CN113326801A - 一种基于信道状态信息的人体移动方向识别方法 - Google Patents
一种基于信道状态信息的人体移动方向识别方法 Download PDFInfo
- Publication number
- CN113326801A CN113326801A CN202110693843.4A CN202110693843A CN113326801A CN 113326801 A CN113326801 A CN 113326801A CN 202110693843 A CN202110693843 A CN 202110693843A CN 113326801 A CN113326801 A CN 113326801A
- Authority
- CN
- China
- Prior art keywords
- human body
- moving direction
- state information
- channel state
- mid
- 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
Images
Classifications
-
- 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
- G06V40/23—Recognition of whole body movements, e.g. for sport training
-
- 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
- G06F18/24—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于WiFi环境下人体移动识别技术领域,具体涉及一种基于信道状态信息的人体移动方向识别方法。本发明提供了一种容易部署,不侵犯用户隐私的高性能人体移动方向识别方法,通过建立人体移动方向与相位和幅值的对应关系,可以高效的识别出人体移动方向是平行于视距方向还是垂直与视距方向,并且不需要测试者穿戴设备也不会造成测试者隐私泄露的问题。本发明可以在无线网络环境下找到信道状态信息变化与人体移动方向的对应关系,以较高的准确率识别出人体的移动方向。
Description
技术领域
本发明属于WiFi环境下人体移动识别技术领域,具体涉及一种基于信道状态信息的人体移动方向识别方法。
背景技术
现如今人工智能技术高速发展,人工智能的核心领域是人机交互。而人体动做识别是人机交互的一个重要领域。它通过分析获取到与人体有关的动作信息,对人体进行动作识别,身份识别,呼吸识别以及未知动作预测等。步态识别支持许多需要识别的潜在应用。然而,现在的步态研究都忽略了人体的行走方向,不利于从整体的角度认知步态信息与身份之间的关系。人体在不同的移动方向行走行时,信道状态信息也发生着不同的变化。现有的对于人体移动方向的识别大致分为三种方式:测试者佩戴可穿戴式传感器,这种方法成本过高,并且在入侵检测时,没有现实意义。通过视频图像,这种方法不利于保护个人隐私,也需要大量的存储空间去存储视频图像。基于无线网络的移动方向识别因其无创和无处不在的优势而占据主导地位,具有设备简单、无需测试者穿戴设备、不侵犯个人隐私等优点。
发明内容
本发明的目的在于提供一种基于信道状态信息的人体移动方向识别方法。
本发明的目的通过如下技术方案来实现:包括以下步骤:
步骤1:在有人员行走的室内布置发射机和接收机,由接收机获取信道状态信息;
步骤2:对接收机获取的信道状态信息进行预处理;
步骤2.1:采用Hampel滤波器对子载波的离群点进行去除并插值;
步骤2.1.1:设置阈值α、滑动窗口长度v;
步骤2.1.2:计算序列数据X的中值Midu,v;
步骤2.1.3:计算序列数据X中各个数据xu与中值Midu,v的绝对差MAD;
MAD=abs(xu-Midu,v)
步骤2.1.4:若序列数据X中数据xu不在[(Midu,v-α*MAD),(Midu,v+α*MAD)]范围之内,则判定xu为序列数据X中的异常点,用序列数据X的中值Midu,v代替异常点的值。
步骤2.2:采用线性拟合方法消除误差进行相位校正;
步骤2.3:对子载波使用小波滤波器去除高频噪声;
步骤2.4:利用基于主成分分析的去噪方法去除带通滤波后的冗余;
步骤3:对预处理后的信道状态信息进行特征提取;
将多普勒速度的均值和方差作为特征值来识别测试者的移动方向;当人员在垂直于视距方向移动时,多普勒速度呈现出平均值小,方差大的特点;当人员在平行于视距方向移动时,多普勒速度呈现出均值小,方差大的特点;
通过小波包分解将预处理后的信道状态信息分解成相应的频带,分解序列中保留任意数量的频带序列用于重构;利用各分解频带的能量谱和分解频带的包系数作为特征值来识别人体的运动方向;
步骤4:使用核函数是径向基函数的支持向量机对提取到的特征数据进行识别,输出识别结果;
通过求解拉格朗日对偶问题去获取获得SVM的超平面,根据拉格朗日的对偶性,得到如下公式的规划函数;
