CN110020677B - 一种基于WiFi多普勒频移的连续通行人数检测方法 - Google Patents
一种基于WiFi多普勒频移的连续通行人数检测方法 Download PDFInfo
- Publication number
- CN110020677B CN110020677B CN201910207825.3A CN201910207825A CN110020677B CN 110020677 B CN110020677 B CN 110020677B CN 201910207825 A CN201910207825 A CN 201910207825A CN 110020677 B CN110020677 B CN 110020677B
- Authority
- CN
- China
- Prior art keywords
- passing
- people
- frequency spectrum
- doppler frequency
- pass
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出一种基于WiFi多普勒频移的连续通行人数检测方法,根据人体通过WiFi检测区时会对WiFi无线信号产生多普勒效应的原理,从CSI信息中提取多普勒频谱。提出根据多普勒频谱中的最大能量曲线,结合阈值来判断是否有人通行。然后根据多普勒频谱中的零频移能量曲线,结合阈值来判断连续通行次数。提出基于最优遍历旋转映射的多普勒频谱分割方法,根据通行次数将连续通行的多普勒频谱进行分割。提出从分割后的多普勒频谱中提取特征通过分类器得到每次通行的具体人数。各次通行的人数相加即得到连续通行人数。实验环境中,本发明能够达到100%的通行次数检测正确率和高于90%的通行人数检测正确率,高于现有WiFi连续通行人数检测方案。
Description
技术领域
本发明涉及连续通行检测和连续通行人数检测技术,尤其涉及一种基于WiFi的连续通行检测和连续通行人数检测技术。
背景技术
通行人数检测是指统计一段时间内通过通道或出入口的人数。通行人数的自动化检测和精确统计对许多场所来说都非常重要,如:零售商店、购物中心、游客中心、图书馆、博物馆、以及公共交通等,这些场所都需要对人员流量进行检测和监控。对于零售商店,出入口处准确的通行人数检测有助于零售商了解店内顾客数量,从而辅助店铺管理。对于室内公共场所,通过出入口处人员通行检测可以确定人员进出状况,从而确定室内人员密集程度,并在密度过大时实施应急措施,保证公共场所安全。对于公共交通,可以检测上下公共汽车或地铁的人数。
现有的通行人数检测方案大多基于视频监控。该方案可以高精度地检测出通行及人数,但是视频技术受光线影响较大,在弱光、无光或遮挡情况下无法准确估计人数,在隐私敏感环境中也无法部署。因此我们采用基于WiFi的通行及人数检测方案,能够解决在弱光、无光、遮挡环境中较精确地检测通行及人数的问题,同时不存在隐私隐患,且成本低、部署广泛。
接收信号强度(Received Signal Strength Indicator,RSSI)是WiFi最常用的测量值,但由于室内环境的复杂性,WiFi信号存在多径效应,且每条路径具有不同延迟、衰减和相位,使得作为多条路径信号叠加的RSSI不稳定,用于通行人数检测误差较大。由于正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)技术和多输入多输出(Multiple-Input Multiple-Output,MIMO)技术在WiFi中的应用,目前已经能够从普通商用WiFi设备中获取描述信号中每条子载波信息的信道状态信息(Channel StateInformation,CSI)。CSI属于WiFi物理层特征,能够抵抗来自频段的窄频带信号的干扰,在静态环境中足够稳定,受多径效应影响小,同时能够感知环境中的细微变化,是一种比RSSI更丰富和细粒度的WiFi测量信息。因此我们采用基于CSI的通行及人数检测方案。
