CN108268894A - 一种基于网络可视图的人体朝向检测方法 - Google Patents
一种基于网络可视图的人体朝向检测方法 Download PDFInfo
- Publication number
- CN108268894A CN108268894A CN201810020804.6A CN201810020804A CN108268894A CN 108268894 A CN108268894 A CN 108268894A CN 201810020804 A CN201810020804 A CN 201810020804A CN 108268894 A CN108268894 A CN 108268894A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- node
- visual graph
- line
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
Abstract
一种基于网络可视图的人体朝向检测方法,利用普通的设备搭建室内无线信道信息数据采集平台,定位分为两个阶段:离线训练阶段和在线测试阶段;离线阶段采集人体在不同朝向的信道状态信息数据,经过预处理,然后对数据进行网络化,提取网络特征,并标准化处理后存入不同朝向的指纹库,建立朝向‑数据指纹的映射关系;在线阶段,对数据进行同样的处理,并利用机器学习算法对测试数据进行分类检测;同时,为测试分类的准确度,综合利用了信道状态信息数据的幅度和相位信息,观察三种情况下的分类结果。本发明能够以较低的成本有效实现对室内人员的朝向检测。本发明在体感游戏、盲人识向等领域具有一定的应用价值。
Description
技术领域
本发明涉及人体感知领域,尤其涉及一种基于网络可视图的人体朝向检测方法。
背景技术
朝向检测是人体感知的一个重要方面,如果能够判断和估计出人体的具体朝向,从而就能推断出其人员当前的活动状态。
被动人体朝向的检测在很多领域都有很好的应用前景。在体感游戏方面,目前大多数感知技术都依赖于特定的传感器,繁琐的设备佩戴过程和较为昂贵的设备成本都对体感游戏的普及产生了一定的影响,利用无线信号进行人体状态判断可以提高玩家的游戏体验;在商业智能方面,如何在一个大型商场中的巨大人流中确定出顾客的消费兴趣点,对商场管理和商品摆放调整都具有巨大价值,通过朝向检测辅助室内定位技术可以判断消费者正在浏览的商品,从而统计消费者的消费兴趣点;在医学方面,朝向的检测可以帮助我们更好掌握临床病人的整体状况,对紧急状况进行监测。
如今大部分技术都是利用激光、传感器、视频等需要佩戴或专有设备的方法实现对人体朝向的检测,存在一定的环境不适合、产品昂贵等问题。
发明内容
为了克服现有的人体朝向检测方式的部署复杂,抗干扰能力较弱,且价格高昂的不足,本发明提出了一种基于网络可视图的人体朝向检测方法,实现对人体朝向的检测,部署简单,抗干扰能力较强,且价格低廉。
为实现上述的目标,本发明采用的技术方案为:
一种基于网络可视图的人体朝向检测方法,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:首先,通过离线训练阶段来构建指纹库,人体站在某一个特征网格中,先保持静止状态,然后进行朝向变化,采集包含信道状态信息的数据包;每个信道状态信息数据的格式为:(m1,m2,...,m30)RxN;其中m1~m30为子载波,R为发射天线数,N为接收天线数;
步骤3:先取1对天线对上的数据进行预处理;
步骤4:网络特征提取阶段,过程如下:
步骤4-1:将处理后的幅度信息作为时间序列分别构建出网络可视图(VisibilityGraph,VG)、水平可视图(Horizontal Visibility Graph,HVG)、有限穿越可视图(LimitedPenetrable Horizontal Visibility Graph,LPHVG);
步骤4-2:计算所构建可视图的网络特征指标;
步骤4-3:对上述提取的网络特征指标用Z-score归一化方法进行处理
步骤5:对相位信息数据重复步骤4;
步骤6:取其它的天线对数据,重复步骤3~步骤5;
步骤7:由上述步骤提取的网络特征作为每个朝向的一条指纹,完成不同朝向指纹库的建立;
步骤8:在线测试阶段,采集测试数据包;
步骤9:对测试数据处理,具体为步骤3~步骤6;
步骤10:对测试数据的每个数据样本用机器学习算法进行检测,测试其分类精确度并进行朝向分类;
步骤11:记录分类结果。
进一步,所述步骤3中,天线对上的数据预处理,包括以下步骤:
步骤3-1:将数据分解为幅度信息数据和相位信息数据;
步骤3-2:去除幅度信息数据和相位信息数据明显的异常值.
