CN113225806A - 基于csi的室内人体定位方法及装置 - Google Patents
基于csi的室内人体定位方法及装置 Download PDFInfo
- Publication number
- CN113225806A CN113225806A CN202110011135.8A CN202110011135A CN113225806A CN 113225806 A CN113225806 A CN 113225806A CN 202110011135 A CN202110011135 A CN 202110011135A CN 113225806 A CN113225806 A CN 113225806A
- Authority
- CN
- China
- Prior art keywords
- csi
- data
- matrix
- point
- human body
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 238000000513 principal component analysis Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 48
- 230000004044 response Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 9
- 230000004807 localization Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0252—Radio frequency fingerprinting
-
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了基于CSI的室内人体定位方法及装置，属于人体定位技术领域，要解决的技术问题为如何基于CSI数据实现室内定位。方法包括：选取待定位区域并构建平面坐标系，在待定位区域内选取多个参考点，每个参考点在平面坐标系中存在横纵坐标；在离线阶段，对于每个参考点，采集所述参考点对应的CSI数据并对CSI数据进行滤波处理及主要成分分析处理，基于上述多个参考点的位置指纹构建位置指纹库；在在线阶段，对于待定点，采集待定点的CSI数据并对CSI数据进行滤波处理及主要成分分析处理，得到待定点的每个子载波的特征值；基于位置指纹库以及各个参考点的坐标以及每个参考点的坐标，通过KNN算法计算人体位计算待定点的坐标。
Description
技术领域
本发明涉及人体定位技术领域，具体地说是一种基于CSI的室内人体定位方法及装置。
背景技术
随着无线通信技术的发展与成熟，基于位置的服务(Location Based Service，LBS)也发展迅速，各种不同的定位技术也陆续涌现出来。如今，室外定位技术的发展已相当成熟，人们所熟知的全球定位系统(Global Positioning System，GPS)便是室外定位领域中的典范，其快速、精确的定位极大地便利了人们的日常生活。与室外相比，室内一般环境结构更加复杂，且室内的阻碍物经常产生各种干扰(例如阴影效应、多径效应等)，室内阻碍物越多、环境结构越复杂，接收机与卫星的信号传输过程受到的干扰便越大，对目标位置的估计影响越大，因此难以利用GPS实现室内环境下的高精度定位。而近年来，无线 WIFI技术飞速普及，拥有WLAN功能的硬件终端设备越来越广泛地布置在各种室内场所中，并且现在很多电子产品比如笔记本、平板、手机甚至是游戏掌机等都能够连接无线网络。由于其拥有部署成本不高、传输速度快、不用布置网线、作用范围大等优势，并且受非视距的影响较小，故利用WIFI信号来实现室内定位是一个不错的想法，也是当前室内定位领域的热门方向。
在一个房间中，WIFI信号从发送方发出，如同多条直线呈放射状发出，或直接到达接收方，或通过反射、折射等间接到达接收方，有多个路径。由于室内环境复杂多样，接收方收到的信号中含有大量能够表征周遭环境状态的信息，例如有无人体、人体静动状态、人体位置等。因此，可以研究人体对WIFI信号产生的影响来实现识别室内环境，待定位者不用配备任何硬件设备就能够获得该人体在室内的位置信息。早期基于WIFI信号的室内定位主要参量有接收信号强度指示(Received Signal Strength Indicator，RSSI)，信号强度差异(Signal Strength Difference，SSD)，到达时间(Time Of Arrival，TOA)，到达时间差(Time Difference Of Arrival，TDOA)等。其中，使用RSSI的指纹定位方法实现成本低，定位原理简明易懂，经若干次测量然后求均值就可获得比较精准的信号强度，故利用RSSI实现室内定位的技术较多。后来，随着正交频分复用 (Orthogonal Frequency DivisionMultiplexing，OFDM)技术的发展，基于IEEE 802.11n标准的信道状态信息(Channel StateInformation，CSI)可在室内定位中使用，为室内定位的研究提供了新思路。
