CN109728863A - 人员活动持续时间估计方法、装置和终端设备 - Google Patents
人员活动持续时间估计方法、装置和终端设备 Download PDFInfo
- Publication number
- CN109728863A CN109728863A CN201811599583.9A CN201811599583A CN109728863A CN 109728863 A CN109728863 A CN 109728863A CN 201811599583 A CN201811599583 A CN 201811599583A CN 109728863 A CN109728863 A CN 109728863A
- Authority
- CN
- China
- Prior art keywords
- csi
- short sequence
- personnel activity
- personnel
- duration
- 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
Abstract
本发明适用于行为检测技术领域,提供了一种人员活动持续时间估计方法、装置和终端设备。所述方法包括:获取被人员反射的无线信号的信道状态信息CSI序列,利用时间窗将所述CSI序列分割成预设个数的CSI短序列;对每个所述CSI短序列分别进行特征提取得到预设个数的CSI短序列特征;通过分类器对所述预设个数的CSI短序列特征进行分类确定人员活动,以及根据所述人员活动对应的CSI短序列的个数和所述时间窗的尺寸确定所述人员活动的持续时间。本发明能够解决传统的人员活动检测依赖于信号功率的问题,实现用物理层的信息代替控制层信息实现人员活动检测,同时对人员活动的持续时间进行估计。
Description
技术领域
本发明属于活动检测技术领域,尤其涉及一种人员活动持续时间估计方法、装置和终端设备。
背景技术
活动识别是医疗健康和安全监控等领域的研究热点之一。其中,活动持续时间是人员活动识别的一个重要参数。例如,在医疗健康方面,通过活动持续时间可以量化人员活动与疾病之间的关系;在安防监控方面,可根据活动持续时间分析移动人员的异常行为等。
传统的人员活动持续时间估计技术主要基于红外、视觉和可穿戴设备来实现。基于红外的技术,红外线容易被阻挡且红外设备需要固定在特定的位置,移动性差;基于视觉的技术对光线强度的要求高;基于可穿戴设备的技术要求用户随身佩戴监测设备,舒适性较差,而且对于目标人物佩戴设备的自觉性要求极高,不适用于入侵检测、嫌犯追踪等特殊场景。
后来,随着无线网络的发展,无线网逐步实现全覆盖。无线网信号经由移动人员等障碍物时会发生反射、散射等形成多径叠加信号,通过分析人员活动引起无线信号产生的相应变化可进行相关检测。现有的人员活动持续时间估计技术是通过接收信号强度(Received Signal Strength,RSS)的波动特征实现检测,依赖于信号功率,活动持续时间估计不准确,影响检测效果。
发明内容
有鉴于此,本发明实施例提供了一种人员活动持续时间估计方法、装置和终端设备,以解决现有技术中的活动检测技术依赖于信号功率,活动持续时间估计不准确的问题。
本发明实施例的第一方面提供了一种人员活动持续时间估计方法,包括:
获取被人员反射的无线信号的CSI(Channel State Information,信道状态信息)序列,利用时间窗将所述CSI序列分割成预设个数的CSI短序列;
对每个所述CSI短序列分别进行特征提取得到预设个数的CSI短序列特征;
通过分类器对所述预设个数的CSI短序列特征进行分类确定人员活动,以及根据所述人员活动对应的CSI短序列的个数和所述时间窗的尺寸确定所述人员活动的持续时间。
可选的,在利用时间窗将所述CSI序列分割成预设个数的CSI短序列之后,所述方法还包括:
检测每个所述CSI短序列中的信息异常值,并将所述信息异常值删除;
在每个所述CSI短序列中删除所述信息异常值的位置进行插值处理;
对进行插值处理后的每个所述CSI短序列进行去噪处理,对去噪后的每个所述CSI短序列分别进行特征提取。
可选的,所述检测每个所述CSI短序列中的信息异常值,并将所述信息异常值删除,包括:
采用Hampel滤波器算法检测每个所述CSI短序列中的信息异常值,并将所述信息异常值删除。
可选的,所述对每个所述CSI短序列分别进行特征提取得到预设个数的CSI短序列特征,包括:
将每个所述CSI短序列均进行主成分分析得到对应的特征主成分和对应的主特征向量;
计算与所述CSI短序列对应的所述主特征向量的一阶差分均值,以及计算对应的所述特征主成分的方差;
