CN108650039A - 一种基于商用Wi-Fi的被动式人数估计方法 - Google Patents

Abstract

本发明公开了一种基于商用Wi‑Fi的被动式人数估计方法，该方法通过在监测区域布设Wi‑Fi设备，利用Wi‑Fi设备采集监测区域不同人数情况下的无线信息，从而建立监测区域的指纹库，利用指纹库建立非线性回归人数预测模型，并通过该模型进行监测区域内的人数预测。本发明结合当前人数估计领域的研究现状以及人流量检测的实际需求，利用现有商用Wi‑Fi设备，填补了该领域内相应的被动式、低代价、高精度的人数估计方法的空缺。

Description

一种基于商用Wi-Fi的被动式人数估计方法

技术领域

本发明涉及一种人数估计方法，具体涉及一种基于商用Wi-Fi的被动式人数估计方法。

背景技术

近些年来，随着经济的发展，人们生活水平不断提高，人们的出行率也逐渐增加，在景区，商场，公园等地点时常能看到大量人群聚集的情况，而这也是城市现代化建设下繁荣的表现之一。但随着大量人群聚集的现象频繁发生，与之相关的一系列问题也逐渐引起社会的关注，对于区域内人数的估计已经成为一个社会热点关注的问题。针对这种情况，人们越发迫切需要一些有效的人数监测方法。

当前越来越多的研究者对这个问题展开研究，并提出各种研究方法来解决问题，然而目前的人数估计解决方法大多需要专业的设备，或者需要人群绑定特定的设备，亦或是需要较高的学习成本，以上因素使得这些方法的实用性受到很大的局限。

因此在目前人数估计领域上，如何降低学习的高代价并能够抵御外部环境干扰的同时，使用常见的商用设备进行较为精确的被动式人数估计，仍是该领域一个亟待解决的问题。

发明内容

本发明的目的是提出一种被动式人数估计方法，该方法利用现有的商用Wi-Fi设备进行人数的估计，能降低学习代价并可低于外部环境干扰。

为了实现上述任务，本发明采用以下技术方案：

一种基于商用WI-Fi的被动式人数估计方法，包括以下步骤：

步骤1，在监测区域的两侧部署Wi-Fi设备；

步骤2，建立监测区域的指纹库

监测区域中人数为p时，利用Wi-Fi设备进行连续时间为T的数据采样，从采样获取的CSI数据包中选取一个对监测区域内人员活动最敏感的子载波作为优势子载波，建立CSI信息模拟矩阵Sim，将所述的优势子载波中数据包的数据映射到矩阵Sim中，并对映射位置的值置1，然后对矩阵Sim进行膨胀化处理，计算矩阵Sim中值为1的元素在矩阵Sim中的占比作为监测区域人数为p时的指纹；

当监测区域中人数p取不同值时，分别计算对应的指纹，将这些指纹构成监测区域的指纹库；

步骤3，利用监测区域的指纹库建立非线性回归人数估计模型；

步骤4，通过所述的人数估计模型进行监测区域内的人数预测。

进一步地，所述的优势子载波的选取公式为：

上面的两式中，K为Wi-Fi设备接收端的天线根数，连续时间T内接收端进行了b次数据采样，每次数据采样时每根天线上接收到S个子载波，d(i)_k,s为第k根天线的第s个子载波的数据包中数据的均值，u_k,s为第i次采样时第k根天线上第s个子载波的数据包中的数据值，s＝1,2,…,S；σ_k,s为第k根天线上连续数据的标准差；

取连续数据的标准差σ_k,s最大的子载波作为优势子载波。

进一步地，所述的建立CSI信息模拟矩阵Sim为：

Sim初始化为a×b的全0矩阵，a为模拟矩阵的预设大小，取值为100～150；b为连续时间T内Wi-Fi设备接收端采样次数。

进一步地，将所述的优势子载波中数据包的数据映射到矩阵Sim中，并对映射位置的值置1，包括：

通过线性函数标准化表达式进行计算：

上式中，X_i为优势子载波中第i个数据包中的数据，i＝1,2,...,b；X_max，X_min分别为优势子载波所有数据包中数据的最大值与最小值，M_max为a，M_min为1，local_i为优势子载波中第i个数据包在矩阵Sim对应位置的行号，local_i＝1,2,...,a；而i对应矩阵Sim中的列号；则优势子载波中第i个数据包在矩阵Sim当中对应的位置为(local_i,i)，将矩阵中该位置的值置1，其余位置的值为0。

