-4)将平滑去噪后的CSI数据归一化到同一量度，即-1和1之间；

1-5)对于每一种人流量，采用DTW算法计算获得其多个CSI数据序列的匹配路径，然后计算获得这些匹配路径的平均路径，作为该人流量的CSI数据序列模板，即针对该人流量的用于DTW匹配的模板；

2)实时人流量统计步骤：

2-1)采集通道或者出入口处的CSI原始数据序列；

2-2)按照步骤1-2)、1-3)、1-4)对数据进行处理、平滑和归一化；

2-3)将当前CSI数据序列与已建立的人流量模板进行DTW匹配，匹配距离最小的模板被认为是相似度最高的模板，其所对应的人流量即被认为是当前经过通道或出入口的人流量。

由于室内丰富的多径效应，使得基于WiFi RSSI的人流量统计不能提供足够的精确性。信道状态信息CSI是一种更加精细的物理层信息，描述信道中各子载波的幅值和相位，能够充分利用多径效应，对环境变化更加灵敏。因此，本发明的基于CSI的方法能够更加精确地进行人流量统计。在获得CSI数据序列后，本发明首先采用滑动平均算法去除CSI数据中的噪声，然后将平滑去噪后的CSI数据归一化到-1和1之间。由于人群通过通道或者出入口需要一定时间，并且相同流量人群每次通过通道或者出入口的时间和速率都可能不同，因此本发明采用DTW算法进行CSI数据序列模板的训练和匹配，以确定不同CSI数据序列之间准确的对应关系，使得模板匹配和相似度计算更加准确，从而使人流量统计更加准确。

本发明的有益效果是：能够基于现有WiFi无线网络针对通道处和出入口处进行精确的人流量统计，成本低，普适性强，有光无光情况下均能有效工作。本发明能够达到平均误差人数0.83的精度，明显优于基于RSSI的人流量统计。

附图说明

图1为基于CSI和DTW的人流量统计方法流程图；

图2为基于CSI和DTW的人流量统计环境部署图；

具体实施方式

一种基于CSI和DTW的人流量统计方法，流程如图1所示，具体实施步骤如下：

1)环境部署：基于CSI的人流量统计要求通道处或出入口处覆盖WiFi信号。设备为一台接入点(Access Point,AP)和一台监测点(Monitoring Point,MP)，均配置Intel WirelessLink 5300 agn(IWL5300)无线网卡，该网卡具有3根天线。AP和MP分别置于通道两侧，AP端发送数据，MP端接收数据，布局方式如图2所示。

2)CSI原始数据序列采集：模板训练阶段，将人流量分别设为W人，W＝0,1,2,3,4,5…，并让他们按照图2所示的队列分别通过覆盖WiFi的通道或者出入口。MP以20Hz的采样率采集来自AP的CSI原始数据，每个数据序列采集时间为7秒，这样每个数据序列包含140个CSI原始数据。针对每种人流量，分别采集M个CSI原始数据序列进行模板训练。CSI原始数据中包括：发送天线个数N_tx，接收天线个数N_rx，数据包发送频率f，原始CSI矩阵H，以及当前人流量W。原始CSI矩阵H是一个N_tx×N_rx×N_s的三维矩阵，第三维是信道中的N_s条子载波信息：h＝|h|e^jθ，其中|h|是子载波幅值，θ是子载波相位。

3)CSI数据生成：针对采集的CSI原始数据，首先移除原始CSI矩阵H的第一个维度，获得N_tx个N_rx×N_s的二维矩阵，将二维矩阵从线性(电平)空间转换成对数(功率)空间，并将矩阵中每一个复数转换成幅值。

4)CSI数据平滑：假设CSI数据序列为R＝(r₁,r₂,…,r_n)，r_i为该序列中第i个CSI数据，n为数据序列长度，N为滑动窗口大小，则平滑后的第i个CSI数据为：

N＝2M+1

5)CSI数据归一化：为了消除人的体重、体型以及走路方式对数据带来的影响，将CSI数据的幅值区间归一化到[-1,1]，则归一化后的第i个CSI数据为：

6)DTW模板训练：假设R＝(r₁,r₂,…,r_n)和T＝(t₁,t₂,…,t_m)是两个经过平滑和归一化后的CSI数据序列，D[i][j]为R的前i个元素和T的前j个元素之间的最小欧几里得距离，d[i][j]为r_i与t_j之间的欧几里得距离，那么：

当i＝j＝0时

D[i][j]＝0

当i＝0或者j＝0时

D[i][j]＝∞

当1≤i≤n且1≤j≤m时

这样，D[n][m]就是R和T之间的最小距离，表示这两个CSI数据序列之间的相似度。

a)设定人流量为k时，对应的已获得的M个CSI数据序列为S_k＝(T₁，T₂，…，T_M)，选取其中一个CSI数据序列T_x为临时模板；

b)选取S_k中其它各CSI数据序列，记为T_j(j≠x)，分别与T_x进行DTW匹配，获取T_x与T_j

之间的匹配路径；

c)根据这些匹配路径，对S_k中的所有CSI数据序列求平均，得到的平均CSI数据序列作为人流量为k时的DTW模板；

d)重复过程a)、b)、c)，直到获得所有人流量的DTW模板。

7)人流量统计：在实际场景中进行人流量统计时，根据实时采集的CSI数据序列，与每种人流量的DTW模板进行匹配，确定人流量，包括如下步骤：

a)按照步骤2)的方式采集CSI原始数据序列；

b)按照步骤3)的方式生成CSI数据序列；

c)按照步骤4)的方式对CSI数据进行平滑；

d)按照步骤5)的方式对CSI数据进行归一化；

e)将平滑和归一化后的CSI数据序列与每种人流量的DTW模板进行匹配，找到匹配距离最短的DTW模板，也就是相似度最高的DTW模板，该模板对应的人流量即认为是当前人流量。

实施例的识别精度如下表：

Claims (1)

1.一种基于WiFi信道状态信息(CSI)和动态时间规整(DTW)的人流量统计方法，包括以下步骤：

1)基于CSI的DTW模板训练步骤：

1-1)采集通道处或出入口处不同人流量经过时的多条CSI原始数据序列，所述原始数据包括发送天线个数、接收天线个数、发送频率、信道状态信息CSI矩阵，并记录经过通道或者出入口的人数；

1-2)移除原始数据中CSI矩阵的第一维度，将产生的二维矩阵从线性(电平)空间转换到对数(功率)空间，将矩阵中每一个复数转换成幅值；

1-3)采用滑动平均算法(Central Moving Average,CMA)对CSI数据进行平滑以去除噪声；

1-4)将平滑去噪后的CSI数据归一化到同一量度，即-1和1之间；

1-5)对于每一种人流量，采用DTW算法计算获得其多个CSI数据序列的匹配路径，然后计算获得这些匹配路径的平均路径，作为该人流量的CSI数据序列模板，即针对该人流量的用于DTW匹配的模板；

2)实时人流量统计步骤：

2-1)采集通道或者出入口处的CSI原始数据序列；

2-2)按照步骤1-2)、1-3)、1-4)对数据进行处理、平滑和归一化；

2-3)将当前CSI数据序列与已建立的人流量模板进行DTW匹配，匹配距离最小的模板被认为是相似度最高的模板，其所对应的人流量即被认为是当前经过通道或出入口的人流量。