CN110852266A - 一种基于无线信号的步态特征提取方法 - Google Patents
一种基于无线信号的步态特征提取方法 Download PDFInfo
- Publication number
- CN110852266A CN110852266A CN201911095061.XA CN201911095061A CN110852266A CN 110852266 A CN110852266 A CN 110852266A CN 201911095061 A CN201911095061 A CN 201911095061A CN 110852266 A CN110852266 A CN 110852266A
- Authority
- CN
- China
- Prior art keywords
- target
- data
- speed
- gait
- motion
- 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
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于无线信号的新型人体步态特征提取方法,涉及无线网络和数字信号处理领域,该方法主要用于人体步态特征的提取。包括以下步骤:步骤1:采集原始信道状态信息(Channel State Information,CSI)数据并计算其幅值序列;步骤2:针对幅值序列进行信号预处理;步骤3:针对噪声最低的数据成分检测目标行走开始的时刻;步骤4:建立反射路径和目标运动之间的几何约束来估计目标速度;步骤5:提取速度曲线中的局部峰值;步骤6:根据步骤5的结果估计步态周期;步骤7:根据两个相邻峰之间的运动距离进行步长估计。
Description
技术领域
本发明涉及无线网络和数字信号处理领域,尤其涉及一种基于无线信号的步态特征提取方法。
背景技术
人体行走是一种典型的人体关节性运动,可以被分解为步态循环中的周期性运动。人体的行走循环包括两个阶段:站姿阶段和摆动阶段。在站姿阶段中,脚的一个脚跟落地和另一个脚趾离地;在摆动阶段,脚加速或减速地抬离地面。分析人体步态的方法可以是视觉分析、传感器测量及运用某种运动学系统测量人体各部分的位移、速度、加速度以及关节的角度。不同的人体运动,如行走、跑步和跳跃,有着不同的运动模式。相对于视觉图像序列,雷达微多普勒特征对距离、光线条件和背景复杂性并不敏感,因此,可用于估计步态的周期性,以及站姿阶段和摆动阶段各自的周期性。
近年来,人体步态识别方法的研究越来越成为无线感知领域中的热点,尤其在公共安全、临床医学、室内安防等领域凸显其重要性,且向更多的领域扩展。如智能家居环境中,通过步态特征判断当前用户是否为合法的目标用户(家庭的主人等)来制定一些个性化的家居使用。现有的步态识别方法大多数是基于雷达检测、摄像头、红外传感器、可穿戴设备等,基于摄像头的方法易受障碍物、光照强度等因素的影响,且隐私性较差;雷达设备价格昂贵不具有通用性,基于可穿戴设备的方法则需要用户主动配合,穿戴设备也会降低便捷性与用于的舒适感;而基于无线信号的步态特征提取方法则较好的弥补了上述缺点,一度成为身份识别、人体检测等相关领域研究的重点。
在此背景下,运用无线通信以及机器学习领域相关的理论知识,研究出一种基于无线信号的步态特征提取方法具有重要的意义。
发明内容
本发明的目的是:提出一种基于无线信号的人体步态特征提取方法,针对现有步态特征提取技术的弱点,解决如何通过信号预处理获取有用的无线信号,并通过建模、参数提取的方式来求解目标运动速度,进而估计人体步态参数。
本发明所述的一种基于无线信号的步态特征提取方法,具体包括以下步骤:
步骤1:使用一对或多对无线设备,对其接收到的CSI数据进行采集并计算其幅值序列。多对无线设备指的是:当有多条无线收发链路时,每条链路上的信道状态信息能够单独测量,且均可以看作是独立的多路信号;
步骤2:针对幅值序列A进行数据预处理,处理流程为:针对幅值序列剔除异常值得到新的幅值序列,针对新的幅值序列进行归一化得到归一化之后的数据,然后进行主成分分析,提取噪声最低的数据成分;
步骤3:针对步骤2所述的第二主成分检测行走开始的时刻。当目标开始行走时,无线信号的幅值会有明显的波动,通过方差的变化来判断目标是否开始行走以及确定开始行走的时刻;
步骤4:通过提取目标运动造成的多普勒频移fB,建立反射路径和目标运动之间的几何约束来估计目标速度;
步骤5:使用一种基于局部回归思想的峰值识别算法,用于检测速度相关曲线第一个局部峰值的位置,实现峰值定位。但在实际场景中,由于环境噪声的影响,部分潜在的峰值点容易被忽略导致定位结果存在误差,解决此问题的方法为:设置一个长度为2L+1的滑动窗口,其中L为期望的局部峰值的宽度,然后分别对窗内数据进行线性回归和二次回归,来验证窗内是否存在潜在的局部峰值。
(1)若没有潜在的局部峰值则定义峰值概率系数αn:
其中,SSEr为二次回归误差平方和,SSE为线性回归误差平方和,αn表征了窗口内出现峰值的可能性的度量,当L足够小且窗口内只存在一个局部峰值时,可直接从拟合的二次曲线得到局部峰值的位置。
(2)若出现潜在的局部峰值则在当前窗口内重复进行步骤5操作,在局部峰值集合中选则αn较大的点作为当前窗内的局部峰值点。
步骤6:将每两个峰值之间的时间间隔作为目标的步态周期;
所述步骤2中使用异常值剔除的具体方法为:局部异常因子检测(Local OutlierFactor,LOF),该方法是基于密度的聚类,具体实现方法如下:某点P的局部可达密度表示为:
如果这个比值越接近1,说明P点与其邻域点密度差不多,P可能和邻域属同一簇;若比值小于1,说明P的密度高于邻域点密度,P为中心密集点;比值越大于1,说明P的密度小于其邻域点密度,P点是异常点的可能性越大。
reach-distk(p,o)=d(p,o)(4)
d(p,o)为点P与点O之间的距离,对于点P的第K距离dk(p)定义如下:
dk(p)=d(p,o),并且满足:在集合中至少有不包括P在内的K点o'∈C{x≠p},满足d(p,o')≤d(p,o);
1)在集合中最多有不包括P在内的K-1个点o'∈C{x≠p},满足d(p,o')≤d(p,o);
|Nk(p)|为点P的第K邻域距离,即P的第K距离及以内所有的点,包括第K距离;
遍历步骤1所述的幅值序列之后,将检测到的异常值用均值代替。
所述使用PCA的具体方法为:对归一化之后的幅值序列求每一个子载波的样本均值N,然后计算样本均值的协方差矩阵的转置H,用样本均值减去H得到预处理后的测量矩阵X,X与其自身转置相乘得到协方差矩阵C,对C进行特征值分解获取其特征值与特征向量V,测量矩阵X与特征向量V相乘得到信号的各个PCA成分。
所述步骤4中提取多普勒频移的方法为对预处理之后的数据求取信号的功率值来进行时频分析获取不同频率上的信号功率,时频分析方法有短时傅里叶变换(Short-timeFourier Transformation,STFT)和离散小波变换(Discrete Wavelet Transform);
反射路径和目标运动之间的几何关系建模如下:
其中,β表示反射路径所构成的夹角,δ运动方向与β的角平分线之间的夹角, vp表示反射路径长度变化率,vx、vy分别表示目标移动速度V在水平方向和垂直方向的分量,θ1为发射机到目标的传播路径与水平方向的夹角,θ2为目标到接收机的路与水平方向的夹角。联立多条收发链路上的方程联合估计用户速度的最优解:
Vopt=(ATA)-1ATvp (8)
所述步骤5中峰值定位方法为:针对步骤4中所提取的速度曲线,寻找曲线上所有的局部极值点和全局最值点,计算极小值与极大值之间的差值并根据差值的分布情况人为设定一个经验阈值,将低于阈值的极值舍去,并将局部极大值的位置作为峰值位置,实现峰值定位。为了找到实际场景中环境噪声引起的潜在峰值点,设置一个长度为2L+1的滑动窗口,其中L为期望的局部峰值的宽度,然后分别对窗内数据进行线性回归和二次回归,来验证窗内是否存在潜在的局部峰值。
本发明的有益效果:针对现有人体步态特征提取技术的缺陷以及实验环境的局限性,提出通过数学建模的方法获取目标运动的速度信息,并通过速度曲线的峰值定位来实现目标步态周期等特征提取。其有益效果在于,在实际的家居环境中,目标的运动方向是不可知的,建立目标运动学方程的方法其优势在于:目标开始行走的方向是不受限制的,但行走过程中目标运动方向不变,因为该方法只需要目标运动2到3步即可检测出步态信息,符合实际应用场景,而在现有系统当中,则需要固定目标开始行走的方向来进行速度估计。
附图说明
图1为本发明的一个应用场景;
图2为本发明步骤1至步骤7的流程图;
图3为本发明步骤4中速度估计的几何约束模型;
图4为本发明步骤4中速度估计的示意图;
图5为本发明步骤6中不同目标步态周期估计的结果对比;
具体实施方式
以下结合附图和具体实例对本发明作进一步详细说明。
该方法基于人体运动会对无线信号链路造成干扰这一事实,采用搭载Intel5300网卡的普通商用无线设备实现对人体走动过程中步态特征的提取。
采集原始CSI数据并计算幅值序列,针对幅值进行预处理之后,利用处理后的信号的方差波动情况来检测目标开始行走的时刻,然后计算信号的功率,通过建立目标的运动方程并使用信号的功率来求解运动速度,对速度曲线进行峰值搜索确定其局部极大值的位置作为等值位置,进而估算目标的步态周期以及步长等特征。
进一步地,所述时频分析的方法为针对幅值序列进行短时傅里叶变换或离散小波变换。
进一步地,所述建立运动方程,需联立多链路寻找速度的最优解,本发明中实验采取双链路联合求解。
进一步地,所述步态周期求解过程中,使用每两个相邻峰之间的时间间隔作为一个步态周期,每两个相邻峰之间的运动距离作为目标的步长。
图1是本发明的一个实际应用场景,图中所示包含了无线发射机、无线接收机,目标运动过程中方向不变,速度保持正常的行走速度。无线发射机采用搭载Intel 5300网卡的miniPC,装有1根天线;接收机采用搭载同型号网卡的笔记本电脑,装有3根天线。场景中发射机所辐射的电磁波可以通过两条路径到达接收机:LOS路径是直达路径,NLOS路径是反射路径,当目标从位置X运动至位置Y时,反射路径会随着时间不断变化,从而造成无线接收器接收到的信号CSI不断变化。在接收机处获取CSI数据并进行分析,数据采集过程中,不需要对设备进行任何特殊的改造,只要能够搭载上述网卡的无线设备均可用于本发明。
图2是本发明的实施流程。首先采集原始的CSI数据,计算幅值序列并对其进行数据预处理操作,针对预处理之后的信号检测行走开始的时刻,以确定该数据段是否可用;其次进行步态特征提取,本发明所述步态特征包括:目标速度、速度峰值、步态周期、步长。
图3目标运动过程的几何约束模型,假设目标从位置X运动到位置Y,经历时间为t,θ1为发射机到目标的传播路径与基线的夹角,θ2为目标到接收机的路径与基线的夹角。则反射路径长度变化为:
其中,vx、vy分别表示目标移动速度V在水平方向和垂直方向的分量。令发射机位置为(xT,yT),接收机位置为(xR,yR),目标位置为(xH,yH)。公式(2)中:
图4为利用双链路进行速度估计的示意图,当目标在以收发两端为两个焦点的椭圆上移动时,根据椭圆性质可知目标反射路径长度保持不变。此外,当目标从某一椭圆上移动到离心率不同的另一个椭圆上的任意一点时路径长度变化率相同,但目标到达不同点的移动速度不同。在相同时间内当目标从椭圆a上的一点分别以速度v1、v2移动到焦点相同的另一个椭圆b时,造成的路径长度变化率相同。因此,根据路径长度变化率只能确定目标移动速度的法向速度,法线速度确定时由于缺乏径向速度,不能准确的估计出移动速度。
当增加链路时可得到目标在不同椭圆上的法线速度,联合多个法线速度则可估计出真实的移动速度。从图中可以看出两台接收机能得到两条链路对应的法线速度,由于接收机位置不同则可根据对应的法线速度确定两个不同的椭圆,两个椭圆的交点是目标运动的终点,沿该轨迹移动的速度则是目标移动的真实速度。结合多链路数据,可估计用户速度的最优解:
Vopt=(ATA)-1ATvp (3)
图5为步态周期估计的结果图,通过分析步骤4中目标运动过程的时频分析,以短时傅里叶变换为时频分析工具,借鉴多普勒雷达中的的谱图概念,我们可以从谱图中提取出人的步态模式。从频谱图中可以观察到不同身体部位的运动速度变化,如躯干的反射面积比其它身体部位大,从躯干反射回来的能量信号是频谱中能量最强的成分,可以看出躯干的运动速度有规律的波动,大约每秒两次,在多普勒雷达中也观察到了这中躯干速度的波动规律。基于这些规律性的波动,可以从频谱图中提取有关行走模式的有用信息,如速度变化规律以及步态周期等特征。然后计算目标行走过程中的速度变化规律的自相关值,可得到步态周期的估计结果:曲线的相邻两个峰之间所对应的的时间τ的2倍。从图中可以得出,测试者A的步态周期约为1.36s,经验证与实际情况相符。
Claims (2)
1.一种基于无线信号的步态特征提取方法,其特征在于:使用一对或多对搭载Intel5300网卡的普通商业WiFi设备采集原始CSI数据,使用CSI的幅值序列作为系统的输入并对其进行数据预处理,从预处理之后的数据中提取出运动速度、步态周期、步长等与人体步态相关的特征;它包括具体步骤为:
步骤1:使用一对或多对无线设备,对其接收到的CSI数据进行采集并计算其幅值序列。多对无线设备指的是:当有多条无线收发链路时,每条链路上的信道状态信息能够单独测量,且均可以看作是独立的多路信号;
步骤2:针对幅值序列A进行数据预处理,处理流程为:针对幅值序列剔除异常值得到新的幅值序列,针对新的幅值序列进行归一化得到归一化之后的数据,然后进行主成分分析,提取噪声最低的数据成分;
步骤3:针对步骤2所述噪声最低的数据成分检测行走开始的时刻。当目标开始行走时,无线信号的幅值会有明显的波动,通过方差的变化来判断目标是否开始行走以及确定开始行走的时刻;
步骤4:通过提取目标运动造成的多普勒频移fB,建立反射路径和目标运动之间的几何约束来估计目标速度;
步骤5:使用一种基于局部回归思想的峰值识别算法,用于检测速度相关曲线第一个局部峰值的位置,实现峰值定位,同时设置滑动窗口对窗内数据进行线性回归和二次回归,来验证窗内是否存在潜在的局部峰值。
步骤6:将每两个峰值之间的时间间隔作为目标的步态周期;
步骤7:根据两个相邻峰之间的运动距离进行步长估计。
2.根据权利要求1所述的一种基于无线信号的步态特征提取方法,其特征在于:所述步骤4中提取多普勒频移的方法为对预处理之后的数据求取信号的功率值来进行时频分析获取不同频率上的信号功率,时频分析方法有短时傅里叶变换(Short-time FourierTransformation,STFT)和离散小波变换(Discrete Wavelet Transform);
反射路径和目标运动之间的几何关系建模如下:
其中,β表示反射路径所构成的夹角,δ运动方向与β的角平分线之间的夹角, vp表示反射路径长度变化率,vx、vy分别表示目标移动速度V在水平方向和垂直方向的分量,θ1为发射机到目标的传播路径与水平方向的夹角,θ2为目标到接收机的路径与水平方向的夹角。联立多条收发链路上的方程联合估计用户速度的最优解:
Vopt=(ATA)-1ATvp (7)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911095061.XA CN110852266A (zh) | 2019-11-11 | 2019-11-11 | 一种基于无线信号的步态特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911095061.XA CN110852266A (zh) | 2019-11-11 | 2019-11-11 | 一种基于无线信号的步态特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110852266A true CN110852266A (zh) | 2020-02-28 |
Family
ID=69601305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911095061.XA Pending CN110852266A (zh) | 2019-11-11 | 2019-11-11 | 一种基于无线信号的步态特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110852266A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753678A (zh) * | 2020-06-10 | 2020-10-09 | 西北工业大学 | 基于超声波的多设备协同步态感知与身份识别方法 |
CN113311184A (zh) * | 2021-05-31 | 2021-08-27 | 南京润楠医疗电子研究院有限公司 | 一种基于无线信号的步态速度和步幅提取方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101710363A (zh) * | 2008-09-12 | 2010-05-19 | 霍夫曼-拉罗奇有限公司 | 通过无方程算法判定实时pcr拐点 |
CN104951757A (zh) * | 2015-06-10 | 2015-09-30 | 南京大学 | 一种基于无线信号的动作检测和识别的方法 |
CN109073389A (zh) * | 2016-04-14 | 2018-12-21 | 欧利景无线有限公司 | 用于物体跟踪的方法、装置、服务器和系统 |
CN109474890A (zh) * | 2018-12-19 | 2019-03-15 | 重庆邮电大学 | 一种基于WiFi多普勒频移的室内目标被动跟踪方法 |
CN109581303A (zh) * | 2018-12-04 | 2019-04-05 | 重庆邮电大学 | 一种基于Wi-Fi穿墙雷达的干扰抑制方法 |
CN109657572A (zh) * | 2018-12-04 | 2019-04-19 | 重庆邮电大学 | 一种基于Wi-Fi的墙后目标行为识别方法 |
EP3492945A1 (en) * | 2017-12-01 | 2019-06-05 | Origin Wireless, Inc. | Method, apparatus, and system for periodic motion detection and monitoring |
-
2019
- 2019-11-11 CN CN201911095061.XA patent/CN110852266A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101710363A (zh) * | 2008-09-12 | 2010-05-19 | 霍夫曼-拉罗奇有限公司 | 通过无方程算法判定实时pcr拐点 |
CN104951757A (zh) * | 2015-06-10 | 2015-09-30 | 南京大学 | 一种基于无线信号的动作检测和识别的方法 |
CN109073389A (zh) * | 2016-04-14 | 2018-12-21 | 欧利景无线有限公司 | 用于物体跟踪的方法、装置、服务器和系统 |
EP3492945A1 (en) * | 2017-12-01 | 2019-06-05 | Origin Wireless, Inc. | Method, apparatus, and system for periodic motion detection and monitoring |
CN109581303A (zh) * | 2018-12-04 | 2019-04-05 | 重庆邮电大学 | 一种基于Wi-Fi穿墙雷达的干扰抑制方法 |
CN109657572A (zh) * | 2018-12-04 | 2019-04-19 | 重庆邮电大学 | 一种基于Wi-Fi的墙后目标行为识别方法 |
CN109474890A (zh) * | 2018-12-19 | 2019-03-15 | 重庆邮电大学 | 一种基于WiFi多普勒频移的室内目标被动跟踪方法 |
Non-Patent Citations (6)
Title |
---|
AKARSH POKKUNURU等: ""NeuralWave: Gait-Based User Identification Through Commodity WiFi and Deep Learning"", 《IECON 2018 - 44TH ANNUAL CONFERENCE OF THE IEEE INDUSTRIAL ELECTRONICS SOCIETY》 * |
余星达: ""基于WiFi感知技术的身份识别方法研究"", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
刘尚清: ""基于WiFi信道状态信息多人室内环境监控系统的设计与实现"", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
周雨萌: ""基于卡尔曼滤波和K-means++算法的内河航标漂移特性研究"", 《武汉理工大学学报(交通科学与工程版)》 * |
张恭锥: ""WiFi环境下基于步态特征的身份识别算法研究"", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
沈连腾等: "利用频谱峰值特征的窄带频谱感知方法", 《西安交通大学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753678A (zh) * | 2020-06-10 | 2020-10-09 | 西北工业大学 | 基于超声波的多设备协同步态感知与身份识别方法 |
CN113311184A (zh) * | 2021-05-31 | 2021-08-27 | 南京润楠医疗电子研究院有限公司 | 一种基于无线信号的步态速度和步幅提取方法 |
CN113311184B (zh) * | 2021-05-31 | 2024-02-02 | 南京润楠医疗电子研究院有限公司 | 一种基于无线信号的步态速度和步幅提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | The promise of radio analytics: A future paradigm of wireless positioning, tracking, and sensing | |
Qian et al. | Widar2. 0: Passive human tracking with a single Wi-Fi link | |
Zou et al. | Wifi-based human identification via convex tensor shapelet learning | |
US10912493B2 (en) | Sensor and method | |
Wang et al. | Gait recognition using wifi signals | |
Xu et al. | WiStep: Device-free step counting with WiFi signals | |
CN106412839B (zh) | 基于二级分区与指纹梯度匹配的室内定位与跟踪方法 | |
Geisheimer et al. | A continuous-wave (CW) radar for gait analysis | |
US10901069B2 (en) | Activity recognition system and activity recognition method | |
CN103048654B (zh) | 雷达传感器和使用所述雷达传感器检测对象的方法 | |
CN102131290B (zh) | 基于自相关滤波的wlan室内邻近匹配定位方法 | |
CN106772219A (zh) | 基于csi信号的室内定位方法 | |
CN106154222A (zh) | 一种利用无线电射频信号检测人的行走方向的方法 | |
CN109711251B (zh) | 一种基于商用Wi-Fi的方向独立的步态识别方法 | |
US10928496B2 (en) | Sensor and method for estimating position of living body | |
CN110991559B (zh) | 一种室内人员行为非接触式协同感知方法 | |
CN110852266A (zh) | 一种基于无线信号的步态特征提取方法 | |
US20220214421A1 (en) | Estimation device, estimation method, and recording medium | |
CN113341392B (zh) | 一种基于多站雷达微多普勒运动测向的人体行为分类方法 | |
CN114757224A (zh) | 一种基于持续学习和联合特征提取的特定辐射源识别方法 | |
CN113253227B (zh) | 一种基于simo多普勒雷达的弱约束步态轨迹处理方法 | |
CN105738866B (zh) | 一种基于能量检测的60GHz非视距识别与无线指纹定位方法 | |
Sun et al. | Moving target localization and activity/gesture recognition for indoor radio frequency sensing applications | |
KR100857248B1 (ko) | 이동체 위치 정보를 생성하는 장치 및 방법과 이동체위치를 인식하는 장치 및 방법 | |
Fan et al. | Single-site indoor fingerprint localization based on MIMO-CSI |
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: 20200228 |
|
WD01 | Invention patent application deemed withdrawn after publication |