进一步地，所述的对矩阵Sim进行膨胀化处理，包括：

对于矩阵Sim中的一个非零元素，将该非零元素周围相邻的所有位置的元素均置1。

进一步地，所述的利用监测区域的指纹库建立非线性回归人数估计模型，包括：

以所述的监测区域的指纹库为基础，通过最小二乘法得到非线性回归人数估计模型的回归系数，以该回归系数为起点，通过迭代的方式得到人数估计模型。

与现有技术相比，本发明有如下技术特点：

1.通过有效的人群监测解决方案，本发明能够几乎实时掌握某些区域内人群聚集的情况，因此在例如人流比较密集的商业场所，利用本发明方法能够提前对人群进行合理的引导，避免一些危险的发生。

2.通过统计公共设施不同区域内人群分布情况，还能合理的进行资源规划以提高服务质量；而且在目前智能城市与大楼逐渐普及的大环境下，根据人群情况对照明空调等进行优化设置，可以有效减少能源的消耗。

3.本发明提供了一种以CSI信息变化程度为特征的指纹提取方法，相较于不同分割粒度下基于方差的活动分割方法，提高了活动分割的效率。

4.本发明基于少量训练样本，提供了一种基于非线性回归的人数估计模型，降低了传统方法带来的高学习代价。

附图说明

图1是本发明方法结构框架图；

图2是本发明中的实验设备图；

图3是实验部署场景图，其中(a)为室内场景1，(b)室内场景2，(c)为室外场景图。

图4是室内场景1下人数估计实验结果图，其中(a)为不同人数下平均估计误差图，(b)为累积分布函数图；

图5是不同场景下人数估计实验结果图；

图6是人群不同活动速度下人数估计实验结果图；

图7是人数较多时人数估计的实验结果图；

图8是人数较多时人群规模估计准确率的实验结果图；

具体实施方式

本本发明公开了一种基于Wi-Fi信号的被动式人数估计方法，包括以下步骤：

步骤1，监测区域部署

在监测区域的两侧部署现有商用Wi-Fi设备构建收发端；本实施例中，Wi-Fi设备的发射端为TP-Link WDR7500Wi-Fi发射器，接收端为使用Intel5300AGN网卡的工控主板。可选地，发射端和接收端与地面的高度均为0.9m，且两者的距离为5m，发射端与接收端中间的区域即为监测区域，人员在监测区域内活动；通过发射端、接收端实现Wi-Fi信号的收发。

步骤2，建立监测区域的指纹库

本步骤中，先建立在监测区域中活动人数p为0至n的情况下的指纹库，其中n可以小于10或小于20；具体步骤如下：

步骤2.1，建立样本空间并获取优势子载波

当监测区域中活动人数为p时，接收端进行连续时间为T的数据采样；以连续时间T内接收端b次数据采样所获取的CSI数据包作为样本空间，本实施例中，b＝500；从b次数据采样得到的CSI数据包中获取优势子载波，具体的获取方法如下：

接收端接收到的每个CSI数据包中包含30个子载波，本发明通过子载波中数据包的数据对人活动的敏感度，选取最适合后续数据分析的优势子载波。该步骤中，通过对一段连续时间T内接收到的500个CSI数据包进行分析来选取优势子载波。

具体的方法是，连续获取500个CSI数据包，并统计这些CSI数据包内各个子载波中数据包的数据对监测区域内的人员活动的变化情况，选取对人员活动最敏感的子载波作为优势子载波，后续处理过程采用优势子载波中数据包的数据进行分析处理，过滤其他的子载波，从而降低计算复杂度；而子载波的敏感度以该子载波上连续数据包中数据的标准差来衡量。

