CN110658488A - 基于射频信号的室内复杂环境下多目标定位及姿态识别方法 - Google Patents
基于射频信号的室内复杂环境下多目标定位及姿态识别方法 Download PDFInfo
- Publication number
- CN110658488A CN110658488A CN201910941783.6A CN201910941783A CN110658488A CN 110658488 A CN110658488 A CN 110658488A CN 201910941783 A CN201910941783 A CN 201910941783A CN 110658488 A CN110658488 A CN 110658488A
- Authority
- CN
- China
- Prior art keywords
- target
- area
- nodes
- positioning
- calculating
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S1/00—Beacons or beacon systems transmitting signals having a characteristic or characteristics capable of being detected by non-directional receivers and defining directions, positions, or position lines fixed relatively to the beacon transmitters; Receivers co-operating therewith
- G01S1/02—Beacons or beacon systems transmitting signals having a characteristic or characteristics capable of being detected by non-directional receivers and defining directions, positions, or position lines fixed relatively to the beacon transmitters; Receivers co-operating therewith using radio waves
- G01S1/08—Systems for determining direction or position line
- G01S1/10—Systems for determining direction or position line using amplitude comparison of signals transmitted sequentially from antennas or antenna systems having differently-oriented overlapping directivity characteristics, e.g. equi-signal A-N type
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明涉及一种基于射频信号的室内复杂环境下多目标定位及姿态识别方法,其系统实现包括:无线传感器节点和中央服务器,无线传感器节点采用多跳网络进行通信,安装在室内的墙壁上的无线传感器节点设定为路由节点,路由节点每次互相通信检测到的无线信号强度统一传输到与中央服务器连接的节点,与中央服务器连接的节点,设定为协调器节点,中央服务器用于对接收到的信号进行处理,实现定位并识别人员的姿态。
Description
所属技术领域
本发明涉及一种基于射频信号的室内复杂环境下多目标定位及姿态识别方法,属于室内情景感知领域。
背景技术
随着中国对智慧城市的建设规划,室内情景感知技术的重要性和广泛性越来越受到人们的关注。常见的情景感知技术需要用户自身携带诸如手机、运动手环等电子设备,因此基于自身携带设备的情景感知技术并不方便并有一定的局限性。本发明的目的是实现对室内的人员进行定位的同时实现姿态识别,全方位的对室内人员的状态进行监控。本发明首先利用雷达方程获取监控区域的权重地图,并采用多次迭代的方式对室内人员进行定位。之后,采用小波变换对每个人员对应的阴影链路信号进行分析,获得其多尺度信息,然后又采用主成分分析法获得其多尺度信息对应的特征向量,进而进行人员姿态的识别。本发明适用于室内监控,老人看护,智慧城市及其相关应用。
经过专利申请人检索,目前与文档图像处理有关的国内发明专利主要集中在单目标定位及单目标姿态识别[1-4]。本发明提出了多目标定位及姿态识别的方案,采用了迭代定位来实现多个目标的识别,并针对每个目标的链路信号进行小波处理,之后利用主成分分析法对每个目标的链路信号进行降维,计算其特征向量。本方案可以有效的实现多个目标的定位及姿态识别。
参考文献:
[1]Jie W,Yunong Z,Xinxin F,et al.Device-Free Identification UsingIntrinsic CSI Features[J].IEEE Transactions on Vehicular Technology,2018:1-1.
[2]Savazzi S,Nicoli M,Carminati F,et al.A Bayesian Approach toDevice-Free Localization:Modeling and Experimental Assessment[J].IEEE JournalofSelected Topics in Signal Processing,2014,8(1):16-29.
[3]Kianoush S,Savazzi S,Vicentini F,et al.Device-Free RF Human BodyFall Detection and Localization in Industrial Workplaces[J].IEEE InternetofThings Journal,2016,4(2):351-362.
[4]Wilson J,Patwari N.A Fade-Level Skew-Laplace Signal Strength Modelfor Device-Free Localization with Wireless Networks[J].IEEE Transactions onMobile Computing,2012,11(6):947-958.