其中,аi为拉格朗日乘子,k()为径向基函数;得到SVM的超平面后,通过如下公式的决策函数得到分类结果;
其中,Y=+1表示人员移动方向为垂直于视距方向;Y=-1表示人员移动方向为平行于视距方向。
本发明的有益效果在于:
本发明提供了一种容易部署,不侵犯用户隐私的高性能人体移动方向识别方法,通过建立人体移动方向与相位和幅值的对应关系,可以高效的识别出人体移动方向是平行于视距方向还是垂直与视距方向,并且不需要测试者穿戴设备也不会造成测试者隐私泄露的问题。本发明可以在无线网络环境下找到信道状态信息变化与人体移动方向的对应关系,以较高的准确率识别出人体的移动方向。
附图说明
图1是本发明的框架图。
图2是实验环境图。
图3是Hampel滤波效果图。
图4是小波滤波效果图。
图5是第一主成分振幅数据图。
图6是不同实验频率和准确率关系图。
图7是不同测试者和准确率关系图。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明属于物联网领域的人体移动识别研究,涉及在WiFi环境下识别人体的移动方向。本发明提供了一种容易部署,不侵犯用户隐私的高性能人体移动方向识别方法。可以在无线网络环境下找到信道状态信息变化与人体移动方向的对应关系,以较高的准确率识别出人体的移动方向。
(1)数据采集:
数据采集选取在一个空旷的会议室内进行,会议室内的结构以及收发机的摆放位置如图2所示。发射机使用一个3天线的TP-link路由器,路由器支持802.11协议。接收机是一台笔记本电脑,为了提取更加明显的特征加强信噪比为笔记本电脑加装了3根6dbi增益的外置天线,实验时将每根天线的摆放距离设置为30cm。在采集数据时,将采样率设置为200HZ,即每秒发送200个数据ICMP请求数据包,对于每个接收到的802.11帧,从数据包总共提取2×3×30=180个CSI数据。测试人员共有10名。教室内让测试员沿着两条移动路径行走,如图2所示,两条路径分别是平行于视距路径和垂直于视距路径。
(2)数据预处理:
由于实验环境和实验采集设备的原因,原始的CSI数据中存在一些离群异常值,这些异常值与能够表征人体移动方向的CSI数据存在很大的差异。本发明采用Hampel滤波器去除CSI中的离群异常值。首先它需要在CSI序列中计算这个窗口内的中值mid,之后用每个CSI数据减去中值mid,获得序列Y,再计算序列Y的中位数获得绝对中值差MAD。Hampel将不在[mid-γMAD,mid+γMAD]的CSI数据认定为异常点,处理异常值前后对比如图3所示。
在使用Hampel滤波器去除数据中的异常值后,数据中任然具有很多高频噪声。原始的CSI数据是从室内环境中收集的,因此不可避免的包含一些随机噪声。本发明使用小波滤波器去除这些高频噪声,它能够同时在时域和频域上对CSI信号进行联合处理,最大程度的保留CSI信号的特征信息,并且解决了一些滤波器无法解决的信号突变和不平稳白噪声问题。小波基函数是小波滤波器的核心,本发明选用sym6小波基函数。滤波前后对比如图4所示。
所有的OFDM子载波都具有很强的线性相关性,说明CSI存在冗余。利用基于主成分分析的去噪方法去除带通滤波后的冗余。CSI流之间的相关性可以被自动发现,并且CSI流可以被重新组合以提取最能代表行走方向导致的变化分量。为了进一步降低噪声,从90个CSI流中提取前10个主成分分析分量,并丢弃剩余的噪声分量。通过主成分分析去噪的CSI波形变得更加平滑,并且保留了CSI动态的主要成分。
(3)特征提取:
此步骤是人体移动方向识别的关键一步,选取合适的特征建立与移动方向的对应关系,可以增加支持向机分类的准确性提高本发明的识别效率。
人在实验环境下移动时,会存在明显改变路径长度的路径和不改变或者微小改变路径长的的移动路径。当人沿着平行于视距路径行走时,多普勒速度变化很小。本发明将垂直于LOS的方向规定为NL方向,平行于LOS的方向规定为L方向。当测试者在NL方向移动时,有显著的发射路径长度变化,此时的多普勒速度呈现出平均值小,方差大的特点。相反测试者在L方向行走时,路径长度仅有细微变化,不足以引起可以捕捉的多普勒频移,所以多普勒速度呈现出均值小,方差大的特点。本发明使用多普勒速度的均值和方差作为特征值来识别测试者的移动方向。
当收发机都固定不变的情况下,从发射机到接收机的静态路径具有恒定的长度。在无线信号的覆盖范围内时,没有运动物体时,接收机接收信号的总能量是相对稳定的。然而当一个人沿着视距轮径在收发机之间行走时,静态路径的长度依然是不变的,而经过人体反射的动态路径的长度则越来越短,因此CSI的能量或幅值的方差则越来越大,通过分析CSI能量或者幅值的变化趋势,可以识别出人体的移动方向。本发明通过小波包分解将CSI信号分解成相应的频带,分解序列中保留任意数量的频带序列用于重构。利用各分解频带的能量谱和分解频带的包系数作为特征值来识别人体的运动方向。
(4)移动方向分类