优势子载波选取的方式由以下公式得到：

记接收端有K根天线，每根天线获取一个CSI数据包，记每根天线上接收到S个子载波，则接收端一次数据采样能够获取K×S个子载波；所述的连续时间T内进行数据采样的次数为b，即在连续时间T内K根天线上共获取K×b个CSI数据包。u_k,s为第i次采样时第k(k＝1,2,…K)根天线上第s(s＝1,2,…,S)个子载波的数据包中的数据值，d(i)_k,s为连续时间T内，第k根天线的第s个子载波的数据包中数据的均值，而σ_k,s为第k根天线上连续数据的标准差。

通过上面的两个公式，可计算出连续时间T内b次数据采样获取的CSI数据包中的优势子载波，即取连续数据的标准差σ_k,s最大的子载波作为样本空间内的优势子载波，优势子载波中的数据包和采样次数有关；例如本方案中在连续时间T内进行的数据采样次数为b，则获取的优势子载波中包含有b个连续的数据包。

步骤2.2，以样本空间内CSI数据包中的优势子载波中数据包的数据变化为特征，提取指纹，具体步骤如下：

(1)建立CSI信息模拟矩阵

本方案通过建立CSI信息模拟矩阵Sim，形象地模拟样本空间内优势子载波中连续数据包的数据波形情况。矩阵Sim如下：

Sim初始化为a×b的全0矩阵，a为模拟矩阵的预设大小，取值为100～150；b为样本空间的大小，即连续时间T内接收端采样次数，d_i,j为矩阵Sim中第i行第j列位置的元素，i＝1,2,...a，j＝1,2,...,b。通过Sim矩阵，本方案可以细致地将信号的高低起伏等变化在矩阵中模拟出来，从而能够更好地分析优势子载波上连续数据包的数据变化。

(2)将样本空间内优势子载波数据包中数据放入建立的矩阵Sim中。

本方案使用线性函数标准化的方法对优势子载波数据包中数据进行计算，从而得出优势子载波中的每个数据包中的数据在矩阵Sim中的对应位置，然后将矩阵Sim对应位置的值置1，其余位置的值为0，从而完成对样本空间内优势子载波连续数据包的数据的模拟。具体地，线性函数标准化的表达式如下：

上式中，X_i为样本空间中优势子载波中第i个数据包中数据(幅值)，i＝1,2,...,b；X_max，X_min分别为优势子载波所有数据包中数据的最大值与最小值，M_max为a，M_min为1，local_i为优势子载波中第i个数据包在矩阵Sim对应位置的行号local_i＝1,2,...,a，而i对应矩阵Sim中的列号；因此，通过上面的线性函数标准化方程，可计算出优势子载波中第i个数据包在矩阵Sim当中对应的位置：(local_i,i)，将矩阵中该位置的值置1。

通过上述方法计算出优势子载波中b个数据包在矩阵Sim中对应位置，将这些位置的值均置1，即可完成优势子载波数据矩阵模拟化。

(4)将CSI信息模拟矩阵膨胀化处理

通过以上步骤，矩阵Sim模拟了每个样本空间中CSI数据的优势子载波数据的分布情况，下面需要根据模拟的情况，来将矩阵中数据的变化情况进行评估。

在模拟化(即代入数值)后的矩阵Sim中，对值为1的元素进行“数据点扩张”即将该元素附近一定范围内的元素都置1，如果两个元素的范围较近则两个元素的扩张的区域会有大范围的重叠发生，如果两者距离较远，则各自区域重叠的部分较少，重叠即对同一个元素置1的操作。而最终矩阵中非0的区域越多表示该时间段内优势子载波上数据变化程度越小，反之变化程度越大。

基于这个原理出发，本发明通过对矩阵Sim中每个非0元素进行数据扩张，来量化矩阵Sim中数据的变化情况。具体地，对于矩阵Sim中的一个非零元素，将该非零元素周围相邻的所有位置的元素均置1，即将其上、下、左、右、左上、左下、右上、右下共8个相邻位置的元素均置1，使该非0元素为中心的正方形区域内的所有元素均置1；如果非零元素周围没有8个相邻位置，则存在几个相邻位置，就将这些位置的元素置1。

