CN109033979A - 基于wifi和摄像机传感器决策级融合的室内行人检测方法 - Google Patents
基于wifi和摄像机传感器决策级融合的室内行人检测方法 Download PDFInfo
- Publication number
- CN109033979A CN109033979A CN201810693089.2A CN201810693089A CN109033979A CN 109033979 A CN109033979 A CN 109033979A CN 201810693089 A CN201810693089 A CN 201810693089A CN 109033979 A CN109033979 A CN 109033979A
- Authority
- CN
- China
- Prior art keywords
- wifi
- camera
- res
- characteristic pattern
- fusion
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/50—Constructional details
- H04N23/54—Mounting of pick-up tubes, electronic image sensors, deviation or focusing coils
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/10—Small scale networks; Flat hierarchical networks
- H04W84/12—WLAN [Wireless Local Area Networks]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Computer Networks & Wireless Communication (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于WIFI和摄像机传感器决策级融合的室内行人检测方法,计算动静条件下CSI序列的欧氏距离、马氏距离,动态条件下的方差距离。若三个距离大于各自设置的距离参数,然后对三个距离的结果做或运算,得到WIFI传感器的检测结果Reswifi。其次,进行摄像机视频帧的行人检测;基于CNN卷积神经网络和多尺度特征图融合,采用mobilenet‑SSD深度学习目标检测方法以实现视频帧中的行人检测,从而得到摄像机传感器的检测结果Rescamera。最后,决策级融合策略,使用摄像机采集到的视频帧的平均灰度值α,并归一化到[0,1]之间,采用公式Resfinal=αRescamera+(1‑α)Reswifi作为融合规则,从而得到最终的检测结果,当结果大于给定的阈值thresh时,判定室内有行人,否则判定室内无行人。
Description
技术领域
本发明属于多传感器目标检测融合领域,涉及一种基于WIFI和摄像机传感器决策级融合的室内行人检测方法。
背景技术
随着科技和经济的发展,人们的日常生活得到了极大的改善和提高,与此同时带来的是安全方面的防护问题,特别是对家庭居住环境、财产以及人身安全的保护问题。入侵检测技术是一种对周边区域环境中的移动目标进行监测,同时对非法入侵的人员发出警报和提醒相关工作人员的检测技术。例如银行、博物馆、停车场等地方的智能入侵检测和警报系统,当有意外发生时,监测系统能够向警卫人员及时而准确地发出警报,避免犯罪情况的发生。传统的通过动物、现场报警、防盗门、防盗网的形式来预防盗贼,虽然一定程度上可以起到防盗的效果,但不能及时告诉事主,也不能及时阻止犯罪和找到相应的犯罪证据。同时,现有的一些监控系统大部分都价格昂贵、安装繁琐、依赖于电脑,不是很适合家庭安防监控。随着计算机、通信、电子等技术的不断发展,实现了对家庭的安防从本地监控到远程监控的发展历程,它主要是以取证及相应的预防作为目的,对犯罪分子能起到很好的威慑作用,同时也能及时减少盗窃这类事情的发生。
而单传感器在人员入侵检测方面或多或少存在着各自的局限性:红外技术将红外线能量集中于一条很窄的窄带上,因而可以传输很远的距离。然而,这一优点也是缺点,因为不能实现对目标区域的全覆盖,留出的空间缝隙容易被入侵者利用,降低其检测准确率;摄像头一方面会受到室内光线的影响,光线较弱的情况下功能受限。另一方面其只能检测视距范围内的目标,存在较大局限性;WIFI信号受环境影响明显,易引起误判。且由于远距离的接收的较弱信号,可能会对结果产生漏判。
单传感器已经无法满足室内人员检测需求。多传感器相互结合,有效的拓宽了检测的时空覆盖范围,既保留了各自传感器检测的优点,又弥补了相互的不足,可以减少单传感器带来的局限性,具有研究成本低、检测率高,抗干扰能力和鲁棒性较强的特点,有相当高的研究价值,对人类社会具有非常重要的意义。
传统的室内人员检测多采用摄像机传感器,在光照弱的情况下,功能受限,另一方面其只能检测视距范围内的目标,存在较大局限性。WIFI信号受环境影响明显,易引起误判。且由于远距离的接收的较弱信号,可能会对结果产生漏判。为此提出一种基于WIFI和摄像机传感器决策级融合的室内行人检测方法。
发明内容
要解决的技术问题
为了避免现有技术的不足之处,本发明提出一种基于WIFI和摄像机传感器决策级融合的室内行人检测方法。
技术方案
一种基于WIFI和摄像机传感器决策级融合的室内行人检测方法,其特征在于:将摄像机传感器的镜头置于对准入门,检测方法步骤如下:
步骤1:对WIFI传感器的CSI信号幅值计算,得到WIFI传感器的检测结果:
记动、静态条件下的CSI信号幅值序列分别为 其中表示标记为j的离散时间索引为i处的CSI信号幅值,其中i={1,2,…,L},L为滑动窗口的长度;j={1,2},取值为1表示动态条件下的幅值,取值为2表示静态条件下的幅值,动态条件下的CSI信号是WIFI传感器的实时信号,静态条件下的CSI信号是环境干扰较弱条件下采集到的WIFI信号;
计算动、静态条件下CSI信号幅值的欧氏距离:
计算动、静态条件下CSI信号幅值的马氏距离:
其中,μ为S1(t)的均值,C为S2(t)的协方差矩阵;
计算动态条件下的CSI信号幅值的方差距离:
其中,L为滑动窗口的长度,为滑动窗口中第k时刻的CSI信号幅值,μ为S1(t) 的均值;
若三个距离E12、M12、Var大于各自设置的距离参数,则将其各自对应的结果置为1,否则置为0;然后对三个距离的结果做或运算,得到WIFI传感器的检测结果 Reswifi,将Reswifi传递至融合模块进行决策;
步骤2、摄像机传感器的行人检测:对从摄像机获取的图像进行行人检测,从而得到摄像机传感器的检测结果Rescamera,将Rescamera传递至融合模块进行决策:
1、卷积操作提取特征:假定卷积层的输入特征图Fin的参数为Win×Hin×Cin,Win表示特征图的宽度,Hin表示特征图的高度,Cin表示特征图的通道数。卷积层的卷积参数为K,S,P,Stride,K表示卷积核的数目,S表示卷积核的宽度和高度,P表示对输入特征图进行补零操作,例如P=1表示对输入特征图的周围补一圈0,Stride表示卷积核在输入特征图上的滑动步长。则卷积层的输出特征图Fout的参数为Wout×Hout×Cout,Wout表示特征图的宽度,Hout表示特征图的高度,Cout表示特征图的通道数,其参数计算如下:
2、池化层压缩特征:采用最大池化层,即在对特征图进行下采样时,选取2×2格子中值最大的数传递至输出特征图中。池化操作中,输入输出特征层的通道数不变,输出特征图的大小是输入特征图的大小一半;
3、相邻尺度的特征融合操作:设相邻尺度特征图的较大的特征图Fbig的参数为Wbig×Hbig×Cbig,较小的特征图Fsmall的参数为Wsmall×Hsmall×Csmall,其中Wbig=2×Wsmall。对较大尺度的特征图进行卷积操作,则卷积的参数为K=Csmall,S=3,P=1,Stride=2,则通过公式(4)可以计算出输出的特征图Fout的参数为Wout=Wsmall,Hout=Hsmall,Cout=Csmall,将特征图Fsmall和Fout对应位置的参数进行线性叠加,即可得到相邻尺度的融合特征图;
4、行人预测:将多个相邻尺度的融合特征图送入网络的检测层,检测层可以预测图像中行人的目标框和置信度信息,设置置信度的阈值,以抑制一些误检的目标框。若检测到有行人,则Rescamera=1,否则Rescamera=0;
步骤3、WIFI和和摄像机传感器检测结果的融合:
1、计算融合权重α:
其中,I是图像对应的二维灰度矩阵,W是图像的像素宽度,H是图像的像素高度,除以255是将图像的灰度均值归一化到区间[0,1];
2、以融合规则进行融合
融合规则:Resfinal=αRescamera+(1-α)Reswifi
其中,Rescamera为摄像机传感器的检测结果,Reswifi为WIFI传感器的检测结果,α为归一化到区间[0,1]的图像灰度值的平均值;
步骤4:设定阈值thresh,若Resfinal≥thresh,则判定检测到有行人,否则,无检测结果。
所述距离参数0.2~0.4。
所述阈值thresh为0.4~0.6。
有益效果
