CN109711251A - 一种基于商用Wi-Fi的方向独立的步态识别方法 - Google Patents

Abstract

本发明公开了一种基于商用Wi‑Fi的方向独立的步态识别方法，受试者在预定的区域内重复行走指定的距离，通过商用Wi‑Fi设备采集受试者的CSI信号；利用PCA降维后的数据，根据步行与静止状态下CSI信号PSD分布的不同状态进行运动检测，推导出受试者行走的方向；对降维后的前10个主成分数据分别执行STFT，将时域信号转化到时频域上，获取10个横轴为时间、纵轴为频率的光谱图，将光谱图采用二维的高斯低通滤波器进行去噪；根据推导的方向，将光谱图映射到反映人真实运动的方向上，并进行误差矫正及融合，得到光谱图；从光谱图中提取手动特征，并从Gabor滤波器中获取自动特征；将两种特征输入到带有径向基函数的支持向量机中，实现步态识别。

Description

一种基于商用Wi-Fi的方向独立的步态识别方法

技术领域

本发明涉及计算机网络，特别涉及到特征提取，数据挖掘领域，尤其涉及一种基于商用Wi-Fi的方向独立的步态识别方法。

背景技术

作为人类身份识别的流行生物识别技术，步态识别利用步行的方式来识别个体。在以 下方面，步态比其他形式的生物特征，如面部，指纹和虹膜具有突出的优势：(1)独特：每个人似乎都有独特的行走方式，为识别提供独特的线索。(2)不引人注目：它不需要用 户介入。由于其在不同领域的广泛需求，该技术在安全监控，医疗保健和人机交互方面引 起了广泛关注。步态识别有各种传感技术，从基于可穿戴传感器，基于计算机视觉到基于 环境感知的方法。但是，这些技术都有其自身的局限性。对于基于可穿戴传感器技术，人 们总是需要佩戴并经常为可穿戴传感器充电。对于基于计算机视觉的传感技术，隐私侵犯， 视线的必要性和实时处理的密集工作量使其不太理想。基于环境感知的传感技术，除了需 要预先安装特殊设备外，活动诱导数据与环境相关的数据混合在一起，导致很难提取活动 诱导的数据，这误导了识别结果。广泛部署的Wi-Fi设备和基于商用Wi-Fi的传感技术的 发展，为基于商用Wi-Fi的人类活动识别提供了强有力的支持。商用Wi-Fi设备上的物理 层信道状态信息(Channel State Information，简称CSI)揭示了子载波更细粒度的特征。

利用信号处理技术，可以从CSI信号中提取出步态信息，进而应用于人类步态识别。 与其他步态识别系统相比，基于商用Wi-Fi的方法具有无创，无处不在，覆盖范围更广，无需特殊硬件或硬件修改，无需隐私侵犯和光照条件的优势。最近，一些基于商用Wi-Fi 的步态识别方法已经被提出。然而，当前步态识别方法都要求受试者沿给定的直线路径行走，当受试者沿着不同的路线行走时，由于Wi-Fi信号测量的差异，这些方法的识别精度 会出现断崖式下跌。该缺点严重限制了步态识别方法的应用范围。

发明内容

本发明提供了一种基于商用Wi-Fi的方向独立的步态识别方法，本发明主要用于解 决现有步态识别方法沿单一路径行走的问题，将Wi-Fi信号测得的某一维度上的信息映射 到了受试者运动方向，摆脱了路径的依赖，得到了方向独立的步态信息，实现了沿任何直 线方向运动的步态识别，详见下文描述：

一种基于商用Wi-Fi的方向独立的步态识别方法，所述方法包括：

受试者按照预定的要求进行重复行走，通过两对相互垂直的商用Wi-Fi设备采集受试 者的CSI信号的训练与测试数据；

利用巴特沃斯带通滤波器对所有振幅数据进行去噪处理；

采用主成分分析(Principal Component Analysis，简称PCA)降维算法去除数据冗余并 进一步降噪；

利用PCA降维后的数据，根据步行与静止状态下CSI信号的频率谱密度(PowerSpectral Density，简称PSD)分布的不同状态进行运动检测；

当检测到行走时，需要计算出受试者行走的方向。根据菲涅尔理论，本发明可以从CSI 信号中测得穿过菲涅尔区的个数和振幅信号的相位时延，依据这些数据推导出受试者行走 的方向；

对PCA降维后的前10个主成分数据分别执行短时傅里叶变换(Short-TimeFourier Transform，简称STFT)，将原本各频率混合的时域信号转化到时频域上，得到10个横轴 为时间、纵轴为频率的光谱图。将这10个光谱图叠加，产生一个高质量的光谱图，然后采用一个二维的高斯低通滤波器(滤波器大小为5，方差为0.5)进行去噪。

由于一对Wi-Fi收发设备只能够测量垂直于LoS方向上的运动信息，因此，一个光谱 图仅能反应受试者在某一维度上的步态信息。根据上面计算的运动方向，将光谱图映射到 反映人真实运动的方向上，并进行误差矫正及融合，得到一个能够反应人真实运动的高质 量的光谱图；

