CN112364769B - 基于商用Wi-Fi的人群计数方法 - Google Patents
基于商用Wi-Fi的人群计数方法 Download PDFInfo
- Publication number
- CN112364769B CN112364769B CN202011254661.9A CN202011254661A CN112364769B CN 112364769 B CN112364769 B CN 112364769B CN 202011254661 A CN202011254661 A CN 202011254661A CN 112364769 B CN112364769 B CN 112364769B
- Authority
- CN
- China
- Prior art keywords
- csi
- data
- amplitude
- phase
- crowd
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000000513 principal component analysis Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 230000033001 locomotion Effects 0.000 claims abstract description 15
- 230000009467 reduction Effects 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 7
- 230000000977 initiatory effect Effects 0.000 claims description 5
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000007418 data mining Methods 0.000 abstract description 4
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及计算机网络，数据挖掘，机器学习、人群技术领域，为提出基于商用Wi‑Fi的人群计数方法，实现使用常规的Wi‑Fi设备即可跨环境识别人群移动方向与数目统计,本发明，基于商用Wi‑Fi的人群计数方法，步骤如下：用设备收集包含人体移动信息的CSI数据；利用巴特沃斯带通滤波器对CSI数据进行去噪处理；采用主成分分析降维算法去除数据冗余并进一步降噪；将挑选出来的CSI功率信息进行模式识别，估计出方向；将挑选出来的振幅与相位信息进行归一化，然后进行特征提取，使用HFA方法将源域与目标域的特征进行融合，然后得到训练的模型进行预测人数。本发明主要应用于人群移动方向与数目统计场合。
Description
技术领域
本发明涉及计算机网络，数据挖掘，机器学习领域，尤其涉及一种基于商用Wi-Fi的人群计数系统。
背景技术
人群计数是指在一个给定的区域内估计的人数的过程,尤其是在一个封闭的环境。它有很多潜在的应用，如人流控制、导游、市场分析、火车或航班安排和登机等。对排队人群进行跟踪，可以提高服务质量，并使每个人受益。然而，它也有一些基本的挑战，包括可靠的观测和实时处理。目前有许多技术应用于人群计数，从基于可穿戴传感器的,地板传感器的到基于计算机视觉的解决方案。然而，基于Wi-Fi的人类活动感知技术以其无处不在的部署、隐私保护和非侵入性等独特优势，吸引了很多人的注意。由于多路径效应，人体反射的Wi-Fi信号会产生独特的变化。利用信号处理技术,人群的数目可以通过Wi-Fi设备获取。
然而，现有的大多数基于Wi-Fi的人数统计系统都有一个限制，即在某个区域中识别人数总有一个最大值。如果区域中的人数大于最大值，则不能保证计数的准确性。如果说考虑多次测试取和，这样存在同一个体被统计多次的情况。这种限制阻碍了基于Wi-Fi的人群计数的广泛使用。
本发明通过加入人群移动的方向信息来解决人群计数存在上限的问题。由于墙的阻挡与设备的摆放位置，人群进出门的信号波动存在差别，本发明中设计了算法来通过这种差异估计移动方向。由于人体躯干反射面积大，躯干穿过视线(Line of Sight，简称LoS)的信号状态不易被其他肢体干扰到，本发明提取相关特征用来识别人数。最终利用了异构特征融合(Heterogeneous Feature Augmentation，简称HFA)方法实现跨环境识别人群数目。
发明内容
为克服现有技术的不足，本发明旨在提出基于商用Wi-Fi的人群计数方法，通过使用一系列信号处理与数据挖掘技术来处理Wi-Fi信号，实现使用常规的Wi-Fi设备即可跨环境识别人群移动方向与数目统计。为此，本发明采取的技术方案是，基于商用Wi-Fi的人群计数方法，步骤如下：
用设备收集包含人体移动信息的CSI数据，这里的设备包含发射端与接收端，但是由于收到的CSI数据信息中的相位存在偏差，包括载频偏移CFO、采样频率偏移SFO和包检测延迟PDD，采用利用Wi-Fi来进行分米级定位方法Spotfi对CSI数据的相位信息进行校正；
利用巴特沃斯带通滤波器对CSI数据进行去噪处理；
采用主成分分析PCA(Principal Component Analysis)降维算法去除数据冗余并进一步降噪，而且挑选出合适数据为后面的特征提取提供对象，由于要实现方向估计与人数预测两个任务，这个时候的主成分挑选也分为了两个子步骤：
1)将挑选出来的CSI功率信息进行模式识别，判断出进门与出门的波段，然后比较它们之间的波动程度，从而估计出方向；
2)将挑选出来的振幅与相位信息进行归一化，然后进行特征提取，使用HFA方法将源域与目标域的特征进行融合，然后得到训练的模型进行预测人数。
使用巴特沃斯带通滤波器和PCA对CSI数据中每个子载波进行数据清洗，具体步骤：
1)相位校正；
使用了Spotfi论文中提出的方法，利用最小二乘法拟合数据来降低这些偏差；
2)使用巴特沃斯带通滤波器对CSI数据中每个子载波进行去噪；
人正常步行的速度在1m/s，根据CSI反射频率与人运动速度的关系：其中，λ为无线信号波长5.79cm，得到由行走产生的CSI波动频率在40Hz，考虑到有关呼吸与心跳等其他无关信息的干扰，截止频率设置为5～40Hz，阶数设置为5阶。
采用主成分分析PCA中主成分挑选具体可分为两步：
1)CSI功率主成分：针对于人群移动方向的检测，选择的提取特征对象是CSI功率|H(f,t)|2，其中|H(f,t)|为CSI数据的振幅；
2)振幅与相位主成分：针对人群数目的识别，选择的提取特征对象是CSI的振幅与相位信息，选择两者的第1个主成分。
估计出方向具体可分为下面几步：
1)检测波形里面的波峰情况来识别工作的开始与结束状态。通过设置一个阈值来进行判断，当波形的波峰高度大于阈值时，认为它是一个有效的波峰，否则认为它只是信号波动产生的一个伪波峰；
2)使用滑动窗口来检查有效波峰的数目，当波形左右两边的数目超过Npeak时，认为它是候选窗口，然后选择Ncandidate个候选窗口；
3)然后比较每个滑动窗口的平均绝对偏差MAD，目的是统计它们的波动程度。平均绝对偏差的计算公式如下：
其中，代表了第j个滑动窗口的矢量的平均值，而Wd代表了窗口的大小；
选择左右两边△mj最小的作为起始动作与终止动作波段；
4)考虑到多人之间速度的差异与CSI的灵敏，引入一个系数σ来平衡比较起始动作与终止动作的波动程度，即比较△mstart与σ△mend，如果前者较大，说明是出门；如果后者较大，说明是进门。
人群计数：
将振幅与相位结合起来进行提取特征，当人体先后进出门时，将提取特征的重点偏向振幅波形上，而当存在人体并排进出门时，由于信号需要穿过两个人体的躯干，这时的耗时会较长，在相位上会显示的更加明显，提取特征的公式如下：
其中cov(·)为求协方差操作，而||H||1与φ1分别为第一个振幅与相位主成分，Nslide为滑动窗口的数量，为了使得将信息进行压缩提取，求取特征值：
[μi,νi]＝eig(cov(||H||1,φ1)) (3)
其中μi,νi分别为振幅与相位对应的特征值，特征值越大表明身体躯干越接近LoS，而特征值越小则表明身体躯干距离LoS较远。然后添加每个滑动窗口的最大值与最小值作为最终的特征输入到训练模型中，而模型的训练方法则是采用HFA中的算法，最终通过训练模型进行识别人数。
本发明的特点及有益效果是：
1、本发明使用常规的Wi-Fi设备即可实现室内的人数识别，无线设备被放在门口两侧用来收集人群进出的信息，减少了其他物件的干扰，增强了实用性。
2、本发明在人数统计过程使用的特征综合了振幅与相位的特点与联系，实现了量化人数与信号变换之间的关系；