将与每个所述CSI短序列对应的所述方差与所述一阶差分均值的比值设置为所述预设个数的CSI短序列特征。
可选的,每个所述CSI短序列均包括多个子载波;
计算所述一阶差分均值的过程,包括:
通过
得到所述一阶差分均值Diff(vi);其中,N为所述子载波的个数,vi为对应的所述主特征向量。
可选的,所述根据所述人员活动对应的CSI短序列的个数和所述时间窗的尺寸确定所述人员活动的持续时间,包括:
通过
Dr=segNum×window
得到所述人员活动的持续时间Dr;其中,segNum为所述人员活动对应的CSI短序列的个数,window为所述时间窗的尺寸。
可选的,在通过分类器对所述预设个数的CSI短序列特征进行分类之后,还包括:
采用数据融合方法对所述分类结果进行决策,根据决策结果确定所述人员活动。
本发明实施例的第二方面提供了一种人员活动持续时间估计装置,包括:
信息预处理模块,用于获取被人员反射的无线信号的信道状态信息CSI序列,利用时间窗将所述CSI序列分割成预设个数的CSI短序列;
特征提取模块,用于对每个所述CSI短序列分别进行特征提取得到预设个数的CSI短序列特征;
活动持续时间估计模块,用于通过分类器对所述预设个数的CSI短序列特征进行分类确定人员活动,以及根据所述人员活动对应的CSI短序列的个数和所述时间窗的尺寸确定所述人员活动的持续时间。
本发明实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上述任一项所述方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,包括:所述计算机程序被处理器执行时实现如上述任一项所述方法的步骤。
本发明实施例中的人员活动持续时间估计方法、装置和终端设备与现有技术相比存在的有益效果是:首先,通过获取被人员反射的无线信号的信道状态信息CSI序列,利用时间窗将所述CSI序列分割成预设个数的CSI短序列,用物理层的CSI序列代替控制层的信号强度等粗粒度信息,为后面的特征提取和检测提供更加细粒度的信息,提高人员活动检测精度;其次,对每个CSI短序列进行特征提取,通过分类器对每个CSI短序列得到的CSI短序列特征进行分类,以及根据所述人员活动对应的CSI短序列的个数和所述时间窗的尺寸确定所述人员活动的持续时间,在精确识别人员活动的同时实现了对人员活动持续时间的估计。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的人员活动持续时间估计方法的实现流程示意图;
图2是本发明实施例提供的在图1中步骤S101之后所述人员活动持续时间估计方法的实现流程示意图;
图3是图1中步骤S102的实现流程示意图;
图4是本发明实施例提供的一种实施场景图;
图5是本发明实施例提供的在静态场景下的CSI序列变化的示意图;
图6是本发明实施例提供的在动态场景下的CSI序列变化的示意图;
图7是本发明实施例提供的人员活动持续时间估计装置的结构框图;
图8是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
实施例一
参见图1提供了人员活动持续时间估计方法的一个实施例实现流程示意图,详述如下:
步骤S101,获取被人员反射的无线信号的信道状态信息CSI序列,利用时间窗将所述CSI序列分割成预设个数的CSI短序列。
采用物理层的CSI序列代替传统的介质访问控制层的信号强度信息,可以解决传统方法中依赖于信号功率的问题,同时根据时间窗的尺寸将CSI序列分割成预设个数CSI短序列,将连续复杂的人员活动信息转化为离散简单的人员活动检测,对CSI序列更精细的分析,可以提高CSI序列进行特征提取的准确度,实现更高精度的人员活动检测以及活动持续时间的估计。
具体应用中,发射无线信号的发射器和接收无线信号的接收器为普通商用设备,例如可以使用路由器作为发射器,笔记本作为接收器,但不限于此两种设备。目标人物无需佩戴任何设备,仅通过人员活动对无线信号产生的变化进行检测。例如采用MIMO(Multiple-Input Multiple-Output,多输入多输出)技术,即无线信号发射端和接收端分别使用多个发射天线和多个接收天线,可以获取多个无线信号,即可以全方位获取被人员反射的无线信号的CSI序列,进一步对CSI时间序列中的信道状态信息特征分析,降低人员活动误判率,提高人员活动持续时间估计的精度。
可选的,利用Atheros系列网卡或Intel5300网卡获取所述CSI序列。