在无线通信领域，CSI就是通信链路的信道属性。其描述了信号在各传播路径上的衰弱因子，也就是信道增益矩阵中各元素的值，包含了信号传播过程中信号散射，环境衰弱，距离衰减等信息。使用兼容IEEE 802.11a/g/n的无线网卡能从一个接收数据包中获取一组CSI，即一个子载波的信道冲击响应 (Channel Impulse Response，CIR)信息。
基于上述，如何基于CSI数据实现室内定位，是需要解决的技术问题。
发明内容
本发明的技术任务是针对以上不足，提供基于CSI的室内人体定位方法及装置，来解决如何基于CSI数据实现室内定位的技术问题。
第一方面，本发明提供一种基于CSI的室内人体定位方法，包括如下步骤：
选取待定位区域并构建平面坐标系，在待定位区域内选取多个参考点，每个参考点在平面坐标系中存在横纵坐标；
在离线阶段，对于每个参考点，采集所述参考点对应的CSI数据并对 CSI数据进行滤波处理及主要成分分析处理，得到所述参考点每个子载波的特征值，将所述参考点所有子载波的特征值作为所述参考点的位置指纹，基于上述多个参考点的位置指纹构建位置指纹库；
在在线阶段，对于待定点，采集所述待定点的CSI数据并对CSI数据进行滤波处理及主要成分分析处理，得到所述待定点的每个子载波的特征值；
基于位置指纹库以及各个参考点的坐标以及每个参考点的坐标，通过 KNN算法计算人体位计算待定点的坐标以及对应的坐标区域置。
作为优选，基于无线网卡及路由器返回的ICMP响应应答包，对物理层的WIFI信号进行解析，得到CSI数据，所述每组CSI数据为m×n×30×2的一维数组；
其中m表示路由器的个数，n表示接收天线的个数。
作为优选，基于无线网卡及路由器返回的ICMP响应应答包，对物理层的WIFI信号进行解析，得到CSI数据，包括如下步骤：
通过第一线程向指定IP地址发送ICMP响应请求包，接受返回的ICMP 响应应答包并进行检验；
通过第二线程进行系统内核和用户进程的通信；
系统内核从ICMP响应应答包中获得WIFI信号的各种特征信息；
第二线程对上述各种特征信息进行解析，得到CSI数据。
作为优选，对于CSI数据进行卡尔曼滤波处理。
作为优选，通过如下方法对输入的n组3×30的CIS数据进行主要成分分析：
对于输入的第i组3×30的CSI数据，将数据写入到3行30列的矩阵A 中；
对于矩阵A每一行进行零均值化，得到矩阵E；
计算矩阵E的协方差矩阵，记为矩阵EC；
通过函数eig计算矩阵EC的特征值及特征向量，计算公式为 [V,U]＝eig(EC')；
从矩阵U中选取数值最大的特征值；
从矩阵V中提取最大特征值对应的特征向量，写入1×a的矩阵P中；
判断P(1,1)＞0是否成立；
如果成立，进行如下计算：F＝PE，并输出矩阵F，对下一组CSI数据进行处理；
如果不成立，依次如下计算：P(1,1)＝-P(1,1)，P(1,2)＝-P(1,2)， P(1,3)＝-P(1,3)，F＝PE，并输出矩阵F，对下一组CSI数据进行处理。
作为优选，对CSI数据进行滤波处理并进行主要成分分析后，n组3×30 的CSI数据的CSI数据形式变为n组1×30的数据，上述数据看作n×30的形式，每个子载波均具有n个数据，对于每个子载波，对其具有的n个数据进行求均值计算，通过均值替代对应子载波的特征值；
在离线阶段，将上述30个子载波的特征值作为参考点的位置指纹。
作为优选，基于位置指纹库以及各个参考点的坐标，通过KNN算法计算人体位置，包括如下步骤：
基于构建的位置指纹库，通过KNN算法选出信号特征最接近待定位点的K个参考点；
基于上述K个参考点的坐标计算待定位点的坐标，并得到待定位点的坐标区域，上述待定位点的坐标区域作为人体位置。
第二方面，本发明提供一种装置，包括：至少一个存储器和至少一个处理器；
所述至少一个存储器，用于存储机器可读程序；
所述至少一个处理器，用于调用所述机器可读程序，执行第一方面任一所述的基于CSI的室内人体定位方法。