再进一步,所述步骤4-1中,所述可视图VG构造过程如下:在幅度/相位的时间序列数据中,节点为垂直条的顶部,如果两个节点可以“看到”彼此,即连接两个节点顶点的连线不与它们之间的任何数据垂直条相交时,则连接两个节点,即:(fa,Ya)与(fb,Yb)为时间序列中的两个任意数据点,如它们之间的任意其他数据点(fc,Yc)均满足:
则连接两点,从而构建出可视图。
更进一步,所述步骤4-1中,所述水平可视图HVG构造规则如下:如果两个数据点(fa,Ya)与(fb,Yb)的水平连线没有穿过中间的其他任意数据点,即满足:
Ya>Yc,Yb>Yc,(a<c<b)
则连接两点,从而构建出水平可视图。
所述步骤4-1中,所述有限穿越可视图LPHVG构造规则如下:由HVG网络变形而来,这里限制两条水平连接的垂直竖线有且只能穿透它们之间的一条竖线,即被它们之间的一条竖线阻挡,则这两点相连,从而构建出有限穿越可视图。
所述步骤4-2中,计算所构建的不同可视图的三个网络特征指标,包括:
①平均聚类系数
其中τi,Δ表示以节点i为中心的闭合三元组个数,τi表示以节点i为中心的三元组个数,ci表示节点i的聚类系数,N为构建网络时的网络节点个数;
②聚类系数熵(EC):
其中ci表示节点i的聚类系数,N为网络的节点总数;
③度值标准差(kstd):
其中,而ki为网络中节点i的度值,为网络节点的平均度值,N表示所构建网络的节点个数。
所述步骤4-3中,所述Z-score归一化处理过程如下:
对所提取的网络特征指标用Z-score标准化方法进行处理:
XN=(XO-μ)/σ
其中,XN表示归一化后的数据,Xo表示归一化前的数据,μ表示该数据的平均值,σ表示该数据的标准差。
本发明的有益效果是:
1.充分利用了无线局域网设备作为实验平台,部署简单,抗干扰能力较强,且价格低廉,易于普及。
2.本发明不需人体携带设备、电子标签等,简单可靠,在体感游戏、盲人识向等领域具有一定的应用价值;
3.本发明把时间序列网络化的思想应用到了朝向检测,为朝向实验提供了一个新的研究思路;
4.主要应用了机器学习算法SVM、KNN,对数据量较大的情况同样具有较好的分类效果。
附图说明
图1是室内人体朝向检测平台结构示意图;
图2是数据采集检测系统在环境1下的具体实施示意图;
图3是数据采集检测系统在环境2下的具体实施示意图;
图4是本发明在环境1下的朝向检测性能;
图5是本发明在环境2下的朝向检测性能;
图6是可视图VG构造过程示意图,其中,(a)时间序列采样点(10个数据点)(b)可视图;
图7是水平可视图HVG构造过程示意图,其中,(a)时间序列采样点(10个数据点)(b)水平可视图;
图8是有限穿越可视图LPHVG构造过程示意图,其中,(a)时间序列采样点(10个数据点)(b)有限穿越可视图。
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。
参照图1~图8,一种基于网络可视图的人体朝向检测方法,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:人体站在某一个特征网格中,先保持静止状态,然后进行朝向变化,采集包含信道状态信息的数据包;每个信道状态信息数据的格式为:(m1,m2,...,m30)RxN。其中m1~m30为子载波,R为发射天线数,N为接收天线数;
步骤3:取第1对天线对上的数据进行预处理,包括以下两个步骤:
步骤3-1:将数据分解为幅度信息数据和相位信息数据;
步骤3-2:去除幅度信息数据和相位信息数据明显的异常值;
步骤4:特征提取阶段,过程如下:
步骤4-1:将处理后的幅度信息作为时间序列分别构建出网络可视图(VisibilityGraph,VG)、水平可视图(Horizontal Visibility Graph,HVG)、有限穿越可视图(LimitedPenetrable Horizontal Visibility Graph,LPHVG);
其中,可视图VG构造具体过程如下:在时间序列中,如果两个节点(垂直条的顶部)可以“看到”彼此,即连接两个节点顶点的连线不与它们之间的任何数据相交时,则连接两个节点;即:(fa,Ya)与(fb,Yb)为时间序列中的两个任意数据点,如它们之间的任意其他数据点(fc,Yc)均满足:
则连接两点,从而构建出可视图。
水平可视图HVG构造具体规则如下:如果两数据点(fa,Ya)与(fb,Yb)的水平连线没有穿过中间的其他任意数据点,即满足:
Ya,Yb>Yc,a<c<b
则连接两点,从而构建出水平可视图。
有限穿越可视图LPHVG构造具体规则如下:由HVG网络变形而来,这里限制两条水平连接的垂直竖线有且只能穿透它们之间的一条竖线,即被它们之间的一条竖线阻挡,则这两条相连,从而构建出有限穿越可视图。
步骤4-2:计算所构建可视图的网络特征指标,包括:
①平均聚类系数