在一个具体应用场景下,发射器发射无线信号,接收器对人员反射的无线信号进行接收。如图4所示,发射器发射无线信号,通过无障碍的直通路径以及经过目标人物的反射路径到达无线信号接收器,其中,直通路径即为视距(Line of Sight,LOS)路径,反射路径即为非视距(Non Line of Sight,NLOS)路径。目标人物移动过程中路径发生变化,CSI序列发生相应变化。本实施例是通过检测发射器和接收器之间的无线信号的CSI序列来检测场景内是否有移动人员。
参见图5和图6,图5是静态(无人)场景下信道状态信息的变化示意图,图6是动态(有人)场景下CSI序列变化的示意图。从图5和图6可以看出,无人情况下信道状态信息几乎无变化,而当有人在场景内走动时,CSI序列变化幅度明显变大。
实际应用中,由于外界环境因素的变化以及设备内部的干扰,会导致原始CSI序列包含大量噪声和异常点,无法直接用于移动人员检测,也会对人员活动持续时间估计的精度和准确度造成影响。所以本实施例先对预设个数的CSI短序列进行预处理,去除信息中的异常点和噪声等。
一个实施例中,参见图2,步骤S101中所述的利用时间窗将所述CSI序列分割成预设个数的CSI短序列之后,所述人员活动持续时间估计方法还包括:
步骤S201,检测每个所述CSI短序列中的信息异常值,并将所述信息异常值删除。
由于信号接收设备或外部环境问题,使得获取的无线信号的CSI序列中的信道状态信息存在异常值,影响对CSI短序列特征提取的准确度,本实施例检测每个CSI短序列中的信息异常值并删掉。
一个实施例中,所述检测每个所述CSI短序列中的信息异常值,并将所述信息异常值删除可具体包括:
采用Hampel滤波器算法检测每个所述CSI短序列中的信息异常值,并将所述信息异常值删除。
Hampel滤波器可以识别监护数据中异常值出现的位置,并采用最小二乘支持向量机回归模型,再利用递推预报的方法检测出CSI短序列中的异常值,实现监测CSI短序列中信息异常值的分析处。
步骤S202,在每个所述CSI短序列中删除所述信息异常值的位置进行插值处理。
将CSI短序列中的某位置的异常值删掉后,可能造成信息丢失或缺失现象,因此,本实施例还需要在每个CSI短序列中删除信息异常值的位置进行插值处理,将缺失数据补充,保证CSI序列的信息序列的准确性。
可选的,进行插值处理的方法可以采用线性插值方法。
实际应用中,接收器接收无线信号是接收多个数据包,但由于通信质量的问题,在接收数据包时会发生数据包丢失的现象,而无线信号进行传输时的数据包都是连续的,如果其中的数据包发生丢失,则CSI序列的传输就会出现空洞,所以本实施例针还可以对丢包现象进行插值处理,保证CSI序列的传输质量,进而提高人员活动检测以及估计活动持续时间的准确度。
步骤S203,对进行插值处理后的每个所述CSI短序列进行去噪处理,对去噪后的每个所述CSI短序列分别进行特征提取。
在无线通信领域中,无线信号很容易受到外界环境因素的变化以及信号接收设备内部的干扰,进而导致采集到的无线信号的CSI序列含大量噪声,无法直接用于估计人员活动持续时间,所以本实施例对每个CSI短序列进行去噪处理,再对去噪后的每个所述CSI短序列分别进行特征提取。
可选的,去噪处理的方法可以采用小波去噪法。具体的,小波去噪法主要包括小波变换和小波阈值处理两种方法,小波变换是对含噪声信息进行小波变换,对变换得到的小波系数进行处理,去除其中包含的噪声,最后对处理后的小波系数进行小波逆变换,得到去噪后的信息;小波阈值处理是先对信息进行小波分解,得到尺度系数,然后对尺度系数进行阈值处理,最后再进行小波重构得到去噪后的数据信息。小波去噪法处理的数据信息噪声低,去噪信息精准。
可选的,对每个插值处理后的CSI短序列进行滤波时采用小波阈值处理方法。例如,可以将每个插值处理后的CSI短序列先根据‘db4’小波函数进行两层分解,然后采用无偏似然估计阈值法进行去噪,最后再对信息进行重构,得到去噪后的CSI短序列,即得到预设个数的CSI短序列。
步骤S102,对每个所述CSI短序列分别进行特征提取得到预设个数的CSI短序列特征。
一个实施例中,参见图3,步骤S102中对对每个所述CSI短序列分别进行特征提取得到预设个数的CSI短序列特征的具体过程包括:
步骤S301,将每个所述CSI短序列均进行主成分分析得到对应的特征主成分和对应的主特征向量。
为降低计算复杂度,提高检测速度,本实施例先将每个所述CSI短序列进行降维处理。
下面对其中一个CSI短序列进行主成分分析得到对应的特征主成分和对应的主特征向量的具体过程进行说明,其他CSI短序列进行主成分分析得到对应的特征主成分和对应的主特征向量的过程相同。
先对CSI短序列进行归一化处理,得到归一化CSI短序列,然后归一化CSI短序列进行自相关计算得到相关矩阵,并获得前K个最大的特征值以及对应的特征向量,K个最大特征值对应的特征向量为本实施例中的主特征向量;根据主特征向量和归一化CSI短序列求取相应的主成分矩阵,即确定所述特征主成分,实现数据降维。
