CN109460776A - 一种基于信道状态检测的驾驶员区分方法 - Google Patents
一种基于信道状态检测的驾驶员区分方法 Download PDFInfo
- Publication number
- CN109460776A CN109460776A CN201811182288.3A CN201811182288A CN109460776A CN 109460776 A CN109460776 A CN 109460776A CN 201811182288 A CN201811182288 A CN 201811182288A CN 109460776 A CN109460776 A CN 109460776A
- Authority
- CN
- China
- Prior art keywords
- data
- driver
- information data
- state information
- channel state
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
Abstract
一种基于无线信道检测的不同驾驶员区分方法,利用普通的电脑设备搭建无线信道信息数据采集平台,检测分为两个阶段:离线训练阶段和在线测试阶段;离线阶段采集不同驾驶员的信道状态信息数据,经过预处理,然后对数据进行预处理,提取统计特征,并归一化处理后存入不同动作的指纹库,建立动作‑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不同驾驶员的识别区分,本发明在车辆安全领域具有一定的应用价值。
Description
技术领域
本发明涉及行车过程中不同驾驶员区分识别领域,尤其涉及一种基于无源信道的不同驾驶员识别检测方法。
背景技术
安全是当今社会广泛关注的一个重要方面,如果我们能够判断车上驾驶员是否为本人,或者是熟悉的亲人就可以避免一些车辆盗窃发生,从而就能规避一些不必要损失的发生。
车辆安全受到了越来越多的理论研究和行车应用方的关注,目前的主流是视频监控和佩戴传感器监视,但是视频监控严重侵犯了驾驶员等人的隐私,并且在隧道、山洞、大雾、夜晚等一系列光线暗淡的条件下,准确率不高甚至失去判断能力。驾驶员佩戴传感器容易造成行车动作的不规范,在天气及其炎热的情况下,有些驾驶员甚至拒绝穿戴任何的传感器设备,因此上述两种方式都不适合应用于行车动作识别。
现在随着无线局域网(WLAN)的发展,无线热点已经在汽车行业掀起一股热潮,车载WIFI的广泛普及为我们的发明降低了大量的部署成本。并且在未来随着无线局域网的不断推进和发展,无线信道的鲁棒性越来越强也能直接造就本发明的准确率稳步上升。
发明内容
为了克服现有驾驶员区分方法的成本较高、使用麻烦、准确性较低的不足,本发明提供了一种比视频监控更具有安全意识、比佩戴传感器检测更方便可实现的基于信道状态检测的不同驾驶员区分方法。
为了解决上述技术问题,本发明采用的技术方案为:
一种基于信道状态检测的不同驾驶员区分方法,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,驾驶员处于无线信道中完成预先设定的动作,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,过程如下:
步骤3-1:利用Hampel标识来删除这些异常值,将
[μ-γ*σ,μ+γ*σ]
区间之外的值都删除,μ是CSI数据的均值,σ是CSI数据的标准差,γ是人为的控制这个区间的大小;
步骤3-2:利用巴特沃斯滤波器除去数据中的高频噪声,得到相对较平滑的信号;
步骤3-3:对每组数据进行归一化,Xnew=(Xold-min)/(max-min),其中Xnew表示归一化之后的数据,Xold表示归一化之前的数据,min表示该数据的一列特征中的最小值,max表示一列特征中的最大值;
步骤4:计算每个驾驶员数据的均值、标准差、峰度和偏度,作为该驾驶员的一条指纹,完成指纹库的建立;
步骤5:在线阶段,采集测试数据包;
步骤6:对测试数据进行预处理,对数据进行归一化;
步骤7:对测试数据中的每个样本进行支持向量机分类,得到该天线对上的各个样本的所属驾驶员类别;
步骤8:取其他天线对,重复上述步骤3~步骤9的动作。
进一步,所述步骤3中,所述天线对上的数据预处理,将数据分解为幅度信息数据和相位信息数据。
再进一步,所述步骤4中,所述模型特征提取阶段包括:数据统计特征提取包括最大值、最小值、持续时间、四分位数、中位数绝对偏差、均值、标准差、峰度、偏度。
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,在人体行为领域具有一定的应用价值;
3.本发明机器学习算法SVM,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是本发明的系统框图;
图2是驾驶员在车辆上的位置示意图;
图3是本发明实施方式的区分5个不同驾驶员的性能效果图。
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3,一种基于信道状态检测的不同驾驶员区分方法,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,驾驶员处于无线信道中完成预先设定的动作,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3-1:利用Hampel标识来删除这些异常值,将
[μ-γ*σ,μ+γ*σ]
区间之外的值都删除,μ是CSI数据的均值,σ是CSI数据的标准差,γ是人为的控制这个区间的大小;
步骤3-2:利用巴特沃斯滤波器除去数据中的高频噪声,得到相对较平滑的信号;
步骤3-3:对每组数据进行归一化,Xnew=(Xold-min)/(max-min),其中Xnew表示归一化之后的数据,Xold表示归一化之前的数据,min表示该数据的一列特征中的最小值,max表示一列特征中的最大值;
步骤4:计算每个驾驶员的数据的均值、标准差、峰度和偏度,作为该动作的一条指纹,完成指纹库的建立;
步骤5:在线阶段,采集测试数据包;
步骤6:对测试数据进行预处理,主要是对数据进行归一化;
步骤7:对测试数据中的每个样本进行SVM分类,得到该天线对上的各个样本的所属驾驶员;
步骤8:取其他天线对,重复上述步骤3~步骤9的动作。
进一步,所述步骤3中,所述天线对上的数据预处理,将数据分解为幅度信息数据和相位信息数据。
再进一步,所述步骤4中,所述模型特征提取阶段包括:数据统计特征提取包括最大值、最小值、持续时间、四分位数、中位数绝对偏差、均值、标准差、峰度、偏度。
本实施例中,实验平台包括接入点AP和监控点MP两部分,AP、MP均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停车场。
每次采集,不同的驾驶员在车内完成预设定的动作,收集包含信道状态信息的数据包;每次不同动作的采集时间为5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,除异常值;对提取的相位和幅度信息计算其网络特征,最大值、最小值、平均值、标准差、峰度、偏度;对得到的特征数据进行本发明方法处理;
测试阶段,不同的驾驶员同样在车中实验,采集测试数据,每个朝向采集时间为5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支持向量机分类进行分类,同时根据发明内容中步骤3~步骤9的详细过程,得到分类精确度。
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 (3)
1.一种基于信道状态检测的不同驾驶员区分方法,其特征在于,所述方法包括以下步骤:
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,驾驶员处于无线信道中完成预先设定的动作,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,过程如下:
步骤3-1:利用Hampel标识来删除这些异常值,将
[μ-γ*σ,μ+γ*σ]
区间之外的值都删除,μ是CSI数据的均值,σ是CSI数据的标准差,γ是人为的控制这个区间的大小;
步骤3-2:利用巴特沃斯滤波器除去数据中的高频噪声,得到相对较平滑的信号;
步骤3-3:对每组数据进行归一化,Xnew=(Xold-min)/(max-min),其中Xnew表示归一化之后的数据,Xold表示归一化之前的数据,min表示该数据的一列特征中的最小值,max表示一列特征中的最大值;
步骤4:计算每个驾驶员数据的均值、标准差、峰度和偏度,作为该驾驶员的一条指纹,完成指纹库的建立;
步骤5:在线阶段,采集测试数据包;
步骤6:对测试数据进行预处理,对数据进行归一化;
步骤7:对测试数据中的每个样本进行支持向量机分类,得到该天线对上的各个样本的所属驾驶员类别;
步骤8:取其他天线对,重复上述步骤3~步骤9的动作。
2.如权利要求1所述的一种基于信道状态检测的不同驾驶员区分方法,其特征在于,所述步骤3中,所述天线对上的数据预处理,将数据分解为幅度信息数据和相位信息数据。
3.如权利要求1或2所述的一种基于信道状态检测的不同驾驶员区分方法,其特征在于,所述步骤4中,所述模型特征提取阶段包括:数据统计特征提取包括最大值、最小值、持续时间、四分位数、中位数绝对偏差、均值、标准差、峰度、偏度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811182288.3A CN109460776A (zh) | 2018-10-11 | 2018-10-11 | 一种基于信道状态检测的驾驶员区分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811182288.3A CN109460776A (zh) | 2018-10-11 | 2018-10-11 | 一种基于信道状态检测的驾驶员区分方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109460776A true CN109460776A (zh) | 2019-03-12 |
Family
ID=65607550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811182288.3A Pending CN109460776A (zh) | 2018-10-11 | 2018-10-11 | 一种基于信道状态检测的驾驶员区分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109460776A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109951413A (zh) * | 2019-03-19 | 2019-06-28 | 浙江工业大学 | 一种基于多天线wlan的pm2.5污染检测方法 |
CN110059567A (zh) * | 2019-03-21 | 2019-07-26 | 浙江工业大学 | 一种基于WiFi的火灾烟雾检测方法 |
CN110334083A (zh) * | 2019-04-17 | 2019-10-15 | 厦门网宿有限公司 | 一种时间序列异常值检测方法及装置 |
CN112116014A (zh) * | 2020-09-24 | 2020-12-22 | 贵州电网有限责任公司 | 一种配电自动化设备测试数据离群值检测方法 |