第三方面，本发明提供一种计算机可读介质，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行第一方面任一所述的基于CSI的室内人体定位方法。
本发明的基于CSI的室内人体定位方法及装置具有以下优点：
1、选取待定区域并构建对应的平面坐标系，在待定区域内选择参考点，每个参考点对应有横纵坐标，采集CSI数据并基于CSI数据计算子载波的特征值，将子载波的特征值作为参考点的位置指纹构建位置指纹库，并采集
设计合理、结构简单、易于加工、体积小、使用方便、一物多用等特点，因而，具有很好的推广使用价值。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
下面结合附图对本发明进一步说明。
图1为实施例1基于CSI的室内人体定位方法的流程框图；
图2为实施例1基于CSI的室内人体定位方法中数据采集流程框图；
图3为实施例1基于CSI的室内人体定位方法中卡尔曼滤波实现原理图；
图4为实施例1基于CSI的室内人体定位方法中主成分分析实现原理图；
图5实施例1基于CSI的室内人体定位方法中KNN算法实现原理图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互结合。
本发明实施例提供基于CSI的室内人体定位方法及装置，用于解决如何基于CSI数据实现室内定位的技术问题。
实施例1：
本发明的基于CSI的室内人体定位方法，包括如下步骤：
S100、选取待定位区域并构建平面坐标系，在待定位区域内选取多个参考点，每个参考点在平面坐标系中存在横纵坐标；
S200、在离线阶段，对于每个参考点，采集所述参考点对应的CSI数据并对CSI数据进行滤波处理及主要成分分析处理，得到所述参考点每个子载波的特征值，将所述参考点所有子载波的特征值作为所述参考点的位置指纹，基于上述多个参考点的位置指纹构建位置指纹库；
S300、在在线阶段，对于待定点，采集所述待定点的CSI数据并对CSI数据进行滤波处理及主要成分分析处理，得到所述待定点的每个子载波的特征值；
S400、基于位置指纹库以及各个参考点的坐标以及每个参考点的坐标，通过KNN算法计算人体位计算待定点的坐标以及对应的坐标区域置。
在实际采样中，使用配备有Intel 5300无线网卡的笔记本电脑，能得到 30个正交频分复用子载波的CIR样本，即实际得到的CSI为信道子载波组的集合，CSI的信道矩阵H可以表示为：
假如发送天线数(路由器)和接收天线数(设备)分别为m与n，则每个
为m ×n大小的矩阵，故采集到的每组CSI数据应为m×n×30的矩阵。
步骤S100中通过代码创建两个线程来实现。其中，一个线程用来以一定的频率向路由器发送ICMP响应请求包，并接收路由器发回的ICMP响应应答包；另一个线程则用来进行内核进程和用户进程的通信，利用笔记本配备的Intel 5300无线网卡和路由器发回的ICMP响应应答包，从而解析出CSI数据来。如图2所示，步骤如下：
(1)通过第一线程向指定IP地址发送ICMP响应请求包，接受返回的ICMP 响应应答包并进行检验；
(2)通过第二线程进行系统内核和用户进程的通信；
(3)系统内核从ICMP响应应答包中获得WIFI信号的各种特征信息；
(4)第二线程对上述各种特征信息进行解析，得到CSI数据。
本实施例中一个线程是用来以一定的频率向路由器发送ICMP响应请求包，并接收路由器发回的ICMP响应应答包；另一个线程的代码主体是经过一定修改整合的CSI tools的接口函数，该线程用来进行内核进程和用户进程的通信，利用笔记本配备的Intel 5300无线网卡和路由器发回的ICMP响应应答包，对物理层的信号进行一定的解析，从而采集到CSI数据，获取到的每组CSI原始数据形式是长度为m×n×30×2的一维数组。实验时使用的路由器有1根发射天线，笔记本有3根接收天线，故一组CSI原始数据共有180个数，计算幅值后为3×30个数。
刚获取到的CSI原始数据实际为复数形式，分为实部和虚部，即每组CSI 包含m×n×30×2个数，先计算获得每条天线每个子载波的幅值，然后对多组CSI 数据使用卡尔曼滤波和主成分分析进行处理，最终得到一组数据。
如图3所示，某一根天线上的30个子载波的卡尔曼滤波过程如上图所示。其中，n为CSI数据组数，i和k用来计数；s(k)为第k个数的最优估计值，p(k) 为第k个数的最优估计值的偏差；g(k)为第k个数的测量值，Q为每个数的测量值的偏差；x(k)是第k个数的预测值，pp是第k个数的预测值的偏差；l(k) 是第k个数的卡尔曼增益。实验时，路由器有1条发送天线，笔记本电脑有3 条接收天线，故要进行滤波的n组CSI数据共有3×n×30个数，分别对3根天线的数据都进行如图所示的卡尔曼滤波，即可满足实际滤波要求。