(5)统计模拟矩阵Sim中值为1的元素在整个矩阵中的占比，统计结果标准化为1-100的实数，即为当前样本的指纹，本发明将其称为CSI信息的变化程度指标(The Degreeof CSI Variation，DCV)，以下简称为DCV。对于监测区域人数为p时，对应的指纹y_p的计算过程如下：

y_p为当前样本空间的指纹，a为模拟矩阵的预设大小，b为样本空间的大小，Sum_one为矩阵中非0元素的个数。

当监测区域中的人数p为0,1,2，…n时，分别按照步骤2.1-2.2的方法计算对应的指纹，这些指纹即构成监测区域的指纹库：

y_pre＝(y₀,y₁,...,y_n)

步骤三，根据监测区域的指纹库建立人数估计模型

本发明通过监测区域人数在0至N情况下建立的指纹库来对监测区域人数进行估计。

以所述的监测区域的指纹库为基础，通过最小二乘法得到非线性回归人数估计模型的回归系数，以该回归系数为起点，通过迭代的方式得到人数估计模型。

步骤3.1：以最小二乘法选择迭代起点；

在传统的方法中，最小二乘估计求解的回归系数，并不是原函数的最优回归系数，但是在这种方法下得到的回归系数较为接近最优系数。因此本发明以该较为接近最优系数的回归系数作为迭代起点，向更高精度上不断进行迭代，直到得到满足本发明预设精度的回归系数。

首先将步骤2建立的指纹库y_pre＝(y₀,y₁,...,y_n)，与其对应的监测区域人数x_i(i＝1,2,...,n)初始化为n个观测点(x₁,y₁)，(x₂,y₂)，...(x_n,y_n)，使用最小二乘法求解基于这些观测点的非线性回归模型的回归系数。设非线性回归模型为：

上式中，β为非线性回归系数，ε为随机误差，为初始的非线性函数模型，模型的基本形式为S型生长曲线。

经过最小二乘法求解后的回归系数为：

β＝(β₁,β₂,...,β_m) 式2

β₁,β₂,...,β_m中分别为初始函数模型中m个未知回归系数。

步骤3.2：建立非线性回归人数估计模型

以步骤3.1中的回归系数β为起点，通过高斯牛顿法不断进行迭代，得到最终的人数估计模型。

本发明当前已知的n个观测点为：(x₁,y₁)，(x₂,y₂)，...(x_n,y_n)，回归系数的迭代起点设为β⁰＝(β₁ ⁰,β₂ ⁰,...,β_m ⁰)，β⁰表示回归系数当前迭代的次数，0为初始迭代次数，当前的非线性回归模型为：

其中β为本发明要求解的最优回归系数的集合，i＝1,2,...,n，ε_i为随机误差，且ε_i服从高斯马尔科夫假定的随机变量，即其服从均值为0，方差为σ²的正态分布。为初始的非线性函数模型，模型的基本形式为S型生长曲线。则β⁰＝(β₁ ⁰,β₂ ⁰,...,β_m ⁰)为求解的最优回归系数β＝(β₀,β₁,...,β_m)的预设初始值(其中n≥m)。

设为残差，残差平方和为本发明最终要求的最优回归系数应该满足残差平方和最小的情况。而要求极小值，即S对β的偏导等于0：

上式中，j＝1,2,...,m，β_j为m个未知回归系数中第j个回归系数，r_i为第i个观测点得到的残差，在非线性回归中是变量和参数的函数时，没有近似解，因此使用给出的初始值，用迭代法进行逼近：

上式中，k是进行迭代的次数，为第k次迭代第j个回归系数的结果，为k+1次迭代第j个回归系数的结果，Δβ_j是每次迭代增加的矢量，即每次迭代前进的步长。由于迭代函数是线性的，因此可以在每次迭代的初始值处用泰勒展开进行近似替代：