其中τi,Δ表示以节点i为中心的闭合三元组的个数,τi表示以节点i为中心的三元组的个数,ci表示节点i的聚类系数,N为构建网络时的网络节点的个数;
②聚类系数熵(EC):
其中ci表示节点i的聚类系数,N为网络的节点总数;
③度值标准差(kstd):
其中,而ki为网络中节点i的度值,为网络节点的平均度值,N表示所构建网络的节点个数;
步骤4-3:对上述提取的网络特征指标用Z-score标准化方法进行处理:
XN=(XO-μ)/σ
其中,XN表示归一化后的数据,Xo表示归一化前的数据,μ表示该数据的平均值,σ表示该数据的标准差;
步骤5:对相位信息数据重复步骤4;
步骤6:取其它的天线对,重复步骤3~步骤5;
步骤7:将上述每次提取的网络特征作为每个朝向的一条指纹,完成不同朝向指纹库的建立;
步骤8:在线阶段,采集测试数据包;
步骤9:对测试数据处理,具体为步骤3~步骤6;
步骤10:对测试数据的每个数据样本用机器学习算法SVM,KNN等进行检测,测试其分类精确度;
步骤11:记录分类结果。
本实施例中,实验平台包括接入点AP和监控点MP两部分,AP为普通的无线路由器,MP为安装了信道状态信息提取软硬件的笔记本电脑;具体实施场地为一个办公室,该环境下具有较丰富的多径效应。如图1所示。
每次采集,人体站在图2的数据采集点,收集包含信道状态信息的数据包;每次不同朝向的采集时间为20秒。采集完毕后,都能得到一个.dat文件;从每个位置的.dat文件中提取出信道状态信息数据的相位和幅度信息;对数据进行预处理,使用拉依达方法去除异常值;对提取的相位和幅度信息分别构建网络,计算其网络特征,平均聚类系数聚类系数熵(EC),度值标准差(kstd);对得到的网络特征数据标进行本发明方法处理;
测试阶段,人体同样在图2中的测试点,采集测试数据,每个朝向采集时间为20秒;同样经过上述的处理后,对测试数据进行标准化;
对每个朝向的每个CSI样本主要用机器学习算法SVM,KNN进行分类,同时根据发明内容中步骤8~步骤10的详细过程,得到分类精确度。
为验证本发明在不同环境下的性能,在另一个空旷的教室的环境下(如图2)重复以上步骤;这样我们得到性能如图3所示。由于环境2相比环境1具有较少的多径干扰,因此其分类正确率比环境1要高;结果表明本发明对于朝向检测的分类是有效的。
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 (7)
1.一种基于网络可视图的人体朝向检测方法,其特征在于,该方法包括如下步骤:
步骤1:搭建信道状态信息数据采集平台;
步骤2:首先,通过离线训练阶段来构建指纹库,人体站在某一个特征网格中,先保持静止状态,然后进行朝向变化,采集包含信道状态信息的数据包;每个信道状态信息数据的格式为:(m1,m2,...,m30)RxN;其中m1~m30为子载波,R为发射天线数,N为接收天线数;
步骤3:先取1对天线对上的数据进行预处理;
步骤4:网络特征提取阶段,过程如下:
步骤4-1:将处理后的幅度信息作为时间序列分别构建出网络可视图VG、水平可视图HVG和有限穿越可视图LPHVG;
步骤4-2:计算所构建可视图的网络特征指标;
步骤4-3:对上述提取的网络特征指标用Z-score归一化方法进行处理
步骤5:对相位信息数据重复步骤4;
步骤6:取其它的天线对数据,重复步骤3~步骤5;
步骤7:由上述步骤提取的网络特征作为每个朝向的一条指纹,完成不同朝向指纹库的建立;
步骤8:在线测试阶段,采集测试数据包;
步骤9:对测试数据处理,具体为步骤3~步骤6;
步骤10:对测试数据的每个数据样本用机器学习算法进行检测,测试其分类精确度并进行朝向分类;
步骤11:记录分类结果。
2.根据权利要求1所述的方法,其特征在于,所述步骤3中,天线对上的数据预处理,包括以下步骤:
步骤3-1:将数据分解为幅度信息数据和相位信息数据;
步骤3-2:去除幅度信息数据和相位信息数据明显的异常值。
3.根据权利要求1或2所述的方法,其特征在于,所述步骤4-1中,所述可视图VG构造过程如下:在幅度/相位的时间序列数据中,节点为垂直条的顶部,如果两个节点可以“看到”彼此,即连接两个节点顶点的连线不与它们之间的任何数据垂直条相交时,则连接两个节点,即:(fa,Ya)与(fb,Yb)为时间序列中的两个任意数据点,如它们之间的任意其他数据点(fc,Yc)均满足:
则连接两点,从而构建出可视图。
4.根据权利要求3所述的方法,其特征在于,所述步骤4-1中,所述水平可视图HVG构造规则如下:如果两个数据点(fa,Ya)与(fb,Yb)的水平连线没有穿过中间的其他任意数据点,即满足:
Ya>Yc,Yb>Yc,(a<c<b)
则连接两点,从而构建出水平可视图。
5.根据权利要求4所述的方法,其特征在于,所述步骤4-1中,所述有限穿越可视图LPHVG构造规则如下:由HVG网络变形而来,这里限制两条水平连接的垂直竖线有且只能穿透它们之间的一条竖线,即被它们之间的一条竖线阻挡,则这两点相连,从而构建出有限穿越可视图。