本发明将分类标记为Y∈{+1,-1},Y=+1代表垂直于视距方向,Y=-1代表平行于视距方向。由于样本集构成的输入空间是线性可分的,支持向量机通过将低阶数据映射到高阶特征空间,使得样本集在高阶空间是线性可分的。本发明使用的支持向量机的核函数是径向基函数,径向基函数是标量函数,沿径向对称。它可以将原始特征映射到无限维。并且RBF的超参数较少,这样可以减少模型的复杂性降低模型计算量。在获得SVM的超平面时,可以通过求解拉格朗日对偶问题去获得。根据拉格朗日的对偶性,得到如下公式的规划函数。
аi为拉格朗日乘子,k(xi,xj)为径向基核函数。得到超平面后,通过如下公式的决策函数得到分类结果。
本发明相比现有的移动方向识别方法具有较好的识别精度。本发明通过建立人体移动方向与相位和幅值的对应关系,可以高效的识别出人体移动方向是平行于视距方向还是垂直与视距方向,并且不需要测试者穿戴设备也不会造成测试者隐私泄露的问题。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (1)
1.一种基于信道状态信息的人体移动方向识别方法,其特征在于,包括以下步骤:
步骤1:在有人员行走的室内布置发射机和接收机,由接收机获取信道状态信息;
步骤2:对接收机获取的信道状态信息进行预处理;
步骤2.1:采用Hampel滤波器对子载波的离群点进行去除并插值;
步骤2.1.1:设置阈值α、滑动窗口长度v;
步骤2.1.2:计算序列数据X的中值Midu,v;
步骤2.1.3:计算序列数据X中各个数据xu与中值Midu,v的绝对差MAD;
MAD=abs(xu-Midu,v)
步骤2.1.4:若序列数据X中数据xu不在[(Midu,v-α*MAD),(Midu,v+α*MAD)]范围之内,则判定xu为序列数据X中的异常点,用序列数据X的中值Midu,v代替异常点的值。
步骤2.2:采用线性拟合方法消除误差进行相位校正;
步骤2.3:对子载波使用小波滤波器去除高频噪声;
步骤2.4:利用基于主成分分析的去噪方法去除带通滤波后的冗余;
步骤3:对预处理后的信道状态信息进行特征提取;
将多普勒速度的均值和方差作为特征值来识别测试者的移动方向;当人员在垂直于视距方向移动时,多普勒速度呈现出平均值小,方差大的特点;当人员在平行于视距方向移动时,多普勒速度呈现出均值小,方差大的特点;
通过小波包分解将预处理后的信道状态信息分解成相应的频带,分解序列中保留任意数量的频带序列用于重构;利用各分解频带的能量谱和分解频带的包系数作为特征值来识别人体的运动方向;
步骤4:使用核函数是径向基函数的支持向量机对提取到的特征数据进行识别,输出识别结果;
通过求解拉格朗日对偶问题去获取获得SVM的超平面,根据拉格朗日的对偶性,得到如下公式的规划函数;
其中,аi为拉格朗日乘子,k()为径向基函数;得到SVM的超平面后,通过如下公式的决策函数得到分类结果;
其中,Y=+1表示人员移动方向为垂直于视距方向;Y=-1表示人员移动方向为平行于视距方向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110693843.4A CN113326801A (zh) | 2021-06-22 | 2021-06-22 | 一种基于信道状态信息的人体移动方向识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110693843.4A CN113326801A (zh) | 2021-06-22 | 2021-06-22 | 一种基于信道状态信息的人体移动方向识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113326801A true CN113326801A (zh) | 2021-08-31 |
Family
ID=77424379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110693843.4A Pending CN113326801A (zh) | 2021-06-22 | 2021-06-22 | 一种基于信道状态信息的人体移动方向识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113326801A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114158049A (zh) * | 2021-12-14 | 2022-03-08 | 哈尔滨工业大学 | 一种蓝牙通信的身份识别方法、系统、计算机及存储介质 |
CN114513608A (zh) * | 2022-02-21 | 2022-05-17 | 深圳市美科星通信技术有限公司 | 移动侦测方法、装置及电子设备 |
CN117148309A (zh) * | 2023-11-01 | 2023-12-01 | 德心智能科技(常州)有限公司 | 应用于社区网格巡查的毫米波雷达人体感知方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030110038A1 (en) * | 2001-10-16 | 2003-06-12 | Rajeev Sharma | Multi-modal gender classification using support vector machines (SVMs) |
