CN110149604B - 一种基于wifi信号的人员检测方法 - Google Patents

Abstract

本发明涉及一种基于WIFI信号的人员检测方法，对采集得到的WiFi网络所有子载波的CSI进行相关性分析，挑选出动态性较强的前k个子载波；其次对挑选出的子载波CSI进行主成分分析，提取出最能表现由于人员移动所造成的信号变化部分的主要分量；接着使用小波去噪方法滤除掉叠加在主要分量上的环境高频噪声，保留下包含人类活动的低频信号成分；然后使用去噪后数据的方差作为信号特征，来刻画由于人员移动所导致的信号波动；最后综合使用信号强度阈值和信号时延阈值，判断被监控区域内是否有人员出现。本发明可广泛应用于国防、党政机关、企业与公司等需要对人员出现进行安全防范检测的单位和居民家庭。

Description

一种基于WIFI信号的人员检测方法

技术领域

本发明属于计算机处理技术领域，涉及一种基于WIFI信号的人员检测方法。

背景技术

随着时代的进步，人们的物质生活得到极大改善。然而，一些与公民人身和财产安全相关的犯罪行为现象呈现上升趋势，入室盗窃、抢劫、恐怖袭击等行为，威胁着公民的生命健康和财产安全，同时也破坏了社会的长治久安，社会和国家对于安保方面的问题予以了很高的重视。人员检测便是预防这类行为发生的一个重要手段。人员检测包括对家庭居住周边环境和财物的监控与保护；金融机构、文博单位、民航、车站、码头、重要物资存储库、重要内保单位(如电力、电信等高风险对象的安全防范场所)附近可疑行为的侦测和监察；独居老人或行动不便人群以及医院病号异常行为的随时看护等方面。

目前得到普遍应用的人员检测技术主要是基于计算机视觉、超声波、红外线、传感器网络、雷达等技术。虽然这些技术在人员检测方面发挥着显著的作用，但是仍然存在诸多不可避免的缺点。最为广泛普及的检测技术便是基于计算机视觉的视频监控技术，这种技术直观可视，但却受到种种制约：易受光线影响，在黑暗环境下无法正常工作；只能检测到视距范围内的目标；布置不当可能会造成隐私泄露的问题。基于超声波的人员检测技术需要配备专门的硬件，成本较高且会受限于视距范围内检测。基于红外线的技术不能实现监控区域内的全范围覆盖，会留出可被利用的空隙。利用传感器网络进行人员检测的技术耗费大量人力物力，成本高，不易维护。基于雷达的技术支付昂贵，部署成本过高，不适于广泛投入使用。

近年来，无线通信技术日趋成熟，无线信号已不仅仅是一种通信方式，而且可以作为一种环境感知方式。目前已有研究人员利用广泛覆盖的无线局域网，实现被动式的人员检测。WIFI网络的广泛普及和低廉的价格，使得无需部署专门的硬件，也不需要被检测人员携带任何设备，仅利用现有随处可见的WIFI网络，便可实现目标人员的出现检测。

我们经过检索国内专利、非专利文献及互联网资源，共检索出以下与基于WIFI的人员检测方法密切相关的资料：

《一种基于WiFi信号的穿墙室内人员跌倒检测系统及方法技术方案》利用现有设备，提取信号中的物理层信道状态信息，并对信息进行滤波、降噪、主成分分析、特征提取等处理，使用机器学习算法训练相应二分类模型，对老人在室内是否发生跌倒进行自动探测。

《基于WiFi的室内人体活动检测方法和系统》利用人类呼吸这一性质，获取人体静止信息。采用局部异常因子的异常检测算法检测人体运动并分离出相应异常模式。

《基于WiFi的室内入侵检测方法和装置的制造方法》从接收到的无线信号中提取出信道状态信息，计算得到其模长矩阵，得到表征CSI波动程度的向量(方差)，以此判断室内的安全程度。

综上，检索的结论是：国内外在基于WIFI的人员检测技术方面的研究已经取得了一定的成果，但尚未有相应的产品面世。而且，该类技术本身仍然存在一些问题需要解决。例如，在实际环境中，由于非人员出现造成的环境变化、无线设备自身功率自适应均会对无线信号产生影响，使人员检测模块会因此出现漏报或误报等情况；另外，室内各种材料的物体对信号产生的反射、折射和散射对WIFI感知精度造成很大的影响。因而，如何利用WIFI无线信号进行人员检测是一个亟待解决的问题。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于WIFI信号的人员检测方法，首先对采集到的WIFI无线信号的信道状态信息(Channel State Information,CSI)进行预处理，然后从预处理后的数据中提取特征，使用多次离线实验获得的信号强度经验阈值和在线得到的信号强度自适应阈值作为系统的信号强度检测阈值，并设置信号的时延检测阈值，对信号强度大于信号强度检测阈值、且持续时间超过时延检测阈值的情况判定为有人出现在监控区域中，实现人员的出现检测。

技术方案

一种基于WIFI信号的人员检测方法，其特征在于步骤如下：

步骤1、静态环境CSI数据的相关性计算：采集静态环境下的CSI数据，计算t秒内各个子载波CSI数据的相关系数矩阵Ps：

其中：H₁和H₂分别表示第i个和第j个子载波的CSI，D(H)表示CSI数据H的方差，Cov(H₁,H₂)表示H₁和H₂的协方差；

步骤2、动态环境CSI数据的相关性计算：采集动态环境下CSI数据，计算t秒内各个子载波CSI数据的相关系数矩阵Pd；

步骤3、子载波选择：选择出Pd与Ps差别最大的前k个子载波

(i,S)＝max_k(||Pd-Ps||)

其中，i是被选择的子载波索引号，S是被选择的子载波CSI矩阵；

步骤4、主成分分析：

1、对被选择的每个子载波的CSI数据进行标准化变换：

其中：S_i和X_i分别表示第i个子载波标准化变换前、后的值，E(S_i)为S_i的数学期望，D(S_i)为S_i的方差；

2、标准化后的CSI数据协方差矩阵为：

Y＝X^TX

3、解相关矩阵的特征方程|Y-λI_k|＝0，得到k个特征根，解方程组Yb＝λ_ib得到单位特征向量

4、将标准化后的指标变量转换为主成分：

其中W₁成为第一主成分，W₂称为第二主成分，……，W_k为第k主成分；

步骤5：选取的第i个主成分数据使用小波算法进行去噪；

步骤6：对于去噪后的数据，使用长度为L的滑动窗口，按照下式计算信号上包络，平滑持续出现的毛刺，降低漏报率：

E_i＝max_1<i<L(W_i)

其中E_i表示通过计算得到的包络线上的点。根据所需信号的平滑程度，窗口每次滑动M个数据；

步骤7：计算步骤6所得的上包络线的方差作为人员出现的特征数据：

对特征数据进行更新：

C_j＝λ*V_j+(1-λ)*C_j-1

其中，V_j为j时刻的方差计算值，C_j为j时刻方差的平滑值。λ取值在[0,1]之间，表示指数移动平均算法对于历史计算值的权重；

步骤8、检测：以强度阈值T_a和时间阈值T_h，对步骤7得到的每个实时特征C_j按照进行检测：

在窗口w内对t_j进行统计：

若t-T_h≤0则判定为没有人员出现，t-T_h>0则判定为有人出现。

所述强度阈值的计算为：采用指数移动平均算法对步骤7的上包络线的方差进行实时平滑，统计得到其最大值C_MAX，强度阈值T_a＝α*C_MAX，其中：α为系数。

所述时间阈值T_h：T_n<T_h≤T_w，T_w为人的走动行为的最短持续时间，T_n为由于非人为因素引起的信号毛刺的持续时间。

有益效果

本发明提出的一种基于WIFI信号的人员检测方法，首先对采集得到的WiFi网络所有子载波的CSI进行相关性分析，挑选出动态性较强的前k个子载波，减小后续计算分析的数据量，保证系统的实时性；其次对挑选出的子载波CSI进行主成分分析，提取出最能表现由于人员移动所造成的信号变化部分的主要分量；接着使用小波去噪方法滤除掉叠加在主要分量上的环境高频噪声，保留下包含人类活动的低频信号成分；然后使用去噪后数据的方差作为信号特征，来刻画由于人员移动所导致的信号波动；最后综合使用信号强度阈值和信号时延阈值，判断被监控区域内是否有人员出现。本发明可广泛应用于国防、党政机关、企业与公司等需要对人员出现进行安全防范检测的单位和居民家庭。

本发明方法使用广泛部署的WIFI网络，无需搭建专门的硬件，也不需要被检测人员随身携带装置，节省大量的人力物力。且本发明所提出的一套数据预处理、去噪、特征提取和检测方法，能够降低系统的漏报率和误报率，提高系统的检测率。

附图说明

图1：本发明方法的总体框架图

图2：空旷环境下基于WIFI的人员检测结果图

图3：多径效应丰富的室内环境下，基于WIFI的人员检测结果图

具体实施方式

现结合实施例、附图对本发明作进一步描述：

实施本方法的硬件环境为：信号发射机：TP-LINK TL-WR882N 450M路由器；信号接收机：一台联想ThinkPad X200电脑，装备有Intel 5300的无线网卡；后台进行数据处理的台式机，处理器为Intel Core2I5。软件环境分为两个部分：其中数据收集部分采用Linux操作系统下的CSI Tool工具；数据处理部分使用Matlab 2012a。

基于Wi-Fi的人员检测方法步骤如下：

步骤1静态环境CSI数据的相关性计算：在静态环境(无人出现)条件下采集CSI数据，以t秒为窗口进行划分，按公式(1)计算t秒内各个子载波CSI数据的相关系数矩阵Ps。

其中：H₁和H₂分别表示第i个和第j个子载波的CSI，D(H)表示CSI数据H的方差，Cov(H₁,H₂)表示H₁和H₂的协方差。

步骤2动态环境CSI数据的相关性计算：在动态环境(有人出现并移动)条件下采集CSI数据，以t秒为窗口进行划分，按公式(1)计算t秒内各个子载波CSI数据的相关系数矩阵Pd。

步骤3子载波选择：根据步骤1中静态环境的相关系数矩阵Ps和步骤2中动态环境的相关系数矩阵Pd，按公式(2)选择出Pd与Ps差别最大的前20个子载波。

(i,S)＝max_k(||Pd-Ps||) (2)

其中，i是被选择的子载波索引号，S是被选择的子载波CSI矩阵。

步骤4主成分分析：使用主成分分析提取信号的主要成分，一方面降低数据的维度，另一方面可以刻画由人引起的信号功率的变化。从而不必再进行某一子载波的选择。以下为主成分分析的过程：

(1)标准化变换：对被选择的每个子载波的CSI数据进行标准化变换。

其中：S_i和X_i分别表示第i个子载波标准化变换前、后的值，E(S_i)为S_i的数学期望，D(S_i)为S_i的方差。

(2)协方差矩阵估计：标准化后的CSI数据包含20个子载波，即k维，因此有其协方差矩阵为：

Y＝X^TX (4)

(3)特征分解：解相关矩阵的特征方程|Y-λI_k|＝0，得到20个特征根，解方程组Yb＝λ_ib得到单位特征向量

(4)将标准化后的指标变量转换为主成分：

其中W₁成为第一主成分，W₂称为第二主成分，……，W_k为第k主成分。

步骤5小波去噪：对主成分分析后选取的第i个主成分数据使用小波算法进行去噪。

步骤6取包络运算：对于去噪后的数据，使用长度为20pkt/s的滑动窗口，按照公式(6)计算信号上包络，平滑持续出现的毛刺，降低漏报率。

E_i＝max_1<i<L(W_i) (6)

其中E_i表示通过计算得到的包络线上的点。根据所需信号的平滑程度，窗口每次滑动M个数据。

步骤7特征提取：使用公式(7)计算步骤6所得的上包络线的方差作为人员出现的特征。

然后使用公式(8)的指数移动平均公式对特征数据进行更新：

C_j＝λ*V_j+(1-λ)*C_j-1 (8)

其中，V_j为j时刻的方差计算值，C_j为j时刻方差的平滑值。λ取值在0.9，表示指数移动平均算法对于历史计算值的权重。

步骤8人员检测：使用预先设置的强度阈值T_a和时间阈值T_h，对步骤7得到的每个实时特征C_j按照公式(9)进行检测

如公式(10)在窗口w内对t_j进行统计

若t-T_h≤0则判定为没有人员出现，t-T_h>0则判定为有人出现。

在检测系统配置阶段，分别在静态情况(无人员出现)和动态情况(有人员出现)下采集CSI数据，由上述基于Wi-Fi的人员检测方法步骤7得到上包络线的方差V，并使用指数移动平均算法对方差进行实时平滑，统计得到其最大值C_MAX，由公式(11)得到强度阈值T_a。

T_a＝α*C_MAX (11)

其中α为60％。

时间阈值T_h的确定步骤如下：

在检测系统配置阶段，分别在静态情况(无人员出现)和动态情况(有人员出现)下采集CSI数据，由基于Wi-Fi的人员检测方法步骤7得到上包络线的方差V，使用强度阈值对每个特征进行检测

如公式(13)在窗口w内对t_j进行统计

通过实验和对人行走行为的观察，确定人的走动行为的最短持续时间T_w>0.5以及由于非人为因素引起的信号毛刺的持续时间T_n，由以下不等式共同确定时间阈值T_n<0.2：

T_n<T_h≤T_w (14)

做了多组实验：(1)通过实验测量WIFI的检测覆盖范围。在多径效应较为丰富的走廊环境中，仅使用一对收发设备的情况下，WIFI的检测范围可以达到17m。(2)收发机之间的距离固定为3米，在室内不同位置走动，验证基于WIFI的检测方法的检测率。多次可靠的实验结果表明，使用本发明所提方法的检测率可以达到92％。

Claims (1)

1.一种基于WIFI信号的人员检测方法，其特征在于步骤如下：

步骤1、静态环境CSI数据的相关性计算：采集静态环境下的CSI数据，计算t秒内各个子载波CSI数据的相关系数矩阵Ps：

其中：H₁和H₂分别表示第i个和第j个子载波的CSI，D(H)表示CSI数据H的方差，Cov(H₁,H₂)表示H₁和H₂的协方差；

步骤2、动态环境CSI数据的相关性计算：采集动态环境下CSI数据，计算t秒内各个子载波CSI数据的相关系数矩阵Pd；

步骤3、子载波选择：选择出Pd与Ps差别最大的前k个子载波

(i,S)＝max_k(||Pd-Ps||)

其中，i是被选择的子载波索引号，S是被选择的子载波CSI矩阵；

步骤4、主成分分析：

1、对被选择的每个子载波的CSI数据进行标准化变换：

其中：S_i和X_i分别表示第i个子载波标准化变换前、后的值，E(S_i)为S_i的数学期望，D(S_i)为S_i的方差；

2、标准化后的CSI数据协方差矩阵为：

Y＝X^TX

3、解相关矩阵的特征方程|Y-λI_k|＝0，得到k个特征根，解方程组Yb＝λ_ib得到单位特征向量

4、将标准化后的指标变量转换为主成分：

其中W₁成为第一主成分，W₂称为第二主成分，……，W_k为第k主成分；

步骤5：选取的第i个主成分数据使用小波算法进行去噪；

步骤6：对于去噪后的数据，使用长度为L的滑动窗口，按照下式计算信号上包络，平滑持续出现的毛刺，降低漏报率：

E_i＝max_1<i<L(W_i)

其中E_i表示通过计算得到的包络线上的点；根据所需信号的平滑程度，窗口每次滑动M个数据；

步骤7：计算步骤6所得的上包络线的方差作为人员出现的特征数据：

对特征数据进行更新：

C_j＝λ*V_j+(1-λ)*C_j-1

其中，V_j为j时刻的方差计算值，C_j为j时刻方差的平滑值；λ取值在[0,1]之间，表示指数移动平均算法对于历史计算值的权重；

步骤8、检测：以强度阈值T_a和时间阈值T_h，对步骤7得到的每个实时特征C_j按照进行检测：

在窗口w内对t_j进行统计：

若t-T_h≤0则判定为没有人员出现，t-T_h＞0则判定为有人出现；

所述强度阈值的计算为：采用指数移动平均算法对步骤7的上包络线的方差进行实时平滑，统计得到其最大值C_MAX，强度阈值T_a＝α*C_MAX，其中：α为系数；

所述时间阈值T_h：T_n<T_h≤T_w，T_w为人的走动行为的最短持续时间，T_n为由于非人为因素引起的信号毛刺的持续时间。

Images