本发明提出的一种基于WIFI和摄像机传感器决策级融合的室内行人检测方法,WIFI传感器计算动静条件下固定时间窗口内的CSI幅值距离,通过幅值距离阈值来判定是否有目标入侵;摄像机传感器采用mobilenet-SSD深度学习目标检测方法,从而实现对采集到的视频帧进行检测;决策级融合策略,使用摄像机采集到的视频帧的平均灰度值α,并归一化到[0,1]之间,则α为摄像机传感器结果的权重,(1-α)为WIFI 传感器的权重。从而实现WIFI和摄像机传感器决策级融合的室内行人检测。
优点包括以下几个方面:第一,摄像机传感器,采用mobilenet-SSD深度学习目标检测方法,对比传统的HOG+SVM行人检测算法,其速度更快,准确率更高,定位精度更好;第二,决策级融合策略,使用摄像机采集到的视频帧的平均灰度值α,并归一化到[0,1]之间,则α为摄像机传感器结果的权重,(1-α)为WIFI传感器的权重。相比于传统1+1的融合策略,我们的融合策略能够适应室内环境光强的变化,能够适应24小时的室内人员检测。
该方法有效的拓宽了检测的时空覆盖范围,既保留了各自传感器检测的优点,又弥补了相互的不足,可以减少单传感器带来的局限性,具有研究成本低、检测率高的优点,抗干扰能力和鲁棒性较强的特点,有相当到的研究价值,对人类社会具有非常重要的意义。
附图说明
图1:本发明方法的总体框架图
图2:(a)基于方差距离算法的WIFI信号检测结果图(b)基于马氏距离算法的 WIFI信号检测结果图
图3:基于mobilenet-SSD的室内行人检测结果图(a)清晰条件下的检测结果(b)模糊条件下的检测结果
具体实施方式
现结合实施例、附图对本发明作进一步描述:
本发明的基本思路是:WIFI传感器计算动静条件下固定时间窗口内的CSI幅值距离,通过幅值距离阈值来判定是否有目标入侵;摄像机传感器采用mobilenet-SSD深度学习目标检测方法,从而实现对采集到的视频帧进行检测;决策级融合策略,使用摄像机采集到的视频帧的平均灰度值α,并归一化到[0,1]之间,则α为摄像机传感器结果的权重,(1-α)为WIFI传感器的权重。从而实现WIFI和摄像机传感器决策级融合的室内行人检测。
本发明方法的特征在于步骤如下:
步骤1WIFI传感器的CSI(Channel State Information,信道状态信息)信号幅值分析:
记动、静态条件下的CSI信号幅值序列分别为 其中表示标记为j的离散时间索引为i处的CSI信号幅值,其中i={1,2,…,L},L为滑动窗口的长度;j={1,2},取值为1表示动态条件下的幅值,取值为2表示静态条件下的幅值。(动态条件下的CSI信号是WIFI传感器的实时信号,静态条件下的CSI信号是环境干扰较弱条件下采集到的WIFI信号)
(1)计算动、静态条件下CSI信号幅值的欧氏距离、马氏距离
(a)欧氏距离:
(b)马氏距离:
其中,μ为S1(t)的均值,C为S2(t)的协方差矩阵。
(2)计算动态条件下的CSI信号幅值的方差距离
其中,L为滑动窗口的长度,为滑动窗口中第k时刻的CSI信号幅值,μ为 S1(t)的均值。
若三个距离E12、M12、Var大于各自设置的距离参数,则将其各自对应的结果置为1,否则置为0;然后对三个距离的结果做或运算,得到WIFI传感器的检测结果 Reswifi,将Reswifi传递至融合模块进行决策。
步骤2摄像机传感器的行人检测:基于卷积神经网络和多尺度特征图融合,采用深度学习目标检测方法mobilenet-SSD(SSD,Single Shot MultiBox Detector,一种端到端的深度学习目标检测方法,mobilenet表示轻量级网络),对从摄像机获取的图像进行行人检测,从而得到摄像机传感器的检测结果Rescamera,将Rescamera传递至融合模块进行决策。
(1)特征提取:通过卷积层来提取特征,池化层对特征进行压缩。
(a)卷积操作提取特征:假定卷积层的输入特征图Fin的参数为Win×Hin×Cin,Win表示特征图的宽度,Hin表示特征图的高度,Cin表示特征图的通道数。卷积层的卷积参数为K,S,P,Stride,K表示卷积核的数目,S表示卷积核的宽度和高度,P表示对输入特征图进行补零操作,例如P=1表示对输入特征图的周围补一圈0,Stride表示卷积核在输入特征图上的滑动步长。则卷积层的输出特征图Fout的参数为Wout×Hout×Cout, Wout表示特征图的宽度,Hout表示特征图的高度,Cout表示特征图的通道数,其参数计算如下:
(b)池化层压缩特征:一般采用最大池化层,即在对特征图进行下采样时,选取 2×2格子中值最大的数传递至输出特征图中。池化操作中,输入输出特征层的通道数不变,输出特征图的大小是输入特征图的大小一半。
(c)相邻尺度的特征融合操作:设相邻尺度特征图的较大的特征图Fbig的参数为Wbig×Hbig×Cbig,较小的特征图Fsmall的参数为Wsmall×Hsmall×Csmall,其中Wbig=2×Wsmall。对较大尺度的特征图进行卷积操作,则卷积的参数为K=Csmall,S=3,P=1,Stride=2,则通过公式(4)可以计算出输出的特征图Fout的参数为Wout=Wsmall,Hout=Hsmall,Cout=Csmall,将特征图Fsmall和Fout对应位置的参数进行线性叠加,即可得到相邻尺度的融合特征图。
(2)行人预测:将多个相邻尺度的融合特征图送入网络的检测层,检测层可以预测图像中行人的目标框和置信度信息,设置置信度的阈值,以抑制一些误检的目标框。若检测到有行人,则Rescamera=1,否则Rescamera=0。
步骤3WIFI和和摄像机传感器检测结果的融合:基于公式(6)的融合规则,实现WIFI和摄像机传感器结果的融合。
(1)计算融合权重α:
其中,I是图像对应的二维灰度矩阵,W是图像的像素宽度,H是图像的像素高度,除以255是将图像的灰度均值归一化到区间[0,1]。
(2)融合规则:
Resfinal=αRescamera+(1-α)Reswifi (6)
其中,Rescamera为摄像机传感器的检测结果,Reswifi为WIFI传感器的检测结果,α为归一化到区间[0,1]的图像灰度值的平均值。
设定阈值thresh,若Resfinal≥thresh,则判定检测到有行人,否则,无检测结果。
本文实验的硬件环境为:CPU:Intel i3-2350M 2.30GHz,内存:6G,硬盘:500G 机械硬盘,独立显卡:ATI Radeon HD 6370,1G;系统环境为Windows 10专业版64 位;软件环境为Visual Studio 2017,opencv3.4.1。本文针对WIFI传感器的检测做了实测数据的实验,用于验证WIFI检测算法的有效性和实时性;针对摄像机传感器的检测做了两组实验,一组是基于Pascal VOC公开数据集,用于验证mobilenet-SSD的准确率,通过实际测试,其准确率可以达到72.7%;一组是实际采集到的室内行人数据,用于验证和测试mobilenet-SSD的准确率和实时性,其正确率可以达到85%,单帧的实时性可以达到150ms,通过采取多线程和跳帧的方式,可以达到检测的实时性要求;融合方面,将WIFI和摄像机传感器的结果根据融合规则进行融合,验证其有效性和实时性。
本发明具体实施如下:
步骤1WIFI传感器的CSI(Channel State Information,信道状态信息)信号幅值分析:
记动、静态条件下的CSI信号幅值序列分别为 其中表示标记为j的离散时间索引为i处的CSI信号幅值,其中i={1,2,…,L},L为滑动窗口的长度;j={1,2},取值为1表示动态条件下的幅值,取值为2表示静态条件下的幅值。(动态条件下的CSI信号是WIFI传感器的实时信号,静态条件下的CSI信号是环境干扰较弱条件下采集到的WIFI信号)
(1)计算动、静态条件下CSI信号幅值的欧氏距离、马氏距离
(a)欧氏距离:
(b)马氏距离:
其中,μ为S1(t)的均值,C为S2(t)的协方差矩阵。
(2)计算动态条件下的CSI信号幅值的方差距离
其中,L为滑动窗口的长度,为滑动窗口中第k时刻的CSI信号幅值,μ为 S1(t)的均值。
若三个距离E12、M12、Var大于各自设置的距离参数,则将其各自对应的结果置为1,否则置为0;然后对三个距离的结果做或运算,得到WIFI传感器的检测结果Reswifi,将Reswifi传递至融合模块进行决策。
步骤2摄像机传感器的行人检测:基于卷积神经网络和多尺度特征图融合,采用深度学习目标检测方法mobilenet-SSD(SSD,Single Shot MultiBox Detector,一种端到端的深度学习目标检测方法,mobilenet表示轻量级网络),对从摄像机获取的图像进行行人检测,从而得到摄像机传感器的检测结果Rescamera,将Rescamera传递至融合模块进行决策。
(1)特征提取:通过卷积层来提取特征,池化层对特征进行压缩。
(a)卷积操作提取特征:假定卷积层的输入特征图Fin的参数为Win×Hin×Cin,Win表示特征图的宽度,Hin表示特征图的高度,Cin表示特征图的通道数。卷积层的卷积参数为K,S,P,Stride,K表示卷积核的数目,S表示卷积核的宽度和高度,P表示对输入特征图进行补零操作,例如P=1表示对输入特征图的周围补一圈0,Stride表示卷积核在输入特征图上的滑动步长。则卷积层的输出特征图Fout的参数为Wout×Hout×Cout, Wout表示特征图的宽度,Hout表示特征图的高度,Cout表示特征图的通道数,其参数计算如下:
现在的卷积核的大小一般为3×3,P=1,Stride=1,这样可以保证输入特征图和输出特征图的大小保持一致
(b)池化层压缩特征:一般采用最大池化层,即在对特征图进行下采样时,选取 2×2格子中值最大的数传递至输出特征图中。池化操作中,输入输出特征层的通道数不变,输出特征图的大小是输入特征图的大小一半。
(c)相邻尺度的特征融合操作:设相邻尺度特征图的较大的特征图Fbig的参数为Wbig×Hbig×Cbig,较小的特征图Fsmall的参数为Wsmall×Hsmall×Csmall,其中Wbig=2×Wsmall。对较大尺度的特征图进行卷积操作,则卷积的参数为K=Csmall,S=3,P=1,Stride=2,则通过公式(10)可以计算出输出的特征图Fout的参数为Wout=Wsmall,Hout=Hsmall,Cout=Csmall,将特征图Fsmall和Fout对应位置的参数进行线性叠加,即可得到相邻尺度的融合特征图。
(2)行人预测:将多个相邻尺度的融合特征图送入网络的检测层,检测层可以预测图像中行人的目标框和置信度信息,设置置信度的阈值,以抑制一些误检的目标框。若检测到有行人,则Rescamera=1,否则Rescamera=0。
步骤3WIFI和和摄像机传感器检测结果的融合:基于公式(12)的融合规则,实现WIFI和摄像机传感器结果的融合。
(1)计算融合权重α:
其中,I是图像对应的二维灰度矩阵,W是图像的像素宽度,H是图像的像素高度,除以255是将图像的灰度均值归一化到区间[0,1]。
(2)融合规则:
Resfinal=αRescamera+(1-α)Reswifi (12)
其中,Rescamera为摄像机传感器的检测结果,Reswifi为WIFI传感器的检测结果,α为归一化到区间[0,1]的图像灰度值的平均值。
设定阈值thresh,若Resfinal≥thresh,则判定检测到有行人,否则,无检测结果。
Claims (3)
1.一种基于WIFI和摄像机传感器决策级融合的室内行人检测方法,其特征在于:将摄像机传感器的镜头置于对准入门,检测方法步骤如下:
步骤1:对WIFI传感器的CSI信号幅值计算,得到WIFI传感器的检测结果:
记动、静态条件下的CSI信号幅值序列分别为 其中表示标记为j的离散时间索引为i处的CSI信号幅值,其中i={1,2,…,L},L为滑动窗口的长度;j={1,2},取值为1表示动态条件下的幅值,取值为2表示静态条件下的幅值,动态条件下的CSI信号是WIFI传感器的实时信号,静态条件下的CSI信号是环境干扰较弱条件下采集到的WIFI信号;
计算动、静态条件下CSI信号幅值的欧氏距离:
计算动、静态条件下CSI信号幅值的马氏距离:
其中,μ为S1(t)的均值,C为S2(t)的协方差矩阵;
计算动态条件下的CSI信号幅值的方差距离:
其中,L为滑动窗口的长度,为滑动窗口中第k时刻的CSI信号幅值,μ为S1(t)的均值;
若三个距离E12、M12、Var大于各自设置的距离参数,则将其各自对应的结果置为1,否则置为0;然后对三个距离的结果做或运算,得到WIFI传感器的检测结果Reswifi,将Reswifi传递至融合模块进行决策;
步骤2、摄像机传感器的行人检测:对从摄像机获取的图像进行行人检测,从而得到摄像机传感器的检测结果Rescamera,将Rescamera传递至融合模块进行决策:
1、卷积操作提取特征:假定卷积层的输入特征图Fin的参数为Win×Hin×Cin,Win表示特征图的宽度,Hin表示特征图的高度,Cin表示特征图的通道数。卷积层的卷积参数为K,S,P,Stride,K表示卷积核的数目,S表示卷积核的宽度和高度,P表示对输入特征图进行补零操作,例如P=1表示对输入特征图的周围补一圈0,Stride表示卷积核在输入特征图上的滑动步长。则卷积层的输出特征图Fout的参数为Wout×Hout×Cout,Wout表示特征图的宽度,Hout表示特征图的高度,Cout表示特征图的通道数,其参数计算如下:
2、池化层压缩特征:采用最大池化层,即在对特征图进行下采样时,选取2×2格子中值最大的数传递至输出特征图中。池化操作中,输入输出特征层的通道数不变,输出特征图的大小是输入特征图的大小一半;