对n组3×30的CSI数据进行主成分分析的过程如图4图所示：
(1)对于输入的第i组3×30的CSI数据，将数据写入到3行30列的矩阵A 中；
(2)对于矩阵A每一行进行零均值化，得到矩阵E；
(3)计算矩阵E的协方差矩阵，记为矩阵EC；
(4)通过函数eig计算矩阵EC的特征值及特征向量，计算公式为 [V,U]＝eig(EC')；
(5)从矩阵U中选取数值最大的特征值；
(6)从矩阵V中提取最大特征值对应的特征向量，写入1×a的矩阵P中；
(7)判断P(1,1)＞0是否成立；
(8)如果成立，进行如下计算：F＝PE，并输出矩阵F，对下一组CSI数据进行处理；
如果不成立，依次如下计算：P(1,1)＝-P(1,1)，P(1,2)＝-P(1,2)，P(1,3)＝-P(1,3)， F＝PE，并输出矩阵F，对下一组CSI数据进行处理。
其中，n为CSI数据组数，函数eig的功能是求解矩阵EC的特征值及特征向量，特征值存放在矩阵U的对角线位置上，特征向量存放在矩阵V中。
为了能够建立比较精简的位置指纹库，在进行卡尔曼滤波和主成分分析后，还要进行最后的一小步处理。n组3×30的CSI数据经过卡尔曼滤波和PCA的处理后，其形式变为n组1×30的数据，这些数据可看作为n×30的形式，即每个子载波都有n个数值。对于每一个子载波，对其拥有的n个数据求均值，用这个均值来代表该子载波的特征值，最后得到30个子载波的特征值，这30 个数即可作为某个参考点的位置指纹。若共有L个参考点，那么离线阶段最终建立的位置指纹库就是一个L行30列的矩阵。、
最后基于位置指纹库以及各个参考点的坐标，通过KNN算法计算人体位置，包括如下步骤：首先，基于构建的位置指纹库，通过KNN算法选出信号特征最接近待定位点的K个参考点；然后，基于上述K个参考点的坐标计算待定位点的坐标，并得到待定位点的坐标区域，上述待定位点的坐标区域作为人体位置。具体的流程如图5所示。
在实际实验中，在某待定位点采集到的n组CSI数据经过一系列处理后，得到代表该待定位点的信号特征的一组数，这组数为30个子载波的特征值。在离线阶段中，选取L个参考点，建立的位置指纹库便是L×30的矩阵形式。利用代表该待定位点的这30个数和离线阶段建立的位置指纹库，执行KNN算法的过程如上图所示。其中，L为参考点个数，i用于计数，ad为k个参考点的权数和，w(i)为某个参考点的权数。利用KNN算法，结合位置指纹库，可计算得到待定位点的横纵坐标。
本发明的基于CSI的室内人体定位方法，在某待定位点采集到的n组CSI 数据经过一系列处理后，得到代表该待定位点的信号特征的一组数，这组数为 30个子载波的特征值。在离线阶段中，选取L个参考点，建立的位置指纹库便是L×30的矩阵形式。利用代表该待定位点的这30个数和离线阶段建立的位置指纹库。
本申请利用位置指纹进行定位的实现包括“离线阶段”和“在线阶段”这两个阶段。其中，在离线阶段需要选择好定位区域并且建立一个平面坐标系，然后在待定位区域设置若干参考点，每个参考点在坐标系中都有横纵坐标，布置好路由器和笔记本电脑后，人体静止站立在某个参考点上采集CSI数据，选取一定组数的CSI进行一系列处理，最终得到的一组数据便作为该参考点的位置指纹，对每一个参考点都进行这样的处理，那么每个参考点便都有了自己的“指纹”，位置指纹库得以建立；而在在线阶段，系统采集待定位点的CSI数据并进行处理，再利用位置指纹库和KNN算法，选出信号特征最接近待定位点的 k个参考点，然后根据这k个参考点的坐标计算得出待定位点的坐标，并且指出该坐标的区域，最终实现人体定位。
实施例2：
本发明实施例还提供了一种装置，包括：至少一个存储器和至少一个处理器；至少一个存储器，用于存储机器可读程序；至少一个处理器，用于调用所述机器可读程序，执行本发明实施例1公开的基于CSI的室内人体定位方法。
实施例3：
本发明实施例还提供了一种计算机可读介质，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行本发明实施例1公开的基于CSI的室内人体定位方法。具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如 CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展单元上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
上文通过附图和优选实施例对本发明进行了详细展示和说明，然而本发明不限于这些已揭示的实施例，基与上述多个实施例本领域技术人员可以知晓，可以组合上述不同实施例中的代码审核手段得到本发明更多的实施例，这些实施例也在本发明的保护范围之内。
Claims (9)
1.基于CSI的室内人体定位方法，其特征在于包括如下步骤：
选取待定位区域并构建平面坐标系，在待定位区域内选取多个参考点，每个参考点在平面坐标系中存在横纵坐标；
在离线阶段，对于每个参考点，采集所述参考点对应的CSI数据并对CSI数据进行滤波处理及主要成分分析处理，得到所述参考点每个子载波的特征值，将所述参考点所有子载波的特征值作为所述参考点的位置指纹，基于上述多个参考点的位置指纹构建位置指纹库；
在在线阶段，对于待定点，采集所述待定点的CSI数据并对CSI数据进行滤波处理及主要成分分析处理，得到所述待定点的每个子载波的特征值；
基于位置指纹库以及各个参考点的坐标以及每个参考点的坐标，通过KNN算法计算人体位计算待定点的坐标以及对应的坐标区域置。
2.根据权利要求1所述的基于CSI的室内人体定位方法，其特征在于基于无线网卡及路由器返回的ICMP响应应答包，对物理层的WIFI信号进行解析，得到CSI数据，所述每组CSI数据为m×n×30×2的一维数组；
其中m表示路由器的个数，n表示接收天线的个数。
3.根据权利要求2所述的基于CSI的室内人体定位方法，其特征在于基于无线网卡及路由器返回的ICMP响应应答包，对物理层的WIFI信号进行解析，得到CSI数据，包括如下步骤：
通过第一线程向指定IP地址发送ICMP响应请求包，接受返回的ICMP响应应答包并进行检验；
通过第二线程进行系统内核和用户进程的通信；
系统内核从ICMP响应应答包中获得WIFI信号的各种特征信息；
第二线程对上述各种特征信息进行解析，得到CSI数据。
4.根据权利要求1所述的基于CSI的室内人体定位方法，其特征在于对于CSI数据进行卡尔曼滤波处理。
5.根据权利要求3所述的基于CSI的室内人体定位方法，其特征在于通过如下方法对输入的n组3×30的CIS数据进行主要成分分析：
对于输入的第i组3×30的CSI数据，将数据写入到3行30列的矩阵A中；
对于矩阵A每一行进行零均值化，得到矩阵E；
计算矩阵E的协方差矩阵，记为矩阵EC；
通过函数eig计算矩阵EC的特征值及特征向量，计算公式为[V,U]＝eig(EC')；
从矩阵U中选取数值最大的特征值；
从矩阵V中提取最大特征值对应的特征向量，写入1×a的矩阵P中；
判断P(1,1)＞0是否成立；
如果成立，进行如下计算：F＝PE，并输出矩阵F，对下一组CSI数据进行处理；
如果不成立，依次如下计算：P(1,1)＝-P(1,1)，P(1,2)＝-P(1,2)，P(1,3)＝-P(1,3)，F＝PE，并输出矩阵F，对下一组CSI数据进行处理。
6.根据权利要求5所述的基于CSI的室内人体定位方法，其特征在于对CSI数据进行滤波处理并进行主要成分分析后，n组3×30的CSI数据的CSI数据形式变为n组1×30的数据，上述数据看作n×30的形式，每个子载波均具有n个数据，对于每个子载波，对其具有的n个数据进行求均值计算，通过均值替代对应子载波的特征值；
在离线阶段，将上述30个子载波的特征值作为参考点的位置指纹。
7.根据权利要求5所述的基于CSI的室内人体定位方法，其特征在于基于位置指纹库以及各个参考点的坐标，通过KNN算法计算人体位置，包括如下步骤：
基于构建的位置指纹库，通过KNN算法选出信号特征最接近待定位点的K个参考点；
基于上述K个参考点的坐标计算待定位点的坐标，并得到待定位点的坐标区域，上述待定位点的坐标区域作为人体位置。
8.装置，其特征在于，包括：至少一个存储器和至少一个处理器；
所述至少一个存储器，用于存储机器可读程序；
所述至少一个处理器，用于调用所述机器可读程序，执行权利要求1至7中任一所述的基于CSI的室内人体定位方法。
9.计算机可读介质，为计算机其特征在于，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行权利要求1至7任一所述的基于CSI的室内人体定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110011135.8A CN113225806A (zh) | 2021-01-06 | 2021-01-06 | 基于csi的室内人体定位方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110011135.8A CN113225806A (zh) | 2021-01-06 | 2021-01-06 | 基于csi的室内人体定位方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113225806A true CN113225806A (zh) | 2021-08-06 |
Family
ID=77083656
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110011135.8A Pending CN113225806A (zh) | 2021-01-06 | 2021-01-06 | 基于csi的室内人体定位方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113225806A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102340868A (zh) * | 2011-11-09 | 2012-02-01 | 广州市香港科大霍英东研究院 | 基于无线网络信道状态信息的室内定位方法 |
| CN106685590A (zh) * | 2016-12-08 | 2017-05-17 | 浙江工业大学 | 一种基于信道状态信息和knn的室内人体朝向识别方法 |
| CN107769828A (zh) * | 2017-09-27 | 2018-03-06 | 中国电子科技集团公司第五十四研究所 | 一种基于特征值提取的csi‑mimo室内定位方法及系统 |
| CN108924736A (zh) * | 2018-06-14 | 2018-11-30 | 西北师范大学 | 一种基于PCA-Kalman的无源室内人员状态检测方法 |
| CN109084774A (zh) * | 2018-08-07 | 2018-12-25 | 西安电子科技大学 | 一种基于信道状态信息的无人机集群定位方法 |
| CN110072186A (zh) * | 2019-04-15 | 2019-07-30 | 哈尔滨工程大学 | 基于属性独立的加权朴素贝叶斯室内定位方法 |
| 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 |
| US20200167409A1 (en) * | 2018-11-28 | 2020-05-28 | Wistron Neweb Corporation | Indoor event detection system and method |
| CN112040397A (zh) * | 2020-08-13 | 2020-12-04 | 西北师范大学 | 一种基于自适应卡尔曼滤波的csi室内指纹定位方法 |
-
2021
- 2021-01-06 CN CN202110011135.8A patent/CN113225806A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102340868A (zh) * | 2011-11-09 | 2012-02-01 | 广州市香港科大霍英东研究院 | 基于无线网络信道状态信息的室内定位方法 |
| CN106685590A (zh) * | 2016-12-08 | 2017-05-17 | 浙江工业大学 | 一种基于信道状态信息和knn的室内人体朝向识别方法 |
| CN107769828A (zh) * | 2017-09-27 | 2018-03-06 | 中国电子科技集团公司第五十四研究所 | 一种基于特征值提取的csi‑mimo室内定位方法及系统 |
| CN108924736A (zh) * | 2018-06-14 | 2018-11-30 | 西北师范大学 | 一种基于PCA-Kalman的无源室内人员状态检测方法 |
| CN109084774A (zh) * | 2018-08-07 | 2018-12-25 | 西安电子科技大学 | 一种基于信道状态信息的无人机集群定位方法 |
| US20200167409A1 (en) * | 2018-11-28 | 2020-05-28 | Wistron Neweb Corporation | Indoor event detection system and method |
| CN110072186A (zh) * | 2019-04-15 | 2019-07-30 | 哈尔滨工程大学 | 基于属性独立的加权朴素贝叶斯室内定位方法 |
| 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 |
| CN112040397A (zh) * | 2020-08-13 | 2020-12-04 | 西北师范大学 | 一种基于自适应卡尔曼滤波的csi室内指纹定位方法 |
Non-Patent Citations (1)
| Title |
|---|
| 党小超等: "基于CSI的改进KNN室内定位方法", 《传感器与微系统》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI510112B (zh) | 能夠執行增強指紋映射和位置識別的無線通訊裝置 | |
| CN102932911B (zh) | 位置指纹定位方法及定位系统 | |
| Li et al. | Convolutional neural networks based indoor Wi-Fi localization with a novel kind of CSI images | |
| CN103945332B (zh) | 一种接收信号强度和多径信息联合神经网络室内定位方法 | |
| CN102098780B (zh) | 一种定位方法和装置 | |
| CN109951807A (zh) | 基于WiFi信号的融合RSS和CSI室内定位方法 | |
| CN109275095A (zh) | 一种基于蓝牙的室内定位系统、定位设备和定位方法 | |
| CN110475221A (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 | |
| CN109068272B (zh) | 相似用户识别方法、装置、设备及可读存储介质 | |
| CN110351660B (zh) | 一种基于双步指纹匹配架构的蓝牙室内定位方法 | |
| CN103581831A (zh) | 基于WiFi以及移动终端的室内定位算法 | |
| CN110543842A (zh) | 一种基于Wi-Fi信号的目标运动识别方法及系统 | |
| JP2007064941A (ja) | 電波到来方向推定装置、電波到来方向推定プログラム、および記録媒体 | |
| CN112040397A (zh) | 一种基于自适应卡尔曼滤波的csi室内指纹定位方法 | |
| Tiku et al. | PortLoc: a portable data-driven indoor localization framework for smartphones | |
| CN111770527A (zh) | 基于二维特征的可视与非可视信道识别方法及装置 | |
| Apte et al. | Improving the accuracy of wireless LAN based location determination systems using Kalman filter and multiple observers | |
| CN103648163A (zh) | 一种应用于无线局域网的室内定位方法 | |
| CN111866709A (zh) | 一种面向运动目标的室内Wi-Fi定位误差界估计方法 | |
| CN103841639A (zh) | 用于室内定位的无线局域网技术 | |
| CN110769370A (zh) | 基于定向天线与全向天线信号融合的室内定位方法 | |
| Yeung et al. | Enhanced fingerprint-based location estimation system in wireless LAN environment | |
| CN113993069A (zh) | 一种室内定位方法及装置、电子设备 | |
| CN111770528B (zh) | 基于信道参数萃取方法的视距与非视距识别方法及装置 | |
| CN112118530B (zh) | 基于wifi信道状态信息的定位系统及方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210806 |