CN109784282A - 基于信号相干特征的被动式人员运动检测与追踪方法 - Google Patents
基于信号相干特征的被动式人员运动检测与追踪方法 Download PDFInfo
- Publication number
- CN109784282A CN109784282A CN201910048358.4A CN201910048358A CN109784282A CN 109784282 A CN109784282 A CN 109784282A CN 201910048358 A CN201910048358 A CN 201910048358A CN 109784282 A CN109784282 A CN 109784282A
- Authority
- CN
- China
- Prior art keywords
- personnel
- sample
- strip
- link
- rss sequence
- 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
本发明所述基于信号相干特征的被动式人员运动检测与追踪方法,首先对目标区域进行子区域划分;离线阶段,分别采集所有链路在无人员运动和有人运动条件下的接收信号强度(RSS,Received Signal Strength)作为样本数据;接下来利用滑窗机制对不同样本数据进行分组;然后,提取不同样本的相干直方图,构成特征矩阵,用于训练softmax分类模型的系统参数;在线检测与追踪阶段,利用相同滑窗机制,实时提取同样的相干直方图特征,构成特征向量,与样本softmax模型参数进行矩阵运算,进而明确实时数据的类别,判断当前环境下人员的状态;最后联合各条链路的检测结果对人员进行实时追踪,再利用中值滤波算法修正追踪结果。本发明能够运用于无线电通信网络环境,主要面向无线局域网人员运动检测与追踪方法,解决了传统检测方法中检测正确率低的问题。
Description
技术领域
本发明属于被动式人员运动检测技术,具体涉及基于信号相干特征的被动式人员运动检测与追踪方法。
背景技术
随着通信技术的发展,人们对高效精准的人员检测与追踪服务的需求大幅度增长。利用电子标签等对人员进行主动检测与追踪的技术已经得到了广泛的研究。但是,一些场景中,如安防、搜救、智能家居等,被检测人员可能不会或不方便携带设备,其主动实现检测与追踪的难度较大。近年来,随着Wi-Fi的普及与应用,利用现有的Wi-Fi基础设施进行被动式人员运动检测与追踪,成为人们关注的热点。该方法通过检测Wi-Fi接收信号强度值RSS(Received Signal Strength) 的变化实现人员检测与追踪,无需被测人员主动配合与额外设备,具有较高的可行性和移植性。
现有的基于Wi-Fi的被动式人员运动检测与追踪技术主要通过离线阶段提取有人运动与无人运动时的RSS统计特征用于训练分类器,在现阶段提取实时接收信号的相同特征与模板进行匹配。但统计特征的选取存在主观因素,且只包含信号的部分信息,这就使得系统适应性较弱,当环境发生变化,检测率会下降。
为了解决以上问题,有必要开发一种新的基于信号相干特征的被动式人员运动检测与追踪方法。
发明内容
本发明的目的是提供一种基于信号相干特征的被动式人员运动检测与追踪方法,它通过离线阶段利用信号间的相干特征,建立信号的相干直方图,无需利用信号的统计特征,避免了特征选择的主观性,具有较高的检测正确率和追踪准确度。
本发明所述的基于信号相干特征的被动式人员运动检测与追踪方法,包括以下步骤:
步骤一、在目标监测区域内,布置X个监测设备(Monitor Point,MP),以及Y个无线信号接入点(Access Point,AP),可得K=X×Y条无线链路。
步骤二、将目标区域划分为用户感兴趣的N个目标子区域,第j条直射路径覆盖的独立区域(有且仅有一条直射路径覆盖该区域)为Aeraj,独立区域以外为非独立区域Aeraind,并为每个区域编号。
步骤三、利用监测设备MP分别采集短时间内的K条链路的无人运动接收信号强度值序列和人员运动接收信号强度值序列采集时间都为T1秒,采样频率为ZHZ;具体包括以下步骤。
步骤四、设计带通滤波器滤除K条无人运动RSS序列以及K条人员运动 RSS序列中的噪声。
步骤五、将滤波后的K条无人运动RSS序列与K条人员运动RSS序列归一化。
步骤六、利用滑动窗口机制对归一化后的K条无人运动RSS序列以及K条人员运动RSS序列进行分组。
步骤七、建立K条链路的样本相干直方图,构造特征矩阵。
步骤八、利用K条链路的样本特征矩阵与梯度下降法训练softmax分类模型。
步骤九、在线监测阶段,各MP实时采集感知环境中K条无线链路的接收信号强度值,将采集到的接收信号强度值进行存储,当ton时刻的K条链路中每条链路的RSS序列累计为一个窗长时,则对ton时刻窗口数据进行类别的判断。
步骤十、采用步骤四的方法对K条链路当前滑窗中的RSS序列进行滤波,滤波后的信号强度值
步骤十一、采用步骤五的方法将滤波后的K条链路ton滑窗内接收信号强度值归一化,归一化为
步骤十二、采用步骤九的方法,建立K条链路在ton时刻的归一化RSS序列的相干直方图
步骤十三、将K条链路ton时刻的RSS序列与样本进行匹配,得到ton时刻的 K条链路的检测结果。
步骤十四、利用步骤十三的检测结果确定ton时刻人员的运动区域
步骤十五、当ton时刻的追踪结果累计为larea个时,利用中值滤波对区域定位结果进行修正。
所述步骤三中,利用监测设备MP分别采集短时间内的K条链路的无人运动接收信号强度值序列和人员运动RSS序列采集时间都为T1秒,采样频率为为ZHZ;具体包括以下步骤:
3a、在无人走动环境下,采集K条链路的接收信号强度值,得到K条无人运动时的接收信号强度值序列 其中,表示在无人运动环境下第j条链路在t时刻的接收信号强度值;
3b、在有人走动环境下,采集K条链路的接收信号强度值,得K条人员运动接收信号强度值序列其中,表示在有人走动环境下第j条链路在时刻t的接收信号强度值。
所述步骤四中,设计带通滤波器滤除K条无人运动RSS序列以及K条人员运动RSS序列中的噪声;具体包括以下步骤:
4a、计算K条无人运动数据序列的均值
4b、计算K条无人运动数据序列的带通滤波器带宽
4c、对K条无人运动数据序列滤波:
为第j条无人运动RSS序列在时刻t滤波后的接收信号强度值,K条无人运动RSS序列滤波后的结果为
4e、重复步骤4a-4c,对K条人员运动RSS序列滤波,滤波后的结果为其中,为第j条人员运动RSS序列在时刻t滤波后的接收信号强度值。
所述步骤五中,将滤波后的K条无人运动RSS序列与K条人员运动 RSS序列接收信号强度归一化;具体包括以下步骤:
5a、计算K条无人运动RSS序列归一化接收信号强度值:
其中,为第j条无人运动RSS序列在时刻t的归一化接收信号强度值,其中分别为第j条无人运动RSS序列的最小接收信号强度值与最大接收强度值,K条无人运动RSS序列归一化为
5b、重复步骤5a,得K条人员运动RSS序列归一化为其中,为第j条人员运动RSS序列在时刻t的归一化接收信号强度值。
所述步骤六中、利用滑动窗口机制对归一化后的K条无人运动RSS序列以及K条人员运动RSS序列进行分组;具体包括以下步骤:
6a、利用滑动窗口函数将K条无人运动RSS序列划分为T1-l+1个样本,得到K条RSS序列的样本分组为其中,为第j条无人运动RSS序列在t时刻的滑动窗口分组样本;
6b、利用滑动窗口函数将K条人员运动RSS序列划分为T1-l+1个样本,得到K条RSS序列的样本分组为其中,为第j条人员运动RSS序列在t时刻的滑动窗口分组样本。
所述步骤七中、建立K条链路的样本相干直方图,构造特征矩阵;具体包括以下步骤:
7a、将归一化后的第j条无人运动RSS序列第t个样本等分为M段,每一段长度为则第i段范围为:
7b、统计第i段内满足相干度要求的接收信号强度值总数
定义:相干度D,指属于同一段范围的接收信号强度值的时间连续度τ≥D。如相干度D=4,表示τ≥4,第i段中至少有4个时间连续的接收信号强度值。满足相干度要求的接收信号强度值总数即为属于该段范围的数据总数
7c、计算第j条无人运动RSS序列第t个样本的分段高度
7d、第j条无人运动RSS序列第t个样本的相干直方图为
7e、重复步骤7a-7c共T1-l+1次,得第j条无人运动RSS序列T1-l+1个样本的相干直方图
7f、将第j条无人运动RSS序列的样本相干直方图进行合并得第j条RSS 序列的特征矩阵
7g、重复步骤7a-7f共K次,得K条无人运动RSS序列特征矩阵
7h、重复步骤7a-7f共K次,得K条人员运动RSS序列的样本特征矩阵其中,为第j条人员运动RSS序列的特征矩阵,为第j条人员运动RSS序列第t个样本的相干直方图;
7i、构造第j条RSS序列第t组样本(第t个无人运动样本与人员运动样本为一组)的特征矩阵
7j、构造第j条RSS序列的特征矩阵
7k、重复7g-7h步骤K次,得到K条链路的特征矩阵
所述步骤八中,利用K条链路的样本特征矩阵与梯度下降法训练softmax分类模型;具体包括以下步骤:
8a、为第j条RSS序列第t组样本的softmax分类模型参数矩阵赋初始值,其中为利用第j条无人运动RSS序列第t个样本训练所得系统参数矩阵,为利用人员第j条人员运动RSS序列第t个样本训练所得系统参数矩阵:
其中,的初始取值符合标准正态分布,初始参数矩阵为
8b、计算第j条链路第t组样本的预测概率矩阵:
8c、计算下降梯度:
E2为2行2列的单位阵,λ为权重衰减参数,该值由用户确定,本专利取λ=0.1。
8d、更新参数矩阵
其中α为学习速率,由用户确定,本专利取α=0.1;
8e、重复8b-8e步骤N次,N为学习次数,由用户确定,本专利取N=1000,得到第j条链路第t组样本的softmax模型的系统参数矩阵为
8f、重复步骤8a-8e共T1-l+1次,得第j条链路样本的softmax模型系统参数矩阵
8g、重复步骤8a-8g共K次,得K条链路样本的分类模型参数矩阵θ1,...,θj,...,θK,j=1,...,K。
所述步骤十三中,将K条链路ton时刻的RSS序列与样本进行匹配,得到ton时刻的K条链路的检测结果;具体包括以下步骤:
13a、计算第j条链路在ton时刻的RSS序列与样本的匹配概率
其中,为将第j条链路在ton时刻的RSS序列匹配为第j条链路第t个无人运动样本的概率,为将第j条链路在ton时刻的RSS序列匹配为第j条链路第t个人员运动样本的概率;
13b、比较的大小,最大概率匹配的样本类型即为第j条链路在ton时刻的检测结果若匹配为无人员运动,记若匹配为有人运动,记
13c、重复13a-13b步骤T1-l+1次,得第j条链路在ton时刻的RSS序列与 T1-l+1组样本匹配的结果
13d、统计中0与1的总数,分别记为和则第j条链路在ton时刻的检测结果为:
其中,表示第j条链路在ton时刻检测到人员运动,表示第j条链路在ton时刻检测到无人员运动;
13e、重复步骤13a-13d共K次,得到K条链路的检测结果
13f、利用步骤13e的K条链路检测结果,统计中1 的总个数,记为 表示当前监测区域ton时刻有人运动,表示当前监测区域无人员运动。
所述步骤十五中、当ton时刻的追踪结果累计为larea个时,本专利取L=11,利用中值滤波对区域定位结果进行修正;具体步骤如下:
15a、将定位结果按区域编号从小到大进行排序;
15b、找到排序后位于中间位置的区域编号
15c、原区域定位矩阵中的定位结果修正为
本发明具有以下优点:本发明只需离线阶段采集少量样本数据,利用滑窗机制对离线阶段采集数据进行分组,用于在线阶段的实时匹配;其次,结合信号的相干关系与概率直方图,建立相干直方图,避免了利用统计特征所带来的特征选择具有主观性、特征包含信息量少等问题,该特征具有明显区分度能用于构建准确的分类模型;在线检测阶段,实时接收数据,提取实时数据特征,与样本进行匹配,确定当前环境中人员的状态。最后,联合所有链路的检测结果对人员进行实时追踪,再利用中值滤波算法对追踪结果进行实时修正。相比于被动式人员运动检测与追踪方法,本发明所提相干直方图包含更多的信号信息,具有明显的区分度,滑窗机制保障了系统的实时性。本发明能够运用于无线电通信网络环境,主要面向室内无线局域网人员检测方法,解决了传统检测方法中检测率低和时延大的问题。
附图说明
图1为本发明流程图;
图2为本发明的测试场景图;
图3(a)区域①无人运动数据直方图;
图3(b)区域①无人运动数据直方图;
图3(c)区域①人员运动样本直方图;
图3(d)区域①人员运动样本直方图;
图3(e)区域②无人运动样本直方图;
图3(f)区域②无人运动样本直方图;
图3(g)区域②人员运动样本直方图;
图3(h)区域②人员运动样本直方图;
图3(i)区域③无人运动样本直方图;
图3(j)区域③无人运动样本直方图;
图3(k)区域③人员运动样本直方图;
图3(l)区域③人员运动样本直方图;
图3(m)区域④无人运动样本直方图;
图3(n)区域④无人运动样本直方图;
图3(o)区域④人员运动样本直方图;
图3(p)区域④人员运动样本直方图;
图4(a)本发明系统路径1滤波前追踪结果;
图4(b)本发明系统路径1滤波后追踪结果;
图4(c)本发明系统路径2滤波前追踪结果;
图4(d)本发明系统路径2滤波后追踪结果;
图5为人员追踪准确率结果图;
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示的基于信号相干特征的被动式人员运动与追踪方法,包括以下步骤:
步骤一、在监测区域内,布置X个监测设备(Monitor Point,MP),以及Y 个无线信号接入设备(Access Point,AP),可得K=X×Y条无线链路。
步骤二、将目标区域划分为用户感兴趣的N个目标子区域,第j条直射路径覆盖的独立区域(有且仅有一条直射路径覆盖该区域)为Aeraj,独立区域以外为非独立区域Aeraind,并为每个区域编号。
步骤三、利用监测设备MP分别采集短时间内K条链路无人运动数据和人员运动数据采集时间都为T1秒,采样频率为Z HZ,本论文为1HZ;具体包括以下步骤:
3a、在无人走动环境下,采集K条链路的接收信号强度值(Received SignalStrength,RSS),得到K条无人运动时的接收信号强度值序列每条RSS序列中的接收信号强度值总数为T1,其中,表示在无人运动环境下第j条链路在t时刻的接收信号强度值;
3b、在有人走动环境下,采集K条链路的接收信号强度值(Received SignalStrength,RSS),得K条人员运动时的接收信号强度值序列每条序列中的接收信号强度值总数为T1,其中,表示在有人走动环境下第j条链路在时刻t的接收信号强度值。
步骤四、设计带通滤波器滤除K条无人运动RSS序列以及K条人员运动 RSS序列中的噪声;具体包括以下步骤:
4a、计算K条无人运动RSS序列的均值
4b、计算K条无人运动RSS序列的带通滤波器带宽
4c、对K条无人运动RSS序列滤波:
为第j条无人运动RSS序列在时刻t滤波后的接收信号强度值,K条无人运动RSS序列滤波后的结果为
4e、重复步骤4a-4c,对K条人员运动RSS序列滤波,滤波后的结果为其中,为第j条人员运动RSS序列在时刻t滤波后的接收信号强度值。
步骤五:将滤波后的K条无人运动RSS序列与K条人员运动RSS序列归一化;具体包括以下步骤:
5a、计算K条无人运动RSS序列归一化接收信号强度值:
其中,为第j条无人运动RSS序列在时刻t的归一化接收信号强度值,其中分别为第j条无人运动RSS序列的最小接收信号强度值与最大接收强度值,K条无人运动RSS序列归一化为
5b、重复步骤5a,得K条人员运动RSS序列归一化为其中,为第j条人员运动RSS序列在时刻t的归一化接收信号强度值。
步骤六、利用滑动窗口机制对归一化后的K条无人运动RSS序列以及K条人员运动RSS序列进行分组;具体包括以下步骤:
6a、利用滑动窗口函数将K条无人运动RSS序列划分为T1-l+1个样本,得到K条RSS序列的样本分组为其中,为第j条无人运动RSS序列在t时刻的滑动窗口分组样本;
6b、利用滑动窗口函数将K条人员运动RSS序列划分为T1-l+1个样本,得到K条RSS序列的样本分组为其中,为第j条人员运动RSS序列在t时刻的滑动窗口分组样本。
步骤七、建立K条链路的样本相干直方图,构造特征矩阵;具体包括以下步骤:
7a、将归一化后的第j条无人运动RSS序列第t个样本等分为M段,每一段长度为则第i段范围为:
7b、统计第i段内满足相干度D的接收信号强度值总数
相干度D指属于同一段范围的接收信号强度值的时间连续度τ≥D。如相干度D=4,表示τ≥4,第i段中至少有4个时间连续的接收信号强度值。满足相干度要求的接收信号强度值总数即为属于该段范围的数据总数
7c、计算第j条无人运动RSS序列第t个样本的分段高度
7d、第j条无人运动RSS序列第t个样本的相干直方图为
7e、重复步骤7a-7c共T1-l+1次,得第j条无人运动RSS序列T1-l+1个样本的相干直方图
7f、将第j条无人运动RSS序列的样本相干直方图进行合并得第j条RSS 序列的特征矩阵
7g、重复步骤7a-7f共K次,得到K条无人运动RSS序列特征矩阵
7h、重复步骤7a-7f共K次,得到K条人员运动RSS序列的样本特征矩阵其中,为第j条人员运动RSS序列的特征矩阵,为第j条人员运动RSS序列第t个样本的相干直方图;
7i、构造第j条链路第t组样本(第t个无人运动样本与人员运动样本为一组) 的特征矩阵
7j、构造第j条链路的特征矩阵
7k、重复7g-7i步骤K次,得到K条链路的特征矩阵
步骤八、利用K条链路的样本特征矩阵与梯度下降法训练softmax分类模型;具体包括以下步骤:
8a、为第j条线路第t组样本的softmax分类模型参数矩阵赋初始值,其中为利用第j条无人运动RSS序列第t个样本训练所得系统参数矩阵,为利用第j条人员运动RSS序列第t个样本训练所得系统参数矩阵:
其中,的初始取值符合标准正态分布,初始参数矩阵为
8b、计算第j条链路第t组样本的预测概率矩阵Pt:
8c、计算下降梯度g:
E2为2行2列的单位阵,λ为权重衰减参数,该值由用户确定,本专利取λ=0.1。
8d、更新参数矩阵
其中α为学习速率,由用户确定,本专利取α=0.1;
8e、重复步骤8b-8d共N次,N为学习次数,由用户确定,本专利取N=1000,得到第j条链路第t组样本的softmax模型的系统参数矩阵为
8f、重复步骤8a-8e共T1-l+1次,得第j条链路样本的softmax模型系统参数矩阵
8g、重复步骤8a-8f共K次,得K条链路样本的分类模型参数矩阵θ1,…,θj,…,θK,j=1,…,K。
步骤九、在线监测阶段,各MP实时采集感知环境中K条无线链路的接收信号强度值,将采集到的接收信号强度值累积存储,当ton时刻的K条链路中每条链路的接收信号强度值累积为一个窗长时,则对ton时刻窗口中的接收信号强度值序列进行类别的判断。
步骤十、采用步骤四的方法对K条链路当前滑窗中的接收信号强度值进行滤波,滤波后为
步骤十一、采用步骤五的方法将滤波后的K条链路ton滑窗内接收信号强度值归一化,归一化为
步骤十二、采用步骤九的方法,建立K条链路在ton时刻的归一化RSS序列的相干直方图
步骤十三、将K条链路ton时刻的RSS序列与样本进行匹配,得到ton时刻的 K条链路的检测结果;具体包括以下步骤:
13a、计算第j条链路在ton时刻的RSS序列与第j条链路第t组样本的匹配概率
其中,为将第j条链路在ton时刻的RSS序列匹配为第j条链路第t个无人运动样本的概率,为将第j条链路在ton时刻的RSS序列匹配为第j条链路第t个人员运动样本的概率;
13b、比较的大小,最大概率对应的样本类型即为第j条链路在ton时刻的检测结果若匹配为无人员运动,记若匹配为有人运动,记
13c、重复13a-13b步骤T1-l+1次,得第j条链路在ton时刻的RSS序列与 T1-l+1组样本的匹配结果
13d、统计中0与1的总数,分别记为和则第j条链路在ton时刻的检测结果为:
其中,表示第j条链路在ton时刻检测到人员运动,表示第j条链路在ton时刻检测到无人员运动;
13e、重复步骤13a-13d共K次,得到K条链路的检测结果
13f、利用步骤13e的K条链路检测结果,统计中1 的总个数,记为 表示当前监测区域ton时刻有人运动,表示当前监测区域无人员运动;
步骤十四、利用步骤十三的检测结果确定ton时刻人员的运动区域
若此时有且仅有第j条链路检测出有人员运动,找到时的链路j覆盖的独立区域Aeraj即为在ton时刻人员的运动区域;
若则人员的运动区域定位在非独立区域Aeraind;
若利用步骤十五的统计结果确定运动区域,此时有两条链路j'、 j”分别为检测出有人员运动。若则最终定位区域为链路j'覆盖的独立区域Aeraj';若则最终定位区域为链路j”覆盖的独立区域Aeraj”;若则随机选定j'和j”各自覆盖的一个独立区域。
记录ton时刻的追踪区域编号,记为并进行累计存储;
步骤十五、当ton时刻的追踪结果累计为larea个时,本专利取larea=11,利用中值滤波对区域定位结果进行修正;具体步骤如下:
15a、将定位结果按区域编号从小到大进行排序;
15b、找到排序后位于中间位置的区域编号
15c、原区域定位矩阵中的定位结果修正为
Claims (2)
1.基于信号相干特征的人员运动检测与追踪方法,其特征在于,包括以下步骤:
步骤一、在目标监测区域内,布置X个监测设备(Monitor Point,MP),以及Y个无线信号接入点(Access Point,AP),可得K=X×Y条无线链路;
步骤二、将目标区域划分为用户感兴趣的N个目标子区域,第j条直射路径覆盖的独立区域(有且仅有一条直射路径覆盖该区域)为Aeraj,独立区域以外为非独立区域Aeraind,并为每个区域编号;
步骤三、利用监测设备MP分别采集短时间内的K条链路的无人运动数据和人员运动数据采集时间都为T1秒,采样频率为ZHZ;具体包括以下步骤;
步骤四、设计带通滤波器滤除K条无人运动RSS序列以及K条人员运动RSS序列中的噪声;
步骤五、将滤波后的K条无人运动RSS序列与K条人员运动RSS序列接收信号强度归一化;
步骤六、利用滑动窗口机制对归一化后的K条无人运动RSS序列以及K条人员运动RSS序列进行分组;
步骤七、建立K条链路的样本相干直方图,构造特征矩阵;
步骤八、利用K条链路的样本特征矩阵与梯度下降法训练softmax分类模型;
步骤九、在线监测阶段,各MP实时采集感知环境中K条无线链路的接收信号强度值,将采集到的接收信号强度值进行存储,当ton时刻的第K条链路数据量累计为一个窗长时,则对ton时刻窗口数据进行类别的判断;
步骤十、采用步骤四相同的方法对K条链路当前滑窗中的数据进行滤波,滤波后的信号强度值
步骤十一、采用步骤五相同的方法将滤波后的K条链路ton滑窗内数据归一化,结果记为
步骤十二、采用步骤九的方法,建立K条链路在ton时刻的归一化RSS序列的相干直方图
步骤十三、将K条链路在ton时刻的RSS序列与样本进行匹配,得到ton时刻的K条链路的检测结果;
步骤十四、利用步骤十三的检测结果确定在ton时刻人员的运动区域
步骤十五、当ton时刻的追踪结果累计为larea个时,利用中值滤波对区域定位结果进行修正。
2.根据权利要求1所述的基于信号相干特征的被动式人员运动检测与追踪方法,其特征在于:所述步骤七中,建立K条链路的样本相干直方图,构造特征矩阵,包括以下步骤:
7a、将归一化后的第j条无人运动RSS序列第t个样本等分为M段,每一段长度为则第i段范围为:
7b、统计第i段内满足相干度D的接收信号强度值总数
相干度D指属于同一段范围的接收信号强度值的时间连续度τ≥D。满足相干度要求的接收信号强度值总数即为属于该段范围的数据总数
7c、计算第j条无人运动RSS序列第t个样本的分段高度
7d、第j条无人运动RSS序列第t个样本的相干直方图为
7e、重复步骤7a-7c共T1-l+1次,得第j条无人运动RSS序列T1-l+1个样本的相干直方图
7f、将第j条无人运动RSS序列的样本相干直方图进行合并得第j条RSS序列的特征矩阵
7g、重复步骤7a-7f共K次,得到K条无人运动RSS序列特征矩阵
7h、重复步骤7a-7f共K次,得到K条人员运动RSS序列的样本特征矩阵其中,为第j条人员运动RSS序列的特征矩阵,为第j条人员运动RSS序列第t个样本的相干直方图。
7i、构造第j条RSS序列第t组样本(第t个无人运动样本与人员运动样本为一组)的特征矩阵
7j、构造第j条RSS序列的特征矩阵
7k、重复7g-7h步骤K次,得到K条链路的特征矩阵
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910048358.4A CN109784282A (zh) | 2019-01-18 | 2019-01-18 | 基于信号相干特征的被动式人员运动检测与追踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910048358.4A CN109784282A (zh) | 2019-01-18 | 2019-01-18 | 基于信号相干特征的被动式人员运动检测与追踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109784282A true CN109784282A (zh) | 2019-05-21 |
Family
ID=66500965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910048358.4A Pending CN109784282A (zh) | 2019-01-18 | 2019-01-18 | 基于信号相干特征的被动式人员运动检测与追踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109784282A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070027410A1 (en) * | 2005-07-29 | 2007-02-01 | Cost Jay A | Continuous passive and active motion machine for the ankle |
CN101512929A (zh) * | 2006-08-17 | 2009-08-19 | 交互数字技术公司 | 用于在mimo无线通信系统中提供有效预编码反馈的方法和设备 |
CN101641885A (zh) * | 2007-03-20 | 2010-02-03 | 摩托罗拉公司 | 用于在多载波通信系统内的资源分配的方法和装置 |
CN101675661A (zh) * | 2007-05-17 | 2010-03-17 | 汤姆森许可贸易公司 | 大型工作室环境中的摄像机的被动定位信息 |
CN102663429A (zh) * | 2012-04-11 | 2012-09-12 | 上海交通大学 | 运动目标的运动模式分类和动作识别的方法 |
CN102711043A (zh) * | 2012-06-18 | 2012-10-03 | 北京中防视信科技有限公司 | 适用于节点分布稀疏的基于rss的无源运动跟踪方法 |
CN104502894A (zh) * | 2014-11-28 | 2015-04-08 | 无锡儒安科技有限公司 | 基于物理层信息的运动物体被动检测方法 |
CN104955149A (zh) * | 2015-06-10 | 2015-09-30 | 重庆邮电大学 | 基于模糊规则更新的室内wlan被动入侵检测定位方法 |
WO2016172529A1 (en) * | 2015-04-22 | 2016-10-27 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems and methods for an automated, near real-time, and mobile identification and localization approach with a combination of battery-less identification marking technologies and pseudo range-free localization algorithms |
CN106295734A (zh) * | 2016-07-13 | 2017-01-04 | 西北大学 | 一种基于rfid的被动式目标追踪方法 |
WO2017160889A1 (en) * | 2016-03-14 | 2017-09-21 | Mahfouz, Mohamed, R. | Ultra-wideband positioning for wireless ultrasound tracking and communication |
CN108038419A (zh) * | 2017-11-16 | 2018-05-15 | 南京邮电大学 | 基于Wi-Fi的室内人员被动检测方法 |
-
2019
- 2019-01-18 CN CN201910048358.4A patent/CN109784282A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070027410A1 (en) * | 2005-07-29 | 2007-02-01 | Cost Jay A | Continuous passive and active motion machine for the ankle |
CN101512929A (zh) * | 2006-08-17 | 2009-08-19 | 交互数字技术公司 | 用于在mimo无线通信系统中提供有效预编码反馈的方法和设备 |
CN101641885A (zh) * | 2007-03-20 | 2010-02-03 | 摩托罗拉公司 | 用于在多载波通信系统内的资源分配的方法和装置 |
CN101675661A (zh) * | 2007-05-17 | 2010-03-17 | 汤姆森许可贸易公司 | 大型工作室环境中的摄像机的被动定位信息 |
CN102663429A (zh) * | 2012-04-11 | 2012-09-12 | 上海交通大学 | 运动目标的运动模式分类和动作识别的方法 |
CN102711043A (zh) * | 2012-06-18 | 2012-10-03 | 北京中防视信科技有限公司 | 适用于节点分布稀疏的基于rss的无源运动跟踪方法 |
CN104502894A (zh) * | 2014-11-28 | 2015-04-08 | 无锡儒安科技有限公司 | 基于物理层信息的运动物体被动检测方法 |
WO2016172529A1 (en) * | 2015-04-22 | 2016-10-27 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems and methods for an automated, near real-time, and mobile identification and localization approach with a combination of battery-less identification marking technologies and pseudo range-free localization algorithms |
CN104955149A (zh) * | 2015-06-10 | 2015-09-30 | 重庆邮电大学 | 基于模糊规则更新的室内wlan被动入侵检测定位方法 |
WO2017160889A1 (en) * | 2016-03-14 | 2017-09-21 | Mahfouz, Mohamed, R. | Ultra-wideband positioning for wireless ultrasound tracking and communication |
CN106295734A (zh) * | 2016-07-13 | 2017-01-04 | 西北大学 | 一种基于rfid的被动式目标追踪方法 |
CN108038419A (zh) * | 2017-11-16 | 2018-05-15 | 南京邮电大学 | 基于Wi-Fi的室内人员被动检测方法 |
Non-Patent Citations (4)
Title |
---|
AHMED E.KOSBA: "RASID Demo: A Robust WLAN Device-free Passive Motion Detection System", 《PERCOM DEMOS 2012》 * |
LIANGYI GONG: "WiFi-Based Real-Time Calibration-Free Passive Human Motion Detection", 《 12TH IEEE INTERNATIONAL CONFERENCE ON UBIQUITOUS INTELLIGENCE AND COMPUTING (UIC 2015)》 * |
周启臻等: "基于信道状态信息相位差的人员入侵检测方法", 《传感技术学报》 * |
朱海等: "基于信道状态信息的WiFi环境感知技术", 《南京邮电大学学报(自然科学版)》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106295788B (zh) | 客流量的统计方法及装置 | |
CN103327091A (zh) | 一种获取乘客轨迹及行为参数的系统与方法 | |
CN109934176A (zh) | 行人识别系统、识别方法及计算机可读存储介质 | |
EP3299840A1 (en) | Scalable real-time location detection based on overlapping neural networks | |
KR102468597B1 (ko) | 키오스크 및 비콘-신호를 이용한 공사현장용 작업자 관리시스템 | |
EP3052957A1 (en) | Enhanced indoor localization method | |
CN111879305B (zh) | 一种面向高危生产环境的多模态感知定位模型与系统 | |
CN108764167A (zh) | 一种时空关联的目标重识别方法和系统 | |
CN108734055A (zh) | 一种异常人员检测方法、装置及系统 | |
CN108616812A (zh) | 基于深度学习的移动设备定位及追踪系统及其使用方法 | |
CN109766746A (zh) | 一种无人机航拍视频的轨道异物检测方法 | |
CN105992210A (zh) | 移动伪基站定位方法、系统、定位设备及定位服务器 | |
CN106067045A (zh) | 用于在设施中收集信息的方法、设备、无线计算设备 | |
CN110022530B (zh) | 一种用于地下空间的无线定位方法和系统 | |
CN105957169A (zh) | 一种基于ibeacon技术的检测方法、装置及系统 | |
CN104200082B (zh) | 台风登陆预测方法 | |
CN108038424A (zh) | 一种适用于高空作业的视觉自动化检测方法 | |
CN113256866B (zh) | 城市轨道交通无障碍通行系统及其实施方法 | |
CN106793085A (zh) | 基于正态假设检验的指纹定位方法 | |
CN109598947A (zh) | 一种车辆识别方法及系统 | |
CN115471865A (zh) | 作业现场数字化安全管控方法、装置、设备和存储介质 | |
CN107247974A (zh) | 基于多源数据融合的健身运动识别方法及系统 | |
KR101621839B1 (ko) | 이동 패턴 데이터베이스를 이용한 측위 방법 및 시스템 | |
Thiede et al. | Potentials and technical implications of tag based and AI enabled optical real-time location systems (RTLS) for manufacturing use cases | |
CN110390273A (zh) | 一种基于多核迁移学习的室内人员入侵检测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190521 |
|
WD01 | Invention patent application deemed withdrawn after publication |