获得前K个最大的特征值可以包括:计算相关矩阵的特征值,将每个特征值进行从大到小的排列,获取前K个最大的特征值,同时获取对应的特征向量,即K个最大的特征值对应的特征向量为所述主特征向量。其中,K小于CSI短序列自身的矩阵列数,K值可以由用户输入设定,也可以由特征值在整体特征中的贡献率决定,所有超过预设贡献率的特征值对应的特征向量则作为预设数量的主特征向量。
例如,归一化后的CSI短序列为信息矩阵H,维度可以是1000*114。对信息矩阵H进行自相关操作,求得相关矩阵,即相关矩阵C=HT×H,其中HT是信息矩阵H的转置矩阵。对相关矩阵C进行特征值分解,获取前K个最大的特征值和对应的特征向量,例如,K=6。其中,确定的K个主特征向量表示为v1,v2,……,vk,每个主特征向量的长度为n。由信息矩阵H和主特征向量求取主成分矩阵P(特征主成分),具体地,根据公式P=H×vi来获得特征主成分,即通过利用主成分分析法将CSI短序列中时间序列的维度降至K维。
步骤S302,计算与所述CSI短序列对应的所述主特征向量的一阶差分均值,以及计算对应的所述特征主成分的方差。
其中,每个所述CSI短序列均包括多个子载波。子载波的个数由当前接收设备的带宽决定,例如,20MHZ的信号接收设备可以接收包括56个子载波的无线信号,40MHZ的信号接收设备可以接收包括114个子载波的无线信号,根据无线信号的子载波个数再确定CSI短序列中的子载波个数。
可选的,计算所述一阶差分均值具体包括:通过
得到所述一阶差分均值Diff(vi);其中,N为所述子载波的个数,vi为对应的所述主特征向量。
可选的,计算所述方差具体包括:通过
得到所述方差Var(pi);其中,L为子载波的个数,pi为对应的所述特征主成分的向量,为对应的所述特征主成分的向量的均值。
步骤S303,将与每个所述CSI短序列对应的所述方差与所述一阶差分均值的比值设置为所述预设个数的CSI短序列特征。
参见图5和图6,可以看出,无人情况下的CSI序列几乎无变化,而当有人在场景内走动时,CSI序列变化幅度明显变大。也就是,当场景内有人时,主成分变化大,相应地方差值很大,同时,主特征向量变化平缓,相应地一阶差分均值小;相反地,当场景内无人时,主成分变化小,方差值小,同时,主特征向量变化随机,一阶差分均值大。所以本实施例选取方差与一阶差分均值的比值作为特征值。每个CSI短序列对应一个CSI短序列特征。
步骤S103,通过分类器对所述预设个数的CSI短序列特征进行分类确定人员活动,以及根据所述人员活动对应的CSI短序列的个数和所述时间窗的尺寸确定所述人员活动的持续时间。
可选的,本实施例中的分类器选用BP(Error Back Propagation Training,误差反向传播算法)神经网络。BP神经网络广泛应用于分类问题中。
BP神经网络主要包括信号的前向传播和误差的反向传播两个过程,即计算误差输出时按从输入到输出的方向进行,而调整权值和阈值则从输出到输入的方向进行。前向传播时,输入特征通过隐含层作用于输出节点,经过非线性变换,产生输出信号,若实际输出的分类情况与期望输出的分类不相符,则转入误差的反向传播过程;误差反传是将输出误差通过隐含层向输入层逐层反传,并将误差分摊给各层所有单元,以从各层获得的误差信号作为调整各单元权值的依据,通过调整输入节点与隐层节点的联接强度、隐层节点与输出节点的联接强度以及分类阈值,使误差沿梯度方向下降,即根据梯度下降法调节误差。
具体的,先对动态场景下的CSI序列和静态场景下的CSI序列进行标记,然后将动态场景下的CSI序列和静态场景下的CSI序列均进行预处理和特征提取后输入到BP神经网络中进行训练,也就是一部分动态场景下的CSI序列和静态场景下的CSI序列作为训练集,在BP神经网络中训练,当训练好之后,然后将再获取的CSI序列进行特征提取,得到的人员活动特征作为测试集输入到训练好的BP神经网络,训练好的BP神经网络就可以对类似样本的输入信息,自行处理输出误差最小的经过非线形转换的信息,也就是分类结果。
上述利用BP神经网络对CSI短序列特征进行分类,即利用前向传播和误差的反向传播反复训练和测试,得到分类结果,根据分类结果确定人员活动,使得特征分类更加精准,分类结果更加准确。
一个实施例中,图1中步骤S103所述的根据所述人员活动对应的CSI短序列的个数和所述时间窗的尺寸确定所述人员活动的持续时间的具体过程包括:
通过
Dr=segNum×window
得到所述人员活动的持续时间Dr;其中,segNum为所述人员活动对应的CSI短序列的个数,window为时间窗的尺寸。