从光谱图中提取手动特征和自动特征。基于从光谱图中得到的三个不同的速度：躯干 轮廓速度，躯干速度和腿速度，提取手动特征。首先，计算这三个速度的加速度、最大值、 平均值、中位偏差和方差，可以得到15个特征；由于通过百分位数法估计的躯干速度对噪声非常敏感，因此后续手动特征仅考虑躯干轮廓速度和腿速度。接着利用自相关来计算躯干轮廓速度和腿速度的步态周期时间，得到2个特征；然后利用波峰检测方法将躯干轮廓速度和腿速度分别分割成小片段，每一段代表一步，计算均值和方差，得到4个特征。 总计，共21个手动特征。自动特征利用Gabor滤波器来获得，通过设置滤波器的参数得 到10880个特征；

将两种不同的特征输入到带有径向基函数(Radial Basis Function，简称RBF)的支持 向量机(Support Vector Machine，简称SVM)中，进行训练和测试，便得到了步态识别方 法。

另一实施例，一种基于商用Wi-Fi的方向独立的步态识别方法，所述方法包括：微处理器、一个Wi-Fi的发射端、以及两个Wi-Fi的接收端；

所述Wi-Fi的发射端和接收端都放在距离地面40cm的小桌子上，一个发射端与两个 接收端形成两对链路，这两对链路垂直摆放，形成一个平面直角坐标系。发射端位于原点， 两个接收端分别位于X轴和Y轴，到原点距离7米；

在两个接收端上收集完成CSI数据后，通过TCP/IP协议将CSI数据发送到微处理器上，通过MATLAB处理CSI数据；

即，利用巴特沃斯带通滤波器处理数据，使用PCA进一步去除数据冗余和去噪；根据 PSD分布状态检测运动的起始；通过穿过菲涅尔区个数和振幅的相位时延检测运动的方向； 利用STFT获得光谱图；根据运动方向与CSI信号观测方向的角度关系，将光谱图映射到受试者的运动方向上；提取手动特征和自动特征；采用SVM训练分类模型。

本发明提供的技术方案的有益效果是：

1、本发明使用常规的Wi-Fi设备即可实现室内的步态识别，可以沿着不同的方向行走， 不再要求沿单一方向路径，放宽了行走的条件。

2、本发明提出的数据处理方法，可用于其他领域，有很好的通用性；

3、步态识别的应用意义有很多，可用于安防、医疗和人机交互等。与其他生物特征识别相比，步态识别的突出特点主要是能远距离识别，而且很难被伪造，满足安防领域的需求；步态识别也可以应用在医疗康复领域，通过观察受试者的步态，来判定受试者的健康状况；同时，在智能家居中，步态识别方法可以根据不同的人来切换背景音乐和室内温度，满足人机交互领域的需求。

4、本发明基于商用的Wi-Fi设备，价格低廉便宜，无需投入大量资金。由于Wi-Fi设备已被广泛部署，所以无需增添额外的硬件，可以在现有的硬件基础上实施，节约成本。 同时，与可穿戴设备相比，基于Wi-Fi的步态识别方法采用非侵入式，不要求受试者穿戴 任何设备；与基于摄像头的步态识别方法相比，本发明不受光线明暗的约束，也不会侵犯 人的隐私。

5、本发明仅适用于人数较少的应用场景。比如，拥有数人的实验室、客厅等，以及安全性、保密性比较高的，仅允许少量人员进入的银行金库等地。

附图说明

图1为一种基于商用Wi-Fi的方向独立的步态识别方法的流程图；

图2为Wi-Fi设备摆放位置和人行走方向(举例)的示意图；

图3为CSI振幅在数据清洗前后对比示意图；

其中，(a)为原始CSI振幅数据，(b)为带通滤波器处理后的数据，(c)为PCA(主 成分分析)处理后的第一个主成分。

图4为行走与静止状态下PSD(频率谱密度)的分布情况示意图；

其中，(a)为行走状态下PSD的分布示意图，(b)为静止状态下PSD的分布示意图。

图5显示了运动检测率与时间的关系示意图；

图6为Wi-Fi设备形成的菲涅尔区和沿不同路径行走穿过的菲涅尔区的个数示意图；

图7为光谱的生成、转换和融合过程产生的光谱图；

其中，(a)为生成的用于测量垂直方向运动的光谱图，(b)为生成的用于测量水平方向运动的光谱图，(c)为将测量垂直方向运动的光谱图转换到运动方向后的光谱图， (d)为将测量水平方向运动的光谱图转换到运动方向后的光谱图，(e)为融合生成的 高质量的方向独立的光谱图。

图8表示由行走方向估计给两个转换后的光谱图矩阵带来的误差，在时间为3s时矩阵列向量的具体表现示意图；

图9表示最高能量所在位置较高的光谱图矩阵矫正前后的结果。

其中，(a)为光谱图矫正前，其底部白色方框部分会在矫正的过程中溢出省略；(b)为光谱图矫正后，其顶部白色方框部分是对平移过程中产生的空缺插值的结果。

图10表示从光谱图中计算得到的三种不同的速度示意图；

图11为一种基于商用Wi-Fi的方向独立的步态识别方法的室内摆放结构示意图。

其中，Tx为发射端，例如路由器；Rx1和Rx2为两个接收端，例如笔记本电脑， 且笔记本电脑中包涵了微处理器。发射端与两个接收端分别形成的两个链路相互垂直， 形成了一个7m×7m的矩形区域，人在中间5m×5m的范围内行走。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详 细描述。