US20030139828A1 (en) * | 2002-01-18 | 2003-07-24 | Bruce Ferguson | System and method for pre-processing input data to a support vector machine |
CN1578530A (zh) * | 2003-06-30 | 2005-02-09 | 微软公司 | 用于确定便携式计算设备的定位动态特性的系统和方法 |
CN1964561A (zh) * | 2006-11-28 | 2007-05-16 | 耿直 | 移动无线数据处理方法 |
CN101651819A (zh) * | 2008-08-15 | 2010-02-17 | 英特尔公司 | 用于在手持设备的用户之间自动辨别的技术 |
CN102024151A (zh) * | 2010-12-02 | 2011-04-20 | 中国科学院计算技术研究所 | 手势动作识别模型的训练方法和手势动作识别方法 |
CN102725712A (zh) * | 2009-11-09 | 2012-10-10 | 因文森斯公司 | 手持计算机系统及关于人类活动的字符和命令识别的技术 |
CN110337066A (zh) * | 2019-05-21 | 2019-10-15 | 西安电子科技大学 | 基于信道状态信息室内人员活动识别方法、人机交互系统 |
CN110674892A (zh) * | 2019-10-24 | 2020-01-10 | 北京航空航天大学 | 一种基于加权多特征融合和svm分类的故障特征筛选方法 |
-
2021
- 2021-06-22 CN CN202110693843.4A patent/CN113326801A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030110038A1 (en) * | 2001-10-16 | 2003-06-12 | Rajeev Sharma | Multi-modal gender classification using support vector machines (SVMs) |
US20030139828A1 (en) * | 2002-01-18 | 2003-07-24 | Bruce Ferguson | System and method for pre-processing input data to a support vector machine |
CN1578530A (zh) * | 2003-06-30 | 2005-02-09 | 微软公司 | 用于确定便携式计算设备的定位动态特性的系统和方法 |
CN1964561A (zh) * | 2006-11-28 | 2007-05-16 | 耿直 | 移动无线数据处理方法 |
CN101651819A (zh) * | 2008-08-15 | 2010-02-17 | 英特尔公司 | 用于在手持设备的用户之间自动辨别的技术 |
CN102725712A (zh) * | 2009-11-09 | 2012-10-10 | 因文森斯公司 | 手持计算机系统及关于人类活动的字符和命令识别的技术 |
CN102024151A (zh) * | 2010-12-02 | 2011-04-20 | 中国科学院计算技术研究所 | 手势动作识别模型的训练方法和手势动作识别方法 |
CN110337066A (zh) * | 2019-05-21 | 2019-10-15 | 西安电子科技大学 | 基于信道状态信息室内人员活动识别方法、人机交互系统 |
CN110674892A (zh) * | 2019-10-24 | 2020-01-10 | 北京航空航天大学 | 一种基于加权多特征融合和svm分类的故障特征筛选方法 |
Non-Patent Citations (2)
Title |
---|
吴哲夫 等: "无线信道传感的朝向检测研究", 《传感技术》 * |
郝占军 等: "Wi-Do: WiFi信号下的高鲁棒人员动作感知模型", 《计算机研究与发展》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114158049A (zh) * | 2021-12-14 | 2022-03-08 | 哈尔滨工业大学 | 一种蓝牙通信的身份识别方法、系统、计算机及存储介质 |
CN114158049B (zh) * | 2021-12-14 | 2024-03-26 | 哈尔滨工业大学 | 一种蓝牙通信的身份识别方法、系统、计算机及存储介质 |
CN114513608A (zh) * | 2022-02-21 | 2022-05-17 | 深圳市美科星通信技术有限公司 | 移动侦测方法、装置及电子设备 |
CN117148309A (zh) * | 2023-11-01 | 2023-12-01 | 德心智能科技(常州)有限公司 | 应用于社区网格巡查的毫米波雷达人体感知方法及系统 |
CN117148309B (zh) * | 2023-11-01 | 2024-01-30 | 德心智能科技(常州)有限公司 | 应用于社区网格巡查的毫米波雷达人体感知方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113326801A (zh) | 一种基于信道状态信息的人体移动方向识别方法 | |
Yousefi et al. | A survey on behavior recognition using WiFi channel state information | |
Zhang et al. | Wifi-id: Human identification using wifi signal | |
Li et al. | WiFinger: Talk to your smart devices with finger-grained gesture | |
Ali et al. | Recognizing keystrokes using WiFi devices | |
CN107968689B (zh) | 基于无线通信信号的感知识别方法及装置 | |
CN109670434B (zh) | 基于无线信道状态信息的坐姿时长检测方法 | |
CN109657572B (zh) | 一种基于Wi-Fi的墙后目标行为识别方法 | |
Moshiri et al. | Using GAN to enhance the accuracy of indoor human activity recognition | |
Zhu et al. | NotiFi: A ubiquitous WiFi-based abnormal activity detection system | |
Xu et al. | Attention-based gait recognition and walking direction estimation in wi-fi networks | |
CN111901028B (zh) | 一种基于多天线上csi的人体行为识别方法 | |
Jia et al. | BeAware: Convolutional neural network (CNN) based user behavior understanding through WiFi channel state information | |
CN110059612A (zh) | 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 | |
CN114219853A (zh) | 一种基于无线信号的多人三维姿态估计方法 | |
Shi et al. | Deep learning networks for human activity recognition with CSI correlation feature extraction | |
Yang et al. | Wiimg: Pushing the limit of wifi sensing with low transmission rates | |
Mei et al. | WiWave: WiFi-based human activity recognition using the wavelet integrated CNN | |
CN116343261A (zh) | 基于多模态特征融合与小样本学习的手势识别方法和系统 | |
CN113051972A (zh) | 一种基于WiFi的手势识别系统 | |
Man et al. | PWiG: A phase-based wireless gesture recognition system | |
Chen et al. | WiTT: Modeling and the evaluation of table tennis actions based on WIFI signals | |
Zhang et al. | WiNum: A WiFi finger gesture recognition system based on CSI | |
Bastwesy et al. | Wi-nod: Head nodding recognition by wi-fi csi toward communicative support for quadriplegics | |
CN113572546B (zh) | 一种基于CSI信号利用DenseNet网络进行人体活动识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210831 |
|
RJ01 | Rejection of invention patent application after publication |