CN109657572A - 一种基于Wi-Fi的墙后目标行为识别方法 - Google Patents

Abstract

本发明提出了一种基于Wi‑Fi的墙后目标行为识别方法。首先，本发明提出了高效的信号分割方法，能够有效的分割出墙后目标运动的时间序列，保证了该行为识别系统的稳定性。其次，结合了CSI幅值和相位对于墙后目标运动时的抖动特征，提出利于获取行为特征的具体方案。最后，针对墙体以及硬件本身对Wi‑Fi信号的干扰，将图像处理中数据维度转换相关算法的思想运用到了Wi‑Fi信号降噪的处理方法中，有效的抑制硬件本身以及墙体等障碍物对Wi‑Fi信号的干扰。实测结果表明，本发明设计的墙后目标行为识别算法有效可靠，其在确保系统的精度的前提下，有效的提升了传统的识别系统在复杂的室内环境下(桌子、书柜等障碍物较多)的稳定性，挖掘了在室内环境下更多的应用潜力。

Description

一种基于Wi-Fi的墙后目标行为识别方法

技术领域

本发明属于行为识别技术，具体涉及在Wi-Fi系统下，一种在隔墙环境下针对墙后目标的行为识别方法。

背景技术

近年来，目标行为识别技术备受关注，旨在监控室内区域内的人体行为，具体的应用包括老年人的健康监测和跌倒检测、情景检测、智能家居和许多其他基于物联网(Internet of Things,IoT)的应用。根据辅助设备的不同，现有目标行为识别系统主要分为三大类。第一类为基于传感器的目标行为识别系统。该系统要求被识别目标穿戴运动传感器等特殊设备，并对传感器获取的数据进行特征提取，然后使用监督学习算法对不同行为的特征进行分类。该系统能够识别睡觉、坐着、行走、跑步等行为，其准确率达到90％。但是，被识别目标需要随时携带设备，使得系统的应用范围和识别能力受到一定限制。特别地，在老人忘记穿戴设备等情况下，造成的后果不堪设想。第二类为基于摄像头的目标行为识别系统。该系统性能优异，但主要的限制是必须在视距(Line OfSight,LOS)条件下才能进行行为识别。此外，由于对光线敏感和涉及隐私问题，基于摄像头的目标行为识别系统的使用环境受到很大限制。第三类为基于无线信号的被动检测系统。该系统通过提取回波信号的特征、构建分类器，实现被识别目标的行为识别，克服了前两类目标行为识别系统的安全隐患、使用场景受限等问题，在目标行为识别领域具有明显的优势。

目前，作为基于无线信号的被动检测系统重要组成部分，基于Wi-Fi的行为识别系统的研究一直是人们关注的焦点。这种系统包括Wi-Fi接入点(AP)和一个或几个支持Wi-Fi协议(如802.11n/ac)的接收设备并分别布置于不同的环境。当一个人在检测区域内活动时，其行为会对Wi-Fi信号的传输环境造成一定程度的影响，而且CSI(Channel StateInformation)可以细粒化的记录Wi-Fi信号的变化情况。该系统通过监控回波信号的CSI信息并提取出不同动作的信号特征，然后构建分类器进行行为的分类；目前，基于Wi-Fi的行为识别系统已经可以识别行走、跑动、下蹲和站起来等动作，设备成本低，通用性强，而且识别精度可以达到85％；但是环境对该系统的影响程度较大，尤其在复杂的室内环境下，墙体、柜子和桌子的遮挡都有可能对Wi-Fi信号产生影响造成行为的误判。

针对由于室内环境复杂造成系统稳定性下降的问题，本发明在Wi-Fi系统下，设计了一种墙后目标行为识别的方法，该系统在检测范围内的人员活动时，会自动获取并分割人员活动时回波信号的CSI信息，在滤除墙体引起的干扰后提取出待检测目标活动引起的信号特征参数如信号时域特征、信号频域特征，最后采用计算出来的行为特征构建分类器完成对墙后目标的行为判断。

发明内容

本发明的目的是在Wi-Fi系统下，提供一种基于CSI的墙后目标行为识别方法，它能够在保证识别系统的识别精度的同时，提高系统在室内环境下的稳定性。

本发明所述的一种基于Wi-Fi的行为识别方法，具体包括以下步骤：

步骤一：假设接收机RX接收来自另一房间的发射机TX的信号X，接收机自动获取接收信号的CSI信息；

步骤二：建立滑窗，通过分析滑窗内CSI流的幅值抖动情况判断是否有人活动，若无人活动，则丢弃当前窗口的CSI流并继续判断下一滑窗的CSI流，若有人活动，则进行下一步的处理，具体的算法如下所示：