本发明实施例主要用于解决以下问题：

1、由于一对Wi-Fi收发设备只能够测量垂直于LoS方向上的运动信息，所以获得的步态信息是方向依赖的。根据菲涅尔区定理，当受试者沿着不同的方向行走时，CSI的波 动差异很大，无法从这样的信号中提取能够反映人真实运动情况的步态信息。因而，现有 的基于Wi-Fi的步态识别方法都要求受试者沿给定的单一路径运动，从而避免这种差异。 但是，这样限制了识别方法的应用范围。由于一对Wi-Fi收发设备仅能测量二维平面上某 一维上的运动信息，本发明实施例引入了另一个Wi-Fi接受设备，用来观测两个维度上的 步态信息，并根据运动的角度关系，导出方向独立的步态信息，用来进行步态识别，从而 摆脱了单一路径的约束，拓展了识别方法的应用范围。

2、怎样提取，提取哪些步态特征。当人行走时，不同的身体部位以不同的频率运动， 应该从CSI信号中提取哪些特征用来反映人的步态信息？传统的步态特征，比如，步态周 期、速度等手动特征都可以从步态信息中提取。但是仅基于这些特征进行步态识别，会导 致精度不太理想。一是因为这些特征的数量相对较少，当识别人数增加时，精度下降很快； 二是因为这些特征容易受到噪声的影响，导致识别精度波动很大。除了采用上述的手动特 征，本发明实施例还利用Gabor滤波器来获取大量的自动特征，并将自动特征和手动特征 结合使用，实现了较高的识别精度和较强的稳定性。

实施例1

一种基于商用Wi-Fi的方向独立的步态识别方法，参见图1，该方法包括以下步骤：

101：受试者在预定的区域内重复行走指定的距离，通过商用Wi-Fi设备采集受试者的 CSI信号；

102：利用巴特沃斯带通滤波器对所有振幅数据进行去噪处理，并采用PCA降维算法 去除数据冗余并进一步降噪；

103：利用PCA降维后的数据，根据步行与静止状态下CSI信号PSD分布的不同状态进行运动检测；

104：根据菲涅尔理论，从CSI信号中测得穿过菲涅尔区的个数和振幅信号的相位时 延，依据这些数据推导出受试者行走的方向；

105：对PCA降维后的前10个主成分数据分别执行STFT(短时傅里叶变换)，将原 本各频率混合的时域信号转化到时频域上，得到10个横轴为时间、纵轴为频率的光谱图。 将这10个光谱图叠加，产生一个高质量的光谱图，然后采用一个二维的高斯低通滤波器 (滤波器大小为5，方差为0.5)进行去噪；

106：根据上面计算的运动方向，将光谱图映射到反映人真实运动的方向上，并进行 误差矫正及融合，得到一个能够反应人真实运动的高质量的光谱图；

107：从光谱图中提取手动特征和自动特征；

其中，手动特征的提取需要先从光谱图中获得代表不同身体部位的速度，然后根据这 些速度提取不同的特征；自动特征从Gabor滤波器中自动获取。

108：将两种不同的特征输入到带有径向基函数的支持向量机中，进行训练和测试， 实现步态识别。

综上所述，本发明实施例依靠菲涅尔反射模型，根据Wi-Fi信号仅能测量垂直于视线 (Line of Sight，简称LoS)方向上的运动的特点，将Wi-Fi信号测得的垂直于LoS方向上的步态信息映射到受试者真实运动方向上，从而实现了不管受试者沿哪个直线方向行走，都能进行步态识别。

实施例2

下面结合具体的实例、计算公式对实施例1中的方案进行进一步地介绍，详见下文描 述：

一、利用商用Wi-Fi采集CSI信号

由于本发明实施例是针对较小的应用环境进行设计的，所以能够识别的人物数量有 限，这里取能够使识别精度在可接受范围内的6个人的数量。

1)一个商用Wi-Fi设备作为发射端，另外两个商用Wi-Fi设备作为接收端，形成两对 链路。这两对链路垂直摆放，形成一个直角坐标系，发射端位于坐标原点，两个接收端分别位于X轴和Y轴，距接收端7m；

例如：路由器，作为发射端持续发射无线信号；两个笔记本电脑，作为接收端，不断的接收CSI信号。

具体实施时，本发明实施例对以上器件的型号均不做限制，只要能实现以上功能的器 件均可。

2)检测开始时，受试者首先处于直立状态，站在坐标系(1m，1m)的位置；

3)运动开始后，受试者可沿X轴和Y轴夹角的0°～90°之间的任何方向，沿直线行走5m；

4)受试者重复步骤2)和3)50～60次，用来收集训练集数据。期间，受试者行走 的方向可同可不同。

5)6人依次重复步骤2)—4)，直到所有人的步态数据被收集完毕。

注：当受试者采集数据时，在同一室内的其他人需保持静止，不能有大规模动作，即 一次只能采集一个人的步态数据。

在受试者进行数据采集的过程中，Wi-Fi信号经过受试者反射产生独一无二、波动变 化的CSI信号，在接收端由于Wi-Fi信号受多径效应的影响，所以本方法可以利用信号处理技术获取受试者的步态特征信息，例如：身体运速度、腿的运动速度等，最后基于这些 步态特征训练分类器，用于步态识别。