3、相邻尺度的特征融合操作:设相邻尺度特征图的较大的特征图Fbig的参数为Wbig×Hbig×Cbig,较小的特征图Fsmall的参数为Wsmall×Hsmall×Csmall,其中Wbig=2×Wsmall。对较大尺度的特征图进行卷积操作,则卷积的参数为K=Csmall,S=3,P=1,Stride=2,则通过公式(4)可以计算出输出的特征图Fout的参数为Wout=Wsmall,Hout=Hsmall,Cout=Csmall,将特征图Fsmall和Fout对应位置的参数进行线性叠加,即可得到相邻尺度的融合特征图;
4、行人预测:将多个相邻尺度的融合特征图送入网络的检测层,检测层可以预测图像中行人的目标框和置信度信息,设置置信度的阈值,以抑制一些误检的目标框。若检测到有行人,则Rescamera=1,否则Rescamera=0;
步骤3、WIFI和和摄像机传感器检测结果的融合:
1、计算融合权重α:
其中,I是图像对应的二维灰度矩阵,W是图像的像素宽度,H是图像的像素高度,除以255是将图像的灰度均值归一化到区间[0,1];
2、以融合规则进行融合
融合规则:Resfinal=αRescamera+(1-α)Reswifi
其中,Rescamera为摄像机传感器的检测结果,Reswifi为WIFI传感器的检测结果,α为归一化到区间[0,1]的图像灰度值的平均值;
步骤4:设定阈值thresh,若Resfinal≥thresh,则判定检测到有行人,否则,无检测结果。
2.根据权利要求1所述基于WIFI和摄像机传感器决策级融合的室内行人检测方法,其特征在于:所述距离参数0.2~0.4。
3.根据权利要求1所述基于WIFI和摄像机传感器决策级融合的室内行人检测方法,其特征在于:所述阈值thresh为0.4~0.6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810693089.2A CN109033979B (zh) | 2018-06-29 | 2018-06-29 | 基于wifi和摄像机传感器决策级融合的室内行人检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810693089.2A CN109033979B (zh) | 2018-06-29 | 2018-06-29 | 基于wifi和摄像机传感器决策级融合的室内行人检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109033979A true CN109033979A (zh) | 2018-12-18 |
CN109033979B CN109033979B (zh) | 2021-07-16 |
Family
ID=65520959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810693089.2A Active CN109033979B (zh) | 2018-06-29 | 2018-06-29 | 基于wifi和摄像机传感器决策级融合的室内行人检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109033979B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110149604A (zh) * | 2019-05-05 | 2019-08-20 | 西北工业大学 | 一种基于wifi信号的人员检测方法 |
CN110490174A (zh) * | 2019-08-27 | 2019-11-22 | 电子科技大学 | 基于特征融合的多尺度行人检测方法 |
CN111542006A (zh) * | 2020-04-02 | 2020-08-14 | 浙江工业大学 | 一种基于无线射频信号的物体识别方法 |
WO2022148477A1 (zh) * | 2021-01-11 | 2022-07-14 | 乐鑫信息科技(上海)股份有限公司 | 一种Wi-Fi人体检测的方法和智能设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6768817B1 (en) * | 1999-09-03 | 2004-07-27 | Truong, T.K./ Chen, T.C. | Fast and efficient computation of cubic-spline interpolation for data compression |
CN103985120A (zh) * | 2014-05-13 | 2014-08-13 | 西北工业大学 | 一种遥感图像多目标关联的方法 |