3、本发明通过对人群移动方向的考虑来进一步解决人群计数中面临的训练模型存在上限问题，并且是在一对Wi-Fi设备上进行的实现，向现实生活中的实际应用方向上前进了一大步。
4、本发明基于商用的Wi-Fi设备，价格低廉便宜，无需投入大量资金。由于Wi-Fi设备已被广泛部署，所以无需增添额外的硬件，可以在现有的硬件基础上实施，节约成本。同时，与可穿戴设备相比，基于Wi-Fi的人群计数方法采用非侵入式，不要求测试人员穿戴任何设备；与基于计算机视觉方向的人群计数方法相比，本发明不受光线明暗的约束，也不会侵犯人的隐私。
附图说明：
图1为本发明发明的使用场景图；
图2为本发明发明的流程图；
图3为CSI数据预处理前后对比示意图；
其中，(a)为原始CSI振幅数据，(b)为带通滤波器处理后的数据，(c)为PCA(主成分分析)处理后的第一个主成分，(d)为相位信息归一化后前4个主成分。
图4为不同场景下信号波动的波形；
其中，(a)为在开发区域下(没有墙壁阻挡)的波形图，(b)为人进门时的波形图，(c)为人出门时的波形图。
图5显示了人进门时反射路径的变化示意图；
图6为不同场景下算法检测波形的示意图；
其中，(a)为人进门时算法检测波形的示意图，(b)为人出门时算法检测波形的示意图。图中用不同颜色标出来的波段即为需要重点比较的对象。
图7为不同人数穿过LoS区域时的波形图；
其中，(a)为一个人进门时的波形图，(b)为两个人先后进门(并列)时的波形图，(c)为两个人一起(并排)进门时的波形图，(d)为三个人先后进门(并列)时的波形图。
图8为一种基于商用Wi-Fi的人群计数的室内家具摆放结构示意图。它有一个单门且门宽dL＝1.2m，这个距离能够容许一次最多有两个人并排通过。
具体实施方式
本发明发明的人群计数系统主要用于解决训练模型的人数上限问题，通过加入人群移动方向的信息，可以将门口区域(小环境)的检测结果累加从而得到室内环境(大环境)的具体人数。具体来说，本发明主要解决以下问题：
(1)只用一对链接来估计人群移动的方向。在LoS区域的两个对称位置执行相同的活动所产生的CSI动态是相似的。此外，由于多人运动的影响，个体的许多参数无法直接直接获得，如到达角(AOA)、飞行时间(TOF)和多普勒频移(DFS)。为了解决这个问题，我们利用墙体的信号衰减效应，从理论上分析了人群进出门时的信号变化趋势。分析了入口和出口信号强度的差异，并据此实现了人群运动的方向估计。
(2)量化人数与相应CSI特征的相关性。当人行走时，人体躯干比四肢等其他部位表面积大得多，反映的信号较多，主导了CSI波形的波动。利用LoS附近躯干的不同信号状态来计算人群流中的人数。本发明基于两种人群流进行统计分析。一种是人群成列的通过门，另一种是人们并行地通过门。将人群移动的波形分为两种波形类型：不同人数的波形和不同类型的人群流波形。并基于此发现了两种现象。一是在人流类型相同的情况下，不同数量的人流波形具有不同数量的突出形状。二是在移动人群人数相同的情况下，波形中不同类型的相位突出具有不同的持续时间。基于这一现象，利用振幅相位协方差矩阵的特征值，有效检测到LoS附近人群移动引起的信号变化。
(3)让这项发明适用于多种场景。人群计数滑动窗的大小会根据不同场景的门宽进行调整。这时，滑动窗口中提取的特征数量在不同场景下也会有所不同，这使得分类模型难以建立。为了解决这个问题，我们导出了与功率无关的、依赖于变化的特征，并逐步扩展到各种场景中。利用增强特征表示来解决提取不同数量特征的问题。通过对变换后的样本进行原始特征和零的扩充，使特征的维数独立于场景。引入支持向量机(SVM)算法来寻找识别人数的决策函数。最终，实现了在多场景的人群计数目的。
基于商用Wi-Fi的人群计数方法，本发明通过使用一系列信号处理与数据挖掘技术来处理Wi-Fi信号，实现了使用常规的Wi-Fi设备即可跨环境识别人群移动方向与数目统计，详见下文描述：
一种基于商用Wi-Fi的人群计数方法，实现步骤包括：
用设备收集包含人体移动信息的CSI数据，这里的设备包含发射端与接收端。但是由于收到的CSI数据信息中的相位存在偏差(载频偏移CFO、采样频率偏移SFO和包检测延迟PDD)，所以采用了Spotfi中的方法对CSI数据的相位信息进行校正。Spotfi是一篇利用Wi-Fi来进行分米级定位的工作，里面包含了很多对于相位处理的操作值得借鉴
1)利用巴特沃斯带通滤波器对CSI数据进行去噪处理；
2)采用主成分分析(Principal Component Analysis，简称PCA)降维算法去除数据冗余并进一步降噪，而且挑选出合适数据为后面的特征提取提供对象，由于要实现方向估计与人数预测两个任务，这个时候的主成分挑选也分为了两个子模块：
3)将挑选出来的CSI功率信息进行模式识别，判断出进门与出门的波段，然后比较它们之间的波动程度，从而估计出方向。
4)将挑选出来的振幅与相位信息进行归一化，然后进行特征提取，使用HFA方法将源域与目标域的特征进行融合，然后得到训练的模型进行预测人数。
下面结合附图，对本发明设计的步骤进一步详细介绍，详见下文描述：
一、利用商用Wi--Fi采集CSI信号
由于本发明实施例是针对较小的应用环境进行设计的，而且监控范围与常用的门宽有关，我们测试了不同的人群与门宽，最大范围是双门的门宽dL＝1.8m,监控范围在门外0.75dL到门内1.5dL中，最大能够并排进入3人，所以我们每个数据监控的人群范围在4人之内。Wi-Fi设备放置的高度为1.2m。
1)一个商用Wi-Fi设备作为发射端，另一个Wi-Fi设备作为接收端。两个设备放在门内两侧。
2)实验开始时，志愿者们在5s之内走完监控范围即可。5s的时间是结合正常人的步行速度来综合设定的。
3)在实验过程中，志愿者们行走产生的数据被标注上各自的标签，主要记录进或出门方向与每次测试的人群数目。
注：当对志愿者采集数据时，监控范围内不能有静止的人。设备摆放的位置一定要有墙壁阻挡。
二、数据清洗
上述获得的CSI数据含有：静态成分、低频干扰和脉冲噪音，一是由时钟异步，无线电波干扰和发射端发射功率变化造成；二是在数据采集时，周围人微小的运动，受试者的呼吸等微弱动作以及环境温度的变化等，都会使CSI数据中混入不同程度的低频和高频噪音，为步态特征的提取增加了难度。这要求不仅要有效地去除噪音，而且去噪后要尽可能维持波形不被改变，同时由于CSI数据中脉冲噪音带宽大，能量高，所以单一滤波器不能有效地去除噪音。
为了解决这些问题，本发明实施例使用巴特沃斯带通滤波器和PCA对CSI数据中每个子载波进行数据清洗，具体可分为三步：
1)相位校正；
由于收集到的CSI数据的相位信息存在一些偏差(CFO，SFO，PDD),为了减小这些误差对于最后结果的影响，本发明使用了Spotfi论文中提出的方法，利用最小二乘法拟合数据来降低这些偏差。
2)使用巴特沃斯带通滤波器对CSI数据中每个子载波进行去噪；
人正常步行的速度在1m/s，根据CSI反射频率与人运动速度的关系：其中，λ为无线信号波长5.79cm，可以得到由行走产生的CSI波动频率在40Hz。考虑到有关呼吸与心跳等其他无关信息的干扰，截止频率设置为5～40Hz，阶数设置为5阶。
3)使用PCA对带通滤波器去噪后CSI数据进行降维并进一步去噪。
由于CSI数据中的各个子载波处于相邻的波段，因此行走对它们的影响是基本相同的，相邻子载波之间的数据相关性很高，数据冗余较大。为了去除数据冗余和进一步去噪，使用PCA对所有子载波进行降维。针对不同的任务(方向与人数)，选取的主成分数量也不同。
数据处理结果如图3(a-c)所示。
三、主成分挑选
针对于人群移动方向与人数识别两个不同的任务，需要提取特征对象的主成分也是不同的，具体可分为两步：
1)CSI功率主成分：针对于人群移动方向的检测，本发明选择的提取特征对象是CSI功率|H(f,t)|2，其中|H(f,t)|为CSI数据的振幅。但是由于接收端三根天线都会有30个子载波的数据，在进行PCA操作之后仍然是个3x30个矢量(子载波)，所以选择哪个主成分才能最终代表数据的变化趋势是一个重点问题。由于经过PCA操作之后，每个主成分的排序是根据方差的大小降序排列的，而且由于第1个主成分容易受到身体其他肢体摆动的影响，所以最终选择的主成分是第2个CSI功率主成分。
2)振幅与相位主成分：针对人群数目的识别，本发明选择的提取特征对象是CSI的振幅与相位信息。需要注意的是经过PCA操作之后，还要对主成分进行归一化操作，因为我们很明显的可以知道振幅与相位的数值大小信息并不能作为判别人数的关键特征。经过主成分对于，我们选择的是两者的第1个主成分，如图3(d)所示。
四、方向估计
能够区分进或出门的理论依据就是人群在房间内外形成的信号波动不同，而这个不同的造成原因就是墙壁能够使信号大幅度衰减。本发明设计了算法来检测出这种差异。具体可分为下面几步：
1)该算法需要检测波形里面的波峰情况来识别工作的开始与结束状态。通过设置一个阈值来进行判断，当波形的波峰高度大于阈值时，我们认为它是一个有效的波峰，否则我们认为它只是信号波动产生的一个伪波峰。
2)算法会使用滑动窗口来检查有效波峰的数目，当波形左右两边的数目超过Npeak时，我们认为它是候选窗口，然后我们选择Ncandidate个候选窗口。
3)然后我们比较每个滑动窗口的平均绝对偏差(MAD)，目的是统计它们的波动程度。平均绝对偏差的计算公式如下：
其中，代表了第j个滑动窗口的矢量的平均值，而Wd代表了窗口的大小。
我们选择左右两边△mj最小的作为起始动作与终止动作波段。
4)考虑到多人之间速度的差异与CSI的灵敏，我们需要引入一个系数σ来平衡比较起始动作与终止动作的波动程度，即比较△mstart与σ△mend，如果前者较大，说明是出门；如果后者较大，说明是进门。
五、人群计数
PADS论文是一篇利用CSI来检测是否存在活动物体的工作，其中介绍了利用相位与振幅各自的特征来检测人体是否移动，而Fullbreathe论文是一篇利用振幅和相位来检测人体呼吸的工作，其中揭示了振幅与相位之间存在互补的关系。本发明结合两者的工作，将振幅与相位结合起来进行提取特征。当人体先后进出门时，我们可以将提取特征的重点偏向振幅波形上，而当存在人体并排进出门时，由于信号需要穿过两个人体的躯干，这时的耗时会较长，在相位上会显示的更加明显。提取特征的公式如下：
其中cov(·)为求协方差操作，而||H||1与φ1分别为第一个振幅与相位主成分，Nslide为滑动窗口的数量。为了使得将信息进行压缩提取，我们又求取了特征值：
[μi,νi]＝eig(cov(||H||1,φ1)) (3)
其中μi,νi分别为振幅与相位对应的特征值，特征值越大表明身体躯干越接近LoS，而特征值越小则表明身体躯干距离LoS较远。然后我们又添加了每个滑动窗口的最大值与最小值作为最终的特征输入到训练模型中，而模型的训练方法则是采用HFA中的算法。最终通过训练模型进行识别人数。
本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于商用Wi-Fi的人群计数方法，其特征是，步骤如下：
用设备收集包含人体移动信息的CSI数据，所述设备包含发射端与接收端，由于收到的CSI数据信息中的相位存在偏差，包括载频偏移CFO、采样频率偏移SFO和包检测延迟PDD，采用利用Wi-Fi来进行分米级定位方法Spotfi对CSI数据的相位信息进行校正；
利用巴特沃斯带通滤波器对CSI数据进行去噪处理；
采用主成分分析PCA降维算法去除数据冗余并进一步降噪，而且挑选出合适数据为后面的特征提取提供对象，由于要实现方向估计与人数预测两个任务，这个时候的主成分挑选也分为了两个子步骤：
1)将挑选出来的CSI功率信息进行模式识别，判断出进门与出门的波段，然后比较它们之间的波动程度，从而估计出方向；
2)将挑选出来的振幅与相位信息进行归一化，然后进行特征提取，使用HFA方法将源域与目标域的特征进行融合，然后得到训练的模型进行预测人数；
具体步骤如下：
将振幅与相位结合起来进行提取特征，当人体先后进出门时，将提取特征的重点偏向振幅波形上，而当存在人体并排进出门时，由于信号需要穿过两个人体的躯干，这时的耗时会较长，在相位上会显示的更加明显，提取特征的公式如下：
其中cov(·)为求协方差操作，而||H||1与φ1分别为第一个振幅与相位主成分，Nslide为滑动窗口的数量，为了使得将信息进行压缩提取，求取特征值：
[μi,νi]＝eig(cov(||H||1,φ1)) (3)
其中μi,νi分别为振幅与相位对应的特征值。
2.如权利要求1所述的基于商用Wi-Fi的人群计数方法，其特征是，使用巴特沃斯带通滤波器和PCA对CSI数据中每个子载波进行数据清洗，具体步骤：
1)相位校正；
利用最小二乘法拟合数据来降低这些偏差；
2)使用巴特沃斯带通滤波器对CSI数据中每个子载波进行去噪；
人正常步行的速度在1m/s，根据CSI反射频率与人运动速度的关系：其中，λ为无线信号波长5.79cm，得到由行走产生的CSI波动频率在40Hz，考虑到有关呼吸与心跳等其他无关信息的干扰，截止频率设置为5～40Hz，阶数设置为5阶。
3.如权利要求1所述的基于商用Wi-Fi的人群计数方法，其特征是，采用主成分分析PCA中主成分挑选具体可分为两步：
1)CSI功率主成分：针对于人群移动方向的检测，选择的提取特征对象是CSI功率|H(f,t)|2，其中|H(f,t)|为CSI数据的振幅；
2)振幅与相位主成分：针对人群数目的识别，选择的提取特征对象是CSI的振幅与相位信息，选择两者的第1个主成分。
4.如权利要求1所述的基于商用Wi-Fi的人群计数方法，其特征是，估计出方向具体可分为下面几步：
1)检测波形里面的波峰情况来识别工作的开始与结束状态，通过设置一个阈值来进行判断，当波形的波峰高度大于阈值时，认为它是一个有效的波峰，否则认为它只是信号波动产生的一个伪波峰；
2)使用滑动窗口来检查有效波峰的数目，当波形左右两边的数目超过Npeak时，认为它是候选窗口，然后选择Ncandidate个候选窗口；
3)然后比较每个滑动窗口的平均绝对偏差MAD，目的是统计它们的波动程度，平均绝对偏差的计算公式如下：
其中，代表了第j个滑动窗口的矢量的平均值，而Wd代表了窗口的大小；
选择左右两边Δmj最小的作为起始动作与终止动作波段；
4)考虑到多人之间速度的差异与CSI的灵敏，引入一个系数σ来平衡比较起始动作与终止动作的波动程度，即比较Δmstart与σΔmend，如果前者较大，说明是出门；如果后者较大，说明是进门。
5.如权利要求1所述的基于商用Wi-Fi的人群计数方法，其特征是，特征值越大表明身体躯干越接近LoS，而特征值越小则表明身体躯干距离LoS较远，然后添加每个滑动窗口的最大值与最小值作为最终的特征输入到训练模型中，而模型的训练方法则是采用HFA中的算法，最终通过训练模型进行识别人数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011254661.9A CN112364769B (zh) | 2020-11-11 | 2020-11-11 | 基于商用Wi-Fi的人群计数方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011254661.9A CN112364769B (zh) | 2020-11-11 | 2020-11-11 | 基于商用Wi-Fi的人群计数方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112364769A CN112364769A (zh) | 2021-02-12 |
| CN112364769B true CN112364769B (zh) | 2023-07-21 |
Family
ID=74515963
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011254661.9A Active CN112364769B (zh) | 2020-11-11 | 2020-11-11 | 基于商用Wi-Fi的人群计数方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112364769B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113723565A (zh) * | 2021-09-15 | 2021-11-30 | 北京沃东天骏信息技术有限公司 | 物品监测方法、装置和系统、存储介质 |
| EP4167533A1 (en) | 2021-10-15 | 2023-04-19 | Volkswagen Ag | Method for user equipment for improving a transmission efficiency, method for a network entity, apparatus, vehicle and computer program |
| CN114041784B (zh) * | 2021-11-11 | 2023-09-19 | 天津大学 | 基于商用Wi-Fi的双人步态病症判断装置 |
| CN116304844B (zh) * | 2023-05-23 | 2023-09-01 | 山东科技大学 | 一种人员进出计数统计系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104914497A (zh) * | 2015-06-25 | 2015-09-16 | 武汉颐光科技有限公司 | 一种复合波片相位延迟器优化设计方法 |
| CN106772219A (zh) * | 2017-03-08 | 2017-05-31 | 南京大学 | 基于csi信号的室内定位方法 |
| CN109671238A (zh) * | 2018-12-07 | 2019-04-23 | 浙江大学 | 一种基于无线信道状态信息的室内入侵检测方法 |
| CN109711251A (zh) * | 2018-11-16 | 2019-05-03 | 天津大学 | 一种基于商用Wi-Fi的方向独立的步态识别方法 |
| CN110059612A (zh) * | 2019-04-15 | 2019-07-26 | 哈尔滨工程大学 | 一种基于信道状态信息的位置无关的手势识别方法及系统 |
| CN111797804A (zh) * | 2020-07-16 | 2020-10-20 | 西安交通大学 | 一种基于深度学习的信道状态信息人类活动识别方法及系统 |
-
2020
- 2020-11-11 CN CN202011254661.9A patent/CN112364769B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104914497A (zh) * | 2015-06-25 | 2015-09-16 | 武汉颐光科技有限公司 | 一种复合波片相位延迟器优化设计方法 |
| CN106772219A (zh) * | 2017-03-08 | 2017-05-31 | 南京大学 | 基于csi信号的室内定位方法 |
| CN109711251A (zh) * | 2018-11-16 | 2019-05-03 | 天津大学 | 一种基于商用Wi-Fi的方向独立的步态识别方法 |
| CN109671238A (zh) * | 2018-12-07 | 2019-04-23 | 浙江大学 | 一种基于无线信道状态信息的室内入侵检测方法 |
| CN110059612A (zh) * | 2019-04-15 | 2019-07-26 | 哈尔滨工程大学 | 一种基于信道状态信息的位置无关的手势识别方法及系统 |
| CN111797804A (zh) * | 2020-07-16 | 2020-10-20 | 西安交通大学 | 一种基于深度学习的信道状态信息人类活动识别方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| Electronic Frog Eye: Counting Crowd Using WiFi;Wei Xi 等;《IEEE INFOCOM 2014 - IEEE Conference on Computer Communications》;20141231;正文第1-8页 * |
| 基于 MUSIC 算法的室内 WiFi 定位算法研究;杨光 等;《中国知网优秀硕士论文库 信息科技辑》;20200315;正文第7-70页 * |
| 基于CSI的行为识别研究综述;王正杰等;《计算机工程与应用》;20180301(第05期);第14-23页 * |
| 基于手机传感器的人体活动识别综述;张春祥等;《计算机科学》;20201015(第10期);第9-16页 * |
| 室内穿墙场景下的无源人体目标检测算法;杨小龙等;《电子与信息学报》;20200315(第03期);第68-77页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112364769A (zh) | 2021-02-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112364769B (zh) | 基于商用Wi-Fi的人群计数方法 | |
| Xin et al. | Freesense: Indoor human identification with Wi-Fi signals | |
| Zhang et al. | Anti-fall: A non-intrusive and real-time fall detector leveraging CSI from commodity WiFi devices | |
| US10045717B2 (en) | WiFi-based person-identification technique for use in smart spaces | |
| Feng et al. | Wi-multi: A three-phase system for multiple human activity recognition with commercial wifi devices | |
| Xu et al. | WiStep: Device-free step counting with WiFi signals | |
| US9568595B2 (en) | Ultra-wide band antenna arrays and related methods in personal emergency response systems | |
| Seifert et al. | Detection of gait asymmetry using indoor Doppler radar | |
| Nakamura et al. | Wi-Fi-based fall detection using spectrogram image of channel state information | |
| Zhu et al. | NotiFi: A ubiquitous WiFi-based abnormal activity detection system | |
| Moshiri et al. | Using GAN to enhance the accuracy of indoor human activity recognition | |
| 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 | |
| Mokhtari et al. | Non-wearable UWB sensor to detect falls in smart home environment | |
| CN110730473A (zh) | 面向WiFi活动识别的信号特征提取方法 | |
| Bocus et al. | UWB and WiFi systems as passive opportunistic activity sensing radars | |
| Ammae et al. | Unobtrusive detection of body movements during sleep using Wi-Fi received signal strength with model adaptation technique | |
| CN114041784B (zh) | 基于商用Wi-Fi的双人步态病症判断装置 | |
| Rahaman et al. | Tracking human motion direction with commodity wireless networks | |
| Bocus et al. | A comparison of UWB CIR and WiFi CSI for human activity recognition | |
| Chelli et al. | A machine learning approach for fall detection based on the instantaneous doppler frequency | |
| CN109918994A (zh) | 一种基于商用Wi-Fi的暴力行为检测方法 | |
| Fan et al. | WiVi: WiFi-video cross-modal fusion based multi-path gait recognition system | |
| Chen et al. | WiTT: Modeling and the evaluation of table tennis actions based on WIFI signals | |
| CN111787499A (zh) | 复用基站蜂窝信号的用户识别和计数方法 | |
| CN114757237B (zh) | 一种基于WiFi信号的速度无关步态识别方法 |
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 |