二、数据清洗

上述获得的CSI数据含有：静态成分、低频干扰和脉冲噪音，一是由时钟异步，无线电波干扰和发射端发射功率变化造成；二是在数据采集时，周围人微小的运动，受试者的呼吸等微弱动作以及环境温度的变化等，都会使CSI数据中混入不同程度的低频和高频噪音，为步态特征的提取增加了难度。这要求不仅要有效地去除噪音，而且去噪后要尽可能维持波形不被改变，同时由于CSI数据中脉冲噪音带宽大，能量高，所以单一滤波器不 能有效地去除噪音。

为了解决这些问题，本发明实施例使用巴特沃斯带通滤波器和PCA对CSI振幅数据中每个子载波进行数据清洗，具体可分为两步：

1)使用巴特沃斯带通滤波器对CSI数据中每个子载波进行去噪；

人步行的速度在0.3～2m/s，根据CSI反射频率与人运动速度的关系：其中， λ为无线信号波长5.79cm，可以得到由行走产生的CSI波动频率在10～70Hz。考虑到本发 明实施例采用两个接受端采集步态信息，这样每个接收端观测到的速度是不同的，同时为 了充分保留CSI信号中有关步态的信息，截止频率设置为5～80Hz，阶数设置为5阶。

2)使用PCA对带通滤波器去噪后CSI数据进行降维并进一步去噪。

由于CSI数据中的各个子载波处于相邻的波段，因此行走对它们的影响是基本相同的， 相邻子载波之间的数据相关性很高，数据冗余较大。为了去除数据冗余和进一步去噪，使 用PCA对所有子载波进行降维，然后采用前10个PCA主成分进行后续处理。

三、运动检测

为了提取步态信息，首先需要检测步行是否开始。这里仅需要对第一个PCA主成分进 行检测即可。在实验中可以观察到，有无运动时CSI信号的PSD分布差异很大，见图4。 由于有运动时PSD的能量分布很密集，对应的峰度值较大，无运动时PSD能量分布均匀， 对应的峰度值较小，所以本发明实施例采用峰度对这种分布差异进行度量，并采用指数移 动平均算法来更新PSD的峰度以检测运动是否开始。具体可分为三步：

1)计算CSI时间序列的PSD。

首先，采用滑动窗口对CSI时间序列进行分割处理，窗口大小为256，步长100。然后计算每个时间窗口内CSI数据的PSD分布：

其中，c表示时间窗口内的CSI向量，N表示CSI向量中元素的个数，FFT表示快 速傅里叶变换，abs为取绝对值。

2)计算PSD分布的峰度值，具体公式如下：

其中，s_i∈S是PSD在每个频率点的值，μ是PSD在所有频率点的平均值。

3)利用指数移动平均算法来更新PSD的峰度，具体计算如下：

I(t)＝(1-α)I(t-1)+αK(t) (3)

其中，α设为0.1，K(t)表示t时刻PSD的峰度值。I(t)的初试值，设为静止状态下 两秒钟内PSD峰度的均值。

运动的检测阈值设置为3倍的I(t)，即某一时刻的峰度大于等于当前时刻下3倍的I(t)时，则视为运动开始。只要两个接收端中有一个能够检测到运动时，即认为运动开始了，此时停止更新I(t)。

四、行走方向估计

为了建立CSI信号波动频率与受试者运动方向的关系，并以此将步态信息映射到反应 人的真实运动方向上，需要先确定受试者行走的方向。根据菲涅尔理论，当受试者沿着某 个方向行走，依次穿过相邻的奇数和偶数菲涅尔区时，信号会交替的增强和减弱，且增强 和减弱的个数与穿过奇数和偶数个菲涅尔区的个数相对应。并且，由于子载波所处的载波 频率的不同，当受试者沿不同方向穿过菲涅尔区时，各子载波之间的振幅会出现不同程度 的相位时延。根据CSI振幅信号波动的个数和相位时延，可以求出受试者行走的方向。具 体可分为三步：

1)计算受试者穿过菲涅尔区的个数，并以此获得运动方向角度；

由于受试者穿过菲涅尔区的个数与CSI振幅信号的波动个数相对应，故可以用CSI振 幅波动个数来表示穿过菲涅区的个数。由于噪声等影响，直接计数会导致误差比较大，因 此，采用FFT来统计一小段时间内CSI的波动个数，然后取所有时间的平均值。

由于本发明实施例采用一对相互垂直的链路，形成了两个相互垂直的菲涅尔区，因此 可以获得两个不同方向上穿过菲涅尔区的个数。例如：在后续如图6所示，路径在Y 轴方向上穿过了19.8个菲涅尔区，在X轴方向上穿过了38.7个菲涅尔区，所以运动方向角度为arctan(38.7/19.8)＝62.9°，与真实运动角度60°近似相等。

2)计算CSI振幅信号的相位时延，并以此获得运动方向角度；

由于相邻的两个子载波之间的载波频率相近，所以它们之间的相位时延很小，不容易 观测。因此，本发明实施例依据非相邻的子载波计算相位时延，例如：1和6，2和7等等。

首先将CSI时间序列平均分成若干段，由于信号具有噪声，这里采用互相关来计算一 对子载波每一时间段的相位时延，然后取所有对子载波的所有时间段的相位时延的均值。 由此可以获得有关两个垂直方向的相位时延，并采用同上述计算菲涅尔区个数的方法来判 断运动方向角度。