当人体通过WiFi覆盖的通道或出入口时,会经历一个相对于WiFi中心链路由远及近和由近及远的过程,该过程会导致WiFi信号产生多普勒效应,申请人在先申请了申请号为201811092425.4申请名称“一种基于普通商用WiFi设备的通行及人数检测方法”正是利用这种多普勒效应进行通行检测和通行人数统计。该方案采用WiFi CSI作为原始数据,从中提取多普勒频谱,然后基于WiFi多普勒频谱进行通行及人数检测,当用于非连续通行时的人数检测精度较高,但用于连续通行时,即通行的人与人之间前后距离较近时,前后人员通行引起的多普勒效应会存在相互干扰现象,使得前后人员通行的多普勒频谱有明显重叠,进而导致无法进行有效的通行检测和人数统计。
发明内容
本发明所要解决的技术问题是,提出一种利用商用WiFi设备检测人员连续通行并统计连续通行人数的方法。
本发明为解决上述技术问题所采用的技术方案是,一种基于WiFi多普勒频移的连续通行人数检测方法,包括以下步骤:
1)检测环境部署:将一对WiFi发射器和接收器分别布置在通道两侧或者场所出入口的左右两侧;
2)单次通行人数检测训练:
2-1)采集不同人数单次通行时的CSI数据,提取多普勒频谱;
2-2)对多普勒频谱进行阈值截断,得到二值化频谱图;
2-3)从二值化频谱图中提取通行时间特征和有效频移区域特征,对特征提取后的样本进行人数标注,形成训练样本;
2-4)利用训练样本训练单次通行人数分类器,单次通行人数分类器的输入为多普勒频谱的时间特征和有效频移区域特征,输出为单次通行人数;
3)连续通行人数检测:
3-1)采集CSI数据,提取多普勒频谱;
3-2)根据多普勒频谱最大能量变化曲线检测人员通行的开始时间与结束时间;
3-3)连续通行次数检测:从多普勒频谱中提取频移量为零的能量曲线,去除零频移能量曲线中与下一个波峰的间隔小于先验间隔阈值的波峰以完成假波峰去除,再计算有效波峰数,有效波峰数即为通行次数;
3-4)连续通行多普勒频谱的分割:
3-4-1)对步骤3-2)得到的从开始时间到结束时间内的多普勒频谱进行阈值截断,得到二值化频谱图;
3-4-2)遍历预设范围内各角度θ旋转二值化频谱图,得到旋转θ度后的频谱图像Mθ,角度θ的预设范围为10度到60度,将频谱图像Mθ在时间轴方向投影得到旋转投影曲线xθ,根据投影曲线xθ计算波峰凸起高度和取最大的波峰凸起高度和所对应的角度作为最优旋转角度;
其中,i为投影曲线xθ中第i个波峰,c为投影曲线xθ中波峰总数,即通行次数,为xθ的第i个波峰值,为第i个波峰右边的邻近波谷值,为第i个波峰左边的邻近波谷值,波峰突起高度即为波峰与相邻波谷的差值最小值;
3-4-3)按照最优旋转角度所对应的投影曲线的波峰间最小值时间点作为分割点对二值化频谱图进行分割,再以最优旋转角度进行反方向旋转得到各单次通行频谱图;
3-5)连续通行人数统计:对单次通行频谱图提取通行时间特征和有效频移区域特征并输入单次通行人数分类器得到单次通行人数;对开始时间到结束时间内的每次通行的人数求和,得到连续通行总人数。
本发明的有益效果是,根据人体通过WiFi检测区时会对WiFi无线信号产生多普勒效应的原理,从CSI信息中提取多普勒频谱。提出根据多普勒频谱中的最大能量曲线,结合阈值来判断是否有人通行。然后根据多普勒频谱中的零频移能量曲线,结合阈值来判断连续通行次数。提出基于最优遍历旋转映射的多普勒频谱分割方法,根据通行次数将连续通行的多普勒频谱进行分割。提出从分割后的多普勒频谱中提取特征通过分类器得到每次通行的具体人数。各次通行的人数相加即得到连续通行人数。实验环境中,本发明能够达到100%的通行次数检测正确率和高于90%的通行人数检测正确率,高于现有WiFi连续通行人数检测方案。
附图说明
图1为实施环境部署图;
图2为实施流程图;
图3为单次通行时的多普勒频谱图;
图4为连续通行时的多普勒频谱图。
具体实施方式
基于WiFi多普勒频移的连续通行人数检测方法要求在通道处或者出入口处覆盖WiFi信号。部署设备为一台WiFi发射器和一台WiFi接收器,均配置为Intel Wireless Link5300agn(IWL5300)无线网卡,发射器网卡配置1根天线,接收器网卡配置3根天线。发射器和接收器分别置于通道或出入口左右两侧,接收器连接一台服务器进行数据处理。检测环境的部署方式如图1所示。
先对分类器进行单次通行人数检测训练,分类器采用支持向量机(SupportVector Machines,SVM)分类器,在如图1所示的环境中单次通行不同的人数。WiFi接收器以1000Hz的采样率采集来自WiFi发射器的CSI原始数据,包括3个天线对的CSI数据矩阵,每对天线包含30条子载波信息;针对采集的CSI原始数据,进行多普勒频谱提取后训练分类器,步骤如下:
步骤1:针对采集的CSI原始数据,进行多普勒频谱提取,包含以下步骤:
步骤1-1:根据人体通过时CSI原始数据中存在相应的天线对包含的子载波具有较高幅值或较小幅值标准差来选择有效天线对数据。设定mki表示第k个天线对的第i个子载波的幅值,先计算该子载波在人通过时间段内的幅值均值和幅值标准差然后计算该天线对的所有子载波的幅值均值的均值
步骤1-2:设定HA和HB分别表示有效天线对A和B的CSI原始数据,对其进行共轭相乘得到结果C:
C=(HA)·(HB)*
步骤1-3:应用Butterworth带通滤波器对共轭相乘的结果C进行带通滤波;
步骤1-4:带通滤波结果中的每个值对于人通行检测的贡献是不同的,剔除低贡献率的数据会提高最终结果的准确度,因此使用主成分分析算法(Principal ComponentAnalysis,PCA)对带通滤波的结果进行降维并提取第一主成分作为有效的特征;
步骤1-5:对第一主成分进行短时傅里叶变换,得到多普勒频谱图D,如图3所示。
本发明具体如何选择天线对的CSI原始数据并不限于上述实现方式。
步骤2:确定人通行时段的起止时间。从多普勒频谱D中提取各个时刻的所有频移的能量最大值,形成在时间上的最大能量变化曲线,使用简单滑动平均算法平滑该能量曲线,根据阈值来检测是否有人通过。大于阈值的时间段为有人通过,小于阈值的时间段表示无人通过,从而得到通行的开始时间tstart和结束时间tend。
步骤3:对通行时间段内的多普勒频谱D进行阈值截断,产生二值化频谱图,即有效频移矩阵M。
具体方法为:遍历开始时间tstart到结束时间tend内每个时间点j的每个频移i,若在该频移上的能量Dij超过阈值ppass,则该频移有效,有效频移矩阵M对应元素Mij置为1,否则置为0,如下式所示:
其中,频移的上下限根据经验分别为100Hz和-100Hz,超过100Hz不可能是人产生的频移效果,而是高频噪声。
步骤4:根据有效频移矩阵M提取多普勒频谱特征作为样本,样本包括有效频移矩阵M的元素和s以及通行时间段的长度t,如下式所示:
t=tend-tstart
步骤5:对特征提取后的样本进行人数标注,形成训练样本输入至SVM分类器进行训练。训练完成后的SVM分类器的输入为多普勒频谱的时间特征和有效频移区域特征,输出为单次通行人数。
步骤6:连续通行人数检测,如图2所示,包含以下步骤:
步骤6-1:按照步骤1提取多普勒频谱,如图4所示;
步骤6-2:按照步骤2获取连续通行的开始时间tstart和结束时间tend;
步骤6-3:检测有效通行时间段内的通行次数,包含以下步骤:
步骤6-3-1:当人体通过WiFi链路中心时,其多普勒频移为零,零频移的能量值也最大,因此从多普勒频谱中提取频移量为零的能量曲线,使用零频移的能量值来检测通行次数;
步骤6-3-2:对零频移能量曲线进行三次样条差值平滑,以去除噪音。令{(pi,ti)|i=1,…,n}表示零频移能量值,该能量值还可表示为pi=f(ti)+∈i,其中∈i是随机变量,计算出其三次样条插值函数为则对该能量曲线的平滑等价于最小化如下表达式:
步骤6-3-3:对平滑后的零频移能量曲线根据波峰间隔去除假波峰,如果当前波峰与下一个波峰的间隔小于先验间隔阈值,则将当前波峰移除,不记为有效波峰;
步骤6-3-4:对平滑和去除假波峰后的零频移能量曲线计算波峰数,即为通行次数;
步骤6-4:得到通行次数后,还需要计算每次通行多少人,即需要分割连续通行的多普勒频谱,连续通行多普勒频谱的分割步骤如下:
步骤6-4-1:对连续通行的多普勒频谱进行阈值截断,得到二值化频谱图,即得到有效频移矩阵M;
步骤6-4-2:对二值化频谱图M进行高斯滤波去除噪声,设置5×5的高斯滤波窗口,对于滤波后大于设定阈值的元素置1,否则置0;
步骤6-4-3:最优旋转映射分割法。由于连续通行中多次通行对应的频谱交错连接同时又相互干扰,不能直接分割得到单次通行的频谱,如图4所示。提出最优旋转映射分割法来解决这个问题。具体方法为:遍历旋转二值化频谱图M,将旋转后的图像Mθ投影到时间轴得到旋转投影曲线xθ:
计算投影曲线xθ的波峰突起高度和:
其中c为投影曲线xθ中的波峰数,即通行次数,为投影曲线xθ中第i个波峰值,vi_right为第i个波峰右边的邻近波谷值,vi_left为第i个波峰左边的邻近波谷值,波峰突起高度即为波峰与相邻波谷的差值最小值。波峰突起高度和越大说明旋转的主峰更明确,分割效果相应也好。波峰突起高度和最大的旋转角度就是最优旋转度数,在该度数下的分割即为最佳分割。
步骤6-4-4:按照最优旋转角度的投影曲线的波峰间最小值进行分割,并反方向同角度旋转得到单次通过的频谱图;
步骤6-5:连续通行人数统计,包含以下步骤:
步骤6-5-1:对步骤6-4-4获得的单次通行频谱图按照步骤4提取特征;
步骤6-5-2:由于前后次通行的多普勒频移相互干扰,因此需要对连续通行的提取特征进行矫正,矫正方法为分别对不同人次的提取特征乘以校正因子,具体如下:
如果当前是第一次或最后一次通行,时间特征和有效频移区域特征分别乘以矫正因子α1和β1,否则分别乘以矫正因子α2和β2;
步骤6-5-3:利用步骤5训练的单次通行人数分类器,使用矫正特征估算连续通行中每次通行的人数;
步骤6-5-4:对连续通行中每次通行的人数求和得到连续通行总人数;
步骤7:总通行人数更新。将一段时间内检测出的连续和非连续通行人数累加得到当前总通行人数,得到更新后的总通行人数。
人员通行的示例如图1所示,其中包含两组连续通行,第一组包含三次通行,每次分别为1,2,3人,第二组包含两次通行,每次2人。
实施例的识别精度和准确率如下表:
Claims (6)
1.一种基于WiFi多普勒频移的连续通行人数检测方法,其特征在于,包括以下步骤:
1)检测环境部署:将一对WiFi发射器和接收器分别布置在通道两侧或者场所出入口的左右两侧;
2)单次通行人数检测训练:
2-1)采集不同人数单次通行时的信道状态信息CSI数据,提取多普勒频谱;
2-2)对多普勒频谱进行阈值截断,得到二值化频谱图;
2-3)从二值化频谱图中提取通行时间特征和有效频移区域特征,对特征提取后的样本进行人数标注,形成训练样本;
2-4)利用训练样本训练单次通行人数分类器,单次通行人数分类器的输入为多普勒频谱的时间特征和有效频移区域特征,输出为单次通行人数;
3)连续通行人数检测:
3-1)采集CSI数据,提取多普勒频谱;
3-2)根据多普勒频谱最大能量变化曲线检测人员通行的开始时间与结束时间;
3-3)连续通行次数检测:从多普勒频谱中提取频移量为零的能量曲线,去除零频移能量曲线中与下一个波峰的间隔小于先验间隔阈值的波峰以完成假波峰去除,再计算有效波峰数,有效波峰数即为通行次数;
3-4)连续通行多普勒频谱的分割:
3-4-1)对步骤3-2)得到的从开始时间到结束时间内的多普勒频谱进行阈值截断,得到二值化频谱图;
3-4-2)遍历预设范围内各角度θ旋转二值化频谱图,得到旋转θ度后的频谱图像Mθ,将频谱图像Mθ在时间轴方向投影得到旋转投影曲线xθ,根据投影曲线xθ计算波峰凸起高度和 取最大的波峰凸起高度和所对应的角度作为最优旋转角度;
其中,i为投影曲线xθ中第i个波峰,c为投影曲线xθ中波峰总数,即通行次数,为投影曲线中的第i个波峰值,为第i个波峰右边的邻近波谷值,为第i个波峰左边的邻近波谷值,波峰突起高度即为波峰与相邻波谷的差值最小值;
3-4-3)按照最优旋转角度所对应投影曲线的波峰间最小值的时间点作为分割点,对二值化频谱图进行分割,再以最优旋转角度进行反方向旋转得到各单次通行频谱图;
3-5)连续通行人数统计:对单次通行频谱图提取通行时间特征和有效频移区域特征并输入单次通行人数分类器得到单次通行人数;对开始时间到结束时间内的每次通行的人数求和,得到连续通行总人数。
2.如权利要求1所述方法,其特征在于,角度θ的预设范围为10度到60度。
3.如权利要求1所述方法,其特征在于,遍历预设范围内各角度θ旋转二值化频谱图前,先对二值化频谱图进行高斯滤波去除噪音。
4.如权利要求1所述方法,其特征在于,在对零频移能量曲线计算波峰数之前,先对零频移能量曲线进行三次样条差值平滑,再对平滑后的零频移能量曲线根据波峰间隔去除假波峰。
5.如权利要求1所述方法,其特征在于,将通行时间特征和有效频移区域特征输入单次通行人数分类器之前,先对通行时间特征和有效频移区域特征根据通行次序进行矫正。
6.如权利要求1所述方法,其特征在于,所述阈值截断的具体方法为:遍历多普勒频谱每个时间点的每个频移,若该频移在预设人产生的频移效果范围内且该频移上的能量超过阈值,则该频移在二值化频谱图对应元素置为1,否则置为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910207825.3A CN110020677B (zh) | 2019-03-19 | 2019-03-19 | 一种基于WiFi多普勒频移的连续通行人数检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910207825.3A CN110020677B (zh) | 2019-03-19 | 2019-03-19 | 一种基于WiFi多普勒频移的连续通行人数检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110020677A CN110020677A (zh) | 2019-07-16 |
CN110020677B true CN110020677B (zh) | 2021-02-02 |
Family
ID=67189641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910207825.3A Active CN110020677B (zh) | 2019-03-19 | 2019-03-19 | 一种基于WiFi多普勒频移的连续通行人数检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110020677B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112272406A (zh) * | 2020-10-29 | 2021-01-26 | 武汉理工大学 | 一种基于多普勒频移提取的船舶驾驶人员巡逻检测方法 |
CN113052039B (zh) * | 2021-03-16 | 2022-12-02 | 北京邮电大学 | 一种交通路网行人密度检测的方法、系统及服务器 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8599956B1 (en) * | 2010-09-27 | 2013-12-03 | Rockwell Collins, Inc. | Doppler compensated communications link |
CN107992882A (zh) * | 2017-11-20 | 2018-05-04 | 电子科技大学 | 一种基于WiFi信道状态信息和支持向量机的室内人数统计方法 |
CN108122310A (zh) * | 2017-11-20 | 2018-06-05 | 电子科技大学 | 一种基于WiFi信道状态信息和动态时间规整的人流量统计方法 |
CN108736987A (zh) * | 2018-05-09 | 2018-11-02 | 上海大学 | 一种基于WiFi的信道状态信息的多普勒频移测量方法 |
CN109255874A (zh) * | 2018-09-19 | 2019-01-22 | 电子科技大学 | 一种基于普通商用WiFi设备的通行及人数检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090036144A1 (en) * | 2007-07-31 | 2009-02-05 | Wong Wendy C | Techniques for mobility induced error correction |
-
2019
- 2019-03-19 CN CN201910207825.3A patent/CN110020677B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8599956B1 (en) * | 2010-09-27 | 2013-12-03 | Rockwell Collins, Inc. | Doppler compensated communications link |
CN107992882A (zh) * | 2017-11-20 | 2018-05-04 | 电子科技大学 | 一种基于WiFi信道状态信息和支持向量机的室内人数统计方法 |
CN108122310A (zh) * | 2017-11-20 | 2018-06-05 | 电子科技大学 | 一种基于WiFi信道状态信息和动态时间规整的人流量统计方法 |
CN108736987A (zh) * | 2018-05-09 | 2018-11-02 | 上海大学 | 一种基于WiFi的信道状态信息的多普勒频移测量方法 |
CN109255874A (zh) * | 2018-09-19 | 2019-01-22 | 电子科技大学 | 一种基于普通商用WiFi设备的通行及人数检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110020677A (zh) | 2019-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10045717B2 (en) | WiFi-based person-identification technique for use in smart spaces | |
Zhang et al. | Wifi-id: Human identification using wifi signal | |
CN109671238B (zh) | 一种基于无线信道状态信息的室内入侵检测方法 | |
CN109255874B (zh) | 一种基于普通商用WiFi设备的通行及人数检测方法 | |
CN110020677B (zh) | 一种基于WiFi多普勒频移的连续通行人数检测方法 | |
Yang et al. | Cyclostationary feature detection based spectrum sensing algorithm under complicated electromagnetic environment in cognitive radio networks | |
CN107911183B (zh) | 一种基于实时信号特征分析的无人机识别方法及系统 | |
US8619909B2 (en) | Signal detector using matched filter for training signal detection | |
CN106604394A (zh) | 一种基于csi的判定室内人体运动速度模型 | |
CN107095669B (zh) | 一种癫痫患者脑电信号的处理方法及系统 | |
CN109947238B (zh) | 一种基于wifi的非合作式手势识别的方法 | |
CN106971474A (zh) | 基于wifi无线信号的入侵监测方法和系统 | |
CN115426002B (zh) | 基于时频分析的跳频信号检测与参数估计方法及系统 | |
CN108810910A (zh) | 一种基于信道状态信息构建可视图网络的入侵检测方法 | |
CN109587089B (zh) | 一种提升无人机信号识别准确度的方法 | |
CN110519003A (zh) | 一种基于信号特征差异的无人机上下行通信链路识别方法 | |
US20200097852A1 (en) | Systems and methods for detecting and grouping anomalies in data | |
CN103118394A (zh) | 一种适用于宽带系统的多天线频谱感知方法及装置 | |
Feng et al. | Evaluation and improvement of activity detection systems with recurrent neural network | |
CN110730473A (zh) | 面向WiFi活动识别的信号特征提取方法 | |
Xiao et al. | Artificial intelligence empowered mobile sensing for human flow detection | |
CN112330924A (zh) | 一种室内环境下基于信道状态信息的跌倒事件检测方法 | |
CN114222202A (zh) | 一种基于WiFi CSI的环境自适应活动检测方法及系统 | |
CN106373018A (zh) | 一种用于魔芋种植的互联网管理系统 | |
CN106323330B (zh) | 基于WiFi动作识别系统的非接触式计步方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |