CN112163540A - 一种基于WiFi的姿态识别方法 - Google Patents

Abstract

本发明公开了一种基于WiFi的姿态识别方法。本发明通过无线网卡接收信道状态信息，采用不同天线的相位差进行相位校准，在特征向量提取中同时使用了信道状态的幅值和相位信息，并采用改进的类间散度矩阵生成人体运动状况的模型并进行姿态判断。本发明方案用于姿态识别，精度可达95.25%，具有较好的应用前景。

Description

一种基于WiFi的姿态识别方法

技术领域

本发明属于智能家居技术领域，特别涉及一种基于WiFi的姿态识别方法。

背景技术

目前传统姿态识别技术主要是基于计算机视觉和基于传感器两种。基于计算机视觉的姿态识别，是利用视频设备将采集的图像进行深度处理，识别精度较高，但是成本较高，识别环境苛刻，对照明条件有较高要求。基于传感器的姿态识别，常用三轴加速度传感器来识别人体的姿态，属于接触识别，精度高，抗干扰能力强，但是其在识别过程需要提前佩戴传感器，对于某些特定人群是很不方便的，如老年人，残疾人等。基于WiFi的姿态识别方法，在造价成本低廉的前提下，对于视角与照明等条件没有要求，不需要佩戴穿戴传感器，且具有强大的识别功能。

发明内容

针对现有技术的不足，本发明的目的在于提供一种基于WiFi的姿态识别方法。本发明方法操作简单，成本低廉，姿态识别率好。本发明的技术方案具体介绍如下。

一种基于WiFi的姿态识别方法，包括以下步骤：

步骤1.信道状态信息采集阶段

通过无线网卡接收信道状态信息，获取的信道状态信息是复数矩阵形式：

H(f_k)＝||H(f_k)||e^j∠H，k∈(1,2,...,30) (1)

式中H(f_k)是复数，表示中心频率为f_k的子载波对应的信道状态信息；其中||H(f_k)||为幅值，||j∠H||为相位；

步骤2.数据预处理阶段

2.1相位预处理

对原始相位H_f＝||j∠H||采用公式(2)-(4)去除异常点得到G，相继选取原始相位中的m(奇数)个元素生成移动窗口P。取该移动窗口内元素的中值H_Z，并计算各元素对中值的标准差S。若窗口内某个元素与中值相差超过

个标准差，则用中值替换该元素；

P＝{H₁,...,H_i} (2)

式中i∈(1,2,...,m)

利用公式(5)-(6)对G进行相位校准得到Q：

G₁＝G’₁+ΔT+ω+2πf₁

G₂＝G’₂+ΔT+ω+2πf₁ (5)

Q＝G₂-G₁ (6)

式中G₁,G₂为天线1，2经过滤波处理之后的相位，G'₁,G'₂为实际的相位，Q为天线1经过校准的相位，ω为采样频率偏移、ΔT为时间延迟，2πf₁为中心频率偏移；

再次使用公式(2)-(4)去除相位中因校准而出现的异常点；

利用公式(7)确定相位特征向量T:

T＝{min(Q)；max(Q)；[|min(Q)-max(Q)|]；B；J} (7)

相位的标准差B由公式(8)求得：

式中N为相位样本数量，M为总样本相位的均值；

J为相位的标准四分位距，由公式(9)可得到：

式中O，L分别为相位J的第一四分位距和第三四分位距；

2.2幅值预处理

对原始幅值数据集F采用公式(9)处理得到数据集W，从数据集F中相继抽出u(u为奇数)个数值F₁,...,F_u，成为长度为u的滤波窗口，将窗口内数值按照大小排序，取中位数替代F_d之后作为滤波输出，F_d为窗口中心，其中

公式表示为：

F_d＝Med{F₁,...,F_u} (9)

式中Med是取中值的函数；

数据集W经过公式(10)处理得到幅值的特征向量数据集A：

A＝{min(W)；max(W)；[|min(W)-max(W)|]；C；V} (10)

C为幅值的标准差，式中N为样本数量，R为总样本幅值的均值；

v为幅值的信息熵，式中P_i为幅值中每一个元素的数值出现概率；

2.3特征向量降维处理

定义数据集D＝{(I₁,b₁),(I₂,b₂),...,(I_j,b_j)}。

式中特征向量数据集

b_j代表动作，j∈(1,2,...,Z)代表动作种类数量，A_j代表不同种类动作的相位特征数据集，E_j代表不同种类动作的幅值特征数据集；

采用公式(14)-(19)对数据集D进行降维处理；

计算数据集I_j中不同动作对应数据集的均值向量J_j和类内协方差矩阵φ_j；

式中ω_j为第j类动作样本的个数。

计算类内散度矩阵α和类间散度矩阵β；

式中ρ为所有动作样本数据集的均值向量,ω_j为第j动作对应的样本集个数。

通过公式(18)计算投影到三维空间的矩阵向量，对应的基向量为(R₁,R₂,R₃),基向量组成的矩阵为R，定义函数z如下，求得最大的特征值对应的特征向量组R：

通过公式(19)将数据集I_j转换为a'_j：

a'_j＝R^TI_j (19)

步骤3.分类模型建立阶段

定义数据集D'＝{(a'₁,b₁),(a'₂,b₂),...,(a'_j,b_j)}，利用公式(14)-(16)处理D'，得到不同动作对应数据集的均值θ_i，类内协方差矩阵和类内散度矩阵。利用公式(20)计算类间散度矩阵δ，得到最佳投影面。然后依次经过式(18)-(19)处理，得到投影在平面的数据集h＝{(h₁,b₁),...,(h_j,b_j)}。

式中τ、为所有动作样本的均值

式中参数t为样本集中样本的相似度度量，通过欧几里得距离进行计算。

根据投影在平面的数据集h＝{(h₁,b₁),...,(h_j,b_j)}，建立不同动作种类下的高斯分布的概率密度函数：

式中

建立指纹库Map＝{(h'₁,b₁),(h'₂,b₂),...,(h'_j,b_j)}，其中h'_j为不同种类的概率密度函数，j为动作种类数量。

步骤4.识别阶段

测试集数据经过步骤3处理，得到投影在平面的数据点，求该数据点的均值矢量和协方差，带入步骤3的指纹库中的高斯分布概率密度函数，得出的预测为各个动作的概率，其中最大的概率即预测为该动作的概率。

和现有技术相比，本发明的有益效果在于：本发明用于姿态识别，方法操作简单，且检测精度较高。

附图说明

图1是本发明姿态识别方法的流程图。

图2是实施例1中的实验场景平面图。

图3是实施例1中的实验结果图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明，但不应以此限制本发明的保护范围。

实施例1

图1是本发明姿态识别方法的流程图。

实施例中，采用安装有Intel5300网卡的两台惠普台式电脑分别作为接收端和接收端，CPU型号为Intel Core i7100，操作系统为Ubuntu14.04LTS，且内核和无线网卡驱动经过配置，安装CSI-Tools。接收端接收CSI数据包，每一个数据包含有30个子载波，每个子载波都含有信号的幅值和相位，实验场地选择5m×4m的办公区域，采用一天线发送，三天线接收的实验模式，形成3条通信链路。天线1，天线2高度为0.5m。天线3高度位置1m，天线4位置为1.2m。实验场景平面图如图2所示。实验采集了站、坐、走和无人状态下的CSI数据。总采集120组，一组动作用时60s，每一秒发送100个CSI数据包。

为了验证本发明的可靠性，选择不同实验环境进行测试，图3为姿态识别结果。结果表明：在复杂的环境下，本发明方法动作的平均识别精度可达95.25％。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (1)

1.一种基于WiFi的姿态识别方法，其特征在于，包括以下步骤：

步骤1.信道状态信息采集

通过无线网卡接收信道状态信息，获取的信道状态信息是复数矩阵形式：

H(f_k)＝||H(f_k)||e^j∠H，k∈(1,2,...,30) (1)

式中H(f_k)是复数，表示中心频率为f_k的子载波对应的信道状态信息；其中||H(f_k)||为幅值，||j∠H||为相位；

步骤2.数据预处理

2.1相位预处理

对原始相位H_f＝||j∠H||采用公式(2)-(4)去除异常点得到G，相继选取原始相位中的m(奇数)个元素生成移动窗口P；取该移动窗口内元素的中值H_Z，并计算各元素对中值的标准差S；若窗口内某个元素与中值相差超过

个标准差，则用中值替换该元素；

P＝{H₁,...,H_i} (2)

式中i∈(1,2,...,m)

利用公式(5)-(6)对G进行相位校准得到Q：

G₁＝G′₁+ΔT+ω+2πf₁

G₂＝G′₂+ΔT+ω+2πf₁ (5)

Q＝G₂-G₁ (6)

式中G₁,G₂为天线1，2经过滤波处理之后的相位，G′₁,G′₂为实际的相位，Q为天线1经过校准的相位，ω为采样频率偏移、ΔT为时间延迟，2πf₁为中心频率偏移；

再次使用公式(2)-(4)去除相位中因校准而出现的异常点；

利用公式(7)确定相位特征向量T:

T＝{min(Q)；max(Q)；[|min(Q)-max(Q)|]；B；J} (7)

相位的标准差B由公式(8)求得：

式中N为相位样本数量，M为总样本相位的均值；

J为相位的标准四分位距，由公式(9)可得到：

式中O，L分别为相位J的第一四分位距和第三四分位距；

2.2幅值预处理

对原始幅值数据集F采用公式(9)处理得到数据集W，从数据集F中相继抽出u(u为奇数)个数值F₁,...,F_u，成为长度为u的滤波窗口，将窗口内数值按照大小排序，取中位数替代F_d之后作为滤波输出，F_d为窗口中心，其中

公式表示为：

F_d＝Med{F₁,...,F_u} (9)

式中Med是取中值的函数；

数据集W经过公式(10)处理得到幅值的特征向量数据集A：

A＝{min(W)；max(W)；[|min(W)-max(W)|]；C；V} (10)

C为幅值的标准差，式中N为样本数量，R为总样本幅值的均值；

v为幅值的信息熵，式中P_i为幅值中每一个元素的数值出现概率；

2.3特征向量降维处理

定义数据集D＝{(I₁,b₁),(I₂,b₂),...,(I_j,b_j)}。

式中特征向量数据集I_j＝[A_j；E_j]，b_j代表动作，j∈(1,2,...,Z)代表动作种类数量，A_j代表不同种类动作的相位特征数据集，E_j代表不同种类动作的幅值特征数据集；

采用公式(14)-(19)对数据集D进行降维处理；

计算数据集I_j中不同动作对应数据集的均值向量J_j和类内协方差矩阵φ_j；

式中ω_j为第j类动作样本的个数；

计算类内散度矩阵α和类间散度矩阵β；

式中ρ为所有动作样本数据集的均值向量,ω_j为第j动作对应的样本集个数；

通过公式(18)计算投影到三维空间的矩阵向量，对应的基向量为(R₁,R₂,R₃),基向量组成的矩阵为R，定义函数z如下，求得最大的特征值对应的特征向量组R：

通过公式(19)将数据集I_j转换为a'_j：

a'_j＝R^TI_j (19)

步骤3.分类模型建立

定义数据集D'＝{(a'₁,b₁),(a'₂,b₂),...,(a'_j,b_j)}，利用公式(14)-(16)处理D'，得到不同动作对应数据集的均值θ_i，类内协方差矩阵和类内散度矩阵；利用公式(20)计算类间散度矩阵δ，得到最佳投影面；然后依次经过式(18)-(19)处理，得到投影在平面的数据集h＝{(h₁,b₁),...,(h_j,b_j)}；

式中τ、为所有动作样本的均值；

式中参数t为样本集中样本的相似度度量，通过欧几里得距离进行计算；

根据投影在平面的数据集h＝{(h₁,b₁),...,(h_j,b_j)}，建立不同动作种类下的高斯分布的概率密度函数：

式中

C_XY＝E{XY}-μ_Xμ_Y,

建立指纹库Map＝{(h'₁,b₁),(h'₂,b₂),...,(h'_j,b_j)}，其中h'_j为不同种类的概率密度函数，j为动作种类数量；

步骤4.姿态识别

测试集数据经过步骤3处理，得到投影在平面的数据点，求该数据点的均值矢量和协方差，代入步骤3的指纹库中的高斯分布概率密度函数，得出的预测为各个动作的概率，其中最大的概率即预测为该动作的概率。

Images