3)结合上述两个角度值，获得最终的运动方向角度。

当受试者运动方向分布在X轴与Y轴较中间的方向时，两个方法的推断都比较准确， 此时可以结合两个角度；当受试者运动方向靠近X轴或者是Y轴的时候，由于靠近运动方 向的一个接收端测得的穿过菲涅尔区不稳定，则利用菲涅尔区个数的推断偏差很大，此时 仅依靠相位时延。这里角度的阈值设置为20°和70°。当通过相位时延获得的角度大于70°或小于20°，且另一个方法得到的角度接近该度数时，采用相位时延获得的角度，否 则取两个角度的均值。

五、光谱图生成、转换、矫正和融合

因为不同身体部位的信号反射混合在一起，所以从CSI信号提取步态信息很困难。同 时由于CSI信号严重依赖于运动的方向，因此很难将步行方向推广到沿任意方向行走。考 虑到行走状态下不同身体部位的运动速度不同，对CSI信号的反射频率不同，本发明实施 例将时域信号转换到时频域上，以此将不同身体部位的反射频率分离开来。由于一对Wi-Fi 收发设备仅能够测量垂直于LoS上的运动信息，即获得的时频信息仅能反应垂直于LoS上 的信息，结合受试者的运动方向，可以将垂直于LoS上的信息映射到受试者的运动方向上， 即不管受试者沿哪个方向运动，都可以将垂直于LoS上的信息映射到运动方向上，从而摆 脱了方向的依赖性。具体分为以下4步：

1)光谱图生成；

采用上述PCA降维后的前10个主成分数据，分别执行STFT，将一维的时间序列转换成光谱图。CSI数据的采样频率为1000Hz，滑动窗口的大小设置为1024，步长为6，由 此可以获得较高的频率分辨率0.95Hz和时间分辨率为6ms。将这10个光谱图叠加，产生 一个高质量的光谱图，然后采用一个二维的高斯低通滤波器(滤波器大小为5，方差为0.5) 进行去噪。如此，从两个接收端可以获得两个高质量的光谱图S_v和S_h。

其中，S_v是在Y轴上的接收端测得的光谱图，表示运动在X轴上的分量；S_h是在X 轴上的接收端测得的光谱图，表示运动在Y轴上的分量。两个光谱图的横轴为时间，纵轴 为频率，能量越高的地方，颜色越浅(以白色表示)。由于频率分辨率为0.95Hz，所以两 个光谱图对应的纵轴频率向量相同，都为CF＝[0,0.95,1.90,…]。

2)光谱图转换；

由于一对收发设备仅能测量垂直于LoS上的运动信息，所以上述生成的两个高质量的 光谱图是真实运动信息在X轴与Y轴上的分量。为了消除光谱图对方向的依赖性，需要将 光谱图映射到运动方向上。具体步骤如下：

首先，由于两个光谱图的横轴表示时间，纵轴表示频率，需将两个光谱图纵轴所对应 的频率向量映射到运动方向上。令运动方向与收发端形成的坐标系的X轴之间的夹角为θ， θ可根据上述判定运动方向部分求出。则会得到两个已映射到运动方向上的频率向量F_h＝CF/sin(θ)和F_v＝CF/cos(θ)。此时，两个光谱图每一行所对应的频率变成了F_h和F_v中的元素。然后，采用插值法对两个光谱图所有列进行插值，使其纵轴所对应的 频率向量保持相同，得到两个转换到运动方向上的光谱图S′_v和S'_h。插值函数形式如下：

S′_v(k)＝interpolation(F_v,S_v(k),CF)，k＝1,2,...K (4)

S'_h(k)＝interpolation(F_h,S_h(k),CF)，k＝1,2,...K (5)

其中，S′_v(k)和S'_h(k)分别表示S′_v和S'_h中的一列，S_v(k)和S_h(k)表示S_v和S_h中 的一列，K表示光谱图的列数，F_v和S_v，F_h和S_h为已知数据点，CF为插值点。

3)光谱图矫正；

由于上述运动方向的判定存在误差，会导致转换后两个光谱图的对应高能量的位置一 高一低，即某一时刻对应的最大能量所对应的频率不一样，如图8所示。为了消除这种差 异，需要对两个光谱图进行校正。此时，需要注意，根据上述方向判定部分，当运动方向靠近X轴或Y轴时，即运动角度接近0°或90°时，靠近运动方向的接受端测得的穿过菲 涅尔区的个数是不稳定的，即CSI信号波动频率不稳定，对应的光谱图也是不稳定，此时 仅采用另一个光谱图直接进行后续特征提取，无需光谱图矫正和融合。同时，由于上述光 谱图转换对用于特征提取的光谱图的影响很小，所以由运动方向误差造成的影响基本可以 忽略，故在这种情况下无需光谱图矫正和后面的光谱图融合。同上，判定是否进行光谱图 矫正和融合的阈值设置为20°和70°。在角度在20°～70°范围的运动，需要进行如下的 光谱图矫正和融合：

首先，分别从S′_v和S'_h中取同一时刻的两列向量，其中每列向量表示反射信号于该时 刻在不同频率上的强弱程度。然后，分别找到这两列向量最大能量处所对应的频率值，并 取两者的差值。接着，对两个光谱图的所有列执行相同的操作，求出所有列的差值，并取差值的平均值的一半，记shiftnum。最后，对于最高能量所在位置较高的光谱图整体向 下平移shiftnum个单位；最高能量所在位置较低的光谱图整体向上平移shiftnum个单 位。同时，两个光谱图矩阵空出来的部分采用插值处理，溢出的部分省略，得到了两个校 正后的光谱图S″_v和S″_h。

具体实现时，最高能量是唯一的，但两个光谱图对应时刻的最高能量的位置会有高低 的区别。参见图8，虚线和实线分别来自两个光谱图同一时刻的一列，对应的最高能量点 的位置一个靠左，一个靠右，最高能量点对应的频率一个大一个小，反应在光谱图上，即一个高一个低。

例如，图9表示最高能量所在位置较高的光谱图矩阵矫正前后的结果。其中，(a)为光谱图矫正前，其底部白色方框部分会在矫正的过程中溢出省略；(b)为光谱图矫正后， 其顶部白色方框部分是对平移过程中产生的空缺插值的结果。从9(a)到9(b)需要先对 光谱图矩阵整体向下平移shiftnum个单位，然后(a)中底部白色框部分会溢出省略，(b) 中顶部会空缺出来，空缺部分采用插值处理。另一个与其对应的最高能量所在位置较低的 光谱图矩阵，则需要先向上平移shiftnum个单位，然后对溢出部分省略，空缺部分插值， 除了上下移动方向相反外，其他处理方法相同。

这一步的主要目的是为了消除由方向计算带来的误差，整体思路是对两个光谱图矩阵 分别向上或者向下移动，以达到两个光谱图的最高能量部分的位置重合。

4)光谱图融合

当运动角度在20°～70°之间时，能够得到两个高质量的光谱图，为了能够提取出更 多的步态信息，也为了减弱噪声的影响，需要对这两个光谱图进行融合。由于两个光谱图 所包含的步态信息并非相等的。根据一对收发设备仅能测量垂直于LoS方向上的运动信息 这一特点，可以知道运动方向与某对设备的夹角越大，所包含的步态信息越多。因此，本发明实施例采用加权平均的方法进行融合，公式如下：

其中，S为最终融合得到的光谱图，cos(θ)和sin(θ)分别为S″_v和S″_h的权重。

当运动角度大于70°时，仅采用S′_h作为最终光谱图；运动角度小于20°时，采用S′_v作 为最终光谱图。

至此，可以得到用于特征提取的光谱图。

六、特征提取

为了训练分类模型，需要从上述生成的光谱图中提取特征。关于步态信息的传统的手 动特征包括速度、步态周期等都可以从光谱图中提取。但是仅基于这些特征进行步态识别， 会导致精度不太理想。一是因为这些特征的数量相对较少，当识别人数增加时，精度下降 很快；二是因为这些特征容易受到噪声的影响，导致识别精度波动很大。除了采用上述的 手动特征，本专利发明还利用Gabor滤波器来获取大量的自动特征，并将自动特征和手动 特征结合使用，实现了较高的识别精度和较强的稳定性。具体特征的提取方法如下：

A、手动特征

手动特征主要从光谱图获得的三个不同的速度中提取，即躯干轮廓速度、躯干速度和 腿速度。三个速度的计算方法如下：

首先，本发明实施例采用上部轮廓躯干反射来估计躯干轮廓频率f_tc(t)：

其中，P(f,t)是FFT在频率f，时间t的大小；是0～f_max频率范 围内的整体能量；f_tc(t)是在时间t时FFT能量比大于阈值α的最高频率；这里α为 4％。

接着，利用百分位数法来计算躯干频率和腿频率：

其中，Per(f,t)是在时间t时频率低于f的FFT结果的能量与所有频率下总能量的比值。躯干频率满足Per(f,t)≥50％；腿频率满足Per(f,t)≥90％。

最后，根据上述求得的三种不同的频率，利用公式可以求得对应的躯干轮 廓速度、躯干速度和腿速度。其中，λ为无线信号波长5.79cm。

然后，根据上面三种不同的速度，求对应的加速度、最大值、平均值、中位偏差和方差，可以得到15个特征；由于通过百分位数法估计的躯干速度对噪声非常敏感，因此后 续手动特征仅考虑躯干轮廓速度和腿速度。利用自相关来计算躯干轮廓速度和腿速度的步态周期时间，得到2个特征；采用波峰检测方法将躯干轮廓速度和腿速度分别分割成小片段，每一段代表一步，计算均值和方差，得到4个特征。总计，共21个手动特征。

B、自动特征

Gabor滤波器的设计是用于提取空间局部频率特征，且无需人为干预即可进行纹理检 测。上述高质量、方向无关的光谱图具有鲜明的纹理，非常适合用Gabor滤波器提取特征。 由于可以用Gabor滤波器提取大量的特征，所以当局部信号存在噪声时，也会被淹没。因 此，提取的Gabor特征具有很强的稳定性，可以训练出稳定的、高效的分类模型。

在本发明实施例中，Gabor滤波器的尺度、取向和大小分别设置为8,5和39。采用下采样对输入的光谱图矩阵进行处理，使其大小变为200×30。水平和垂直的下采样间隔设置为6和4。最终可以获得10880个Gabor特征。