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 |
CN106899968A (zh) * | 2016-12-29 | 2017-06-27 | 南京航空航天大学 | 一种基于WiFi信道状态信息的主动非接触身份认证方法 |
US20170354349A1 (en) * | 2016-06-10 | 2017-12-14 | The Regents Of The University Of California | Wifi-based person-identification technique for use in smart spaces |
CN107944418A (zh) * | 2017-12-07 | 2018-04-20 | 上海交通大学 | 一种使用Wi‑FiCSI信息检测疲劳驾驶的方法 |
-
2018
- 2018-10-11 CN CN201811182288.3A patent/CN109460776A/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 |
US20170354349A1 (en) * | 2016-06-10 | 2017-12-14 | The Regents Of The University Of California | Wifi-based person-identification technique for use in smart spaces |
CN106899968A (zh) * | 2016-12-29 | 2017-06-27 | 南京航空航天大学 | 一种基于WiFi信道状态信息的主动非接触身份认证方法 |
CN107944418A (zh) * | 2017-12-07 | 2018-04-20 | 上海交通大学 | 一种使用Wi‑FiCSI信息检测疲劳驾驶的方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109951413A (zh) * | 2019-03-19 | 2019-06-28 | 浙江工业大学 | 一种基于多天线wlan的pm2.5污染检测方法 |
CN110059567A (zh) * | 2019-03-21 | 2019-07-26 | 浙江工业大学 | 一种基于WiFi的火灾烟雾检测方法 |
CN110334083A (zh) * | 2019-04-17 | 2019-10-15 | 厦门网宿有限公司 | 一种时间序列异常值检测方法及装置 |
CN112116014A (zh) * | 2020-09-24 | 2020-12-22 | 贵州电网有限责任公司 | 一种配电自动化设备测试数据离群值检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460776A (zh) | 一种基于信道状态检测的驾驶员区分方法 | |
WO2018058958A1 (zh) | 一种道路车辆交通告警系统及其方法 | |
CN104787084B (zh) | 一种铁路异物侵限检测系统及检测方法 | |
CN101840632B (zh) | 一种对车内驾驶行为异常监控方法和系统 | |
CN202257856U (zh) | 驾驶员疲劳驾驶监控装置 | |
CN106097755A (zh) | 用于识别泊车场地和/或空出场地的方法 | |
EP2249288A2 (en) | Object detection | |
CN102164270A (zh) | 具有异常事件发掘功能的智能视频监控方法及系统 | |
CN109145719B (zh) | 一种驾驶员疲劳状态识别方法及系统 | |
CN202130312U (zh) | 一种驾驶员疲劳驾驶监控装置 | |
CN109816987A (zh) | 一种汽车鸣笛电子警察执法抓拍系统及其抓拍方法 | |
CN107843287B (zh) | 集成传感器装置 | |
CN111160424B (zh) | 一种基于cnn图像识别的nfc设备指纹认证方法及系统 | |
CN106815613A (zh) | 一种基于rfid电子标签的车辆信息探测方法 | |
CN110738289A (zh) | 电力作业标准化的多维联动综合研判装置及其使用方法 | |
CN105336217A (zh) | 一种基于机器视觉和安卓平台的行车安全预警系统 | |
CN109344901A (zh) | 一种基于无线信道的驾驶员行车动作检测方法 | |
CN107221156A (zh) | 一种实时监测酒后驾驶的方法和系统 | |
CN111866834A (zh) | 基于rfid数据的电瓶车违章信息识别与监测系统及方法 | |
CN201130382Y (zh) | 多功能身份自动识别机器人 | |
CN107506698A (zh) | 基于物联网的公共交通汽车防疲劳驾驶管理的方法 | |
CN107180535A (zh) | 一种基于深度学习的自动声检测的飙车行为自动识别装置及方法 | |
CN207097233U (zh) | 一种车辆信息智能采集提醒系统 | |
CN109720353A (zh) | 一种基于智能手机的驾驶行为检测方法 | |
CN105825682B (zh) | 地磁车辆检测装置 |
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: 20190312 |
|
RJ01 | Rejection of invention patent application after publication |