上式中，β^k为第k次迭代后回归系数集合的结果，设J为对β的雅克比矩阵，为了方便迭代设因此上可以化简为如下表达式：

注：雅克比矩阵在向量分析中用于体现可微方程组与预设初始点的最优线性逼近特征。J的具体情况可由上次迭代结果进行计算，因此J为已知矩阵。

当前迭代结果的的残差Δy_i可表示为：

最终回归模型的残差可以等价变形：

由式7至式9整理可得：

这里为了避免与前面的符号冲突，使用q来表示回归系数集合中某个回归系数的序号，Δβ_q该为m个回归系数中第q个回归系数的迭代步长，

将上式10代入式4中有：

移项并整理后为：

上式中，j＝1,2,....,m；

将上式写成矩阵形式有：

(J^TJ)Δβ＝J^TΔy 式13

上式中，Δβ回归系数集合的迭代步长，Δy为残差的集合，将上式移项代入式5中，得到最终最优回归系数的整体迭代形式为：

β^k+1＝β^k+(J^TJ)^-1J^Tr(β^k) 式14

上式中，r(β^k)为第k次迭代后残差的结果，因此初次迭代的步长b⁰为：

b⁰＝(J^TJ)^-1J^Tr(β⁰) 式15

设β¹为第一次的迭代结果，则有：

β¹＝β⁰+b⁰ 式16

设初始迭代的残差平方和SSR⁰为：

其中k为当前已经进行迭代的次数。设预先设置的误差率为K，当K满足预设精度时，说明当前迭代的结果满足预设的精度，则停止迭代输出当前迭代的结果，否则继续进行迭代直至满足要求为止。K的精度判定表达式为：

上式中，SSR^k为第k次迭代后的残差平方和。

则回归系数的迭代表达式为：

β^k+1＝β^k+b^k 式19

上式中，b^k为第k次迭代的步长。

从以上可知，通过上述的迭代方法，较传统方法中可以进一步提高最优回归系数的精度，一定程度上消除传统方法中存在的误差。

最终求得的非线性回归人数估计模型如下：

通过以上的过程，可得最优的人数估计模型，该人数估计模型可以根据样本空间的DCV值y_p得到与之对应的人数。

步骤四：通过人数估计模型估计监测区域内人数

步骤4.1：在监测区域需要进行人数估计时，首先通过接收端进行连续时间为T的数据采样，然后按照步骤2.1-2.2的方法计算当前监测区域的指纹；

步骤4.2：将步骤4.1中的指纹代入作为x_i代入步骤4的非线性回归模型中，得到最终估计人数；

具体的样本人数估计表达式如下：

其中Tag_num为当前区域内人数的预测值，y_cur为当前样本的DCV值，由于DCV值在估计模型中是因变量，因此将其代入估计模型的反函数形式中，求得其自变量，区域内的人数。

本实施例还提供了实验验证：

本发明的实验在真实的场景中进行，真实的实验场景分为两类。一类为室内场景，一类为室外场景。通过在室内室外两类场景下进行实验，验证系统在不同的场景下的效果，从而分析系统的适用场景与鲁棒性。实验选取了3个室内场景与1个室外场景作为真实的系统部署地点，具体的场景情况如图3的(a)、(b)所示。室内场景1为信息大楼的一楼室内大厅，室内场景2为信息大楼的某教室内，室内场景3为信息大楼中摆放了办公设备的办公室内，室外场景1为大楼下某空旷场地。

实验的默认部署设置为3.5m×3.5m的实验监测区域，无线收发设备部署在监测区域的两端。且无线信号的发射端和接收端设备与地面的距离均为1m高。

实验I：

人数估计方法基本有效性验证；图4的(a)、(b)中展示了三个真实场景下，对活动人数为0-10人的情况进行人数估计的结果。可以看出，本权利要求的人数估计方法可以达到较为理想的人数估计效果，并对不同的实验场景均具有较强的鲁棒性。

实验II：

人群以不同速度活动下人数估计方法验证；图5、图6中展示了监测区域内监测目标以不同速度活动时，人数估计的分析统计结果。从实验结果可以看出，当区域内的人群统一以较快和较慢的速度活动时，算法能够保持较高的估计精度，当人群以任意速度活动时，算法估计精度下降，但是估计精度仍然较高。因此本权利要求的人数估计方法对于人群活动速度不同的场景，具有较强的鲁棒性。

实验III：

不同人群规模下，人数估计方法验证；从图7中可以看出，当人数为1-10人时，系统的估计误差整体保持在2人以下，而当超过10人时误差越来越大，在达到20人时甚至平均误差达到了6人，这时本权利要求的人数估计方法已经难以对人数做出精确地估计。但当区域内人数大于10人时，这时区域内人群规模已经较大，再进行精确地人数估计意义不大。因此在这种情况下，对人群的规模进行较为精确的估计即可满足本发明研究背景下的需求。图8为统对人群规模的估计结果分析，系统将人群的规模分为低(0-5人)，中(6-10人)，高(10人以上)三个级别。其中每种人群规模下的估计准确率分别为78.5％，64.2％，84.7％，系统整体上对于人群规模的估计准确率为78.1％。因此当人数较多时，本方法仍然能够满足要求。

Claims (6)

1.一种基于商用WI-Fi的被动式人数估计方法，其特征在于，包括以下步骤：

步骤1，在监测区域的两侧部署Wi-Fi设备；

步骤2，建立监测区域的指纹库

监测区域中人数为p时，利用Wi-Fi设备进行连续时间为T的数据采样，从采样获取的CSI数据包中选取一个对监测区域内人员活动最敏感的子载波作为优势子载波，建立CSI信息模拟矩阵Sim，将所述的优势子载波中数据包的数据映射到矩阵Sim中，并对映射位置的值置1，然后对矩阵Sim进行膨胀化处理，计算矩阵Sim中值为1的元素在矩阵Sim中的占比作为监测区域人数为p时的指纹；

当监测区域中人数p取不同值时，分别计算对应的指纹，将这些指纹构成监测区域的指纹库；

步骤3，利用监测区域的指纹库建立非线性回归人数估计模型；

步骤4，通过所述的人数估计模型进行监测区域内的人数预测。

2.如权利要求1所述的基于商用WI-Fi的被动式人数估计方法，其特征在于，所述的优势子载波的选取公式为：

上面的两式中，K为Wi-Fi设备接收端的天线根数，连续时间T内接收端进行了b次数据采样，每次数据采样时每根天线上接收到S个子载波，d(i)_k,s为第k根天线的第s个子载波的数据包中数据的均值，u_k,s为第i次采样时第k根天线上第s个子载波的数据包中的数据值，s＝1,2,…,S；σ_k,s为第k根天线上连续数据的标准差；

取连续数据的标准差σ_k,s最大的子载波作为优势子载波。

3.如权利要求1所述的基于商用WI-Fi的被动式人数估计方法，其特征在于，所述的建立CSI信息模拟矩阵Sim为：

Sim初始化为a×b的全0矩阵，a为模拟矩阵的预设大小，取值为100～150；b为连续时间T内Wi-Fi设备接收端采样次数。

4.如权利要求1所述的基于商用WI-Fi的被动式人数估计方法，其特征在于，将所述的优势子载波中数据包的数据映射到矩阵Sim中，并对映射位置的值置1，包括：

通过线性函数标准化表达式进行计算：

上式中，X_i为优势子载波中第i个数据包中的数据，i＝1,2,...,b；X_max，X_min分别为优势子载波所有数据包中数据的最大值与最小值，M_max为a，M_min为1，local_i为优势子载波中第i个数据包在矩阵Sim对应位置的行号，local_i＝1,2,...,a；而i对应矩阵Sim中的列号；则优势子载波中第i个数据包在矩阵Sim当中对应的位置为(local_i,i)，将矩阵中该位置的值置1，其余位置的值为0。

5.如权利要求1所述的基于商用WI-Fi的被动式人数估计方法，其特征在于，所述的对矩阵Sim进行膨胀化处理，包括：

对于矩阵Sim中的一个非零元素，将该非零元素周围相邻的所有位置的元素均置1。

6.如权利要求1所述的基于商用WI-Fi的被动式人数估计方法，其特征在于，所述的利用监测区域的指纹库建立非线性回归人数估计模型，包括：

以所述的监测区域的指纹库为基础，通过最小二乘法得到非线性回归人数估计模型的回归系数，以该回归系数为起点，通过迭代的方式得到人数估计模型。