CN112153736A - 一种基于信道状态信息的人员动作识别和位置估计方法 - Google Patents
一种基于信道状态信息的人员动作识别和位置估计方法 Download PDFInfo
- Publication number
- CN112153736A CN112153736A CN202010959523.4A CN202010959523A CN112153736A CN 112153736 A CN112153736 A CN 112153736A CN 202010959523 A CN202010959523 A CN 202010959523A CN 112153736 A CN112153736 A CN 112153736A
- Authority
- CN
- China
- Prior art keywords
- channel state
- state information
- action
- csi
- matrix
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明揭示了一种基于信道状态信息的人员动作识别和位置估计方法。离线阶段,利用目标在不同参考位置点上进行不同的动作,接收WiFi信号的CSI;然后根据CSI测量值幅度的时域,空域和频域信息构建CSI图像,形成关联CSI图像的动作识别训练数据集和位置估计训练数据集;最后利用卷积神经网络CNN进行基于动作的分类学习,得到动作分类模型;使用CNN提取CSI图像两轴位置上的深度特征信息,利用支持向量机SVM进行回归学习,分别得到基于两轴位置的回归函数。在线阶段,将接收到的CSI测量值构建CSI图像,利用动作分类模型估计目标动作;同时提取CSI图像两轴位置上的深度特征信息,利用回归函数计算出目标位置。本方法定位精度和动作识别率高,结构简单且成本低。
Description
技术领域
本发明涉及一种定位识别技术,尤其涉及一种利用Wifi信号的信道状态信息、通过机器学习实现在无设备条件下,进行目标动作识别和位置估计的方法。
背景技术
人员的位置和状态估计在日常生活中得到了各种应用,如老年人监测,人员追踪,病房预警等,已经引起了学术界和工业界的广泛关注。传统的人员状态和位置估计的实现要么采用穿戴设备的方法,要么依靠摄像头。但是这两类方法都存在一定的应用限制。需要穿戴设备的方法大多需要用到内置无线传感器的设备,这些设备不仅价格昂贵,而且在一些场合下不方便佩戴;而依靠摄像头的方法需要依靠像光照这样的条件,而且存在摄像的死角。
近年来,无线网络开始广泛部署,使得无线相关技术开始迅速发展。研究表明,无线网络不仅可以用来传输数据,还可以对周围环境的变化进行感知,如人员检测、室内定位、室内寻迹等。利用无线信号的信道状态信息对人体动作进行识别逐渐引起研究人员的广泛关注。由于复杂背景环境的干扰,通常情况下,发射端的无线信号不会沿视距路径到达接收端,而是经由人体、家具及其他障碍物的反射、散射、衍射等多条路径传播。在接收端得到的多径叠加的信号就会携带反映环境的特征信息。与传统接收信号强度不同,信道状态信息是从无线链路接收到的分组中测量每个正交频分复用子载波,因而信道状态信息在短时间内的变化幅度要比接收信号强度小的多,而且其所含的信息更加丰富。
发明内容
本发明的目的旨在提出一种基于信道状态信息的人员动作识别和位置估计方法,通过深度学习实现无新增设备下的高精度定位,准确识别动作。
本发明解决上述问题所采用的技术方案为:一种基于信道状态信息的人员动作识别和位置估计方法,其特征在于:所述方法主体分为离线阶段和在现阶段,其中离线阶段包括:
步骤S1、基于预设的参考位置点和预设动作,在接收端采集Wifi信号的信道状态信息,构建信道状态信息图像,并构建基于动作识别和位置估计的训练数据集合;
步骤S2、利用卷积神经网络进行基于动作的分类学习,得到基于动作的分类模型;
步骤S3、利用卷积神经网络提取信道状态信息图像在X轴位置、Y轴位置上的深度特征信息,然后利用支持向量机进行回归学习,分别得到基于X轴和Y轴位置坐标的回归函数;
在现阶段包括:
步骤S4、将接收端接收Wifi信号所得的信道状态信息,按照与离线阶段步骤S1相同的方法,构建实时的信道状态信息图像;
步骤S5、将步骤S4所得的信道状态信息图像作为输入,带入到离线阶段步骤S2所得的分类模型中,估计目标动作;
步骤S6、利用卷积神经网络分别提取步骤S4所得的信道状态信息图像中基于X轴位置、Y轴位置的深度特征信息,并通过带入对应的回归函数,估计目标X轴位置和Y轴位置。
上述基于信道状态信息的人员动作识别和位置估计方法,进一步地,离线阶段步骤S1中采集Wifi信号的信道状态信息之前,还包括在实验场景中布置两个以上的接收端、密度分布的若干个参考位置点和预设两种以上人员动作,步骤S1中利用接收端采集Wifi信号基于各参考位置点和各种预设动作的信道状态信息。
上述基于信道状态信息的人员动作识别和位置估计方法,进一步地,离线阶段步骤S1中构建基于动作识别和位置估计的训练数据集合的过程为:利用所对应的参考位置点的坐标作为训练样本的位置标签,构建包含信道状态信息图像和位置标签的位置估计训练数据集合;以所对应的动作为训练样本的动作标签,构建包含信道状态信息图像和动作标签的动作识别训练数据集合。
与现有技术相比,本发明具有突出的实质性特点和显著的进步性,其有益效果体现为:
1、利用Wifi 信号的信道状态信息结合估计目标的动作和位置,能够充分利用应用场景下已有设备,从而提高了方法的实用性和便捷性,优化成本。
2、利用CSI测量值幅度的时域,空域和频域信息构建CSI图像,能够充分利用CSI测量值信息来描述训练数据的指纹信息;同时利用不同天线之间的CSI幅值差预处理来降低噪声对CSI图像的影响,从而描述正确充分的CSI图像能够提升离线学习性能,提升在线阶段的输出效果。
附图说明
图1是本发明方法的详细流程图。
图2是本发明方法优选实施例的实验场景示意图。
图3是本发明方法在一个位置、一个动作的CSI图像。
图4是本发明方法在图3相同位置、另一个动作的CSI图像。
图5是本发明方法在另一个位置、另一个动作的CSI图像。
图6是本发明方法在又一个位置、图5相同动作的CSI图像。
图7是本发明离线阶段动作分类学习中采用的CNN结构示意图。
图8是本发明方法动作识别的性能示意图。
图9是本发明方法位置估计的性能示意图。
具体实施方式
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。当然,所描述的实施例仅仅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做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明创新提出了一种基于信道状态信息的人员动作识别和位置估计方法。如图1所示的流程图,其概括的过程描述主体分为离线阶段和在现阶段。其中离线阶段包括:步骤S1、基于预设的参考位置点和预设动作,在接收端采集Wifi信号的信道状态信息,构建信道状态信息图像,并构建基于动作识别和位置估计的训练数据集合;步骤S2、利用卷积神经网络进行基于动作的分类学习,得到基于动作的分类模型;步骤S3、利用卷积神经网络提取信道状态信息图像在X轴位置、Y轴位置上的深度特征信息,然后利用支持向量机进行回归学习,分别得到基于X轴和Y轴位置坐标的回归函数。
且在线阶段包括:步骤S4、将接收端接收Wifi信号所得的信道状态信息,按照与离线阶段步骤S1相同的方法,构建实时的信道状态信息图像;步骤S5、将步骤S4所得的信道状态信息图像作为输入,带入到离线阶段步骤S2所得的分类模型中,估计目标动作;步骤S6、利用卷积神经网络(以下简称CNN)分别提取步骤S4所得的信道状态信息图像中基于X轴位置、Y轴位置的深度特征信息,并通过带入对应的回归函数,估计目标X轴位置和Y轴位置。
为更清楚地理解上述方案的可实现性并理解其创新核心,以下分步骤详细阐述。首先从离线阶段来看,步骤S1主要包括如下过程。
在如图2所示的实验场景中,布置两个以上的接收端、密度分布的若干个参考位置点和预设两种以上人员动作。图中接收端为分布在三个不同方向上的电脑,而Wifi信号的发射天线则对应图中的各路由器,参考位置点对应图中阵列状分布的各个圆点,且各个圆点在该场景中具有唯一对应的位置坐标。此外,人员动作更具有多样性,至少包括蹲下、跌倒、行走、伸手、弯腰、跳跃等。由此,则步骤S1的第一阶段中,使人员在不同参考位置点上、做出不同的动作,同时利用各接收端采集Wifi信号基于各参考位置点和各种预设动作的信道状态信息(以下简称CSI测量值)。根据以下步骤S1的第二阶段具体描述所得的CSI图像,如图3和图4所示,描述了同一位置下不同动作的CSI图像,而如图5和图6所示,则描述了同一动作在不同位置下的CSI图像,可见,不同位置或不同动作下的CSI图像存在明显差别,因此可以用来进行动作识别和位置估计。
步骤S1的第二阶段中,根据CSI测量值的幅度信息,利用CSI的时域,空域和频域构建CSI图像,作为训练样本的指纹。具体包括如下细节:步骤S11、构造第一个发射信号在接收端的CSI幅度测量值矩阵,对于第一个接收数据包,以每个接收天线接收的CSI幅度测量值作为矩阵的每一行,得到对应矩阵的维数表示为,其中为接收天线数目,为提取的CSI幅度测量值子载波数目。
步骤S12、CSI幅度差预处理,在步骤S11所得矩阵中,以任意一个接收天线的CSI幅度测量值为参考值,对矩阵中每一行都减去参考值,并删除矩阵中的全零行,得到基于第一个接收数据包下、基于第一个发射信号的CSI幅度差矩阵,维数表示为。
步骤S13、对每一个发射信号重复步骤S11和步骤S12的相同操作,得到每个发射信号在第一个接收数据包下的CSI幅度差矩阵,然后将所有该些CSI幅度差矩阵进行基于行的矩阵合并操作,得到在第一个接收数据包下的CSI幅度差矩阵,维数表示为,其中为发射天线数目。
步骤S14、对除第一个接收数据包外的每个接收数据包重复步骤S11、S12、S13的相同操作,得到每个接收数据包下全部发射信号的CSI幅度差矩阵;再将所有该些CSI幅度差矩阵进行基于行的矩阵合并操作,得到全部接收数据包和发射信号的CSI幅度差矩阵。
步骤S15、利用计算机图像渲染技术对步骤S14所得到的CSI幅度差矩阵进行图像渲染,由此得到CSI图像。
步骤S1的第三阶段中,构建基于动作识别和位置估计的训练数据集合。其具体操作过程为:利用所对应的参考位置点的坐标作为训练样本的位置标签,构建包含信道状态信息图像和位置标签的位置估计训练数据集合(CSI图像,位置标签);以所对应的动作为训练样本的动作标签,构建包含信道状态信息图像和动作标签的动作识别训练数据集合(CSI图像,动作标签)。
步骤S2来看,由于深度学习相关的技术方案已有较多公开,故本申请省略原理及具体的学习过程。如图7所示,描述了本发明在离线阶段基于动作的分类学习中所采用的CNN结构示意图。其中每一层的具体参数如下:
第一层卷积层,卷积核大小为5*5,个数为8;第二层池化层,其大小为2*2,个数为8;第三层卷积层,卷积核大小为5*5,个数为16;第四层池化层,其大小为2*2,个数为16;第五层卷积层,卷积核大小为3*3,个数为16;第六层池化层,其大小为2*2,个数为16;第七层卷积层,卷积核大小为3*3,个数为16;第八层池化层,其大小为2*2,个数为16;第九层全连接层,神经元个数为576;第十层全连接层,神经元个数为512;最后一层输出层。
再从步骤S3离线位置估计来看,同样利用图7所描述的CNN提取CSI图像中基于X轴位置、Y轴位置上的深度特征信息,然后利用支持向量机分别对X轴和Y轴的位置进行回归学习,分别得到基于X轴和Y轴位置坐标的回归函数。具体包括如下细节:步骤S31、将步骤S1中所述位置估计的训练数据集合分割成为关联X轴坐标的第一训练数据集(CSI图像,X轴坐标)和关联Y轴坐标的第二训练数据集(CSI图像,Y轴坐标)。
步骤S32、基于X轴坐标的回归学习,利用卷积神经网络提取第一训练数据集中信道状态信息图像的深度特征信息,利用支持向量机进行回归学习,获得基于X轴坐标的第一回归函数。
步骤S33、基于Y轴坐标的回归学习,利用卷积神经网络提取第二训练数据集中信道状态信息图像的深度特征信息,利用支持向量机进行回归学习,获得基于Y轴坐标的第二回归函数。
在回归算法中,本实施例优选采用RBF核函数,且该核函数的参数设置为0.001。需要说明的是,回归学习不限于以上优选的一种核函数,其它可适用于定位的回归函数均可适用。
在线阶段主要利用了离线阶段所得的动作分类模型和回归函数,分别对在线接收到的CSI测量值构建CSI图像,并利用动作分类模型估计目标动作;利用回归函数计算出目标位置(包括X轴坐标和Y轴坐标),省略详述。
如图8描述了本发明方法的动作识别的性能,如图9描述了本发明方法的位置估计的性能。从图示可见,训练样本越多,动作识别和位置估计的效果就越好。因此,训练样本的数量对所提取算法的性能有很大的影响。当训练样本数量只有4750张图片时,动作识别的准确率能达到95.33%。另外,从图9所示的累积分布函数可以看出,在训练样本数目为3750张图片时,其中67%处的位置估计误差只有0.997m,95%处的位置估计误差只有2.277m。
综上结合实施例及其图示的详细描述可见,本发明较之于现有方案具有突出的实质性特点和显著的进步性,其有益效果体现为:
1、利用Wifi 信号的信道状态信息结合估计目标的动作和位置,能够充分利用应用场景下已有设备,从而提高了方法的实用性和便捷性,优化成本。
2、利用CSI测量值幅度的时域,空域和频域信息构建CSI图像,能够充分利用CSI测量值信息来描述训练数据的指纹信息;同时利用不同天线之间的CSI幅值差预处理来降低噪声对CSI图像的影响,从而描述正确充分的CSI图像能够提升离线学习性能,提升在线阶段的输出效果。
Claims (5)
1.一种基于信道状态信息的人员动作识别和位置估计方法,其特征在于:所述方法主体分为离线阶段和在现阶段,其中离线阶段包括:
步骤S1、基于预设的参考位置点和预设动作,在接收端采集Wifi信号的信道状态信息,构建信道状态信息图像,并构建基于动作识别和位置估计的训练数据集合;
步骤S2、利用卷积神经网络进行基于动作的分类学习,得到基于动作的分类模型;
步骤S3、利用卷积神经网络提取信道状态信息图像在X轴位置、Y轴位置上的深度特征信息,然后利用支持向量机进行回归学习,分别得到基于X轴和Y轴位置坐标的回归函数;
在现阶段包括:
步骤S4、将接收端接收Wifi信号所得的信道状态信息,按照与离线阶段步骤S1相同的方法,构建实时的信道状态信息图像;
步骤S5、将步骤S4所得的信道状态信息图像作为输入,带入到离线阶段步骤S2所得的分类模型中,估计目标动作;
步骤S6、利用卷积神经网络分别提取步骤S4所得的信道状态信息图像中基于X轴位置、Y轴位置的深度特征信息,并通过带入对应的回归函数,估计目标X轴位置和Y轴位置。
2.根据权利要求1所述基于信道状态信息的人员动作识别和位置估计方法,其特征在于离线阶段步骤S1中采集Wifi信号的信道状态信息之前,还包括在实验场景中布置两个以上的接收端、密度分布的若干个参考位置点和预设两种以上人员动作,步骤S1中利用接收端采集Wifi信号基于各参考位置点和各种预设动作的信道状态信息。
3.根据权利要求1所述基于信道状态信息的人员动作识别和位置估计方法,其特征在于离线阶段步骤S1中构建信道状态信息图像的过程包括:
步骤S11、构造第一个发射信号在接收端的信道状态信息幅度测量值矩阵,对于第一个接收数据包,以每个接收天线接收的信道状态信息幅度测量值作为矩阵的每一行,得到对应矩阵的维数表示为,其中为接收天线数目,为提取的信道状态信息幅度测量值子载波数目;
步骤S12、信道状态信息幅度差预处理,在步骤S11所得矩阵中,以任意一个接收天线的信道状态信息幅度测量值为参考值,对矩阵中每一行都减去参考值,并删除矩阵中的全零行,得到基于第一个接收数据包下、基于第一个发射信号的信道状态信息幅度差矩阵,维数表示为;
步骤S13、对每一个发射信号重复步骤S11和步骤S12的相同操作,得到每个发射信号在第一个接收数据包下的信道状态信息幅度差矩阵,然后进行基于行的矩阵合并操作,得到在第一个接收数据包下的信道状态信息幅度差矩阵,维数表示为,其中为发射天线数目;
步骤S14、对除第一个接收数据包外的每个接收数据包重复步骤S11、S12、S13的相同操作,得到每个接收数据包下全部发射信号的信道状态信息幅度差矩阵;再进行基于行的矩阵合并操作,得到全部接收数据包和发射信号的信道状态信息幅度差矩阵;
步骤S15、对步骤S14所得到的信道状态信息幅度差矩阵进行图像渲染,得到信道状态信息图像。
4.根据权利要求1所述基于信道状态信息的人员动作识别和位置估计方法,其特征在于离线阶段步骤S1中构建基于动作识别和位置估计的训练数据集合的过程为:利用所对应的参考位置点的坐标作为训练样本的位置标签,构建包含信道状态信息图像和位置标签的位置估计训练数据集合;以所对应的动作为训练样本的动作标签,构建包含信道状态信息图像和动作标签的动作识别训练数据集合。
5.根据权利要求1所述基于信道状态信息的人员动作识别和位置估计方法,其特征在于离线阶段步骤S3中回归学习的过程包括:
步骤S31、将步骤S1中所述位置估计的训练数据集合分割成为关联X轴坐标的第一训练数据集和关联Y轴坐标的第二训练数据集;
步骤S32、利用卷积神经网络提取第一训练数据集中信道状态信息图像的深度特征信息,利用支持向量机进行回归学习,获得基于X轴坐标的第一回归函数;
步骤S33、利用卷积神经网络提取第二训练数据集中信道状态信息图像的深度特征信息,利用支持向量机进行回归学习,获得基于Y轴坐标的第二回归函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010959523.4A CN112153736B (zh) | 2020-09-14 | 2020-09-14 | 一种基于信道状态信息的人员动作识别和位置估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010959523.4A CN112153736B (zh) | 2020-09-14 | 2020-09-14 | 一种基于信道状态信息的人员动作识别和位置估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112153736A true CN112153736A (zh) | 2020-12-29 |
CN112153736B CN112153736B (zh) | 2022-07-26 |
Family
ID=73892646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010959523.4A Active CN112153736B (zh) | 2020-09-14 | 2020-09-14 | 一种基于信道状态信息的人员动作识别和位置估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112153736B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113225144A (zh) * | 2021-05-07 | 2021-08-06 | 南京邮电大学 | 一种基于信道状态信息分解的无线感知方法 |
CN113255745A (zh) * | 2021-05-13 | 2021-08-13 | 南京邮电大学 | 一种基于局部保留投影法的信道状态信息定位方法 |
CN113283490A (zh) * | 2021-05-19 | 2021-08-20 | 南京邮电大学 | 基于前端融合的信道状态信息深度学习定位方法 |
CN113300750A (zh) * | 2021-05-24 | 2021-08-24 | 南京邮电大学 | 基于wifi信号的人员身份认证和手写字母识别方法 |
CN113420778A (zh) * | 2021-05-19 | 2021-09-21 | 南京邮电大学 | 一种基于Wi-Fi信号和深度相机的身份识别方法 |
CN113822350A (zh) * | 2021-09-14 | 2021-12-21 | 南京邮电大学 | 一种基于多任务学习的无设备人员动作识别和位置估计方法 |
CN113822351A (zh) * | 2021-09-14 | 2021-12-21 | 南京邮电大学 | 一种基于csi图像特征提取的双流卷积神经网络目标定位方法 |
CN114125698A (zh) * | 2021-05-07 | 2022-03-01 | 南京邮电大学 | 一种基于信道状态信息和深度图像的定位方法 |
CN114358065A (zh) * | 2021-12-23 | 2022-04-15 | 东风柳州汽车有限公司 | 驾驶员吸烟行为监控方法、装置、设备及存储介质 |
CN114884775A (zh) * | 2022-03-31 | 2022-08-09 | 南京邮电大学 | 一种基于深度学习的大规模mimo系统信道估计方法 |
CN115166636A (zh) * | 2022-09-05 | 2022-10-11 | 南京信息工程大学 | 基于多特征信道状态信息边缘计算的工厂人员监管方法 |
CN115175306A (zh) * | 2022-06-24 | 2022-10-11 | 国网河南省电力公司经济技术研究院 | 一种基于卷积神经网络的电力物联网室内定位方法 |
WO2022242018A1 (zh) * | 2021-05-21 | 2022-11-24 | 南京邮电大学 | 一种基于改进的cnn模型的室内目标定位方法 |
CN116528358A (zh) * | 2023-06-30 | 2023-08-01 | 华南师范大学 | 一种基于Wi-Fi的跌倒定位联合检测方法、装置和系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106154222A (zh) * | 2016-06-20 | 2016-11-23 | 北京大学 | 一种利用无线电射频信号检测人的行走方向的方法 |
CN108553108A (zh) * | 2018-03-05 | 2018-09-21 | 叶伟 | 一种基于Wi-Fi中CSI信号的人体动作与呼吸的检测方法和系统 |
CN109100682A (zh) * | 2018-08-01 | 2018-12-28 | 南京邮电大学 | 基于多核极限学习机和接收信号强度的定位方法 |
US20190042865A1 (en) * | 2017-04-25 | 2019-02-07 | Uber Technologies, Inc. | Image-Based Pedestrian Detection |
US10366508B1 (en) * | 2016-08-29 | 2019-07-30 | Perceptin Shenzhen Limited | Visual-inertial positional awareness for autonomous and non-autonomous device |
CN110366108A (zh) * | 2019-07-09 | 2019-10-22 | 南京邮电大学 | 基于信道状态信息和接收信号强度的室内定位方法 |
CN110458025A (zh) * | 2019-07-11 | 2019-11-15 | 南京邮电大学 | 一种基于双目摄像头的人员识别与定位方法 |
CN110475221A (zh) * | 2019-07-15 | 2019-11-19 | 南京邮电大学 | 一种基于信道状态信息的人员动作识别和位置估计方法 |
US10743143B1 (en) * | 2019-05-15 | 2020-08-11 | Cognitive Systems Corp. | Determining a motion zone for a location of motion detected by wireless signals |
-
2020
- 2020-09-14 CN CN202010959523.4A patent/CN112153736B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106154222A (zh) * | 2016-06-20 | 2016-11-23 | 北京大学 | 一种利用无线电射频信号检测人的行走方向的方法 |
US10366508B1 (en) * | 2016-08-29 | 2019-07-30 | Perceptin Shenzhen Limited | Visual-inertial positional awareness for autonomous and non-autonomous device |
US20190042865A1 (en) * | 2017-04-25 | 2019-02-07 | Uber Technologies, Inc. | Image-Based Pedestrian Detection |
CN108553108A (zh) * | 2018-03-05 | 2018-09-21 | 叶伟 | 一种基于Wi-Fi中CSI信号的人体动作与呼吸的检测方法和系统 |
CN109100682A (zh) * | 2018-08-01 | 2018-12-28 | 南京邮电大学 | 基于多核极限学习机和接收信号强度的定位方法 |
US10743143B1 (en) * | 2019-05-15 | 2020-08-11 | Cognitive Systems Corp. | Determining a motion zone for a location of motion detected by wireless signals |
CN110366108A (zh) * | 2019-07-09 | 2019-10-22 | 南京邮电大学 | 基于信道状态信息和接收信号强度的室内定位方法 |
CN110458025A (zh) * | 2019-07-11 | 2019-11-15 | 南京邮电大学 | 一种基于双目摄像头的人员识别与定位方法 |
CN110475221A (zh) * | 2019-07-15 | 2019-11-19 | 南京邮电大学 | 一种基于信道状态信息的人员动作识别和位置估计方法 |
Non-Patent Citations (5)
Title |
---|
SIXU PIAO等: "Automating CSI Measurement with UAVs: from Problem Formulation to Energy-Optimal Solution", 《IEEE INFOCOM 2019 - IEEE CONFERENCE ON COMPUTER COMMUNICATIONS》 * |
党小超等: "一种基于信道状态信息的无源室内指纹定位算法", 《计算机工程》 * |
张潇: "基于无线网络的被动定位和行为识别研究", 《中国优秀硕士学位论文全文库》 * |
曹雯雯等: "面向多源数据融合的稀疏表示目标跟踪", 《计算机工程与应用》 * |
陈冲: "基于Wi-Fi的人体动作识别研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113225144A (zh) * | 2021-05-07 | 2021-08-06 | 南京邮电大学 | 一种基于信道状态信息分解的无线感知方法 |
CN114125698B (zh) * | 2021-05-07 | 2024-05-17 | 南京邮电大学 | 一种基于信道状态信息和深度图像的定位方法 |
CN114125698A (zh) * | 2021-05-07 | 2022-03-01 | 南京邮电大学 | 一种基于信道状态信息和深度图像的定位方法 |
CN113225144B (zh) * | 2021-05-07 | 2022-07-26 | 南京邮电大学 | 一种基于信道状态信息分解的无线感知方法 |
CN113255745A (zh) * | 2021-05-13 | 2021-08-13 | 南京邮电大学 | 一种基于局部保留投影法的信道状态信息定位方法 |
CN113420778B (zh) * | 2021-05-19 | 2022-07-26 | 南京邮电大学 | 一种基于Wi-Fi信号和深度相机的身份识别方法 |
CN113283490A (zh) * | 2021-05-19 | 2021-08-20 | 南京邮电大学 | 基于前端融合的信道状态信息深度学习定位方法 |
CN113420778A (zh) * | 2021-05-19 | 2021-09-21 | 南京邮电大学 | 一种基于Wi-Fi信号和深度相机的身份识别方法 |
WO2022242018A1 (zh) * | 2021-05-21 | 2022-11-24 | 南京邮电大学 | 一种基于改进的cnn模型的室内目标定位方法 |
CN113300750A (zh) * | 2021-05-24 | 2021-08-24 | 南京邮电大学 | 基于wifi信号的人员身份认证和手写字母识别方法 |
CN113822350A (zh) * | 2021-09-14 | 2021-12-21 | 南京邮电大学 | 一种基于多任务学习的无设备人员动作识别和位置估计方法 |
CN113822351B (zh) * | 2021-09-14 | 2023-10-24 | 南京邮电大学 | 一种基于csi图像特征提取的双流卷积神经网络目标定位方法 |
CN113822350B (zh) * | 2021-09-14 | 2024-04-30 | 南京邮电大学 | 一种基于多任务学习的无设备人员动作识别和位置估计方法 |
CN113822351A (zh) * | 2021-09-14 | 2021-12-21 | 南京邮电大学 | 一种基于csi图像特征提取的双流卷积神经网络目标定位方法 |
CN114358065A (zh) * | 2021-12-23 | 2022-04-15 | 东风柳州汽车有限公司 | 驾驶员吸烟行为监控方法、装置、设备及存储介质 |
CN114884775A (zh) * | 2022-03-31 | 2022-08-09 | 南京邮电大学 | 一种基于深度学习的大规模mimo系统信道估计方法 |
CN115175306A (zh) * | 2022-06-24 | 2022-10-11 | 国网河南省电力公司经济技术研究院 | 一种基于卷积神经网络的电力物联网室内定位方法 |
CN115175306B (zh) * | 2022-06-24 | 2024-05-07 | 国网河南省电力公司经济技术研究院 | 一种基于卷积神经网络的电力物联网室内定位方法 |
CN115166636A (zh) * | 2022-09-05 | 2022-10-11 | 南京信息工程大学 | 基于多特征信道状态信息边缘计算的工厂人员监管方法 |
CN115166636B (zh) * | 2022-09-05 | 2022-12-20 | 南京信息工程大学 | 基于多特征信道状态信息边缘计算的工厂人员监管方法 |
CN116528358A (zh) * | 2023-06-30 | 2023-08-01 | 华南师范大学 | 一种基于Wi-Fi的跌倒定位联合检测方法、装置和系统 |
CN116528358B (zh) * | 2023-06-30 | 2023-09-12 | 华南师范大学 | 一种基于Wi-Fi的跌倒定位联合检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112153736B (zh) | 2022-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112153736B (zh) | 一种基于信道状态信息的人员动作识别和位置估计方法 | |
CN108924736B (zh) | 一种基于PCA-Kalman的无源室内人员状态检测方法 | |
CN110475221B (zh) | 一种基于信道状态信息的人员动作识别和位置估计方法 | |
CN107240122A (zh) | 基于时空连续相关滤波的视频目标跟踪方法 | |
CN110113116B (zh) | 基于wifi信道信息的人体行为识别方法 | |
Zhu et al. | BLS-location: A wireless fingerprint localization algorithm based on broad learning | |
Ding et al. | Three-dimensional indoor localization and tracking for mobile target based on wifi sensing | |
Wang et al. | RFID & vision based indoor positioning and identification system | |
Deng et al. | Gaitfi: Robust device-free human identification via wifi and vision multimodal learning | |
Hao et al. | CSI-HC: a WiFi-based indoor complex human motion recognition method | |
Hu et al. | ResFi: WiFi-enabled device-free respiration detection based on deep learning | |
Xue et al. | M4esh: mmwave-based 3d human mesh construction for multiple subjects | |
CN107340517A (zh) | 一种多传感器多帧检测前跟踪方法 | |
Guo et al. | When healthcare meets off-the-shelf WiFi: A non-wearable and low-costs approach for in-home monitoring | |
Zhu et al. | Wi-ATCN: Attentional temporal convolutional network for human action prediction using WiFi channel state information | |
Wu et al. | Path-independent device-free gait recognition using mmwave signals | |
CN113822350B (zh) | 一种基于多任务学习的无设备人员动作识别和位置估计方法 | |
Ding et al. | Multiview features fusion and Adaboost based indoor localization on Wifi platform | |
He et al. | A robust CSI-based Wi-Fi passive sensing method using attention mechanism deep learning | |
CN107484124A (zh) | 一种基于csi的虚拟现实跟踪方法及系统 | |
Aziz et al. | A MIMO radar-based metric learning approach for activity recognition | |
CN105974403B (zh) | 广义分群检测方法 | |
Lau et al. | Self-supervised wifi-based activity recognition | |
Zhou et al. | Deep-WiID: WiFi-based contactless human identification via deep learning | |
Narmatha et al. | A hybrid RF and vision aware fusion scheme for multi-sensor wireless capsule endoscopic localization |
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 |