发明内容
本发明的目的在于:提出一种基于射频信号的室内复杂环境下多目标定位及姿态识别方法。该方法利用人体对射频信号的影响及菲尼尔区域的遮挡作用来估计目标的姿态。利用雷达方程获取监控区域的权重地图,并采用多次迭代的方式对室内人员进行定位。之后,采用小波变换对每个人员对应的阴影链路信号进行分析,获得其多尺度信息,然后又采用主成分分析法获得其多尺度信息对应的特征向量,实现对不同姿态的准确识别。本发明的技术方案是:
一种基于射频信号的室内复杂环境下多目标定位及姿态识别方法,其系统实现包括:无线传感器节点和中央服务器,无线传感器节点采用多跳网络进行通信,安装在室内的墙壁上的无线传感器节点设定为路由节点,路由节点每次互相通信检测到的无线信号强度统一传输到与中央服务器连接的节点,与中央服务器连接的节点,设定为协调器节点,中央服务器用于对接收到的信号进行处理,实现定位并识别人员的姿态,方法如下:
步骤1:接收信号强度向量设定为r(t)=s(t)+n(t),s(t)=[s1(t),...,sM(t)]T,n(t)=[n1(t),....,nM(t)],其中s(t)代表信号在时刻t的信号强度向量,si(t),i=1,...,M代表第i条通信链路的信号强度,n(t)代表t时刻的加性高斯白噪声向量,ni(t),i=1,...,M代表第i条通信链路的加性高斯白噪声,M为总链路的条数;
步骤2:计算目标定位阶段和无人阶段每条链路接收信号强度的变化Δr(t)≈|s(t)-s(0)+n(t)-n(0)|≈|s(t)-s(0)|;
步骤3:检测阴影链路:如果Δri(t)≈|si(t)-si(0)|≥rth,则认为第i条链路时阴影链路;
步骤4:根据雷达方程计算定位区域各像素点的权重其中是第i条阴影链路获得的第j个像素点的权重值;Pobj是接收信号的强度,Pt是发射信号,Gt是发生天线增益,Gr是接收天线增益,λ是射频信号的波长,σ是雷达散射截面,r1和r2分别为目标到发射节点天线的距离和目标到接收节点天线的距离;将权重大于设定权重阈值的像素区域认定为目标可能区域
步骤5:将计算得到的所有目标可能目标区域权重进行叠加,获得定位区域的权重地图W=[w1,...,wj,...,wN],其中wj为定位区域权重地图第j个像素的权重值;
步骤7:删除步骤6中用到的目标可能区域,将该目标对应的阴影链路接收信号保存到数据库中,并跟新定位区域权重地图;
步骤8:重复步骤6,7,计算室内其他目标位置;
步骤9:姿态识别指纹库建立阶段,让一个人根据指定的动作运动,并将该时间段接收到的信号做小波变换,得到多尺度分解向量CA3-f,CD3-f,CD2-f,CD1-f;
步骤10:利用主成分分析法处理每种姿态的多尺度分解向量获得vCA3-f,vCD3-f,vCD2-f,vCD1-f
步骤11:姿态识别阶段,每个目标对应的阴影链路的接收信号向量做小波变换后的多尺度分解向量CA3,CD3,CD2,CD1;
步骤12:利用主成分分析法处理小波变换后的多尺度分解向量CA3,CD3,CD2,CD1,获取CA3,CD3,CD2,CD1向量的特征向量vCA3,vCD3,vCD2,vCD1;
步骤14:目标函数为
本专利提出的基于射频信号的室内复杂环境下多目标定位及姿态识别方法。该方法利用人体对射频信号的影响及菲尼尔区域的遮挡作用来估计目标的姿态。利用雷达方程获取监控区域的权重地图,并采用多次迭代的方式对室内人员进行定位。之后,采用小波变换对每个人员对应的阴影链路信号进行分析,获得其多尺度信息,然后又采用主成分分析法获得其多尺度信息对应的特征向量,实现对不同姿态的准确识别。
附图说明
图1为本发明的一种基于射频信号的室内复杂环境下多目标定位及姿态识别方法的系统场景示意图。
图2本发明的所提供的多目标定位及姿态识别方法的流程框图。
具体实施方式
下面结合说明书附图对本发明创造做进一步的详细说明,本实例仅限于说明本发明的一种实施方法,不代表对本发明覆盖范围的限制。
如图1所示,为本发明的一种基于射频信号的室内复杂环境下多目标定位及姿态识别方法的场景示意图,在室内墙壁上安装若干无线传感器节点。
一种基于射频信号的室内复杂环境下多目标定位及姿态识别方法,其系统实现包括:无线传感器节点和中央服务器。无线传感器节点采用多跳网络进行通信。无线传感器节点可随机安装在室内的任何位置上,可根据精度要求增加无线节点的数量。安装在室内的墙壁上的无线传感器节点设定为路由节点,路由节点每次互相通信检测到的无线信号强度统一传输到与中央服务器连接的节点。与中央服务器连接的节点,设定为协调器节点,中央服务器用于对接收到的信号进行处理,识别目标的姿态。具体步骤如图2所示,具体描述如下:
步骤1:接收信号强度向量设定为r(t)=s(t)+n(t),s(t)=[s1(t),...,sM(t)]T,n(t)=[n1(t),....,nM(t)],其中s(t)代表信号在时刻t的信号强度向量,si(t),i=1,...,M代表第i条通信链路的信号强度,n(t)代表t时刻的加性高斯白噪声向量,ni(t),i=1,...,M代表第i条通信链路的加性高斯白噪声,M为总链路的条数。
步骤2:计算目标定位阶段和无人阶段每条链路接收信号强度的变化Δr(t)≈|s(t)-s(0)+n(t)-n(0)|≈|s(t)-s(0)|。
步骤3:检测阴影链路:如果Δri(t)≈|si(t)-si(0)|≥rth,则认为第i条链路时阴影链路。
步骤4:根据雷达方程计算定位区域各像素点的权重其中是第i条阴影链路获得的第j个像素点的权重值。Pobj是接收信号的强度,Pt是发射信号,Gt是发生天线增益,Gr是接收天线增益,λ是射频信号的波长,σ是雷达散射截面,r1和r2分别为目标到发射节点天线的距离和目标到接收节点天线的距离。将权重大于设定权重阈值的像素区域认定为目标可能区域
步骤5:将计算得到的所有目标可能目标区域权重进行叠加,获得定位区域的权重地图W=[w1,...,wj,...,wN],其中wj为定位区域权重地图第j个像素的权重值。
步骤6:计算监控区域权重地图的最大权重值,并计算该最大权重值像素点所在的目标可能区域的交点区域,并计算目标位置
步骤7:删除步骤6中用到的目标可能区域,将该目标对应的阴影链路接收信号保存到数据库中,并跟新定位区域权重地图。
步骤8:重复步骤6,7,计算室内其他目标位置。
步骤9:姿态识别指纹库建立阶段,让一个人根据指定的动作运动,并将该时间段接收到的信号做小波变换,得到多尺度分解向量CA3-f,CD3-f,CD2-f,CD1-f。
步骤10:利用主成分分析法处理每种姿态的多尺度分解向量获得vCA3-f,vCD3-f,vCD2-f,vCD1-f
步骤11:姿态识别阶段,每个目标对应的阴影链路的接收信号向量做小波变换后的多尺度分解向量CA3,CD3,CD2,CD1。
步骤12:利用主成分分析法处理小波变换后的多尺度分解向量CA3,CD3,CD2,CD1,获取CA3,CD3,CD2,CD1向量的特征向量vCA3,vCD3,vCD2,vCD1。
步骤13:计算每个目标姿态对应的特征向量与指纹库中姿态对应的特征向量之间的特征差,
Claims (1)
1.一种基于射频信号的室内复杂环境下多目标定位及姿态识别方法,其系统实现包括:无线传感器节点和中央服务器,无线传感器节点采用多跳网络进行通信,安装在室内的墙壁上的无线传感器节点设定为路由节点,路由节点每次互相通信检测到的无线信号强度统一传输到与中央服务器连接的节点,与中央服务器连接的节点,设定为协调器节点,中央服务器用于对接收到的信号进行处理,实现定位并识别人员的姿态,方法如下:
步骤1:接收信号强度向量设定为r(t)=s(t)+n(t),s(t)=[s1(t),...,sM(t)]T,n(t)=[n1(t),....,nM(t)],其中s(t)代表信号在时刻t的信号强度向量,si(t),i=1,...,M代表第i条通信链路的信号强度,n(t)代表t时刻的加性高斯白噪声向量,ni(t),i=1,...,M代表第i条通信链路的加性高斯白噪声,M为总链路的条数;
步骤2:计算目标定位阶段和无人阶段每条链路接收信号强度的变化Δr(t)≈|s(t)-s(0)+n(t)-n(0)|≈|s(t)-s(0)|;
步骤3:检测阴影链路:如果Δri(t)≈|si(t)-si(0)|≥rth,则认为第i条链路时阴影链路;
步骤4:根据雷达方程计算定位区域各像素点的权重其中是第i条阴影链路获得的第j个像素点的权重值;Pobj是接收信号的强度,Pt是发射信号,Gt是发生天线增益,Gr是接收天线增益,λ是射频信号的波长,σ是雷达散射截面,r1和r2分别为目标到发射节点天线的距离和目标到接收节点天线的距离;将权重大于设定权重阈值的像素区域认定为目标可能区域
步骤5:将计算得到的所有目标可能目标区域权重进行叠加,获得定位区域的权重地图W=[w1,...,wj,...,wN],其中wj为定位区域权重地图第j个像素的权重值;
步骤6:计算监控区域权重地图的最大权重值,并计算该最大权重值像素点所在的目标可能区域的交点区域,并计算目标位置
步骤7:删除步骤6中用到的目标可能区域,将该目标对应的阴影链路接收信号保存到数据库中,并跟新定位区域权重地图;
步骤8:重复步骤6,7,计算室内其他目标位置;
步骤9:姿态识别指纹库建立阶段,让一个人根据指定的动作运动,并将该时间段接收到的信号做小波变换,得到多尺度分解向量CA3-f,CD3-f,CD2-f,CD1-f;
步骤10:利用主成分分析法处理每种姿态的多尺度分解向量获得vCA3-f,vCD3-f,vCD2-f,vCD1-f
步骤11:姿态识别阶段,每个目标对应的阴影链路的接收信号向量做小波变换后的多尺度分解向量CA3,CD3,CD2,CD1;
步骤12:利用主成分分析法处理小波变换后的多尺度分解向量CA3,CD3,CD2,CD1,获取CA3,CD3,CD2,CD1向量的特征向量vCA3,vCD3,vCD2,vCD1;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910941783.6A CN110658488A (zh) | 2019-09-30 | 2019-09-30 | 基于射频信号的室内复杂环境下多目标定位及姿态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910941783.6A CN110658488A (zh) | 2019-09-30 | 2019-09-30 | 基于射频信号的室内复杂环境下多目标定位及姿态识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110658488A true CN110658488A (zh) | 2020-01-07 |
Family
ID=69038713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910941783.6A Pending CN110658488A (zh) | 2019-09-30 | 2019-09-30 | 基于射频信号的室内复杂环境下多目标定位及姿态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110658488A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112710305A (zh) * | 2020-12-21 | 2021-04-27 | 北京百度网讯科技有限公司 | 车辆定位方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971108A (zh) * | 2014-05-28 | 2014-08-06 | 北京邮电大学 | 基于无线通信的人体姿态识别方法与装置 |
US20140355389A1 (en) * | 2013-05-29 | 2014-12-04 | Nokia Corporation | Method and apparatus for establishing device communication |
CN106019209A (zh) * | 2016-05-12 | 2016-10-12 | 天津大学 | 基于射频层析成像的室内人员被动式定位方法 |
US20170032354A1 (en) * | 2015-07-27 | 2017-02-02 | Paypal, Inc. | Wireless communication beacon and gesture detection system |
CN109655790A (zh) * | 2018-12-18 | 2019-04-19 | 天津大学 | 基于室内led光源的多目标检测及身份识别系统及方法 |
US20190158340A1 (en) * | 2012-12-05 | 2019-05-23 | Origin Wireless, Inc. | Apparatus, systems and methods for fall-down detection based on a wireless signal |
-
2019
- 2019-09-30 CN CN201910941783.6A patent/CN110658488A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190158340A1 (en) * | 2012-12-05 | 2019-05-23 | Origin Wireless, Inc. | Apparatus, systems and methods for fall-down detection based on a wireless signal |
US20140355389A1 (en) * | 2013-05-29 | 2014-12-04 | Nokia Corporation | Method and apparatus for establishing device communication |
CN103971108A (zh) * | 2014-05-28 | 2014-08-06 | 北京邮电大学 | 基于无线通信的人体姿态识别方法与装置 |
US20170032354A1 (en) * | 2015-07-27 | 2017-02-02 | Paypal, Inc. | Wireless communication beacon and gesture detection system |
CN106019209A (zh) * | 2016-05-12 | 2016-10-12 | 天津大学 | 基于射频层析成像的室内人员被动式定位方法 |
CN109655790A (zh) * | 2018-12-18 | 2019-04-19 | 天津大学 | 基于室内led光源的多目标检测及身份识别系统及方法 |
Non-Patent Citations (8)
Title |
---|
JOEY WILSON AND NEAL PATWARI: "A Fade-Level Skew-Laplace Signal Strength Model for Device-Free Localization with Wireless Networks", 《IEEE TRANSACTIONS ON MOBILE COMPUTING》 * |
SHUAI ZHANG: "An Indoor Localization Method Based on AOA and PDOA Using Virtual Stations in Multipath and NLOS Environments for Passive UHF RFID", 《IEEE ACESS》 * |
刘珩: "基于传感器网络的无线层析成像方法", 《北京理工大学学报》 * |
孙欣尧等: "无线传感网络协同概率多模识别方法", 《通信学报》 * |
尚俊娜等: "基于LQI权重和改进粒子群算法的室内定位方法", 《传感技术学报》 * |
李红春等: "无线传感器网络中基于粒子滤波的人员跟踪方法", 《传感技术学报》 * |
蒋 悦,马永涛: "基于非度量多维标度的室内多标签协同定位算法", 《传感技术学报》 * |
谢仕义等: "无线传感网络中多目标识别与定位系统设计", 《广东海洋大学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112710305A (zh) * | 2020-12-21 | 2021-04-27 | 北京百度网讯科技有限公司 | 车辆定位方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | 6G multisource-information-fusion-based indoor positioning via Gaussian kernel density estimation | |
Sabek et al. | ACE: An accurate and efficient multi-entity device-free WLAN localization system | |
WO2017121168A1 (zh) | 簇式磁场定位的方法、装置和系统 | |
Geng et al. | Indoor tracking with RFID systems | |
Le | Enhanced indoor localization based BLE using Gaussian process regression and improved weighted kNN | |
CN108828519B (zh) | 一种基于机器学习的高精度室内可见光定位方法 | |
Arsan et al. | A Clustering‐Based Approach for Improving the Accuracy of UWB Sensor‐Based Indoor Positioning System | |
CN110426671B (zh) | Wsn中基于模型概率实时修正的imm目标跟踪方法及装置 | |
Tsang et al. | A bluetooth-based indoor positioning system: a simple and rapid approach | |
CN110049441B (zh) | 基于深度集成学习的WiFi室内定位方法 | |
Konings et al. | Improved distance metrics for histogram-based device-free localization | |
Wei et al. | RSSI-based location fingerprint method for RFID indoor positioning: a review | |
Mantoro et al. | Extreme learning machine for user location prediction in mobile environment | |
CN110658488A (zh) | 基于射频信号的室内复杂环境下多目标定位及姿态识别方法 | |
Liu et al. | Novel robust indoor device-free moving-object localization and tracking using machine learning with Kalman filter and smoother | |
Yun et al. | Robust location tracking using a dual layer particle filter | |
Li et al. | HIWL: An unsupervised learning algorithm for indoor wireless localization | |
Dakkak et al. | Multi-layer perceptron neural network and nearest neighbor approaches for indoor localization | |
Longo et al. | Localization and Monitoring System based on BLE Fingerprint Method. | |
Kim | Fast non‐line‐of‐sight receivers conjecturing method in TDOA localisation using obstacle information | |
Safwat et al. | Fingerprint-based indoor positioning system using BLE: real deployment study | |
Chen et al. | Harris hawks optimization algorithm and BP neural network for ultra-wideband indoor positioning | |
Xu et al. | Real-time robust and precise kernel learning for indoor localization under the internet of things | |
Si et al. | Environment-Aware Positioning by Leveraging Unlabeled Crowdsourcing Data | |
Pasha et al. | Enhanced fingerprinting based indoor positioning using machine learning |
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: 20200107 |