6.根据权利要求5所述的方法,其特征在于,所述步骤4-2中,计算所构建的不同可视图的三个网络特征指标,包括:
①平均聚类系数
其中τi,Δ表示以节点i为中心的闭合三元组个数,τi表示以节点i为中心的三元组个数,ci表示节点i的聚类系数,N为构建网络时的网络节点个数;
②聚类系数熵(EC):
其中ci表示节点i的聚类系数,N为网络的节点总数;
③度值标准差(kstd):
其中,而ki为网络中节点i的度值,为网络节点的平均度值,N表示所构建网络的节点个数。
7.根据权利要求6所述的方法,其特征在于,所述步骤4-3中,所述Z-score归一化处理过程如下:
对所提取的网络特征指标用Z-score标准化方法进行处理:
XN=(Xo-μ)/σ
其中,XN表示归一化后的数据,Xo表示归一化前的数据,μ表示该数据的平均值,σ表示该数据的标准差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810020804.6A CN108268894A (zh) | 2018-01-10 | 2018-01-10 | 一种基于网络可视图的人体朝向检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810020804.6A CN108268894A (zh) | 2018-01-10 | 2018-01-10 | 一种基于网络可视图的人体朝向检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108268894A true CN108268894A (zh) | 2018-07-10 |
Family
ID=62773325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810020804.6A Pending CN108268894A (zh) | 2018-01-10 | 2018-01-10 | 一种基于网络可视图的人体朝向检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108268894A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109316192A (zh) * | 2018-09-13 | 2019-02-12 | 清华大学 | 基于移动网络信道状态信息的坐姿检测方法及装置 |
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 |
CN109472291A (zh) * | 2018-10-11 | 2019-03-15 | 浙江工业大学 | 一种基于dnn算法的人数统计分类方法 |
CN112825145A (zh) * | 2019-11-20 | 2021-05-21 | 上海商汤智能科技有限公司 | 人体朝向检测方法、装置、电子设备和计算机存储介质 |
CN114819427A (zh) * | 2022-07-01 | 2022-07-29 | 广东泳华科技有限公司 | 基于轨道交通站场平面结构的客流引导方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105828289A (zh) * | 2016-04-20 | 2016-08-03 | 浙江工业大学 | 一种基于信道状态信息的无源室内定位方法 |
CN106503800A (zh) * | 2016-10-11 | 2017-03-15 | 天津大学 | 基于复杂网络的深度学习模型及在测量信号分析中的应用 |
CN106685590A (zh) * | 2016-12-08 | 2017-05-17 | 浙江工业大学 | 一种基于信道状态信息和knn的室内人体朝向识别方法 |
CN106803769A (zh) * | 2016-12-08 | 2017-06-06 | 浙江工业大学 | 一种基于wifi的无源‑无设备人体朝向检测方法 |
-
2018
- 2018-01-10 CN CN201810020804.6A patent/CN108268894A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105828289A (zh) * | 2016-04-20 | 2016-08-03 | 浙江工业大学 | 一种基于信道状态信息的无源室内定位方法 |
CN106503800A (zh) * | 2016-10-11 | 2017-03-15 | 天津大学 | 基于复杂网络的深度学习模型及在测量信号分析中的应用 |
CN106685590A (zh) * | 2016-12-08 | 2017-05-17 | 浙江工业大学 | 一种基于信道状态信息和knn的室内人体朝向识别方法 |
CN106803769A (zh) * | 2016-12-08 | 2017-06-06 | 浙江工业大学 | 一种基于wifi的无源‑无设备人体朝向检测方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109316192A (zh) * | 2018-09-13 | 2019-02-12 | 清华大学 | 基于移动网络信道状态信息的坐姿检测方法及装置 |
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 |
CN109472291A (zh) * | 2018-10-11 | 2019-03-15 | 浙江工业大学 | 一种基于dnn算法的人数统计分类方法 |
CN112825145A (zh) * | 2019-11-20 | 2021-05-21 | 上海商汤智能科技有限公司 | 人体朝向检测方法、装置、电子设备和计算机存储介质 |
CN114819427A (zh) * | 2022-07-01 | 2022-07-29 | 广东泳华科技有限公司 | 基于轨道交通站场平面结构的客流引导方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108268894A (zh) | 一种基于网络可视图的人体朝向检测方法 | |
CN107154088B (zh) | 基于信道状态信息的活动人员数量估计方法 | |
CN103581186B (zh) | 一种网络安全态势感知方法及系统 | |
CN108200644B (zh) | 一种基于网络可视图的无源室内定位方法 | |
CN107480699A (zh) | 一种基于信道状态信息和支持向量机的入侵检测方法 | |
CN105491013B (zh) | 一种基于sdn的多域网络安全态势感知系统及方法 | |
CN106412501B (zh) | 一种视频的施工安全行为智能监控系统及其监控方法 | |
Sobron et al. | Device-free people counting in IoT environments: New insights, results, and open challenges | |
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 | |
CN105404867B (zh) | 一种基于视觉的变电站隔离开关状态识别方法 | |
CN108924736A (zh) | 一种基于PCA-Kalman的无源室内人员状态检测方法 | |
CN108734055A (zh) | 一种异常人员检测方法、装置及系统 | |
CN108710756A (zh) | 基于谱聚类分析下多特征信息加权融合的故障诊断方法 | |
CN103390151B (zh) | 人脸检测方法及装置 | |
CN110365647A (zh) | 一种基于pca和bp神经网络的虚假数据注入攻击检测方法 | |
Zhang et al. | WiFiMap+: High-level indoor semantic inference with WiFi human activity and environment | |
CN108038419A (zh) | 基于Wi-Fi的室内人员被动检测方法 | |
CN106936517A (zh) | 一种异常无线电信号的自动识别系统及其方法 | |
CN108898520A (zh) | 基于轨迹数据的学生安全监控方法和系统 | |
CN108009690A (zh) | 一种基于模块度最优化的地面公交扒窃团体自动检测方法 | |
CN108088500A (zh) | 一种智能综合性环境检测系统及方法 | |
CN107451605A (zh) | 一种基于信道状态信息和支持向量机的简单目标识别方法 | |
CN106454750A (zh) | 一种基于压缩感知技术的多区域室内安全定位方法 | |
CN108918111A (zh) | 基于k-近邻贝叶斯多标签分类的断路器机械故障诊断方法 | |
Zhang et al. | CSI-based location-independent human activity recognition using feature fusion |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180710 |
|
RJ01 | Rejection of invention patent application after publication |