US20170017793A1 (en) * | 2015-07-15 | 2017-01-19 | Cylance Inc. | Malware detection |
CN106525044A (zh) * | 2016-10-18 | 2017-03-22 | 天津大学 | 基于船体结构图的大型舰艇的人员定位导航系统及其方法 |
CN106658590A (zh) * | 2016-12-28 | 2017-05-10 | 南京航空航天大学 | 基于WiFi信道状态信息多人室内环境状态监控系统的设计与实现 |
CN107070687A (zh) * | 2016-12-26 | 2017-08-18 | 南京理工大学 | 基于集成神经网络的wifi定位方法 |
CN107229904A (zh) * | 2017-04-24 | 2017-10-03 | 东北大学 | 一种基于深度学习的目标检测与识别方法 |
WO2017200524A1 (en) * | 2016-05-16 | 2017-11-23 | United Technologies Corporation | Deep convolutional neural networks for crack detection from image data |
CN108151732A (zh) * | 2017-12-22 | 2018-06-12 | 浙江西湖高等研究院 | 一种远程的位置和行为估计方法 |
-
2018
- 2018-06-29 CN CN201810693089.2A patent/CN109033979B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6768817B1 (en) * | 1999-09-03 | 2004-07-27 | Truong, T.K./ Chen, T.C. | Fast and efficient computation of cubic-spline interpolation for data compression |
CN103985120A (zh) * | 2014-05-13 | 2014-08-13 | 西北工业大学 | 一种遥感图像多目标关联的方法 |
US20170017793A1 (en) * | 2015-07-15 | 2017-01-19 | Cylance Inc. | Malware detection |
WO2017200524A1 (en) * | 2016-05-16 | 2017-11-23 | United Technologies Corporation | Deep convolutional neural networks for crack detection from image data |
CN106525044A (zh) * | 2016-10-18 | 2017-03-22 | 天津大学 | 基于船体结构图的大型舰艇的人员定位导航系统及其方法 |
CN107070687A (zh) * | 2016-12-26 | 2017-08-18 | 南京理工大学 | 基于集成神经网络的wifi定位方法 |
CN106658590A (zh) * | 2016-12-28 | 2017-05-10 | 南京航空航天大学 | 基于WiFi信道状态信息多人室内环境状态监控系统的设计与实现 |
CN107229904A (zh) * | 2017-04-24 | 2017-10-03 | 东北大学 | 一种基于深度学习的目标检测与识别方法 |
CN108151732A (zh) * | 2017-12-22 | 2018-06-12 | 浙江西湖高等研究院 | 一种远程的位置和行为估计方法 |
Non-Patent Citations (4)
Title |
---|
CHEN, HAO 等: "Convolutional Neural Networks Based Indoor Wi-Fi Localization Using Channel State Information", 《IEEE ACCESS》 * |
SHAO, WENHUA 等: "DePos: Accurate Orientation-Free Indoor Positioning with Deep Convolutional Neural Networks", 《UBIQUITOUS POSITIONING, INDOOR NAVIGATION AND LOCATION-BASED SERVICES (UPINLBS)》 * |