假设滑窗内的CSI流为：

其中，n为CSI流的长度，m代表Wi-Fi信号中子载波的个数，对于CSI流X中的数据点p(x_i,y_i),其局部异常因子定义为：

其中，两个数据点的距离d(p,o)采用欧式计算方法，即对于p(x_i,y_i),o(x_i,y_i)∈X：

N_k-dist(p)定义为所有与p的距离不大于k-距离的对象集合，即：

N_k-dist(p)＝{q∈X\{p}|d(p,q)≤k-dist(p)}

lrd_k(p)定义为局部可达密度，对象p的局部可达密度为：

式中，reach-dist_k(p,o)定义为对象p关于对象o的可达距离：

reach-dist_k(p,o)＝max{k-dist(o),d(p,o)}

|N_k-dist(p)|为p的k距离领域内所包含的数据点的个数。在一个连续的不确定数据中，某单个数据周围的数据的密集程度可以表示该数据是否异常。局部离群因子算法可以计算出当前CSI流的局部可达密度及其周围数据的局部可达密度，将二者进行比较，最后通过其LOF值来判断数据是否异常。

步骤三：过步骤二判断出有人活动后，对当前的CSI流进行消噪处理，具体的算法流程如下所示：

首先对当前滑窗内的CSI流进行中心化处理，消除信号静态成分：

然后计算CSI流的协方差矩阵并对协方差矩阵进行特征值分解求出协方差矩阵的特征向量；

最后通过维度转换计算出新的投影矩阵完成目标运动信号重构：

Z_i＝X^Tw_i

其中，w_i和Z_i是第i个特征向量和第i个信号主要组成部分；

步骤四：对数据进行特征提取，以便进行后续的行为分类；

步骤五：构建分类器对提取出来的特征进行分类。

有益效果

首先，本发明提出了高效的信号分割办法，能够有效的分割出墙后目标运动的时间序列，保证了该行为识别系统的稳定性。其次，结合了CSI幅值和相位对于墙后目标运动时的抖动特征，提出利于获取行为特征的具体方案。最后，针对墙体以及硬件本身对Wi-Fi信号的影响，将图像处理中数据维度转换相关算法的思想运用到了Wi-Fi信号降噪的处理办法中，有效的抑制硬件本身以及墙体等障碍物对Wi-Fi信号的影响。实测结果表明，本发明设计的墙后目标行为识别算法有效可靠，其在确保系统的精度的前提下，有效的提升了传统的识别系统在复杂的室内环境下(桌子、书柜等障碍物较多)的稳定性，挖掘了在室内环境下更多的应用潜力。

附图说明

图一为步骤一到步骤六的算法流程图

图二为基于Wi-Fi的墙后目标行为识别实验场景图

图三为在隔墙条件下噪声抑制算法效果图

具体实施方案

步骤一：假设接收机RX接收来自另一房间的发射机TX的信号X，接收机自动获取接收信号的CSI信息；

步骤二：建立滑窗，通过分析滑窗内CSI流的幅值抖动情况判断是否有人活动，若无人活动，则丢弃当前窗口的CSI流并继续判断下一滑窗的CSI流，若有人活动，则进行下一步的处理，具体的算法如下所示：

假设滑窗内的CSI流为：

其中，n为CSI流的长度，m代表Wi-Fi信号中子载波的个数，对于CSI流X中的数据点p(x_i,y_i),其局部异常因子定义为：

其中，两个数据点的距离d(p,o)采用欧式计算方法，即对于p(x_i,y_i),o(x_i,y_i)∈X：

N_k-dist(p)定义为所有与p的距离不大于k-距离的对象集合，即：

N_k-dist(p)＝{q∈X\{p}|d(p,q)≤k-dist(p)}

lrd_k(p)定义为局部可达密度，对象p的局部可达密度为：

式中，reach-dist_k(p,o)定义为对象p关于对象o的可达距离：

reach-dist_k(p,o)＝max{k-dist(o),d(p,o)}

|N_k-dist(p)|为p的k距离领域内所包含的数据点的个数。在一个连续的不确定数据中，某单个数据周围的数据的密集程度可以表示该数据是否异常。局部离群因子算法可以计算出当前CSI流的局部可达密度及其周围数据的局部可达密度，将二者进行比较，最后通过其LOF值来判断数据是否异常。