七、训练分类模型

依据上述提取的手动特征和自动特征，训练分类模型。由于特征数量比较多，使用随 机森林进行训练导致时间开销比价大。因此，本发明采实施例用带有径向基函数的支持向 量机进行分类训练。通过网格搜索选择RBF内核的参数ν和γ的最佳值。同时，利用十折交叉验证对训练好的分类模型进行精度检验。

综上所述，本发明实施例通过采用一系列信号处理和数据挖掘技术来处理Wi-Fi信号， 实现了使用商用Wi-Fi设备对任意直线行走方向的步态识别。

实施例3

下面结合附图对上述实施例1和2中的作用和效果进行展示。

本示例以CSI数据处理为例给出具体的实施方式，具体步骤如下：

使用一个笔记本电脑作为Wi-Fi接入点，即发送端，另外两个笔记本电脑作为接收端， 三台笔记本都安装了Intel 5300NIC和Ubuntu 14.04LTS桌面版系统，发射端有3根天线， 每个接收端有3根天线，每端3根天线之间的距离为一个波长(5.79cm)，并且位于一条直 线上。发射端和接收端分别放在三个小桌板上，距离地面40cm，同时发射端与每一个接收 端形成一对链路，两对链路相互垂直，形成一个平面直角坐标系，发射端位于坐标系原点， 两个接收端分别位于X轴和Y轴上，距离发射端7m。设备的摆放位置及受试者运动的方向如图2所示。数据包的传输速率为1000Hz，传输的链接工作在频段为5.825GHz的165 信道上，本发明实施例选择5GHz的频段而不用2.4GHz的频段的原因是5GHz频段的波长 短，短波长对运动速度有较高的分辨率。在接收端使用Linux CSI tool收集CSI数据后， 通过TCP/IP协议将数据发送到配置为Intel i7-5600U 2.6GHz电脑上，通过MATLAB处理 CSI数据。

首先本发明实施例对CSI数据进行降噪处理。图3呈现了数据降噪的一个例子，图3(a)为原始信号，表现出很强的噪声；图3(b)为带通滤波后的CSI信号，可以看出大 部分噪声已被消除，但是信号的波动性并不是很明显；图3(c)为第一个主成分，其信号 周期波动较为明显，符合预期的去噪效果。

降噪完成后，本发明实施运动检测，用于判断是否开始行走。图4显示了行走状态与 静止状态下PSD的分布情况。当有人行走时，PSD能量比较集中；当无人行走时，PSD 能量比较分散。图5显示了检测方法能够检测到运动所需要的时间。由此可以看出，在行 走开始后的0.8s内，该方法基本可以检测到所有的行走。

当检测到步行后，本发明实施例开始判定人的运动方向。如图6所示，本发明实施例 根据穿过菲涅尔区的个数进行运动方向的判断，同时用信号的相位时延加以辅助，基本可 以完成步行方向的判断。

在完成步行方向判断后，本发明实施例开始生产光谱图，并对光谱图进行转换、矫正 和融合等处理，生成最终高质量的方向独立的光谱图。图7(a-b)显示了从两个接收端的接受信号生成的光谱图，它们分别是经过了光谱图叠加和二维高斯低通滤波器处理的结果，此时的光谱图仅表示垂直于LoS方向上的步态信息。图7(c-d)分别是经过了光谱转 换后生成的光谱图S′_v和S'_h。相比于图7(a-b)，图7(c-d)中能量所对应的频率有所升高， 此时的光谱图已经被映射到了运动方向上。图8显示了运动方向计算误差带来的影响，导 致同一时刻两个光谱图矩阵对应列的最大能量在频率上的位置有所变化，需要进行矫正。 图9表示最大能量所在位置较高的光谱图矩阵矫正前后的结果，9(a)底部白色方框部分 在矫正的过程中会溢出省略，9(b)顶部白色方框部分是矫正过程中，插值产生的。从9 (a)到9(b)需要先对光谱图矩阵整体向下平移shiftnum个单位，然后分别对溢出的部 分省略，空缺的部分插值处理。另个一与其对应的最大能量所在位置较低的光谱图矩阵， 则需要先向上平移shiftnum个单位，然后对溢出部分省略，空缺部分插值，除上下移动 方向相反外，其他处理方法相同。图7(e)显示了经过光谱图矫正和融合的最后结果。其 中，黄色部分表示躯干的反射，多出来的“蓝色的火焰”表示腿的反射。相比于融合前， 融合后包含了更多的细节信息。

生成方向独立的光谱图后，本发明实施例开始从光谱图中提取步态特征，用于训练分 类模型。图10显示了从光谱图中获得的三个不同的速度。依据这三个速度，可以获取不 同的手动特征，结合Gabor滤波器提取的自动特征，训练分类器。

最后，采用带有RBF的SVM来训练分类器，并通过网格搜索来优化RBF的内核参数。同时，利用十折交叉验证对训练好的分类模型进行精度检验。当人数较少时识别精度较高；人数增多时识别精度开始下降，当人数增加的6人时，识别精度在80％左右，在可接受范 围内。

实施例4

一种基于商用Wi-Fi的方向独立的步态识别方法，参见图11，该方法包括：发射端、接收端和微处理器。

在本发明实施例中，利用未经改装的商用Wi-Fi设备设计并实现了一种无需限制运动 方向的步态识别方法，它可以进行不同人员的识别。该方法包括：三个Wi-Fi设备，一个 设备(例如：路由器，作为发射端)持续发射无线信号，另外两个设备(例如：笔记本电脑，作为接收端)不断接收无线信号。