具体的,每个CSI短序列对应一个CSI短序列特征,将预设个数的CSI短序列特征进行分类确定人员活动,可知一些CSI短序列不包含人员活动信息,一些CSI短序列包含人员活动信息,本实施例根据包含人员活动的CSI短序列的个数和所述时间窗的尺寸确定所述人员活动的持续时间。
一个实施例中,在将所述CSI短序列特征输入到分类器中进行分类之后,还包括:
采用数据融合方法对所述分类结果进行决策,根据决策结果确定人员活动,提高分类精度。
可选的,数据融合方法可以包括多数投票算法。采用数据融合方法对所述分类结果进行决策可以提高分类精度,降低错误率。
上述人员活动持续时间估计方法,先通过获取被人员反射的无线信号的信道状态信息CSI序列,利用时间窗将所述CSI序列分割成预设个数的CSI短序列,用物理层的CSI序列代替控制层的信号强度等粗粒度信息,为后面的特征提取和检测提供更加细粒度的信息,提高人员活动检测精度;其次,对每个CSI短序列进行特征提取,通过分类器对每个CSI短序列得到的CSI短序列特征进行分类,以及根据所述人员活动对应的CSI短序列的个数和所述时间窗的尺寸确定所述人员活动的持续时间,在精确识别人员活动的同时实现了对人员活动持续时间的估计。
本领域技术人员可以理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
实施例二
对应于上文实施例一所述的人员活动持续时间估计方法,图7中示出了本发明实施例二中人员活动持续时间估计装置的结构框图。为了便于说明,仅示出了与本实施例相关的部分。
该装置包括:信息预处理模块110、特征提取模块120和活动持续时间估计模块130。
信息预处理模块110用于获取被人员反射的无线信号的信道状态信息CSI序列,利用时间窗将所述CSI序列分割成预设个数的CSI短序列。
特征提取模块120用于对每个所述CSI短序列分别进行特征提取得到预设个数的CSI短序列特征。
活动持续时间估计模块130用于通过分类器对所述预设个数的CSI短序列特征进行分类确定人员活动,以及根据所述人员活动对应的CSI短序列的个数和所述时间窗的尺寸确定所述人员活动的持续时间。
上述人员活动持续时间估计装置中,信息预处理模块110获取被人员反射的无线信号的信道状态信息CSI序列,利用时间窗将所述CSI序列分割成预设个数的CSI短序列,用物理层的CSI序列代替控制层的信号强度等粗粒度信息,为后面的特征提取和检测提供更加细粒度的信息,提高人员活动检测精度;其次,特征提取模块120对每个CSI短序列进行特征提取,活动持续时间估计模块130通过分类器对每个CSI短序列得到的CSI短序列特征进行分类,以及根据所述人员活动对应的CSI短序列的个数和所述时间窗的尺寸确定所述人员活动的持续时间,在精确识别人员活动的同时实现了对人员活动持续时间的估计。
实施例三
图8是本发明实施例三提供的终端设备100的示意图。如图8所示,该实施例的终端设备100包括:处理器140、存储器150以及存储在所述存储器150中并可在所述处理器140上运行的计算机程序151,例如人员活动持续时间估计方法的程序。所述处理器140在执行所述计算机程序151时实现上述人员活动持续时间估计方法实施例中的步骤,例如图1所示的步骤101至103。或者,所述处理器140执行所述计算机程序151时实现上述各装置实施例中各模块/单元的功能,例如图7所示模块110至130的功能。
示例性的,所述计算机程序151可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器150中,并由所述处理器140执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序151在所述终端设备100中的执行过程。例如,所述计算机程序151可以被分割成信息预处理模块、特征提取模块和活动持续时间估计模块,各模块具体功能如下:
信息预处理模块用于获取被人员反射的无线信号的信道状态信息CSI序列,利用时间窗将所述CSI序列分割成预设个数的CSI短序列。
特征提取模块用于对每个所述CSI短序列分别进行特征提取得到预设个数的CSI短序列特征。
活动持续时间估计模块用于通过分类器对所述预设个数的CSI短序列特征进行分类确定人员活动,以及根据所述人员活动对应的CSI短序列的个数和所述时间窗的尺寸确定所述人员活动的持续时间。
所述终端设备100可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备100可包括,但不仅限于处理器140、存储器150。本领域技术人员可以理解,图8仅仅是终端设备100的示例,并不构成对终端设备100的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备100还可以包括输入输出设备、网络接入设备、总线等。
所称处理器140可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器150可以是所述终端设备100的内部存储单元,例如终端设备100的硬盘或内存。所述存储器150也可以是所述终端设备100的外部存储设备,例如所述终端设备100上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器150还可以既包括所述终端设备100的内部存储单元也包括外部存储设备。所述存储器150用于存储所述计算机程序以及所述终端设备100所需的其他程序和数据。所述存储器150还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模型的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种人员活动持续时间估计方法,其特征在于,包括:
获取被人员反射的无线信号的信道状态信息CSI序列,利用时间窗将所述CSI序列分割成预设个数的CSI短序列;
对每个所述CSI短序列分别进行特征提取得到预设个数的CSI短序列特征;
通过分类器对所述预设个数的CSI短序列特征进行分类确定人员活动,以及根据所述人员活动对应的CSI短序列的个数和所述时间窗的尺寸确定所述人员活动的持续时间。
2.如权利要求1所述的人员活动持续时间估计方法,其特征在于,在利用时间窗将所述CSI序列分割成预设个数的CSI短序列之后,所述方法还包括:
检测每个所述CSI短序列中的信息异常值,并将所述信息异常值删除;
在每个所述CSI短序列中删除所述信息异常值的位置进行插值处理;
对进行插值处理后的每个所述CSI短序列进行去噪处理,对去噪后的每个所述CSI短序列分别进行特征提取。
3.如权利要求2所述的人员活动持续时间估计方法,其特征在于,所述检测每个所述CSI短序列中的信息异常值,并将所述信息异常值删除,包括:
采用Hampel滤波器算法检测每个所述CSI短序列中的信息异常值,并将所述信息异常值删除。
4.如权利要求1所述的人员活动持续时间估计方法,其特征在于,所述对每个所述CSI短序列分别进行特征提取得到预设个数的CSI短序列特征,包括:
将每个所述CSI短序列均进行主成分分析得到对应的特征主成分和对应的主特征向量;
计算与所述CSI短序列对应的所述主特征向量的一阶差分均值,以及计算对应的所述特征主成分的方差;
将与每个所述CSI短序列对应的所述方差与所述一阶差分均值的比值设置为所述预设个数的CSI短序列特征。
5.如权利要求4所述的人员活动持续时间估计方法,其特征在于,每个所述CSI短序列均包括多个子载波;
计算所述一阶差分均值的过程,包括:
通过
得到所述一阶差分均值Diff(vi);其中,N为所述子载波的个数,vi为对应的所述主特征向量。
6.如权利要求1所述的人员活动持续时间估计方法,其特征在于,所述根据所述人员活动对应的CSI短序列的个数和所述时间窗的尺寸确定所述人员活动的持续时间,包括:
通过
Dr=segNum×window
得到所述人员活动的持续时间Dr;其中,segNum为所述人员活动对应的CSI短序列的个数,window为所述时间窗的尺寸。
7.如权利要求1至6中任一项所述的人员活动持续时间估计方法,其特征在于,在通过分类器对所述预设个数的CSI短序列特征进行分类之后,还包括:
采用数据融合方法对所述分类结果进行决策,根据决策结果确定所述人员活动。
8.一种人员活动持续时间估计装置,其特征在于,包括:
信息预处理模块,用于获取被人员反射的无线信号的信道状态信息CSI序列,利用时间窗将所述CSI序列分割成预设个数的CSI短序列;
特征提取模块,用于对每个所述CSI短序列分别进行特征提取得到预设个数的CSI短序列特征;
活动持续时间估计模块,用于通过分类器对所述预设个数的CSI短序列特征进行分类确定人员活动,以及根据所述人员活动对应的CSI短序列的个数和所述时间窗的尺寸确定所述人员活动的持续时间。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811599583.9A CN109728863A (zh) | 2018-12-26 | 2018-12-26 | 人员活动持续时间估计方法、装置和终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811599583.9A CN109728863A (zh) | 2018-12-26 | 2018-12-26 | 人员活动持续时间估计方法、装置和终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109728863A true CN109728863A (zh) | 2019-05-07 |
Family
ID=66296428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811599583.9A Pending CN109728863A (zh) | 2018-12-26 | 2018-12-26 | 人员活动持续时间估计方法、装置和终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109728863A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751115A (zh) * | 2019-10-24 | 2020-02-04 | 北京金茂绿建科技有限公司 | 一种无接触式人体行为识别方法和系统 |
CN111339511A (zh) * | 2020-03-24 | 2020-06-26 | 河北工程大学 | 身份合法性验证方法、装置及终端设备 |
CN112839327A (zh) * | 2021-01-21 | 2021-05-25 | 河北工程大学 | 基于WiFi信号的人员合法性检测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105933080A (zh) * | 2016-01-20 | 2016-09-07 | 北京大学 | 一种跌倒检测方法和系统 |
US20160277529A1 (en) * | 2015-03-20 | 2016-09-22 | The Trustees Of The Stevens Institute Of Technology | Device-free activity identification using fine-grained wifi signatures |
CN107154088A (zh) * | 2017-03-29 | 2017-09-12 | 西安电子科技大学 | 基于信道状态信息的活动人员数量估计方法 |
-
2018
- 2018-12-26 CN CN201811599583.9A patent/CN109728863A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160277529A1 (en) * | 2015-03-20 | 2016-09-22 | The Trustees Of The Stevens Institute Of Technology | Device-free activity identification using fine-grained wifi signatures |
CN105933080A (zh) * | 2016-01-20 | 2016-09-07 | 北京大学 | 一种跌倒检测方法和系统 |
CN107154088A (zh) * | 2017-03-29 | 2017-09-12 | 西安电子科技大学 | 基于信道状态信息的活动人员数量估计方法 |
Non-Patent Citations (3)
Title |
---|
BONOMI等: "Detection of Type, Duration, and Intensity ofDetection of Type, Duration, and Intensity of Physical Activity Using an Accelerometer", 《MEDICINE & SCIENCE IN SPORTS & EXERCISE》 * |
LIU WENYUAN等: "From Lens to Prism: Device-Free Modeling and Recognition of Multi-Part Activities", 《IEEE ACCESS》 * |
鲁勇等: "《基于WiFi信号的人体行为感知技术研究综述》", 《计算机学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751115A (zh) * | 2019-10-24 | 2020-02-04 | 北京金茂绿建科技有限公司 | 一种无接触式人体行为识别方法和系统 |
CN110751115B (zh) * | 2019-10-24 | 2021-01-01 | 北京金茂绿建科技有限公司 | 一种无接触式人体行为识别方法和系统 |
CN111339511A (zh) * | 2020-03-24 | 2020-06-26 | 河北工程大学 | 身份合法性验证方法、装置及终端设备 |
CN112839327A (zh) * | 2021-01-21 | 2021-05-25 | 河北工程大学 | 基于WiFi信号的人员合法性检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108988968A (zh) | 人员行为检测方法、装置和终端设备 | |
EP3411670B1 (en) | Systems and methods for sensing an environment with wireless communication signals | |
US11902857B2 (en) | Handling concept drift in Wi-Fi-based localization | |
CN106658590B (zh) | 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 | |
CN109076198B (zh) | 基于视频的对象跟踪遮挡检测系统、方法和设备 | |
EP3716020B1 (en) | Systems and methods for three dimensional (3d) reconstruction of human gestures from radar based measurements | |
CN109728863A (zh) | 人员活动持续时间估计方法、装置和终端设备 | |
CN110532996A (zh) | 视频分类的方法、信息处理的方法以及服务器 | |
Arshad et al. | Leveraging transfer learning in multiple human activity recognition using WiFi signal | |
CN106846729A (zh) | 一种基于卷积神经网络的跌倒检测方法和系统 | |
CN109394205B (zh) | 一种基于深度神经网络的心电信号分析方法 | |
CN110522412B (zh) | 基于多尺度脑功能网络分类脑电信号的方法 | |
CN111539941B (zh) | 帕金森病腿部灵活性任务评估方法及系统、存储介质及终端 | |
CN110062379B (zh) | 一种人体行为场景下基于信道状态信息的身份认证方法 | |
CN111954250B (zh) | 一种轻量级Wi-Fi行为感知方法和系统 | |
CN110689030A (zh) | 属性识别装置和方法及存储介质 | |
CN114201988A (zh) | 卫星导航复合干扰信号识别方法和系统 | |
CN114359738A (zh) | 一种跨场景鲁棒的室内人数无线检测方法及系统 | |
Samadh et al. | Indoor localization based on channel state information | |
CN110062378A (zh) | 一种手势场景下基于信道状态信息的身份认证方法 | |
Yellin et al. | Blood cell detection and counting in holographic lens-free imaging by convolutional sparse dictionary learning and coding | |
Vaca-Rubio et al. | Assessing wireless sensing potential with large intelligent surfaces | |
Zhou et al. | A hybrid attention-based deep neural network for simultaneous multi-sensor pruning and human activity recognition | |
CN113453180B (zh) | 一种人体摔倒智能检测方法、系统、信息数据处理终端 | |
CN111652132B (zh) | 基于深度学习的非视距身份识别方法、设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190507 |