CN112949487A - 一种基于WiFi的船舶驾驶室人员数量检测方法及系统 - Google Patents

一种基于WiFi的船舶驾驶室人员数量检测方法及系统 Download PDF

Info

Publication number
CN112949487A
CN112949487A CN202110227313.0A CN202110227313A CN112949487A CN 112949487 A CN112949487 A CN 112949487A CN 202110227313 A CN202110227313 A CN 202110227313A CN 112949487 A CN112949487 A CN 112949487A
Authority
CN
China
Prior art keywords
csi
matrix
signal
personnel
data
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
Application number
CN202110227313.0A
Other languages
English (en)
Inventor
刘克中
杨志卫
陈梦达
陈默子
曾旭明
王国宇
李春伸
甘友晨
张荣轩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202110227313.0A priority Critical patent/CN112949487A/zh
Publication of CN112949487A publication Critical patent/CN112949487A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于WiFi的船舶驾驶室值班人员数量检测方法及系统，该方法包括步骤：1)采集表征环境状态的无线信号得到原始状态信号；2)对原始数据信号进行解析，得到CSI信号；3)对所述CSI信号进行预处理，筛选出对环境感知敏感程度较高的子载波；4)对预处理后的CSI信号进行频域和时域特征提取，得到CSI特征信号；5)提取一个滑动窗口W内连续的CSI信号，分析其时域和频域信息，计算出在该信息下不同人员数量的统计特征；6)对计算得到的人员数量统计特征，利用支持向量机算法进行分类识别，识别船舶驾驶室值班人员数量。本发明可以有效实现对船舶驾驶室值班人员数量检测。

Description

一种基于WiFi的船舶驾驶室人员数量检测方法及系统
技术领域
本发明涉及船舶信息自动化技术，尤其涉及一种基于WiFi的船舶驾驶室人员数量检测方法及系统。
背景技术
近年来，随着我国航运业的快速发展和水上交通量的迅速增加，船舶航行安全一直以来都是社会关注的热点，船舶在航行过程中，驾驶室需要根据船舶航行情况保持一定数量的值班人员对船舶进行操纵和控制，以预防船舶失去控制或者偏离预定航线从而发生水上交通事故。
现有的大多数人员数量检测方法一般用到的是图像识别技术，通过摄像头采集环境信息，然后通过对固定图像模式的特征提取来完成判断，但是这种方法存在诸多限制，如船舶夜间航行会将驾驶室光线调至很暗来辨别灯塔、灯标等物标，同时监控死角和侵犯隐私等问题的存在也限制了该技术的应用。还有基于红外传感器的检测方法，但是部署成本高，后期维护困难。
本发明提出一种基于WiFi的船舶驾驶值班人员数量检测方法，针对船舶驾驶室的特殊环境进行值班人员的数量检测，目前利用WiFi进行人员检测存在一定的人数上限，但是在船舶驾驶室内，值班人员实际都不会超过4人，因此利用WiFi实现船舶驾驶室值班人员数量检测是可行的。该方法不仅能够克服传统监控手段的不足，还具有保护个人隐私、经济实惠、的优点，为船舶安全航行和船舶驾驶室人员管理提供了新的解决方案。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于WiFi的船舶驾驶室人员数量检测方法及系统。
本发明解决其技术问题所采用的技术方案是：一种基于WiFi的船舶驾驶室人员数量检测方法，包括以下步骤：
1)部署设备采集船舶驾驶室内表征环境状态的无线信号得到原始数据信号；其中，将船舶驾驶室内无人员状态下采集的WiFi信号作为静态基准数据；
2)对原始数据信号进行解析，得到CSI(信道状态信息)信号；获得CSI信号的信道频率响应和单个子载波的信道频率响应；
CSI(信道状态信息)信号的信道频率响应公式为：
Y(f,t)＝H(f,t)×X(f,t)
其中，Y(f,t)为t时刻接收端信号的频域表示，X(f,t)为t时刻发射端信号的频域表示，H(f,t)为t时刻的信道频率响应；
单个子载波的信道频率响应为：
H(fk)＝[H(f1),H(f2),…，H(fN)]
其中，H(fk)为中心频率为fk的第k个子载波的CSI信息，||H(fk)||为子载波的幅度信息，∠H(fk)为子载波的相位信息；
3)对获得的CSI信号进行预处理，筛选出对环境感知敏感程度高的n个子载波；具体如下：
筛选出对人员数量敏感的子载波，利用KL散度来衡量子载波对环境感知敏感程度的差异性，根据KL散度的定义和公式计算此时采集到的CSI数据与标准静态环境中的CSI数据之间的KL散度DKL(k)，是一组30维的向量，其中包含了当前环境下的30个子载波与标准静态环境中的30个子载波分布之间的KL散度信息；
Figure BDA0002956999750000031
其中，P和Q分别表示当前环境和标准环境下两种分布的概率密度，k表示子载波数量；
KL散度越大，则表示分布之间的差异越大，因此直接比较30个子载波的KL散度，保留KL散度最大的n个子载波{k|max[DKL(k)]}作为敏感子载波，用作人员数量检测的基础数据；
4)对筛选出的子载波信号进行频域和时域特征提取，得到CSI特征信号；
4.1)对所述CSI信号进行预处理，以获得其时域和频域信息，其中，CSI信号进行预处理得到真实相位的方法为：
Figure BDA0002956999750000041
其中，
Figure BDA0002956999750000042
为真实相位，ki为子载波标签，φi为第i个子载波测得的相位；
Figure BDA0002956999750000043
的具体表达式为：
Figure BDA0002956999750000044
其中δ为时间偏移，β为载波频率偏移带来的相位误差，Z为噪声干扰；
其中，系数a与b的表达式为：
Figure BDA0002956999750000045
Figure BDA0002956999750000046
如果子载波频率是对称的，则
Figure BDA0002956999750000047
5)提取一个滑动窗口W内连续的CSI信号，分析其时域和频域信息，计算出在该信息下不同人员数量的统计特征；
6)对计算得到的人员数量统计特征，利用支持向量机算法进行分类识别，识别船舶驾驶室值班人员数量。
按上述方案，所述步骤4)中分析其时域和频域信息，具体如下：
CSI的信道冲击响应反映的是CSI的能量-时延分布关系，公式如下，即能量h(τ)与时延τ之间的分布关系。
Figure BDA0002956999750000051
其中，其中ai、θi和τi分别表示第i条路径的幅度衰减、相位偏移和时延，N为信号传播路径总数量。
信号传播信道的功率时延分布是在一个区域之内计算|h(τ)|2对空间的平均值，因此，信道的功率延时分布表示为：
Figure BDA0002956999750000052
其中，λ表示信号增益，与信号发射和接受的功率相关；结合信号的强度与到达时间分布之间的联合关系，通过平均过量延时来评估信道的时延特性：
Figure BDA0002956999750000053
τm为第m个可侦测得到的接收信号脉冲的信号时延；
按上述方案，所述步骤5)中计算在该信息下不同人员数量的统计特征，具体如下：
5.1)若一个滑动时间窗口W包含T个测量值，则时频域中CSI矩阵M表示为:
Figure BDA0002956999750000061
上式中，Hi为滑动时间窗口内第i次采样时采集的CSI值，Sj为第j个子载波的CSI序列；
5.2)在时域中，为了测量不同时刻下人员数量的变化情况，得到每个时间段内的人员数量，将时间窗口W设置为30，具体计算公式如下：
Figure BDA0002956999750000062
其中，num表示人员数量，然后建立膨胀矩阵M0，为MC×30的全零矩阵，MC为矩阵分辨率，根据膨胀矩阵算法，每个子载波数据最终可得出一个百分比系数PER，一组样本CSInum，最终可得到一组包含30个子载波的百分比系数向量P，
Figure BDA0002956999750000063
按上述方案，所述膨胀矩阵算法具体如下：
首先根据CSI数据的幅度值定义膨胀矩阵M0；
矩阵维度为MC×P，其中，P表示CSI数据接收包数量，MC为矩阵分辨率，在初始矩阵中，所有的MC×P个元素均被初始化为“0”，当获取得到第i个CSI数据包的幅度值时，通过以下公式将幅度值C[i]，i＝1,2,...,k；转化为k；
Figure BDA0002956999750000071
将矩阵中第i列的第k行元素值从“0”置为“1”，最后会得到P个这样的k值，在矩阵M0每一列有且仅有一个“0”被置为“1”；设定R为矩阵的膨胀半径，指示被置为“1”的元素范围，此时，CSI的矩阵M0变为M，显示为1的格子代表被置为“1”的元素，包围格子的阴影区域即为矩阵膨胀后导致“1”元素周围元素全被置为“1”，此时被置为“1”的元素区域会发生重叠；
当环境中人员数量较少时，不同包的CSI幅值差距较小，计算得到的k值差距更小，假设相邻两包计算得到的k值差为1，则相邻两列被置为“1”的元素行差为1，则膨胀以后会形成很大的重叠区域，随着重叠区域的减少，阴影部分变大，在总区域中的占比也相应增大；
最后统计矩阵中为“1”的元素的个数，并计算其在总体中所占百分比PER，通过这个百分比数来映射监测区域内的人员数量。
按上述方案，所述步骤6)中利用支持向量机算法进行分类识别，识别船舶驾驶室值班人员数量，具体如下：
6.1)定义五种驾驶室值班人员数量状态，包括0人、1人、2人、3人、4人；
6.2)使用支持多类分类SVM对得到的人员数量特征进行分类，借助一对一分类实现人员数量特征数据集的建立；
6.3)将计算所得的驾驶室值班人员数量数据输入到每一个数据特征集中进行匹配，计算生成概率最大的模型所对应的状态即为该时刻船舶驾驶室值班人员数量。
根据上述方法，本发明还提供一种基于WiFi的船舶驾驶室人员数量检测系统，包括：
数据采集模块，用于采集船舶驾驶室内无线WiFi信号，获取信道状态信息；其中，将船舶驾驶室内无人员状态下采集的WiFi信号作为静态基准数据；
数据提取模块，用于从采集到的无线信号中获取出表征环境特征的CSI数据；
具体如下：对原始数据信号进行解析，得到CSI(信道状态信息)信号；获得CSI信号的信道频率响应和单个子载波的信道频率响应；
CSI(信道状态信息)信号的信道频率响应公式为：
Y(f,t)＝H(f,t)×X(f,t)
其中，Y(f,t)为t时刻接收端信号的频域表示，X(f,t)为t时刻发射端信号的频域表示，H(f,t)为t时刻的信道频率响应；
单个子载波的信道频率响应为：
H(fk)＝[H(f1),H(f2),…，H(fN)]
其中，H(fk)为中心频率为fk的第k个子载波的CSI信息，||H(fk)||为子载波的幅度信息，∠H(fk)为子载波的相位信息；
数据预处理模块，用于对数据采集模块获取的CSI数据预处理，筛选出对环境感知敏感程度较高的子载波；
对获得的CSI信号进行预处理后，利用KL散度筛选出对环境感知敏感程度高的n个子载波；具体如下：
筛选出对人员数量敏感的子载波，利用KL散度来衡量子载波对环境感知敏感程度的差异性，根据KL散度的定义和公式计算此时采集到的CSI数据与标准静态环境中的CSI数据之间的KL散度DKL(k)，是一组30维的向量，其中包含了当前环境下的30个子载波与标准静态环境中的30个子载波分布之间的KL散度信息；
Figure BDA0002956999750000091
其中，P和Q分别表示当前环境和标准环境下两种分布的概率密度，k表示子载波数量。
KL散度越大，则表示分布之间的差异越大，因此直接比较30个子载波的KL散度，保留KL散度最大的n个子载波{k|max[DKL(k)]}作为敏感子载波，用作人员数量检测的基础数据；
特征提取模块，用于提取一个滑动窗口W内连续的CSI信号，分析其时域和频域信息，计算出在该信息下不同人员数量的统计特征；
对筛选出的子载波信号进行频域和时域特征提取，得到CSI特征信号；
1)对CSI信号进行预处理，以获得其时域和频域信息，其中，CSI信号进行预处理得到真实相位的方法为：
Figure BDA0002956999750000101
其中，
Figure BDA0002956999750000102
为真实相位，ki为子载波标签，φi为第i个子载波测得的相位；
Figure BDA0002956999750000103
的具体表达式为：
Figure BDA0002956999750000104
其中δ为时间偏移，β为载波频率偏移带来的相位误差，Z为噪声干扰；
其中，系数a与b的表达式为：
Figure BDA0002956999750000105
Figure BDA0002956999750000106
如果子载波频率是对称的，则
Figure BDA0002956999750000107
2)若一个滑动时间窗口W包含T个测量值，则时频域中CSI矩阵M表示为:
Figure BDA0002956999750000111
上式中，Hi为滑动时间窗口内第i次采样时采集的CSI值，Sj为第j个子载波的CSI序列；
3)在时域中，为了测量不同时刻下人员数量的变化情况，得到每个时间段内的人员数量，将时间窗口W设置为30，具体计算公式如下：
Figure BDA0002956999750000112
其中，num表示人员数量，然后建立膨胀矩阵M0，为MC×30的全零矩阵，MC为矩阵分辨率，根据膨胀矩阵算法，每个子载波数据最终可得出一个百分比系数PER，一组样本CSInum，最终可得到一组包含30个子载波的百分比系数向量P，
Figure BDA0002956999750000113
膨胀矩阵算法具体如下：
首先根据CSI数据的幅度值定义膨胀矩阵M0；
矩阵维度为MC×P，其中，P表示CSI数据接收包数量，MC为矩阵分辨率，在初始矩阵中，所有的MC×P个元素均被初始化为“0”，当获取得到第i个CSI数据包的幅度值时，通过以下公式将幅度值C[i]，i＝1,2,...,k；转化为k；
Figure BDA0002956999750000121
将矩阵中第i列的第k行元素值从“0”置为“1”，最后会得到P个这样的k值，在矩阵M0每一列有且仅有一个“0”被置为“1”；设定R为矩阵的膨胀半径，指示被置为“1”的元素范围，此时，CSI的矩阵M0变为M，显示为1的格子代表被置为“1”的元素，包围格子的阴影区域即为矩阵膨胀后导致“1”元素周围元素全被置为“1”，此时被置为“1”的元素区域会发生重叠；
当环境中人员数量较少时，不同包的CSI幅值差距较小，计算得到的k值差距更小，假设相邻两包计算得到的k值差为1，则相邻两列被置为“1”的元素行差为1，则膨胀以后会形成很大的重叠区域，随着重叠区域的减少，阴影部分变大，在总区域中的占比也相应增大；
最后统计矩阵中为“1”的元素的个数，并计算其在总体中所占百分比PER，通过这个百分比数来映射监测区域内的人员数量。
人员数量检测模块，用于通过支持向量机分类算法对特征提取模块计算所得的船舶驾驶室值班人员数量特征进行数据集的建立，识别船舶驾驶室值班人员数量；
对计算得到的人员数量统计特征，利用支持向量机算法进行分类识别，识别船舶驾驶室值班人员数量。
1)定义五种驾驶室值班人员数量状态，包括0人、1人、2人、3人、4人；
2)使用支持多类分类SVM对得到的人员数量特征进行分类，借助一对一分类实现人员数量特征数据集的建立；
3)将计算所得的驾驶室值班人员数量数据输入到每一个数据特征集中进行匹配，计算生成概率最大的模型所对应的状态即为该时刻船舶驾驶室值班人员数量。
本发明产生的有益效果是：
本发明采用普遍存在的商业WiFi设备实现了对船舶驾驶室值班人员数量检测，具有非侵入、保护室内人员隐私的优点，为船舶智能化管理、船舶驾驶室值班人员管理、船舶安全航行提供了保障。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例中船舶驾驶室值班人员数量检测方法的流程图；
图2是本发明实施例中船舶驾驶室值班人员数量检测方法的系统结构示意图；
图3是本发明实施例中对CSI信号进行预处理前后相位示意图；
图4是本发明实施例中不同人员数量下对应的CSI信号幅度示意图；
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，一种基于WiFi的船舶驾驶室值班人员数量检测方法。请参阅图1，该图是本发明实施中船舶驾驶室值班人员数量检测方法的整体流程图，所述方法由硬件设备实现，该方法包括以下步骤：
A、采集表征环境状态的无线信号得到原始状态信号；具体设备为：搭载了Ubuntu系统的工控机作为实验设备，选择使用内嵌Intel 5300商用无线网卡的工控机作为CSI数据采集设备；
步骤A具体包括以下步骤：
A1、采集船舶驾驶室内无人员状态下的WiFi信号作为基准数据；
A2、采集不同数量的人员在船舶驾驶室进行值班时的WiFi信号作为动态数据。
B、对原始数据信号进行解析，得到CSI(信道状态信息)信号；
步骤B具体包括以下步骤：
B1、对原始数据进行解析，得到CSI(信道状态信息)信号，频率响应公式为：
Y(f,t)＝H(f,t)×X(f,t)
其中，Y(f,t)和X(f,t)分别是接收端和发射端信号的频域表示，H(f,t)为t时刻的信道频率响应(CFR)，为一个复值
B2、单个子载波的信道频率响应为：
H(fk)＝[H(f1),H(f2),…，H(fN)]
其中H(fk)为中心频率为fk的第k个子载波的CSI信息，||H(fk)||为子载波的幅度信息，∠H(fk)为子载波的相位信息；
C、对CSI信号进行预处理，筛选出对环境感知敏感程度较高的子载波；
步骤C具体包括以下步骤：
C1、对所述CSI信号进行预处理，以获得其时域和频域信息，其中，CSI信号进行预处理得到真实相位的方法为：
Figure BDA0002956999750000151
其中，
Figure BDA0002956999750000152
为真实相位，ki为子载波标签，φi为第i个子载波测得的相位；
Figure BDA0002956999750000153
的具体表达式为：
Figure BDA0002956999750000154
其中δ为时间偏移，β为载波频率偏移带来的相位误差，Z为噪声干扰；
C2、a与b的表达式为：
Figure BDA0002956999750000161
Figure BDA0002956999750000162
如果子载波频率是对称的，则
Figure BDA0002956999750000163
C3、因为船舶环境的复杂性和特殊性，本发明选择借助敏感子载波来过滤外界环境的影响，筛选出对人员数量较为敏感的子载波，利用KL散度来衡量子载波对环境感知敏感程度的差异性，根据KL散度的定义和公式计算此时采集到的CSI数据与标准静态环境中的CSI数据之间的KL散度DKL(k)，是一组30维的向量，其中包含了当前环境下的30个子载波与标准静态环境中的30个子载波分布之间的KL散度信息。
Figure BDA0002956999750000164
KL散度越大，则表示分布之间的差异越大，因此直接比较30个子载波的KL散度，保留KL散度最大的n个子载波{k|max[DKL(k)]}作为敏感子载波，用作人员数量检测的基础数据。
D、对预处理后的CSI信号进行频域和时域特征提取，得到CSI特征信号；
步骤D具体包括以下步骤：
D1、对预处理后的CSI信号进行特征提取，准确刻画CSI的幅度值变化特征，本发明使用膨胀矩阵算法描述人员数量的变化对于CSI信息的幅度值波动之间的影响关系。
首先基CSI数据的幅度值定义膨胀矩阵M0，矩阵维度为MC×P，其中P表示CSI数据接收包数量，MC称为矩阵分辨率，在初始矩阵中，所有的MC×P个元素均被初始化为“0”。当获取得到第i个CSI数据包的幅度值时，通过下列公式将幅度值C[i](i＝1,2,...,k)转化为k。
Figure BDA0002956999750000171
将矩阵中第i列的第k行元素值从“0”置为“1”，最后会得到P个这样的k值，在矩阵M0每一列有且仅有一个“0”被置为“1”。设定R为矩阵的膨胀半径，指示被置为“1”的元素范围，此时，CSI的矩阵M0变为M，显示为1的格子代表被置为“1”的元素，包围格子的阴影区域即为矩阵膨胀后导致“1”元素周围元素全被置为“1”，此时被置为“1”的元素区域会发生重叠。当环境中人员数量较少时，不同包的CSI幅值差距较小，计算得到的k值差距更小，假设相邻两包计算得到的k值差为1，则相邻两列被置为“1”的元素行差为1，则膨胀以后会形成很大的重叠区域，随着重叠区域的减少，阴影部分变大，在总区域中的占比也相应增大。
最后统计矩阵中为“1”的元素的个数，并计算其在总体中所占百分比PER，通过这个百分比数来映射监测区域内的人员数量。
D2、CSI的信道冲击响应反映的是CSI的能量-时延分布关系，即能量h(τ)与τ之间的分布关系。
Figure BDA0002956999750000181
信号传播信道的功率时延分布是在一个区域之内计算|h(τ)|2对空间的平均值，因此，信道的功率延时分布便可以表示为：
Figure BDA0002956999750000182
其中k表示信号增益，与信号发射和接受的功率相关。结合信号的强度与到达时间分布之间的联合关系，通过平均过量延时来评估信道的时延特性：
Figure BDA0002956999750000183
τ指以第一个可侦测得到的接收信号脉冲为基准来测量，将τ0设为0。与信号时延相关的参数受环境因素影响很大，当信号处于绝对静态环境中时，这些参数的值不会随着时间而改变，因此用信道的时延参数来实现对环境中人员数量的估算。
E、提取一个滑动窗口W内连续的CSI信号，分析其时域和频域信息，计算出不同人员数量的统计特征。
步骤E具体包括以下步骤：
E1、若一个时间窗口包含T个测量值，则时频域中CSI矩阵M表示为：
Figure BDA0002956999750000191
上式中，Hi为滑动时间窗口内第i次采样时采集的CSI值，Sj为第j个子载波的CSI序列；
E2、在时域中，为了测量不同时刻下人员数量的变化情况，得到每个时间段内的人员数量，将时间窗口设置为30，从而得到样本数据，具体计算公式如下：
Figure BDA0002956999750000192
其中，num表示人员数量，然后建立膨胀矩阵M0(将Mc设为1000)，为1000×30的全零矩阵。根据膨胀矩阵算法，每个子载波数据最终可得出一个百分比系数PER，一组样本CSInum，最终可得到一组包含30个子载波的百分比系数向量P。
Figure BDA0002956999750000193
F、对计算得到的人员数量统计特征，利用支持向量机算法进行分类识别，识别船舶驾驶室值班人员数量；
步骤F具体包括以下步骤：
F1、定义五种驾驶室值班人员数量状态，包括0人、1人、2人、3人、4人；
F2、使用支持多类分类SVM对得到的人员数量特征进行分类来，借助一对一分类实现人员数量特征数据集的建立；
F3、将计算所得的驾驶室值班人员数量数据输入到每一个数据特征集中进行匹配，计算生成概率最大的模型所对应的状态即为该时刻船舶驾驶室值班人员数量。
参见图3，图3是本发明实施例中对CSI信号进行预处理前后相位示意图，包括：对CSI信号进行预处理前相位及对CSI信号进行解卷绕后相位。由图中可见，原始的相位分布非常杂乱，经过处理后相位变得更加稳定、更为规律。
参见图4，图4是本发明实施例中船舶驾驶室值班人员不同数量状态下的CSI信号幅度示意图，包括：无人状态下的CSI信号幅度，存在1人的CSI信号幅度，存在2人的CSI信号幅度，存在3人的CSI信号幅度，存在4人的CSI信号幅度。由图中可见，当船舶驾驶室存在值班人员时，子载波幅度会发生明显变化，人数越多，变化越剧烈，由此可以准确测得船舶驾驶室值班人员数量。
根据上述方法，我们可以得到对应的船舶驾驶室值班人员数量检测系统，该系统包括：
数据采集模块，用于采集船舶驾驶室内无线WiFi信号，获取信道状态信息；其中，将船舶驾驶室内无人员状态下采集的WiFi信号作为静态基准数据；
数据提取模块，用于从采集到的无线信号中获取出表征环境特征的CSI数据；
具体如下：对原始数据信号进行解析，得到CSI(信道状态信息)信号；获得CSI信号的信道频率响应和单个子载波的信道频率响应；
CSI(信道状态信息)信号的信道频率响应公式为：
Y(f,t)＝H(f,t)×X(f,t)
其中，Y(f,t)为t时刻接收端信号的频域表示，X(f,t)为t时刻发射端信号的频域表示，H(f,t)为t时刻的信道频率响应；
单个子载波的信道频率响应为：
H(fk)＝[H(f1),H(f2),…，H(fN)]
其中，H(fk)为中心频率为fk的第k个子载波的CSI信息，||H(fk)||为子载波的幅度信息，∠H(fk)为子载波的相位信息；
数据预处理模块，用于对数据采集模块获取的CSI数据依次进行滤波、多径去除以及降维处理，筛选出对环境感知敏感程度较高的子载波；
对筛选出的子载波信号进行频域和时域特征提取，得到CSI特征信号；
1)对CSI信号进行预处理，以获得其时域和频域信息，其中，CSI信号进行预处理得到真实相位的方法为：
Figure BDA0002956999750000221
其中，
Figure BDA0002956999750000222
为真实相位，ki为子载波标签，φi为第i个子载波测得的相位；
Figure BDA0002956999750000223
的具体表达式为：
Figure BDA0002956999750000224
其中δ为时间偏移，β为载波频率偏移带来的相位误差，Z为噪声干扰；
其中，系数a与b的表达式为：
Figure BDA0002956999750000225
Figure BDA0002956999750000226
如果子载波频率是对称的，则
Figure BDA0002956999750000227
2)对获得的CSI信号进行预处理后，利用KL散度筛选出对环境感知敏感程度高的n个子载波；具体如下：
筛选出对人员数量敏感的子载波，利用KL散度来衡量子载波对环境感知敏感程度的差异性，根据KL散度的定义和公式计算此时采集到的CSI数据与标准静态环境中的CSI数据之间的KL散度DKL(k)，是一组30维的向量，其中包含了当前环境下的30个子载波与标准静态环境中的30个子载波分布之间的KL散度信息；
Figure BDA0002956999750000231
其中，P和Q分别表示当前环境和标准环境下两种分布的概率密度，k表示子载波数量。
KL散度越大，则表示分布之间的差异越大，因此直接比较30个子载波的KL散度，保留KL散度最大的n个子载波{k|max[DKL(k)]}作为敏感子载波，用作人员数量检测的基础数据；
特征提取模块，用于提取一个滑动窗口W内连续的CSI信号，分析其时域和频域信息，计算出在该信息下不同人员数量的统计特征；
1)若一个滑动时间窗口W包含T个测量值，则时频域中CSI矩阵M表示为:
Figure BDA0002956999750000232
上式中，Hi为滑动时间窗口内第i次采样时采集的CSI值，Sj为第j个子载波的CSI序列；
2)在时域中，为了测量不同时刻下人员数量的变化情况，得到每个时间段内的人员数量，将时间窗口W设置为30，具体计算公式如下：
Figure BDA0002956999750000241
其中，num表示人员数量，然后建立膨胀矩阵M0，为MC×30的全零矩阵，MC为矩阵分辨率，根据膨胀矩阵算法，每个子载波数据最终可得出一个百分比系数PER，一组样本CSInum，最终可得到一组包含30个子载波的百分比系数向量P，
Figure BDA0002956999750000242
膨胀矩阵算法具体如下：
首先根据CSI数据的幅度值定义膨胀矩阵M0；
矩阵维度为MC×P，其中，P表示CSI数据接收包数量，MC为矩阵分辨率，在初始矩阵中，所有的MC×P个元素均被初始化为“0”，当获取得到第i个CSI数据包的幅度值时，通过以下公式将幅度值C[i]，i＝1,2,...,k；转化为k；
Figure BDA0002956999750000243
将矩阵中第i列的第k行元素值从“0”置为“1”，最后会得到P个这样的k值，在矩阵M0每一列有且仅有一个“0”被置为“1”；设定R为矩阵的膨胀半径，指示被置为“1”的元素范围，此时，CSI的矩阵M0变为M，显示为1的格子代表被置为“1”的元素，包围格子的阴影区域即为矩阵膨胀后导致“1”元素周围元素全被置为“1”，此时被置为“1”的元素区域会发生重叠；
当环境中人员数量较少时，不同包的CSI幅值差距较小，计算得到的k值差距更小，假设相邻两包计算得到的k值差为1，则相邻两列被置为“1”的元素行差为1，则膨胀以后会形成很大的重叠区域，随着重叠区域的减少，阴影部分变大，在总区域中的占比也相应增大；
最后统计矩阵中为“1”的元素的个数，并计算其在总体中所占百分比PER，通过这个百分比数来映射监测区域内的人员数量。
人员数量检测模块，用于通过支持向量机分类算法对特征提取模块计算所得的船舶驾驶室值班人员数量特征进行数据集的建立，识别船舶驾驶室值班人员数量；
对计算得到的人员数量统计特征，利用支持向量机算法进行分类识别，识别船舶驾驶室值班人员数量。
1)定义五种驾驶室值班人员数量状态，包括0人、1人、2人、3人、4人；
2)使用支持多类分类SVM对得到的人员数量特征进行分类，借助一对一分类实现人员数量特征数据集的建立；
3)将计算所得的驾驶室值班人员数量数据输入到每一个数据特征集中进行匹配，计算生成概率最大的模型所对应的状态即为该时刻船舶驾驶室值班人员数量。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (6)

1.一种基于WiFi的船舶驾驶室人员数量检测方法，其特征在于，包括以下步骤：
1)部署设备采集船舶驾驶室内表征环境状态的无线信号得到原始数据信号；其中，将船舶驾驶室内无人员状态下采集的WiFi信号作为静态基准数据；
2)对原始数据信号进行解析，得到CSI信号；获得CSI信号的信道频率响应和单个子载波的信道频率响应；
CSI信号的信道频率响应公式为：
Y(f,t)＝H(f,t)×X(f,t)
其中，Y(f,t)为t时刻接收端信号的频域表示，X(f,t)为t时刻发射端信号的频域表示，H(f,t)为t时刻的信道频率响应；
单个子载波的信道频率响应为：
H(fk)＝[H(f1),H(f2),…，H(fN)]
其中，H(fk)为中心频率为fk的第k个子载波的CSI信息，||H(fk)||为子载波的幅度信息，∠H(fk)为子载波的相位信息；
3)对获得的CSI信号进行预处理，筛选出对环境感知敏感程度高的n个子载波；具体如下：
筛选出对人员数量敏感的子载波，利用KL散度来衡量子载波对环境感知敏感程度的差异性，根据KL散度的定义和公式计算此时采集到的CSI数据与标准静态环境中的CSI数据之间的KL散度DKL(k)，是一组30维的向量，其中包含了当前环境下的30个子载波与标准静态环境中的30个子载波分布之间的KL散度信息；
Figure FDA0002956999740000021
其中，P和Q分别表示当前环境和标准环境下两种分布的概率密度，k表示子载波数量；
KL散度越大，则表示分布之间的差异越大，因此直接比较30个子载波的KL散度，保留KL散度最大的n个子载波{k|max[DKL(k)]}作为敏感子载波，用作人员数量检测的基础数据；
4)对筛选出的子载波信号进行频域和时域特征提取，得到CSI特征信号；
4.1)对所述CSI信号进行预处理，以获得其时域和频域信息，其中，CSI信号进行预处理得到真实相位的方法为：
Figure FDA0002956999740000022
其中，
Figure FDA0002956999740000023
为真实相位，ki为子载波标签，φi为第i个子载波测得的相位；
Figure FDA0002956999740000024
的具体表达式为：
Figure FDA0002956999740000025
其中δ为时间偏移，β为载波频率偏移带来的相位误差，Z为噪声干扰；
其中，系数a与b的表达式为：
Figure FDA0002956999740000031
Figure FDA0002956999740000032
如果子载波频率是对称的，则
Figure FDA0002956999740000033
5)提取一个滑动窗口W内连续的CSI信号，分析其时域和频域信息，计算出在该信息下不同人员数量的统计特征；
6)对计算得到的人员数量统计特征，利用支持向量机算法进行分类识别，识别船舶驾驶室值班人员数量。
2.根据权利要求1所述的基于WiFi的船舶驾驶室人员数量检测方法，其特征在于，所述步骤4)中分析其时域和频域信息，具体如下：
CSI的信道冲击响应反映的是CSI的能量-时延分布关系，公式如下，即能量h(τ)与时延τ之间的分布关系。
Figure FDA0002956999740000034
其中，其中ai、θi和τi分别表示第i条路径的幅度衰减、相位偏移和时延，N为信号传播路径总数量。
信号传播信道的功率时延分布是在一个区域之内计算|h(τ)|2对空间的平均值，因此，信道的功率延时分布表示为：
Figure FDA0002956999740000041
其中，λ表示信号增益，与信号发射和接受的功率相关；结合信号的强度与到达时间分布之间的联合关系，通过平均过量延时来评估信道的时延特性：
Figure FDA0002956999740000042
τm为第m个可侦测得到的接收信号脉冲的信号时延。
3.根据权利要求1所述的基于WiFi的船舶驾驶室人员数量检测方法，其特征在于，所述步骤5)中计算在该信息下不同人员数量的统计特征，具体如下：
5.1)若一个滑动时间窗口W包含T个测量值，则时频域中CSI矩阵M表示为:
Figure FDA0002956999740000043
上式中，Hi为滑动时间窗口内第i次采样时采集的CSI值，Sj为第j个子载波的CSI序列；
5.2)在时域中，为了测量不同时刻下人员数量的变化情况，得到每个时间段内的人员数量，将时间窗口W设置为30，具体计算公式如下：
Figure FDA0002956999740000051
其中，num表示人员数量，然后建立膨胀矩阵M0，为MC×30的全零矩阵，MC为矩阵分辨率，根据膨胀矩阵算法，每个子载波数据最终可得出一个百分比系数PER，一组样本CSInum，最终可得到一组包含30个子载波的百分比系数向量P，
Figure FDA0002956999740000052
Figure FDA0002956999740000053
4.根据权利要求1所述的基于WiFi的船舶驾驶室人员数量检测方法，其特征在于，所述膨胀矩阵算法具体如下：
首先根据CSI数据的幅度值定义膨胀矩阵M0；
矩阵维度为MC×P，其中，P表示CSI数据接收包数量，MC为矩阵分辨率，在初始矩阵中，所有的MC×P个元素均被初始化为“0”，当获取得到第i个CSI数据包的幅度值时，通过以下公式将幅度值C[i]，i＝1,2,...,k；转化为k；
Figure FDA0002956999740000054
将矩阵中第i列的第k行元素值从“0”置为“1”，最后会得到P个这样的k值，在矩阵M0每一列有且仅有一个“0”被置为“1”；设定R为矩阵的膨胀半径，指示被置为“1”的元素范围，此时，CSI的矩阵M0变为M，显示为1 的格子代表被置为“1”的元素，包围格子的阴影区域即为矩阵膨胀后导致“1”元素周围元素全被置为“1”，此时被置为“1”的元素区域会发生重叠；
当环境中人员数量较少时，不同包的CSI幅值差距较小，计算得到的k值差距更小，假设相邻两包计算得到的k值差为1，则相邻两列被置为“1”的元素行差为1，则膨胀以后会形成很大的重叠区域，随着重叠区域的减少，阴影部分变大，在总区域中的占比也相应增大；
最后统计矩阵中为“1”的元素的个数，并计算其在总体中所占百分比PER，通过这个百分比数来映射监测区域内的人员数量。
5.根据权利要求1所述的基于WiFi的船舶驾驶室人员数量检测方法，其特征在于，所述步骤6)中利用支持向量机算法进行分类识别，识别船舶驾驶室值班人员数量，具体如下：
6.1)定义五种驾驶室值班人员数量状态，包括0人、1人、2人、3人、4人；
6.2)使用支持多类分类SVM对得到的人员数量特征进行分类，借助一对一分类实现人员数量特征数据集的建立；
6.3)将计算所得的驾驶室值班人员数量数据输入到每一个数据特征集中进行匹配，计算生成概率最大的模型所对应的状态即为该时刻船舶驾驶室值班人员数量。
6.一种基于WiFi的船舶驾驶室人员数量检测系统，其特征在于，包括：
数据采集模块，用于采集船舶驾驶室内无线WiFi信号，获取信道状态信息；其中，将船舶驾驶室内无人员状态下采集的WiFi信号作为静态基准数据；
数据提取模块，用于从采集到的无线信号中获取出表征环境特征的CSI数据；
具体如下：对原始数据信号进行解析，得到CSI(信道状态信息)信号；获得CSI信号的信道频率响应和单个子载波的信道频率响应；
CSI(信道状态信息)信号的信道频率响应公式为：
Y(f,t)＝H(f,t)×X(f,t)
其中，Y(f,t)为t时刻接收端信号的频域表示，X(f,t)为t时刻发射端信号的频域表示，H(f,t)为t时刻的信道频率响应；
单个子载波的信道频率响应为：
H(fk)＝[H(f1),H(f2),…，H(fN)]
其中，H(fk)为中心频率为fk的第k个子载波的CSI信息，||H(fk)||为子载波的幅度信息，∠H(fk)为子载波的相位信息；
数据预处理模块，用于对数据采集模块获取的CSI数据预处理，筛选出对环境感知敏感程度较高的子载波；
对获得的CSI信号进行预处理后，利用KL散度筛选出对环境感知敏感程度高的n个子载波；具体如下：
筛选出对人员数量敏感的子载波，利用KL散度来衡量子载波对环境感知敏感程度的差异性，根据KL散度的定义和公式计算此时采集到的CSI数据与标准静态环境中的CSI数据之间的KL散度DKL(k)，是一组30维的向量，其中包含了当前环境下的30个子载波与标准静态环境中的30个子载波分布之间的KL散度信息；
Figure FDA0002956999740000081
其中，P和Q分别表示当前环境和标准环境下两种分布的概率密度，k表示子载波数量。
KL散度越大，则表示分布之间的差异越大，因此直接比较30个子载波的KL散度，保留KL散度最大的n个子载波{k|max[DKL(k)]}作为敏感子载波，用作人员数量检测的基础数据；
特征提取模块，用于提取一个滑动窗口W内连续的CSI信号，分析其时域和频域信息，计算出在该信息下不同人员数量的统计特征；
对筛选出的子载波信号进行频域和时域特征提取，得到CSI特征信号；
1)对CSI信号进行预处理，以获得其时域和频域信息，其中，CSI信号进行预处理得到真实相位的方法为：
Figure FDA0002956999740000091
其中，
Figure FDA0002956999740000092
为真实相位，ki为子载波标签，φi为第i个子载波测得的相位；
Figure FDA0002956999740000093
的具体表达式为：
Figure FDA0002956999740000094
其中δ为时间偏移，β为载波频率偏移带来的相位误差，Z为噪声干扰；
其中，系数a与b的表达式为：
Figure FDA0002956999740000095
Figure FDA0002956999740000096
如果子载波频率是对称的，则
Figure FDA0002956999740000097
2)若一个滑动时间窗口W包含T个测量值，则时频域中CSI矩阵M表示为:
Figure FDA0002956999740000098
上式中，Hi为滑动时间窗口内第i次采样时采集的CSI值，Sj为第j个子载波的CSI序列；
3)在时域中，为了测量不同时刻下人员数量的变化情况，得到每个时间段内的人员数量，将时间窗口W设置为30，具体计算公式如下：
Figure FDA0002956999740000101
其中，num表示人员数量，然后建立膨胀矩阵M0，为MC×30的全零矩阵，MC为矩阵分辨率，根据膨胀矩阵算法，每个子载波数据最终可得出一个百分比系数PER，一组样本CSInum，最终可得到一组包含30个子载波的百分比系数向量P，
Figure FDA0002956999740000102
Figure FDA0002956999740000103
膨胀矩阵算法具体如下：
首先根据CSI数据的幅度值定义膨胀矩阵M0；
矩阵维度为MC×P，其中，P表示CSI数据接收包数量，MC为矩阵分辨率，在初始矩阵中，所有的MC×P个元素均被初始化为“0”，当获取得到第i个CSI数据包的幅度值时，通过以下公式将幅度值C[i]，i＝1,2,...,k；转化为k；
Figure FDA0002956999740000104
将矩阵中第i列的第k行元素值从“0”置为“1”，最后会得到P个这样的k值，在矩阵M0每一列有且仅有一个“0”被置为“1”；设定R为矩阵的膨胀半径，指示被置为“1”的元素范围，此时，CSI的矩阵M0变为M，显示为1 的格子代表被置为“1”的元素，包围格子的阴影区域即为矩阵膨胀后导致“1”元素周围元素全被置为“1”，此时被置为“1”的元素区域会发生重叠；
当环境中人员数量较少时，不同包的CSI幅值差距较小，计算得到的k值差距更小，假设相邻两包计算得到的k值差为1，则相邻两列被置为“1”的元素行差为1，则膨胀以后会形成很大的重叠区域，随着重叠区域的减少，阴影部分变大，在总区域中的占比也相应增大；
最后统计矩阵中为“1”的元素的个数，并计算其在总体中所占百分比PER，通过这个百分比数来映射监测区域内的人员数量。
人员数量检测模块，用于通过支持向量机分类算法对特征提取模块计算所得的船舶驾驶室值班人员数量特征进行数据集的建立，识别船舶驾驶室值班人员数量；
对计算得到的人员数量统计特征，利用支持向量机算法进行分类识别，识别船舶驾驶室值班人员数量。
1)定义五种驾驶室值班人员数量状态，包括0人、1人、2人、3人、4人；
2)使用支持多类分类SVM对得到的人员数量特征进行分类，借助一对一分类实现人员数量特征数据集的建立；
3)将计算所得的驾驶室值班人员数量数据输入到每一个数据特征集中进行匹配，计算生成概率最大的模型所对应的状态即为该时刻船舶驾驶室值班人员数量。
CN202110227313.0A 2021-03-01 2021-03-01 一种基于WiFi的船舶驾驶室人员数量检测方法及系统 Pending CN112949487A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110227313.0A CN112949487A (zh) 2021-03-01 2021-03-01 一种基于WiFi的船舶驾驶室人员数量检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110227313.0A CN112949487A (zh) 2021-03-01 2021-03-01 一种基于WiFi的船舶驾驶室人员数量检测方法及系统

Publications (1)

Publication Number Publication Date
CN112949487A true CN112949487A (zh) 2021-06-11

Family

ID=76247069

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110227313.0A Pending CN112949487A (zh) 2021-03-01 2021-03-01 一种基于WiFi的船舶驾驶室人员数量检测方法及系统

Country Status (1)

Country Link
CN (1) CN112949487A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116205469A (zh) * 2023-05-05 2023-06-02 武汉理工大学 一种基于物理信道的船舶驾驶员活跃状态监测方法及装置
CN116245425A (zh) * 2023-05-04 2023-06-09 武汉理工大学 一种基于无线信号的船舶值班人员警觉性表征评估方法
CN116304844A (zh) * 2023-05-23 2023-06-23 山东科技大学 一种人员进出计数统计系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107992882A (zh) * 2017-11-20 2018-05-04 电子科技大学 一种基于WiFi信道状态信息和支持向量机的室内人数统计方法
CN108197612A (zh) * 2018-02-05 2018-06-22 武汉理工大学 一种船舶敏感区检测人员入侵的方法及系统
CN110958568A (zh) * 2019-11-25 2020-04-03 武汉理工大学 基于WiFi的船舶驾驶室人员值班行为识别方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107992882A (zh) * 2017-11-20 2018-05-04 电子科技大学 一种基于WiFi信道状态信息和支持向量机的室内人数统计方法
CN108197612A (zh) * 2018-02-05 2018-06-22 武汉理工大学 一种船舶敏感区检测人员入侵的方法及系统
CN110958568A (zh) * 2019-11-25 2020-04-03 武汉理工大学 基于WiFi的船舶驾驶室人员值班行为识别方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈家豪: "基于信道状态信息的船舶舱室人员入侵感知方法研究", 《万方数据库》, pages 2 - 4 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116245425A (zh) * 2023-05-04 2023-06-09 武汉理工大学 一种基于无线信号的船舶值班人员警觉性表征评估方法
CN116205469A (zh) * 2023-05-05 2023-06-02 武汉理工大学 一种基于物理信道的船舶驾驶员活跃状态监测方法及装置
CN116304844A (zh) * 2023-05-23 2023-06-23 山东科技大学 一种人员进出计数统计系统及方法
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

Similar Documents

Publication Publication Date Title
CN112949487A (zh) 一种基于WiFi的船舶驾驶室人员数量检测方法及系统
CN109672485B (zh) 基于信道状态信息室内人员实时入侵及运动速度检测方法
CN103812577B (zh) 非正常无线电信号的自动识别系统及其方法
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
CN107480699A (zh) 一种基于信道状态信息和支持向量机的入侵检测方法
CN108038419B (zh) 基于Wi-Fi的室内人员被动检测方法
CN111709329B (zh) 一种基于深度学习的无人机测控信号高速识别方法
CN106936517A (zh) 一种异常无线电信号的自动识别系统及其方法
CN114818916B (zh) 一种基于毫米波雷达多帧点云序列的道路目标分类方法
Chen et al. SWIM: Speed-aware WiFi-based passive indoor localization for mobile ship environment
CN111698258A (zh) 一种基于WiFi的环境入侵检测方法和系统
CN105979485A (zh) 基于信道状态信息的室内环境下人员检测方法
CN109347584A (zh) 基于指数平滑预测的频谱感知方法
CN112307969A (zh) 一种脉冲信号的分类辨识方法、装置及计算机设备
CN105721080A (zh) 一种频谱感知方法及装置
CN106230544A (zh) 一种汽车遥控干扰信号的监测识别与定位方法
CN115630276A (zh) 一种基于YOLOv5的雷达脉内调制类型快速识别方法
CN115797772A (zh) 一种架空输电线路覆冰厚度分类预警方法及系统
CN106100776B (zh) 基于无线台站网格监测系统的频谱感知方法
CN111817803A (zh) 一种基于相关系数和k-均值聚类算法的频谱感知方法、系统及计算机可读存储介质
Qiang Engineering design of electronic fence system based on intelligent monitoring and wireless local area network
CN110390273A (zh) 一种基于多核迁移学习的室内人员入侵检测方法
Alizadeh et al. Human activity recognition and people count for a smart public transportation system
Chen et al. MD-alarm: A novel manpower detection method for ship bridge watchkeeping using Wi-Fi signals
Yang et al. An identity perception algorithm based on WiFi channel state information

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