CN110543842A - 一种基于Wi-Fi信号的目标运动识别方法及系统 - Google Patents
一种基于Wi-Fi信号的目标运动识别方法及系统 Download PDFInfo
- Publication number
- CN110543842A CN110543842A CN201910780747.6A CN201910780747A CN110543842A CN 110543842 A CN110543842 A CN 110543842A CN 201910780747 A CN201910780747 A CN 201910780747A CN 110543842 A CN110543842 A CN 110543842A
- Authority
- CN
- China
- Prior art keywords
- link
- target
- frequency offset
- doppler frequency
- channel state
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明实施例提供一种基于Wi‑Fi信号的目标运动识别方法及系统,该方法包括:获取待检测区域中每条链路对应的信道状态信息;对预处理后的每一信道状态信息进行短时傅里叶变换,获取每一链路对应的多普勒频偏能量谱图;根据每一链路对应的多普勒频偏能量谱图,获取所述待检测区域中目标的速度谱;将所述目标的速度谱输入训练后的感知分类器,判断所述目标是否运动。当待检测区域的环境与样本所处的环境不同,本发明实施例中也不需要重新采集数据和重新对感知分类器进行训练,即可实现跨域的活动识别,极大地提升了基于Wi‑Fi信号的目标运动检测方法的普适性与鲁棒性。
Description
技术领域
本发明涉及目标检测技术领域,尤其涉及一种基于Wi-Fi信号的目标运动识别方法及系统。
背景技术
由于Wi-Fi基础设施的广泛部署,利用Wi-Fi信号对环境中的人或目标进行感知的技术逐渐成熟,包括室内定位、活动识别、手势识别等。与传统的基于摄像头、可穿戴设备、声音信号的技术相比,基于Wi-Fi的无线感知技术在防止泄露用户隐私、不需要用户穿戴特定设备、扩大感知监控范围等方面有着独特的优势,并可有效部署在智能家居、安防监控、虚拟现实等应用场景。
早期的基于Wi-Fi的感知工作或是利用统计性的数值特征,或是利用具有一定物理含义的特征,来刻画人体活动。
然而,这些原始的、粗粒度的信号特征除了携带能反映人体运动的信息之外,还通常携带和环境相关的背景信息,当测试数据与训练数据所在的环境发生变化时,就需要重新采集训练数据,重新对感知分类器进行训练,从而导致基于这些信号特征的感知工作的普适性大大降低。
发明内容
针对上述问题,本发明实施例提供一种基于Wi-Fi信号的目标运动识别方法及系统。
第一方面,本发明实施例提供一种基于Wi-Fi信号的目标运动识别方法,包括:
获取待检测区域中每条链路对应的信道状态信息,所述待检测区域包括一个Wi-Fi发射器和若干Wi-Fi接收器;
对预处理后的每一信道状态信息进行短时傅里叶变换,获取每条链路对应的多普勒频偏能量谱图;
根据每条链路对应的多普勒频偏能量谱图,获取所述待检测区域中目标的速度谱;
将所述目标的速度谱输入训练感知分类器,对所述目标运动进行识别。
优选地,所述获取待检测区域中每条链路对应的信道状态信息,具体包括:
对于任一链路,所述任一链路对应的信道状态信息为:
或,
其中,表示在t时刻所述任一链路对应的信道状态信息在f频率下的表达,Hs(f)表示所有静态路径的和,Pd表示所有具有非零多普勒频偏的动态路径的集合,fDl表示第l条路径的多普勒频偏,l表示第l条路径,L表示所述待检测区域中的多径个数,αl表示第l条路径的衰减系数,τl表示第l条路径的传播延迟,∈(f,t)表示相位偏差。
优选地,所述对预处理后的每一信道状态信息进行短时傅里叶变换,之前还包括:
对任意两条基础链路对应的信道状态信息进行共轭相乘,并将共轭相乘计算得到的结果通过带通滤波器,获取预处理后的每一信道状态信息,所述任意两条基础链路为同一Wi-Fi接收器中任意两个天线所对应的链路。
优选地,所述根据每一链路对应的多普勒频偏能量谱图,获取所述待检测区域中目标的速度谱,具体包括:
其中,V表示所述目标的速度谱,M表示Wi-Fi的链路数目,i表示第i条链路,η||V||0表示所述目标的速度谱的稀疏性,η表示稀疏参数,||·||0表示非零速度分量的个数,EMD(·,·)表示两个向量的搬土距离,A(i)表示所述目标的速度谱在第i条链路的多普勒频偏分布的投影矩阵,D(i)表示第i条链路的多普勒频偏分布。
优选地,所述目标的速度谱和第i条链路的多普勒频偏分布的投影矩阵具体通过如下公式获得:
其中,表示A(i)第j行第k列的元素,表示所述目标的任一速度分量对第i条链路产生的多普勒频偏效应,表示所述任一速度分量,fj代表多普勒频偏谱图在第j个频率分量的采样点。
第二方面,本发明实施例提供一种基于Wi-Fi信号的目标运动识别系统,包括:
信道状态模块,用于获取待检测区域中每条链路对应的信道状态信息,所述待检测区域包括一个Wi-Fi发射器和若干Wi-Fi接收器;
多普勒频偏模块,用于对预处理后的每一信道状态信息进行短时傅里叶变换,获取每条链路对应的多普勒频偏能量谱图;
速度谱模块,用于根据每条链路对应的多普勒频偏能量谱图,获取所述待检测区域中目标的速度谱;
判断模块,用于将所述目标的速度谱输入训练后的感知分类器,对所述目标运动进行识别。
第三方面,本发明实施例提供一种电子设备,包括:
至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述通信接口用于该测试设备与显示装置的通信设备之间的信息传输;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行第一方面提供的一种基于Wi-Fi信号的目标运动识别方法。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行第一方面提供的一种基于Wi-Fi信号的目标运动识别方法。
本发明实施例提供的一种基于Wi-Fi信号的目标运动识别方法及系统,通过获取目标的速度谱特征,并且利用速度谱对感知分类器进行训练,以对目标是否运动及运动的种类进行判断,与传统的基于多普勒频偏能量谱图、CSI幅度直方图等特征相比,由于速度谱特征与目标所处的环境无关,不受目标的朝向、位置和背景环境影响,所以即使当待检测区域的环境与样本所处的环境不同,本发明实施例中也不需要重新采集数据和重新对感知分类器进行训练,即可实现跨域的活动识别,极大地提升了基于Wi-Fi信号的目标运动检测方法的普适性与鲁棒性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于Wi-Fi信号的目标运动识别方法的流程图;
图2为本发明实施例中以速度谱为特征的跨位置手势识别的混淆矩阵示意图;
图3为本发明实施例中以速度谱为特征的跨朝向手势识别的混淆矩阵示意图;
图4为本发明实施例中以速度谱为特征的跨环境手势识别的混淆矩阵示意图;
图5为本发明实施例中以去噪后的CSI、多普勒频偏能量谱图、速度谱为输入的跨环境手势识别的准确率示意图;
图6为本发明实施例中提供的一种基于Wi-Fi信号的目标运动识别系统的结构示意图;
图7示例了一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的一种基于Wi-Fi信号的目标运动识别方法的流程图,如图1所示,该方法包括:
S1,获取待检测区域中每条链路对应的信道状态信息,所述待检测区域包括一个Wi-Fi发射器和若干Wi-Fi接收器;
S2,对预处理后的每一信道状态信息进行短时傅里叶变换,获取每条链路对应的多普勒频偏能量谱图;
S3,根据每条链路对应的多普勒频偏能量谱图,获取所述待检测区域中目标的速度谱;
S4,将所述目标的速度谱输入训练后的感知分类器,对所述目标运动进行识别。
在具体实施时,待检测区域中一般设置有一个Wi-Fi发射器、若干个Wi-Fi接收器,其中发射器不断发射Wi-Fi信号,接收器不断以设定的频率接收Wi-Fi信号,并从接收到的Wi-Fi信号中得到信道状态信息。
需要说明的是,发射器为具有Wi-Fi信号发射能力的电子设备,例如路由器、具有Wi-Fi热点功能的手机、笔记本电脑等,接收器为安装有无线网卡的智能终端,例如手机、笔记本电脑等,本实施例中,使用无线路由器作为Wi-Fi发射器,使用笔记本电脑作为Wi-Fi接收器,以下描述中,“Wi-Fi发射器”简称“发射器”,“Wi-Fi接收器”简称“接收器”。
本实施例中,发射器有一根天线,接收器有三根天线,路由器布置在待检测区域的对角处,笔记本电脑随机地放置在待检测区域其他的位置,信号采集频率为1000sample/s,待检测区域为居室、办公室或教室等。通过布置多台接收机,可以有效地实现对整个待检测区域的信号覆盖。
本实施例中,发射器向接收器发射Wi-Fi信号,由于发射器只有一根天线,接收器有三根天线,发射器上的天线到接收器上的每一根天线都可以看作信号传输的基础链路,因此,本实施例中,每个发射机-接收机对有三条基础链路,并且,以人作为目标进行说明。
链路是指从发射器到接收器,而基础链路是指从发射器的一根天线到接收器的一根天线,预处理时,对于每个发射器到接收器对,挑选出两条基础链路,计算共轭相乘、滤波,得到去噪后的信道状态信息,作为表征该“链路”的信号特征。
因此,在提取出所有发射器到接收器对的信号特征之后,再对其进行傅里叶变换,得到每条链路的多普勒频偏能量谱图。
首先获取待检测区域中每条基础链路对应的信道状态信息,每条基础链路对应的信道状态信息也就是接收器上的每根天线接收的Wi-Fi信号对应的信道频率响应的采样版本。
对每条链路对应的信道状态信息进行预处理,然后对预处理后的每路信道状态信息进行短时傅里叶变换,得到每条链路对应的多普勒频偏能量谱图。
根据菲涅尔区原理,Wi-Fi信号从发射端到达接收端,除了视距路径之外,还有通过物体反射的反射路径,因此接收端信号是视距路径信号和各个反射路径信号的叠加。
而信号经由物体反射之后,会对相应的链路产生多普勒频偏效应,相应的链路对应的多普勒频偏能量谱图会发生改变。
多普勒频偏能量谱图表示多普勒频偏大小与能量的分布关系,一般而言,纵轴为多普勒频偏大小,图中越亮的地方代表目标的运动会在某个时间点、某个多普勒频偏大小处有更多的能量分布。随着时间的变化,由于目标的运动发生变化,多普勒频偏能量分布也会随之变化。
然后根据每条链路对应的多普勒频偏能量谱图,利用压缩感知的方法计算出目标对应的速度谱,速度谱(Body-coordinate VelocityProfile,简称BVP)表示目标在进行特定活动时信号能量在不同速度(对应产生运动的不同身体部位)下的分布。
与传统的基于多普勒频偏能量谱图、CSI幅度直方图等特征相比,BVP与环境无关,不受人的朝向、位置和背景环境影响,更纯粹地刻画了人员活动信息,而且与单纯的躯干速度信息相比,BVP没有将人只看作为一个质点,而是刻画了人员在进行特定活动时、不同身体部位对应的不同速度下信号能量的分布,具有更丰富的信息。
在得到人体多个活动对应的速度谱后,以其为输入,就可以训练以卷积神经网络、循环神经网络为基础的感知分类器。得到新数据时,只需要计算出其对应的速度谱,并将速度谱输入到训练好的感知分类器,分类器就可以输出速度谱对应的活动类别,即可以识别出人在进行哪种运动。
综上,本发明实施例提供的一种基于Wi-Fi信号的目标运动识别方法,通过获取人的速度谱特征,并且利用速度谱对感知分类器进行训练,以对目人是否运动及运动的种类进行判断,与传统的基于多普勒频偏能量谱图、CSI幅度直方图等特征相比,由于速度谱特征与人所处的环境无关,不受人的朝向、位置和背景环境影响,所以即使当待检测区域的环境与样本所处的环境不同,本发明实施例中也不需要重新采集数据和重新对感知分类器进行训练,即可实现跨域的活动识别,极大地提升了基于Wi-Fi信号的目标运动检测方法的普适性与鲁棒性。
在上述实施例的基础上,优选地,所述获取待检测区域中每条链路对应的信道状态信息,具体包括:
对于任一链路,所述任一链路对应的信道状态信息为:
或,
其中,表示在t时刻所述任一链路对应的信道状态信息在f频率下的表达,Hs(f)表示所有静态路径的和,Pd表示所有具有非零多普勒频偏的动态路径的集合,fDl表示第l条路径的多普勒频偏,l表示第l条路径,L表示所述待检测区域中的多径个数,αl表示第l条路径的衰减系数,τl表示第l条路径的传播延迟,∈(f,t)表示相位偏差。j是复数的虚部,u是计算积分所需的变量,没有物理含义。
获取待检测区域中的每条链路对应的信道状态信息,信道状态信息涉及到多个频率,t时刻接收器某个天线对应的基础链路的信道状态信息在f频率上的表达如下:
其中,L表示所述待检测区域中的多径个数,αl表示第l条路径的衰减系数,τl表示第l条路径的传播延迟,j表示第j个频率分量,∈(f,t)表示相位偏差,该相位偏差是由于载波不同步、发射机和接收机采样频率不同步、数据包采样时间不对齐等因素带来的相位偏差。
为了能进一步了解人体运动对该链路产生多普勒效应,该链路对应的信道状态信息可以进一步改写为:
其中,Hs(f)表示所有静态路径的和,静态路径的多普勒频偏为0,Pd表示所有具有非零多普勒频偏的动态路径的集合,fDl表示第l条路径的多普勒频偏,u是计算积分所需的变量,没有物理含义。
由于只有动态路径反应了人体的运动信息,因此,需要消除静态路径,并且,还需要消除载波不同步、发射机和接收机采样频率不同步、数据包采样时间不对齐等因素带来的相位偏差。
在上述实施例的基础上,优选地,所述对预处理后的每一信道状态信息进行短时傅里叶变换,之前还包括:
对任意两条基础链路对应的信道状态信息进行共轭相乘,并将共轭相乘计算得到的结果通过带通滤波器,获取预处理后的每一信道状态信息,所述任意两条基础链路为同一Wi-Fi接收器中任意两个天线所对应的链路。
由于同一块无线网卡上的不同天线具有相同的随机相位偏差,因此对接收器中任意两根天线的链路对应的信道状态信息进行共轭相乘,然后将共轭相乘计算得到的结果通过一个带通滤波器,从而滤除人体运动对应频率外的噪声信息,带通滤波器输出的信号,只保留了多普勒频偏非零的主要多径成分。
通过该预处理步骤后,预处理后的信道状态信息中主要包含的是人体运动对应的频率。接着对预处理后的每路信道状态信息进行短时傅里叶变换,就可以得到每条链路对应的多普勒频偏能量谱图,多普勒频偏能量谱图的横轴表示时间,纵轴表示多普勒频偏大小,图中越亮的地方代表人体的运动会在某个时间点、某个多普勒频偏大小处有更多的能量分布,随着时间的变化,由于人体的运动发生变化,多普勒频偏能量分布也会发生变化。
在已知人体特定运动对应的每条链路的多普勒频偏能量谱图后,可以利用压缩感知的方法计算出人体特定运动对应的速度谱,并且根据每条链路对应的多普勒频偏能量谱图,获取目标的速度谱,其原理如下:
利用已有的基于Wi-Fi信号的定位与追踪技术,可获取人体在地球坐标系的位置和朝向,其中位置就是定位、追踪的结果,朝向默认是人体先前轨迹的最终运动方向。
根据人体的位置和朝向,对地球坐标系进行旋转、平移,就可以获得新的人体坐标系,人体坐标系的原点是人体的位置,x轴的正方向是人体的朝向。
在人体坐标系下,假设第i条链路的发射机和接收机的位置分别为:
其中,表示第i条链路的发射机位置,表示第i条链路的接收机位置,表示人体坐标系下发射器的横坐标,表示人体坐标系下发射器的纵坐标,表示人体坐标系下接收器的横坐标,表示人体坐标系下接收器的纵坐标。
如果人的运动由速度分量则这个运动分量对第i条链路产生多普勒频偏效应如下:
其中,完全是由发射机、接收机位置决定的参数。
其中,λ表示Wi-Fi信号的波长,||·||2表示二范数。
由于人体运动时会在多个方向上产生速度分量,在任意一个时间点,可以用一个离散的、大小为N*N的矩阵来代表人体坐标系下速度能量分布图,即速度谱BVP。
N是速度分量在人体坐标系下沿x轴、y轴可采样的个数,由于参数和只取决于第i条链路的位置,那么BVP在第i条链路的投影是固定的:
D(i)=c(i)A(i)V,
其中,c(i)是由反射信号传播损失决定的比例系数,D(i)表示第i条链路的多普勒频偏分布,即多普勒频偏矩阵D的第i列,大小为F*1,V是向量化后的BVP,大小为N2*1,A(i)是速度谱BVP对第i条链路多普勒频偏分布的投影矩阵,大小为N2*F,取值固定为:
其中,fj表示多普勒频偏谱图在第j个频率分量的采样点,表示某个速度分量,该速度分量对应向量化BVP的第k个元素。
该投影矩阵A(i)中每个元素的取值要么为1,要么为0,具体是由人员位置、发射机位置、接收机位置与运动速度共同决定,即如果某个运动速度分量会在某条链路某个多普勒频偏分量上有投影,那么对应的,投影矩阵中的某个元素就是1,如果没有这种映射关系,那么该元素就是0。
考虑到已知多链的多普勒频偏能量谱图,即每个时间点对应的多普勒频偏矩阵D,也已知速度谱和各个链路多普勒频偏之间的映射关系,即D(i)=c(i)A(i)V,可以通过求解优化问题的方式计算速度谱V,考虑到人在运动时,速度分布具有一定的空间局部性,因此,速度谱矩阵是一个稀疏矩阵,即只在部分速度分量上具有比较明显的分布,因此,可以进一步利用压缩感知的方法来求解速度谱。
根据每一链路对应的多普勒频偏能量谱图,获取所述待检测区域中目标的速度谱,具体包括:
其中,V表示所述目标的速度谱,M表示Wi-Fi的链路数目,i表示第i条链路,η||V||0表示所述目标的速度谱的稀疏性,η表示稀疏参数,||·||0表示非零速度分量的个数,EMD(·,·)表示两个向量的搬土距离,A(i)表示所述目标的速度谱第i条链路多普勒频偏分布的投影矩阵,D(i)表示第i条链路的多普勒频偏分布。
本发明实施例的优势在于将提升感知工作的泛化能力从识别模型的层次转移到更低的信号层。具体而言,提取到的速度谱只反映了人体运动特性,与环境无关。因此,以速度谱为特征的Wi-Fi感知应用将只需要在少数场景下采集数据,训练出来的模型可直接推广至其他环境,无需重复采集数据或重复训练。
图2为本发明实施例中以速度谱为特征的跨位置手势识别的混淆矩阵示意图,如图2所示,图中横坐标表示分类器预测的活动类别,图中纵坐标表示活动的实际类别,“跨位置”是指训练数据和测试数据采集来自不同的位置,从图中可以看出,其整体准确率可达89.7%。
图3为本发明实施例中以速度谱为特征的跨朝向手势识别的混淆矩阵示意图,如图3所示,图中横坐标表示分类器预测的活动类别,图中纵坐标表示活动的实际类别,“跨朝向”指的是训练数据和测试数据采集自不同的朝向,整体准确率可达82.6%。
图4为本发明实施例中以速度谱为特征的跨环境手势识别的混淆矩阵示意图,如图4所示,图中横坐标表示分类器预测的活动类别,图中纵坐标表示活动的实际类别,“跨环境”指的是训练数据和测试数据采集自不同的房间,即不同的背景环境,整体准确率可达92.4%。
图5为本发明实施例中以去噪后的CSI、多普勒频偏能量谱图、速度谱为输入的跨环境手势识别的准确率示意图,如图5所示,图中Denoised CSI表示以去噪后的CSI为输入进行手势识别,DFS表示以多普勒频偏能量谱图为输入进行手势识别,BVP表示以速度谱为输入进行手势识别,纵坐标表示准确率,从图中可以看出以BVP为输入进行手势识别的准确率最高,所以速度谱作为一种对环境无依赖的只反映人体活动特性的特征,具有明显的优越性。
图6为本发明实施例中提供的一种基于Wi-Fi信号的目标运动识别系统的结构示意图,如图6所示,该系统包括:信道状态模块601、多普勒频偏模602、速度谱模块603和判断模块604,其中:
信道状态模块601用于获取待检测区域中每条链路对应的信道状态信息,所述待检测区域包括若干Wi-Fi发射器和若干Wi-Fi接收器;
多普勒频偏模块602用于对预处理后的每一信道状态信息进行短时傅里叶变换,获取每条链路对应的多普勒频偏能量谱图;
速度谱模块603用于根据每条链路对应的多普勒频偏能量谱图,获取所述待检测区域中目标的速度谱;
判断模块604用于将所述目标的速度谱输入训练后的感知分类器,对所述目标运动进行识别。
首先信道状态模块601获取待检测区域中每条链路对应的信道状态信息,每条链路对应的信道状态信息是接收器上所有天线接收的Wi-Fi数据,每根接收天线对应的信道可视为基础链路。
接着多普勒频偏模块602对每条链路对应的信道状态信息进行预处理,然后对预处理后的每个信道状态信息进行短时傅里叶变换,得到每条链路对应的多普勒频偏能量谱图。
速度谱模块603根据每条链路对应的多普勒频偏能量谱图,利用压缩感知的方法计算出目标对应的速度谱。
判断模块604根据人的速度谱,将人的速度谱输入到训练好的感知分类器中,就可以对人的运动进行识别。
本系统实施例的具体实施过程与上述方法实施例的具体实施过程相同,详情请参考上述方法实施例,本系统实施例在此不再赘述。
综上,本发明实施例提供的一种基于Wi-Fi信号的目标运动识别系统,通过获取人的速度谱特征,并且利用速度谱对感知分类器进行训练,以对目人是否运动及运动的种类进行判断,与传统的基于多普勒频偏能量谱图、CSI幅度直方图等特征相比,由于速度谱特征与人所处的环境无关,不受人的朝向、位置和背景环境影响,所以即使当待检测区域的环境与样本所处的环境不同,本发明实施例中也不需要重新采集数据和重新对感知分类器进行训练,即可实现跨域的活动识别,极大地提升了基于Wi-Fi信号的目标运动检测方法的普适性与鲁棒性。
图7示例了一种电子设备的实体结构示意图,如图7所示,该服务器可以包括:处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和总线740,其中,处理器710,通信接口720,存储器730通过总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令,以执行如下方法:
获取待检测区域中每条链路对应的信道状态信息,所述待检测区域包括一个Wi-Fi发射器和若干Wi-Fi接收器;
对预处理后的每一信道状态信息进行短时傅里叶变换,获取每条链路对应的多普勒频偏能量谱图;
根据每条链路对应的多普勒频偏能量谱图,获取所述待检测区域中目标的速度谱;
将所述目标的速度谱输入训练后的感知分类器,对所述目标运动进行识别。
此外,上述的存储器730中的逻辑指令可以通过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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法,例如包括:
获取待检测区域中每条链路对应的信道状态信息,所述待检测区域包括一个Wi-Fi发射器和若干Wi-Fi接收器;
对预处理后的每一信道状态信息进行短时傅里叶变换,获取每条链路对应的多普勒频偏能量谱图;
根据每条链路对应的多普勒频偏能量谱图,获取所述待检测区域中目标的速度谱;
将所述目标的速度谱输入训练后的感知分类器,对所述目标运动进行识别。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上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。
Claims (8)
1.一种基于Wi-Fi信号的目标运动识别方法,其特征在于,包括:
获取待检测区域中每条链路对应的信道状态信息,所述待检测区域包括一个Wi-Fi发射器和若干Wi-Fi接收器;
对预处理后的每一信道状态信息进行短时傅里叶变换,获取每条链路对应的多普勒频偏能量谱图;
根据每条链路对应的多普勒频偏能量谱图,获取所述待检测区域中目标的速度谱;
将所述目标的速度谱输入训练后的感知分类器,对所述目标运动进行识别。
2.根据权利要求1所述方法,其特征在于,所述获取待检测区域中每条链路对应的信道状态信息,具体包括:
对于任一链路,所述任一链路对应的信道状态信息为:
或,
其中,表示在t时刻所述任一链路对应的信道状态信息在f频率下的表达,Hs(f)表示所有静态路径的和,Pd表示所有具有非零多普勒频偏的动态路径的集合,表示第l条路径的多普勒频偏,l表示第l条路径,L表示所述待检测区域中的多径个数,αl表示第l条路径的衰减系数,τl表示第l条路径的传播延迟,∈(f,t)表示相位偏差。
3.根据权利要求1所述方法,其特征在于,所述对预处理后的每一信道状态信息进行短时傅里叶变换,之前还包括:
对任意两条基础链路对应的信道状态信息进行共轭相乘,并将共轭相乘计算得到的结果通过带通滤波器,获取预处理后的每一信道状态信息,所述任意两条基础链路为同一Wi-Fi接收器中任意两个天线所对应的链路。
4.根据权利要求1所述方法,其特征在于,所述根据每一链路对应的多普勒频偏能量谱图,获取所述待检测区域中目标的速度谱,具体包括:
其中,V表示所述目标的速度谱,M表示Wi-Fi的链路数目,i表示第i条链路,η||V||0表示所述目标的速度谱的稀疏性,η表示稀疏参数,||·||0表示非零速度分量的个数,EMD(·,·)表示两个向量的搬土距离,A(i)表示所述目标的速度谱在第i条链路的多普勒频偏分布的投影矩阵,D(i)表示第i条链路的多普勒频偏分布。
5.根据权利要求4所述方法,其特征在于,所述目标的速度谱和第i条链路的多普勒频偏分布的投影矩阵具体通过如下公式获得:
其中,表示A(i)第j行第k列的元素,表示所述目标的任一速度分量对第i条链路产生的多普勒频偏效应,表示所述任一速度分量,fj代表多普勒频偏谱图在第j个频率分量的采样点。
6.一种基于Wi-Fi信号的目标运动识别系统,其特征在于,包括:
信道状态模块,用于获取待检测区域中每条链路对应的信道状态信息,所述待检测区域包括一个Wi-Fi发射器和若干Wi-Fi接收器;
多普勒频偏模块,用于对预处理后的每一信道状态信息进行短时傅里叶变换,获取每条链路对应的多普勒频偏能量谱图;
速度谱模块,用于根据每条链路对应的多普勒频偏能量谱图,获取所述待检测区域中目标的速度谱;
判断模块,用于将所述目标的速度谱输入训练后的感知分类器,对所述目标运动进行识别。
7.一种电子设备,包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1至5任一项所述基于Wi-Fi信号的目标运动检测方法的步骤。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5任一项所述基于Wi-Fi信号的目标运动检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910780747.6A CN110543842A (zh) | 2019-08-22 | 2019-08-22 | 一种基于Wi-Fi信号的目标运动识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910780747.6A CN110543842A (zh) | 2019-08-22 | 2019-08-22 | 一种基于Wi-Fi信号的目标运动识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110543842A true CN110543842A (zh) | 2019-12-06 |
Family
ID=68712025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910780747.6A Pending CN110543842A (zh) | 2019-08-22 | 2019-08-22 | 一种基于Wi-Fi信号的目标运动识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110543842A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991559A (zh) * | 2019-12-19 | 2020-04-10 | 中国矿业大学 | 一种室内人员行为非接触式协同感知方法 |
CN113096791A (zh) * | 2020-01-08 | 2021-07-09 | 富士通株式会社 | 基于无线信号的人员识别装置、方法及系统 |
CN113963211A (zh) * | 2021-10-25 | 2022-01-21 | 中国科学技术大学 | 一种用于手势识别的无监督域适应训练方法及系统 |
CN113971437A (zh) * | 2021-09-24 | 2022-01-25 | 西北大学 | 一种基于商用Wi-Fi设备的跨域手势识别方法 |
CN114676263A (zh) * | 2022-03-03 | 2022-06-28 | 大连海事大学 | 一种鲁棒的本征谱构建方法及鲁棒的无线感知方法 |
CN116347598A (zh) * | 2023-05-30 | 2023-06-27 | 华南师范大学 | 一种基于Wi-Fi的室内定位方法和装置 |
CN116597521A (zh) * | 2023-07-19 | 2023-08-15 | 山东科技大学 | 一种人类轨迹及躯干活动识别方法及系统 |
CN113096791B (zh) * | 2020-01-08 | 2024-06-04 | 富士通株式会社 | 基于无线信号的人员识别装置、方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203745A (zh) * | 2017-05-11 | 2017-09-26 | 天津大学 | 一种基于跨域学习的跨视角动作识别方法 |
CN109633534A (zh) * | 2019-01-18 | 2019-04-16 | 重庆邮电大学 | 一种用于无源目标运动跟踪的微多普勒估计方法 |
-
2019
- 2019-08-22 CN CN201910780747.6A patent/CN110543842A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203745A (zh) * | 2017-05-11 | 2017-09-26 | 天津大学 | 一种基于跨域学习的跨视角动作识别方法 |
CN109633534A (zh) * | 2019-01-18 | 2019-04-16 | 重庆邮电大学 | 一种用于无源目标运动跟踪的微多普勒估计方法 |
Non-Patent Citations (2)
Title |
---|
YUE ZHENG ET AL.: "Zero-Effort Cross-Domain Gesture Recognition with Wi-Fi", 《MOBISYS ’19》 * |
宋铮 等: "《电磁场、微波技术与天线》", 31 August 2011 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991559A (zh) * | 2019-12-19 | 2020-04-10 | 中国矿业大学 | 一种室内人员行为非接触式协同感知方法 |
CN113096791A (zh) * | 2020-01-08 | 2021-07-09 | 富士通株式会社 | 基于无线信号的人员识别装置、方法及系统 |
CN113096791B (zh) * | 2020-01-08 | 2024-06-04 | 富士通株式会社 | 基于无线信号的人员识别装置、方法及系统 |
CN113971437A (zh) * | 2021-09-24 | 2022-01-25 | 西北大学 | 一种基于商用Wi-Fi设备的跨域手势识别方法 |
CN113971437B (zh) * | 2021-09-24 | 2024-01-19 | 西北大学 | 一种基于商用Wi-Fi设备的跨域手势识别方法 |
CN113963211A (zh) * | 2021-10-25 | 2022-01-21 | 中国科学技术大学 | 一种用于手势识别的无监督域适应训练方法及系统 |
CN113963211B (zh) * | 2021-10-25 | 2024-02-27 | 中国科学技术大学 | 一种用于手势识别的无监督域适应训练方法及系统 |
CN114676263B (zh) * | 2022-03-03 | 2023-09-29 | 大连海事大学 | 一种鲁棒的本征谱构建方法及鲁棒的无线感知方法 |
CN114676263A (zh) * | 2022-03-03 | 2022-06-28 | 大连海事大学 | 一种鲁棒的本征谱构建方法及鲁棒的无线感知方法 |
CN116347598B (zh) * | 2023-05-30 | 2023-08-15 | 华南师范大学 | 一种基于Wi-Fi的室内定位方法和装置 |
CN116347598A (zh) * | 2023-05-30 | 2023-06-27 | 华南师范大学 | 一种基于Wi-Fi的室内定位方法和装置 |
CN116597521B (zh) * | 2023-07-19 | 2023-09-19 | 山东科技大学 | 一种人类轨迹及躯干活动识别方法及系统 |
CN116597521A (zh) * | 2023-07-19 | 2023-08-15 | 山东科技大学 | 一种人类轨迹及躯干活动识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110543842A (zh) | 一种基于Wi-Fi信号的目标运动识别方法及系统 | |
WO2019062734A1 (zh) | 基于Wi-Fi热点的室内定位方法及装置 | |
CN106792808A (zh) | 一种基于信道状态信息的室内环境下视距路径识别方法 | |
CN108038419B (zh) | 基于Wi-Fi的室内人员被动检测方法 | |
CN104883732B (zh) | 一种增强型室内无源被动人体定位方法 | |
Shi et al. | Human activity recognition using deep learning networks with enhanced channel state information | |
Wang et al. | CSI-based human sensing using model-based approaches: a survey | |
KR102162284B1 (ko) | 클라우드 데이터 처리 gnss 재밍 감시 방법 및 시스템 | |
CN112924935A (zh) | 基于单声波基站的移动智能终端室内定位方法及装置 | |
KR20210020913A (ko) | 무선 신호들에 기반한 제스처들의 인식 | |
WO2016079656A1 (en) | Zero-calibration accurate rf-based localization system for realistic environments | |
CN116343261A (zh) | 基于多模态特征融合与小样本学习的手势识别方法和系统 | |
Pan et al. | Dynamic hand gesture detection and recognition with WiFi signal based on 1d-CNN | |
KR100857248B1 (ko) | 이동체 위치 정보를 생성하는 장치 및 방법과 이동체위치를 인식하는 장치 및 방법 | |
KR102155419B1 (ko) | 인공신경망을 기반으로 하는 적응형 거리측정장치 | |
Guo et al. | WiRoI: Spatial region of interest human sensing with commodity WiFi | |
US20230141843A1 (en) | Method, system, device and storage medium for non-contact velocity estimation of a moving target | |
Cai et al. | CSI-based device-free indoor localization using convolutional neural networks | |
KR101232365B1 (ko) | 무선센서 네트워크에서의 다중 이동체 위치추적장치 및 그 방법 | |
Onumanyi et al. | A real valued neural network based autoregressive energy detector for cognitive radio application | |
KR102270808B1 (ko) | 무선 인공지능을 이용한 보이는 네트워크 제공 장치 및 방법 | |
Soto et al. | Wi-fi csi-based human presence detection using dtw features and machine learning | |
Xiao et al. | A passive Indoor Localization with Convolutional Neural Network Approach | |
Naveed et al. | Smart indoor Positioning Model for Deterministic Environment | |
Xie et al. | A Real-time Respiration Monitoring System Using WiFi-Based Radar Model |
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 |
Application publication date: 20191206 |
|
RJ01 | Rejection of invention patent application after publication |