CN108924736B - 一种基于PCA-Kalman的无源室内人员状态检测方法 - Google Patents

Abstract

本发明提供了一种基于PCA‑Kalman的无源室内人员状态检测方法，采集测试区域的位置坐标，对原始数据降噪处理，用改进的PCA算法提取出最有贡献的特征，降低CSI数据的维数，提取原始位置指纹的非线性特征，将处理后的CSI信号存储在指纹数据库中，并根据环境变化实时更新指纹数据库；用SVM算法对真实环境中的数据进行分类，将检测区域分为若干参考点，并按升序进行编号，采集检测区域中人员的行为状态，将获得的CSI数据以及振幅、相位的变化传输到服务器；将人员状态检测结果与指纹数据库中的数据匹配，根据匹配结果实现对人员在室内环境中不同状态的检测。该方法降低了算法的时间复杂度，提高人员状态检测率，减少误差。

Description

一种基于PCA-Kalman的无源室内人员状态检测方法

技术领域

本发明属于无线感知技术领域，涉及一种利用商业Wi-Fi设备提取CSI信号，使用CSI中大量有效的特征值获取室内人员状态的信号变化，主要用于解决室内人员状态检测以及跟踪。特别是针对室内Wi-Fi下的人员状态检测。

背景技术

随着无线传感器网络WSNs（Wireless Sensor Networks）的不断进步与发展，人们研究的眼光已经不仅仅局限于传统的室内定位与位置感知。目前，多个领域都开始利用无线电进行位置感知。例如，典型的基于UWB（Ultra Wideband）的雷达系统，而目前比较新颖的基于商用Wi-Fi设备的室内定位技术，在各个方面都有较好的发展优势。如室内入侵检测、校园安全、商场人员检测、病人监护、家中老人，小孩的实时检测等多个领域中。

在传统的室内定位技术中，对于位置服务与环境感知，主要是依据RSSI（ReceivedSignal Strength Indication）技术。但从这些技术的实验结果分析中发现，其定位精度不够高，主要原因是RSSI的稳定性较低、其值会受时间影响。相比RSSI，信道状态信息（CSI）在时间分辨率、频率分辨率、稳定性等方面都具有明显的优势。另外，CSI作为物理层信息，包括很多介质访问控制层不可见的信道信息，因此，CSI可以从一个数据包中同时获取多个子载波的频率响应，从而更加精细地刻画频率选择信道，并且CSI既可以测量每个子载波的幅度，还可以测量每个子载波的相位信息。CSI使得普通商业Wi-Fi设备在一定程度上能从时域上粗略地区分传播路径，从多个角度为识别系统提供更高的检测率。

近几年，基于CSI的环境感知技术得到了迅速的发展。包括麻省理工学院、华盛顿大学、斯坦福大学、香港科技大学、西安交通大学、清华大学等在计算机网络和移动计算领域著名学术会议和期刊上发表了多篇论文，做了许多贡献与创新，包括无线定位、动作识别、手势识别等。

发明内容

本发明的目的是提供一种基于PCA-Kalman的无源室内人员状态检测方法，实现Wi-Fi下室内人员状态检测，提高整体效率以及检测精度。

为实现上述目的，本发明所采用的技术方案是：一种基于PCA-Kalman的无源室内人员状态检测方法：

1）采集测试区域的位置坐标，并利用卡尔曼滤波算法对原始数据进行降噪处理，并利用改进的PCA算法提取出最有贡献的特征，降低CSI数据的维数，提取原始位置指纹的非线性特征，将处理后的CSI信号存储在指纹数据库中，并根据环境变化实时更新指纹数据库；

2）利用SVM算法对真实环境中的数据进行分类，将检测区域分为若干参考点，并按升序进行编号，然后，采集检测区域中人员的行为状态，将所获得的CSI数据，以及振幅、相位的变化传输到服务器；

3）将得到的人员状态检测结果与指纹数据库中的数据进行匹配，根据匹配结果实现对人员在室内环境中不同状态的检测。

本发明检测方法将处理后的数据与指纹数据库中的数据进行匹配，根据匹配结果实现对人员在室内环境中不同状态的检测，不仅降低了算法的时间复杂度，而且提高了对人员状态的检测率，减少了误差。

附图说明

图1是本发明检测方法的流程图。

图2是使用Kalman滤波算法处理之前的CSI数据波形图。

图3是使用Kalman滤波算法处理之后的CSI数据波形图。

图4 是测试人员在做不同动作是的信号图。

图5是视距环境图（LOS）。

图6是非视距环境图（NLOS）。

图7是穿墙环境图（Through one wall）。

图8是振幅信号在空旷大厅环境下变化的曲线图。

图9是振幅信号在实验室环境下的变化曲线图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明提供了一种基于PCA-Kalman的无源室内人员状态检测方法，其流程图，如图1所示，该检测方法具体按以下步骤进行：

1）采集测试区域的位置坐标，并对接收到的CSI原始数据进行处理：即利用卡尔曼滤波算法对原始数据进行降噪处理，并利用改进的PCA算法提取出最有贡献的特征，即将杂乱无章的信号剔除后选用的较为稳定的数据信号（在实验过程中，室内有许多额外的信号干扰、多径干扰，如电子产品、室内的家居等。所以采集到的一部分数据信号会非常杂乱无章，毫无意义，将此类信号归为非贡献的信号。为了接下来的处理过程更有效，采用PCA+Kalman算法将无用的信号过滤，选择最有贡献（即有用）的信号特征），降低CSI数据的维数；即提取原始位置指纹的非线性特征；将处理后的CSI信号（即CSI指纹）存储在指纹数据库中，并根据环境变化实时更新指纹数据库；

降噪处理：为了得到更有效的振幅数据，利用Kalman算法将异常值剔除，处理前后的效果图，如图2和图3所示，明显可以看出，图2的信号图有很多异常值，用虚线框表示。图3经过Kalman算法处理后的信号变得整齐有序，整体变化趋势清晰可见。可以得到一组处理过的数据，这将为最终的室内人员状态检测结果做好准备。具体步骤如下：

步骤1：设X _k 为k时刻的状态向量，将系统向量转换为线性方程的形式，那么成为系统的状态转移方程如下：

X _k =F _k X _k－1+B _k U _k +W _k

F _k 是状态转移矩阵；B _k 是控制矩阵；U _k 是控制向量；W _k 是转移过程的噪声。

步骤2：若Z _k 为k时刻对系统的观测向量，则观测方程为：

Z _k =H _k X _k +V _k

H _k 是观测矩阵，V _k 是观测噪声。

步骤3：噪声假设服从高斯分布，即：

Q _k 和R _k 分别为W _k 和V _k 的协方差矩阵。

步骤4：利用Kalman估算k时刻系统的状态量：

1）计算系统k时刻状态的预测值：

2）计算预测值的协方差矩阵：

式中：P _k-1为协方差矩阵；

3）计算卡尔曼增益矩阵

4）根据观测值，改正预测值得到系统状态量的最优估计：

5）更新协方差矩阵：

已知初始状态量和协方差矩阵的前提下重复以上步骤，最后得到任意时刻系统的最优值。

改进的PCA算法的含义是将PCA算法与Kalman算法进行融合得出的一种新的算法，实验结果证明，该融合后的算法可以得到更高的检测率，并且算法稳定性较好。

特征提取：在实验室环境下，采集360维CSI样品；但在露天大厅环境中，CSI样本包含270个维度。同时，高维性也会导致时间复杂性。由于每个维度对人类行为检测都有不同的贡献，采用PCA算法提取出最具贡献的特征，降低CSI数据的维数；PCA算法基于高维特征空间数据的最大方差，然后通过线性变换投影到低维空间，使更多的指标可以转换成几个独特的综合指标即特征明显的主成分，且所得的若干主成分，尽可能多地保留了原始变量的信息，彼此不相关。

主成分分析的核心是对角化协方差矩阵，使维数之间的相关性最小。此外，它还可以提高和保持维度的能量。具体来说，作为一个高维数据集，在最大限度地保持原始数据的同时，尽可能地减小维数，消除冗余数据和噪声。如果将CSI信号直接用作指纹特征，则数据维数高，参数估计困难且计算量大。在此基础上，利用主成分分析方法提取特征，去除位置特征与分量之间的相关性。该方法不仅减少了数据的维数和数据量，而且降低了CSI信号中的噪声和定位误差。因此，直接从子载波中提取特征值，从而提取出更有用的特征值。具体处理方法如下所示：

首先，求出单个信道状态的频域模型。公式可以表示为：

Y=HX+N

式中，Y为接收信号向量，X为发射信号向量，H代表信道矩阵，N为高斯白噪声向量。根据上一步骤可以将所有的子载波表示为：

CSI=Y/X

那么，单个子载波的CSI可以表示为：

∣csi∣和csi分别表示对应于该子载波的幅度和相位。此外，应用卡尔曼滤波算法对上述的幅度信息进行滤波处理，再利用PCA算法提取特征值，去除冗余数据，有效建立指纹数据库。我们在选定的定位区域中部署了N个参考点。每个参考点p _i (x _i ,y _i )的位置和N个参考点的物理位置构成了一个位置空间P=(p ₁ ,p ₂ ,…p _N ) ^T 。参考点的CSI信号被收集在每个参考点上，并且每个参考点被收集N次，并将采集到的信号作为位置p _i (x _i ,y _i )的原点。指纹信息被记录为n维向量，Q=(csi ₁, csi ₂,…csi _n) ^T ，i∈(1,N)。其中每个CSI信号又是一个复杂矩阵：m×n×56。利用所有参考点的原始位置指纹来构成一个𝑛×𝑁的原始位置指纹空间Q。Q是Q=(Q ₁,Q ₂,…Q _N ) ^T ，其中Q表示为矩阵中的每一行向量，代表参考点的原始位置指纹。然后提取原始指纹空间的主要特征，去除冗余数据，形成特征位置指纹空间，用公式表示：

2）利用SVM算法对真实环境中的数据进行分类，将检测区域分为若干参考点，并按升序进行编号，然后，测试人员将逐个遍历参考点，在每个参考点都进行站立、跳跃、半蹲、坐下等的行为状态。将此时所获得的CSI数据，以及振幅、相位的变化将传输到服务器。具体的步骤如下所示：

步骤1：设T为采样数据的周期，且为1.0s，首先，所有的参考点都需测试。具体操作：在测试位置，进行跳跃、站立、半蹲、坐下等动作。假设接收端依次采样的样本训练集为：｛（x _i ,y _i ）｝,i=1,2,…n，则SVM的回归函数为：

f(x)=w×x+b

式中，w为权向量，b为偏置向量。

步骤2：通过求解上式中的w和b，可得最小化目标函数：

式中，C称为惩罚系数；R _emp (f)为损失函数。

步骤3：引入松弛因子，上式的优化目标函数转换为：

式中，

表示为松弛因子。

步骤4：引入Lagrange函数，求如下对偶形式获乘子

，

步骤5：新的特征空间映射了原始数据，并引入映射函数φ，则SVM回归为：

f(x)= w×φ(x)+b

步骤6：则优化目标函数转化为以下形式：

步骤7：引入核函数k(x _i ,x _j )，代替(φ(x _i ),φ(x _j ))，上式可转化为如下的优化目标函数：

步骤8：最终的SVM的预测函数为：

训练阶段，利用SVM算法对真实环境中的数据进行分类，不仅降低了算法的时间复杂度，而且提高了对人员状态的检测率，减少了误差。

在机器学习中，SVM是一种与相关的学习算法有关的监督学习模型，它可以分析数据、识别模式、分类和回归分析。给定一组训练样本，每个标记属于两个类，一个SVM训练算法建立一个模型，将一个新实例分配给一个类或其他类，使它成为一个非概率的二元线性分类。此特征符合本文实验方法，可以有效结合CSI数据，从而降低算法时间复杂度，提高整体性能。

3）将上述得到的人员状态检测结果与指纹数据库中的数据进行匹配，根据匹配结果实现对人员在室内环境中不同状态的检测，如奔跑、跳跃、坐下等动作的检测如图4所示。

由于不同的多径传播条件可能导致基于人体运动的不同灵敏度，进而影响人体检测结果。在多径室内环境中，无线信号可以改变信号在更多的环境中的传播。通过反射、绕射和散射以及人体运动的复杂方式，在不同的灵敏度下产生不同的振幅信号。在三种不同的场景中反复进行实验，三种环境布局图，如图5、图6和图7所示，从图5、图6和图7可以看出，信号发送端Tx与信号接收终端Rx之间的距离是不同的，人员的不同位置和主体的不同动作对信号的变化有影响。因此，非视线路径（图6）和相隔一堵墙（图7）的场景下可能会干扰人们的行动。更多的路径会导致接收到的信号发生更严重的波动。相反，在视距路径（图5）上，人的运动对接收信号没有明显的影响。且在三种不同的环境中，本发明检测方法对室内人员状态检测率平均为95%测率。

于是，为证明振幅信号是易获取和较敏感的，分别在空旷大厅环境下和实验室环境下进行数据采集。具体的实验图如图8和图9，振幅信号在空旷大厅中的变化曲线图，见图8，振幅信号在实验室环境下的变化曲线图，如图9所示。从图8和图9中可以看出，在不同的环境中，收发距离、位置等因素对接收信号的灵敏度有很大的影响。由此可见，振幅信号较为敏感，并且容易获取，因此，本方法选择使用振幅信号作为特征值。

本发明基于信道状态信息（CSI）和主成分分析的无源室内人员状态检测方法，分别在视距境、非视距环境和穿墙的环境中进行实验。这个方法可以分成两部分，第一部分是数据采集。通过采集不同时间段的CSI原始数据包，再利用PCA算法的特点，对原始CSI数据进行降维，建立指纹数据库。然后，利用卡尔曼滤波算法去除部分异常值，得到更稳定的数据，为下一步的实验做好充分的准备，与此同时，通过检测到的实时运动速度对PCA算法的估计结果也进行了修正，以减少匹配错误。然后，是训练阶段，利用SVM算法对真实环境中的数据进行分类，该方法不仅降低了算法的时间复杂度，而且提高了对人员状态的检测率，减少了误差。最后，将处理后的数据与指纹数据库中的数据进行匹配，根据匹配结果实现对人员在室内环境中不同状态的检测。

Claims (1)

1.一种基于PCA-Kalman的无源室内人员状态检测方法，其特征在于，该检测方法具体按以下步骤进行：

步骤1：采集测试区域的位置坐标，并利用卡尔曼滤波算法对原始数据进行降噪处理，并利用改进的PCA算法提取出最有贡献的特征，降低CSI数据的维数，提取原始位置指纹的非线性特征，将处理后的CSI信号存储在指纹数据库中，并根据环境变化实时更新指纹数据库；所述步骤1中的降噪处理：

1）设X _k 为k时刻的状态向量，将系统向量转换为线性方程的形式，那么成为系统的状态转移方程如下：X _k =F _k X _{k－ 1} +B _k U _k +W _k

F _k 是状态转移矩阵；B _k 是控制矩阵；U _k 是控制向量；W _k 是转移过程的噪声；

2）若Z _k 为k时刻对系统的观测向量，则观测方程为：

Z _k =H _k X _k +V _k

H _k 是观测矩阵，V _k 是观测噪声；

3）噪声假设服从高斯分布，即：

Q _k 和R _k 分别为W _k 和V _k 的协方差矩阵；

4）利用Kalman估算k时刻系统的状态量：

a.计算系统k时刻状态的预测值：

b.计算预测值的协方差矩阵：

式中：P _k-1为协方差矩阵；

c.计算卡尔曼增益矩阵

d.根据观测值，改正预测值得到系统状态量的最优估计：

e.更新协方差矩阵：

已知初始状态量和协方差矩阵的前提下重复以上步骤，最后得到任意时刻系统的最优值；

特征提取：

首先，求出单个信道状态的频域模型；公式可以表示为：

Y=HX+N

式中，Y为接收信号向量，X为发射信号向量，H代表信道矩阵，N为高斯白噪声向量；根据上一步骤可以将所有的子载波表示为：

CSI=Y/X

那么，单个子载波的CSI可以表示为：

csi=∣csi∣e ^{j sin∠csi}

∣csi∣和csi分别表示对应于该子载波的幅度和相位；此外，应用卡尔曼滤波算法对上述的幅度信息进行滤波处理，再利用PCA算法提取特征值，去除冗余数据，有效建立指纹数据库；在选定的定位区域中部署了N个参考点；每个参考点p _i (x _i ,y _i )的位置和N个参考点的物理位置构成了一个位置空间P=(p ₁ ,p ₂ ,…p _N ) ^T ；参考点的CSI信号被收集在每个参考点上，并且每个参考点被收集N次，并将采集到的信号作为位置p _i (x _i ,y _i )的原点；指纹信息被记录为n维向量，Q=(csi ₁, csi ₂,…csi _n) ^T ，i∈(1,N)；其中每个CSI信号又是一个复杂矩阵：m×n×56；利用所有参考点的原始位置指纹来构成一个𝑛×𝑁的原始位置指纹空间Q；Q是Q=(Q ₁,Q ₂,…Q _N ) ^T ，其中Q表示为矩阵中的每一行向量，代表参考点的原始位置指纹；然后提取原始指纹空间的主要特征，去除冗余数据，形成特征位置指纹空间，用公式表示：

步骤2：利用SVM算法对真实环境中的数据进行分类，将检测区域分为若干参考点，并按升序进行编号，然后，采集检测区域中人员的行为状态，将所获得的CSI数据，以及振幅、相位的变化传输到服务器；

步骤3：将得到的人员状态检测结果与指纹数据库中的数据进行匹配，根据匹配结果实现对人员在室内环境中不同状态的检测，具体为：

1）设T为采样数据的周期，且为1.0s，首先，所有的参考点都需测试；具体操作：在测试位置，进行跳跃、站立、半蹲、坐下动作；假设接收端依次采样的样本训练集为：｛（x _i ,y _i ）｝,i=1,2,…n，则SVM的回归函数为：

f(x)=w×x+b

式中，w为权向量，b为偏置向量；

2）通过求解上式中的w和b，可得最小化目标函数：

式中，C称为惩罚系数；R _emp (f)为损失函数；

3）引入松弛因子，上式的优化目标函数转换为：

式中，

表示为松弛因子；

4）引入Lagrange函数，求如下对偶形式获乘子

；

5）新的特征空间映射了原始数据，并引入映射函数φ，则SVM回归为：

f(x)= w×φ(x)+b

6）则优化目标函数转化为以下形式：

7）引入核函数k(x _i ,x _j )，代替(φ(x _i ),φ(x _j ))，上式可转化为如下的优化目标函数：

8）最终的SVM的预测函数为：

。

Images