微处理器对商用Wi-Fi采集的受试者的CSI信号进行处理；利用巴特沃斯带通滤波器 对所有振幅数据进行去噪处理，并采用PCA降维算法去除数据冗余并进一步降噪；利用PCA降维后的数据，根据步行与静止状态下CSI信号PSD分布的不同状态进行运动检测； 根据菲涅尔理论，从CSI信号中测得穿过菲涅尔区的个数和振幅信号的相位时延，据此推 导出受试者行走的方向；对PCA降维后的前10个主成分数据分别执行STFT，并将这10 个光谱图叠加，产生一个高质量的光谱图。然后采用一个二维高斯低通滤波器进行去噪； 将光谱图映射到反映人真实运动的方向上，并进行误差矫正及融合，得到一个能够反应人 真实运动的高质量的光谱图；从光谱图中提取手动和自动特征，用于训练带有RBF的SVM 分类器。

本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要 能完成上述功能的器件均可。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号 仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则 之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于商用Wi-Fi的方向独立的步态识别方法，其特征在于，所述方法包括以下步骤：

受试者在预定的区域内重复行走指定的距离，通过商用Wi-Fi设备采集受试者的CSI信号；

利用PCA降维后的数据，根据步行与静止状态下CSI信号PSD分布的不同状态进行运动检测，推导出受试者行走的方向；

对降维后的前10个主成分数据分别执行STFT，将时域信号转化到时频域上，获取10个横轴为时间、纵轴为频率的光谱图，将光谱图采用二维的高斯低通滤波器进行去噪；

根据推导的方向，将光谱图映射到反映人真实运动的方向上，并进行误差矫正及融合，得到光谱图；

从光谱图中提取手动特征，并从Gabor滤波器中获取自动特征；将两种特征输入到带有径向基函数的支持向量机中，实现步态识别。

2.根据权利要求1所述的一种基于商用Wi-Fi的方向独立的步态识别方法，其特征在于，所述通过商用Wi-Fi设备采集受试者的CSI信号具体为：

1)一个商用Wi-Fi设备作为发射端，另外两个商用Wi-Fi设备作为接收端，形成两对链路；

2)检测开始时，受试者首先处于直立状态，站在坐标系(1m，1m)的位置；

3)运动开始后，受试者沿X轴和Y轴夹角的0°～90°之间的任何方向，沿直线行走5m；

4)受试者重复步骤2)和3)若干次，用来收集训练集数据；

5)多人依次重复步骤2)—4)，直到所有人的步态数据被收集完毕。

3.根据权利要求2所述的一种基于商用Wi-Fi的方向独立的步态识别方法，其特征在于，所述两对链路垂直摆放，形成一个直角坐标系，发射端位于坐标原点，两个接收端分别位于X轴和Y轴。

4.根据权利要求1所述的一种基于商用Wi-Fi的方向独立的步态识别方法，其特征在于，所述根据步行与静止状态下CSI信号PSD分布的不同状态进行运动检测具体为：

采用滑动窗口对CSI时间序列进行分割处理，计算每个时间窗口内CSI数据的PSD分布：计算PSD分布的峰度值；利用指数移动平均算法更新PSD的峰度。

5.根据权利要求1所述的一种基于商用Wi-Fi的方向独立的步态识别方法，其特征在于，所述利用指数移动平均算法更新PSD的峰度具体为：

某一时刻的峰度大于等于当前时刻下3倍的I(t)时，视为运动开始；两个接收端中有一个能够检测到运动时，停止更新I(t)。

6.根据权利要求1所述的一种基于商用Wi-Fi的方向独立的步态识别方法，其特征在于，所述将光谱图映射到反映人真实运动的方向上具体为：

获取两个已映射到运动方向上的频率向量；两个光谱图每一行所对应的频率变成了两个频率向量中的元素，采用插值法对两个光谱图所有列进行插值，使其纵轴所对应的频率向量保持相同，得到两个转换到运动方向上的光谱图。

7.根据权利要求6所述的一种基于商用Wi-Fi的方向独立的步态识别方法，其特征在于，所述误差矫正具体为：

分别从转换后的光谱图中取同一时刻的两列向量，每列向量表示反射信号于该时刻在不同频率上的强弱程度；分别找到两列向量最大能量处所对应的频率值，并取两者的差值；

对两个光谱图的所有列执行相同的操作，求出所有列的差值，并取差值的平均值的一半；最高能量所在位置较高的光谱图整体向下平移二分之一的平均值单位；较低的光谱图整体向上平移二分之一的平均值单位，同时，两个光谱图矩阵空出来的部分采用插值处理，溢出的部分省略，得到了两个校正后的光谱图。

8.根据权利要求7所述的一种基于商用Wi-Fi的方向独立的步态识别方法，其特征在于，所述光谱图融合具体为：

采用加权平均的方法进行融合，公式如下：

其中，cos(θ)和sin(θ)分别为光谱图S″_v和S″_h的权重。

9.根据权利要求8所述的一种基于商用Wi-Fi的方向独立的步态识别方法，其特征在于，当运动角度大于70°时，仅采用S′_h作为最终光谱图；运动角度小于20°时，采用S′_v作为最终光谱图。