步骤三：过步骤二判断出有人活动后，对当前的CSI流进行消噪处理，具体的算法流程如下所示：

首先对当前滑窗内的CSI流进行中心化处理，消除信号静态成分：

然后计算CSI流的协方差矩阵并对协方差矩阵进行特征值分解求出协方差矩阵的特征向量；

最后通过维度转换计算出新的投影矩阵完成目标运动信号重构：

Z_i＝X^Tw_i

其中，w_i和Z_i是第i个特征向量和第i个信号主要组成部分；

步骤四：对数据进行特征提取，以便进行后续的行为分类；

步骤五：构建分类器对提取出来的特征进行分类。

Claims (3)

1.一种基于Wi-Fi的墙后目标行为识别方法，包括以下步骤：

步骤一：假设接收机RX接收来自另一房间的发射机TX的信号X，接收机自动获取接收信号的CSI信息；

步骤二：建立滑窗，通过分析滑窗内CSI流的幅值抖动情况判断是否有人活动，若无人活动，则丢弃当前窗口的CSI流并继续判断下一滑窗的CSI流，若有人活动，则进行下一步的处理；

步骤三：通过步骤二判断出有人活动后，对当前的CSI流进行消噪处理，具体的算法流程如下所示：

首先对当前滑窗内的CSI流进行中心化处理，消除信号静态成分：

然后计算CSI流的协方差矩阵并对协方差矩阵进行特征值分解求出协方差矩阵的特征向量；

最后通过维度转换计算出新的投影矩阵完成目标运动信号重构：

Z_i＝X^Tw_i

其中，w_i和Z_i是第i个特征向量和第i个信号主要组成部分；

步骤四：对数据进行特征提取，以便进行后续的行为分类；

步骤五：构建分类器对提取出来的特征进行分类。

2.根据权利要求1所述的一种基于Wi-Fi的墙后目标行为识别方法，所述步骤二，通过分析CSI流的幅值抖动情况判断是否有人活动，包括以下步骤：

建立滑窗，通过分析滑窗内CSI流的幅值抖动情况判断是否有人活动，若无人活动，则丢弃当前窗口的CSI流并继续判断下一滑窗的CSI流，若有人活动，则进行下一步的处理，具体的算法如下所示：

假设滑窗内的CSI流为：

其中n为CSI流的长度，m代表Wi-Fi信号中子载波的个数，对于CSI流X中的数据点p(x_i,y_i)，其局部异常因子定义为：

其中，两个数据点的距离d(p,o)采用欧式计算方法，即对于p(x_i,y_i),o(x_i,y_i)∈X：

N_k-dist(p)定义为所有与p的距离不大于k-距离的对象集合，即：

N_k-dist(p)＝{q∈X\{p}|d(p,q)≤k-dist(p)}

lrd_k(p)定义为局部可达密度，对象p的局部可达密度为：

式中，reach-dist_k(p,o)定义为对象p关于对象o的可达距离：

reach-dist_k(p,o)＝max{k-dist(o),d(p,o)}

|N_k-dist(p)|为p的k距离领域内所包含的数据点的个数，在一个连续的不确定数据中，某单个数据周围的数据的密集程度可以表示该数据是否异常，局部离群因子算法可以计算出当前CSI流的局部可达密度及其周围数据的局部可达密度，将二者进行比较，最后通过其LOF值来判断是否有人活动。

3.根据权利要求1所述的一种基于Wi-Fi的墙后目标行为识别方法，所述步骤四，对数据进行特征提取，包括以下步骤：

针对墙体反射目标较弱且室内目标活动时间一般较短的情况，结合了提取时域特征和频域特征的方法，具体的算法流程如下所示：

假设滑窗内的CSI流为：

其中n为CSI流的长度，m代表Wi-Fi信号中子载波的个数，经过步骤三降噪处理后，新的投影矩阵为：

Z＝X^Tw₂

其中，w₂代表X的协方差矩阵第二大特征值的特征向量，之后对新的投影矩阵Z进行滑窗分段，并对滑窗内的信号进行傅里叶变换：

其中，对于信号Z(t_n)，假设n＝1,2,3,…,L,则采样间隔Δt＝T/L，M定义为不大于L/2的最大整数，角频率ω_m定义为：

傅里叶系数a_m和b_m分别定义为：

将Z(t_n)表示为Z_n，时间序列Z的方差为：

代表Z_n的平均值，时间序列Z的方差也可以表达为：

由于正弦和余弦函数具有正交性质：

定义为Kronecker delta函数，根据以上公式，时间序列Z的方差可以表示为：

自动频谱Am可以被视为频谱中包含的能量：

因此引入上述自动频谱Am的公式，可以得到时间序列的方差：

其中

该自动频谱Am由每个TR链路的CSI振幅和相位计算得出，在每个频谱中，每个频点对应的前五个主要振幅被记录为特征。