YONGSEN MA 等: "SignFi: Sign Language Recognition Using WiFi", 《PROCEEDINGS OF THE ACM ON INTERACTIVE, MOBILE, WEARABLE AND UBIQUITOUS TECHNOLOGIES》 * |
陈福山: "基于无线信号CSI和深度学习算法的活动识别技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110149604A (zh) * | 2019-05-05 | 2019-08-20 | 西北工业大学 | 一种基于wifi信号的人员检测方法 |
CN110149604B (zh) * | 2019-05-05 | 2021-07-06 | 西北工业大学 | 一种基于wifi信号的人员检测方法 |
CN110490174A (zh) * | 2019-08-27 | 2019-11-22 | 电子科技大学 | 基于特征融合的多尺度行人检测方法 |
CN111542006A (zh) * | 2020-04-02 | 2020-08-14 | 浙江工业大学 | 一种基于无线射频信号的物体识别方法 |
WO2022148477A1 (zh) * | 2021-01-11 | 2022-07-14 | 乐鑫信息科技(上海)股份有限公司 | 一种Wi-Fi人体检测的方法和智能设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109033979B (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109033979A (zh) | 基于wifi和摄像机传感器决策级融合的室内行人检测方法 | |
CN106910203B (zh) | 一种视频监测中运动目标的快速检测方法 | |
CN103839373B (zh) | 一种突发异常事件智能识别报警装置及报警系统 | |
CN106128022B (zh) | 一种智慧金睛识别暴力动作报警方法 | |
CN103839346B (zh) | 一种智能门窗防入侵装置以及系统、智能门禁系统 | |
US9852342B2 (en) | Surveillance system | |
CN105574855B (zh) | 云背景下基于模板滤波和虚警抑制的红外小目标检测方法 | |
US20180278894A1 (en) | Surveillance system | |
CN114419825B (zh) | 基于毫米波雷达和摄像头的高铁周界入侵监测装置及方法 | |
CN105100757B (zh) | 带有一体式结构的探测器 | |
US8525725B2 (en) | Method and system for position and track determination | |
CN110456320B (zh) | 一种基于自由空间步态时序特征的超宽带雷达身份识别方法 | |
CN102811343A (zh) | 一种基于行为识别的智能视频监控系统 | |
CN101968848B (zh) | 一种视频监测方法、系统及视频监测报警系统 | |
CN105426820A (zh) | 基于安防监控视频数据的多人异常行为检测方法 | |
CN105575034A (zh) | 一种双波段森林防火智能监控软件图像处理分析方法 | |
CN104658152A (zh) | 一种基于视频的运动物体入侵报警方法 | |
CN102254394A (zh) | 一种基于视频差异分析的输电线路杆塔防盗监控方法 | |
CN110022530B (zh) | 一种用于地下空间的无线定位方法和系统 | |
CN103344941B (zh) | 基于无线传感器网络的实时目标检测方法 | |
CN113963301A (zh) | 一种时空特征融合的视频火灾烟雾探测方法及系统 | |
CN112269215A (zh) | 一种基于被动式太赫兹安检仪的智能安检系统及方法 | |
CN110149604A (zh) | 一种基于wifi信号的人员检测方法 | |
CN111768580A (zh) | 一种基于边缘网关的室内防盗系统及防盗方法 | |
Nakkach et al. | Smart border surveillance system based on deep learning methods |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |