CN107992882A - 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 - Google Patents

Abstract

本发明提出一种基于WiFi信道状态信息(CSI)和支持向量机(SVM)回归的室内人数统计方法。无需搭建专门的硬件设施，只利用现有WiFi无线网络，就能够实现室内人数统计。在获得CSI数据后，本发明采用基于密度的聚类算法DBSCAN对CSI数据进行去噪，然后使用膨胀矩阵算法获得每条子载波的非零率作为CSI特征指纹样本，从而强化信号幅值的大变化对于人数统计的影响，而降低由于环境噪声引起的信号幅值的小变化的影响。本发明借助于SVM回归算法，能够在不考虑复杂室内环境的情况下，获得人数和CSI特征指纹样本之间精确的非线性依赖关系模型，从而达到精确统计室内人数的目标。本发明的有益效果是：能够基于现有WiFi无线网络进行精确的人数统计，成本低，普适性强，无隐私问题。

Description

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

技术领域

本发明涉及人数统计领域，尤其涉及一种基于WiFi信道状态信息和支持向量机进行室内人数统计的方法。

背景技术

室内人数对于很多应用来说是很重要的信息，例如，可以帮助商家确定进店顾客的数量并据此安排员工，可以监控公共场所人群密度并及时启动应急措施以确保安全，可以根据楼内人数进行自动空调调节以节约能源等。传统人数统计方法主要采用视频监控方法或者无线射频方法。视频监控方法目前已经获得广泛应用，但在弱光环境下或非视距情况下，摄像头无法良好工作，导致监控质量下降或者监控盲区，此外视频监控还存在较大隐私问题，不适用于私人空间。基于无线射频的监控近年来也获得较多关注，如采用无线传感器网络、红外线、超宽带等，但这些方法都需要安装部署专有设备，成本高，普适性差。

基于WiFi的无线网络已获得广泛部署，其在提供无线数据传输服务的同时，可以用来进行监控和人数统计。该方法不需要增加额外硬件设施，也不需要人员携带电子设备，仅利用现有的WiFi无线网络就能完成人数统计，成本低，普适性强，因此是极具市场前景和发展潜力的解决方案。由于人体会对周围的WiFi信号产生反射、散射、衍射、衰减等效果，通过监测WiFi信号的变化就可以确定室内人数。目前使用最广泛的用于测量WiFi信号变化的能量特性是接收信号强度指示(Received Signal Strength Indicator,RSSI)，可以用来进行人数统计。但是由于室内环境的复杂性，WiFi信号存在多径效应，即信号会通过多条路径从发送端传播到接收端，且每条路径具有不同延迟、衰减和相位移动，导致RSSI是多条路径信号的叠加，从而导致RSSI不稳定，用于人数统计时精度较差。

发明内容

本发明的目的是针对上述存在的问题，提出一种基于WiFi信道状态信息(ChannelState Information,CSI)和支持向量机(Support Vector Machines,SVM)的精确的室内人数统计方法。

本发明为解决上述技术问题所采用的技术方案是，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，包括以下步骤：

1)室内人数统计模型训练步骤：

1-1)采集不同人数场景下的CSI原始数据样本，所述样本包括发送天线个数、接收天线个数、信号发送频率、信道状态信息CSI矩阵，并记录当前人数；

1-2)移除原始数据样本中CSI矩阵的第一维度，将产生的二维矩阵从线性(电平)空间转换到对数(功率)空间，将矩阵中每一个复数转换成幅值；

1-3)应用基于密度的聚类算法(Density-Based Spatial Clustering ofApplications with Noise,DBSCAN)对由每一对发送和接收天线组成的信道中的CSI数据进行聚类，通过删除离群点得到去噪后的CSI数据；

1-4)使用膨胀矩阵算法对去噪后的CSI数据进行特征提取，获得每条子载波的非零率，作为CSI特征指纹样本。该膨胀矩阵算法包含以下步骤：将每条子载波的幅值序列转换为一个二维矩阵；膨胀该二维矩阵；计算膨胀后的二维矩阵中的非零率；对所有信道中的所有子载波进行上述操作，得到非零率向量作为CSI特征指纹样本；

1-5)基于CSI特征指纹样本，采用v-SVR(Support Vector Regression)算法训练得到初步SVM回归模型，表达人数和CSI特征指纹样本之间的依赖关系；

1-6)对初步SVM回归模型进行参数寻优，采用网格搜索和交叉验证方法尝试比较不同参数组合，得到最优模型参数及最优SVM回归模型。

2)室内人数统计步骤：

2-1)采集未知人数场景下的CSI原始数据样本；

2-2)按照步骤1-2)、1-3)和1-4)对CSI原始数据样本进行处理和特征提取，获取当前CSI特征样本指纹；

2-2)通过步骤1-5)和1-6)建立的SVM回归模型，根据当前CSI特征样本指纹来确定当前场景中的人数。

由于室内丰富的多径效应，使得基于WiFi RSSI的人数统计不能提供足够的精确性。信道状态信息CSI是一种更加精细的物理层信息，描述信道中各子载波的幅值和相位，能够充分利用室内多径效应，对环境变化更加灵敏。因此，本发明的基于CSI的方法能够更加精确地进行人数统计。在获得CSI数据后，本发明采用基于密度的聚类算法DBSCAN对CSI数据进行去噪，然后使用膨胀矩阵算法获得每条子载波的非零率作为CSI特征指纹样本，从而强化信号幅值的大变化对于人数统计的影响，而降低由于环境噪声引起的信号幅值的小变化的影响。本发明借助于SVM回归算法，能够在不考虑复杂室内环境的情况下，获得人数和CSI特征指纹样本之间精确的非线性依赖关系模型，从而达到精确统计室内人数的目标。

本发明的有益效果是：能够基于现有WiFi无线网络进行精确的人数统计，成本低，普适性强，无隐私问题，室内人员可随意走动、站或坐。本发明能够达到平均误差人数0.67的精度，明显高于基于RSSI的人数统计精度。

附图说明

图1为基于CSI和SVM的室内人数统计方法的流程图；

图2为基于CSI和SVM的室内人数统计方法的环境部署图。

具体实施方式

一种基于WiFi信道状态信息CSI和支持向量机SVM的室内人数统计方法，流程如图1所示，具体实施步骤如下：

1)环境部署：基于CSI的人数统计要求室内覆盖WiFi信号，设备为一台接入点(AccessPoint,AP)和一台监测点(Monitoring Point,MP)，均配置Intel Wireless Link 5300agn(IWL5300)无线网卡，该网卡具有3根天线。AP端发送数据，MP端接收数据，布局方式如图2所示。

2)CSI原始数据采集：训练阶段，将室内场景分别设为W个人，W＝0,1,2,3,4,5…，让他们在室内中随机走动。对于不同人数的场景，接收端MP均以20Hz的采样率采集来自发送端AP的CSI原始数据，分别采集5分钟，然后从采集到的6000个CSI数据样本中选取1000个作为训练样本，来规避因为环境干扰导致的信号不稳定问题。样本数据中包括：发送天线个数N_tx，接收天线个数N_rx，数据包发送频率f，原始CSI矩阵H。原始CSI矩阵H是一个N_tx×N_rx×N_s的三维矩阵，第三维是信道中的N_s条子载波信息：h＝|h|e^jθ，其中|h|是子载波幅值，θ是子载波相位。

3)CSI数据生成：针对采集的CSI原始数据，首先移除原始CSI矩阵H中的第一个维度，获得N_tx个N_rx×N_s的二维矩阵，然后将二维矩阵从线性(电平)空间转换成对数(功率)空间，并将矩阵中每一个复数转换成幅值，产生CSI数据。

4)CSI数据去噪：由于CSI数据中存在一定噪声，即同一对发送和接收天线的数据中会存在一些偏离集群的数据，因此，为了提高人数统计的精度，本发明采用基于密度的聚类算法DBSCAN来去除CSI数据中的噪声。由于每一对发送和接收天线组成一条信道，因此一对AP-MP中包含N_tx×N_rx条信道；每条信道包含N_s条子载波，因此一对AP-MP中包含N_tx×N_rx×N_s条子载波。按照信道将CSI数据集分成N_tx×N_rx个子数据集，每个子数据集包含Ns条子载波信息。令子数据集中每条子载波的序号为index，幅值为value，在每个子数据集上应用DBSCAN算法进行聚类，DBSCAN的两个参数分别是领域半径e和最小包含点数minOpt。去噪步骤如下：

a)根据经验选取合适的参数e和minOpt；

b)将子数据集中所有对象标记为未访问状态，即“unvisited”；

c)随机选择一个未访问对象o(undex,value)，标记为“visited”；检查o的邻域是否至少包含minOpt个对象：如果不是，则标记o为离群点；如果是，则标记o邻域内所有点为“visited”，并为o创建一个新的簇R和一个候选集合Q，然后把o的邻域中所有对象放在候选集合Q中；

d)迭代地把候选集合Q中不属于其它簇的对象添加到簇R中，直到Q为空，簇R完成；

e)转到步骤c)处理下一个对象；

f)将标记成离群点的对象对应的样本数据从训练数据集中删除，达到数据去噪的目的。

5)CSI特征提取：

a)选取一个子载波i，创建一个M×P的矩阵M₀并初始化为零矩阵，按照下式计算k：

其中H代表CSI数据矩阵，P代表数据包的个数，M代表矩阵分辨率，H_ij代表第j个数据包的第i个子载波的幅值，H_max和H_min分别代表CSI数据中幅值的最大值和最小值。将矩阵M₀中第k行第j列的值设为“1”，这样每列只有1个“1”，其余都是“0”。当信号幅值发生较大变化时，相邻行非零值所在的列距离就会增大；

b)将矩阵M₀中值为“1”的元素的周围元素也设为“1”，并以膨胀率D进行膨胀操作，生成膨胀矩阵M_c。当信号幅值发生较大变化时，膨胀后的重叠区域就会较少，使得M_c中有更多的“1”存在；

c)计算膨胀矩阵M_c中“1”的个数，然后计算膨胀矩阵中的非零率，记为p_i；

d)重复步骤a)、b)、c)，迭代计算所有子载波的非零率，得到向量其中N_s为所有子载波的数量。

e)向量作为特征提取后的CSI特征指纹样本，进行模型训练和人数统计。

6)SVM回归模型训练：使用步骤5)获得的CSI特征指纹样本和对应的人数来训练SVM回归模型，以建立CSI特征指纹样本和人数之间的依赖关系。样本格式为：

其中，t_i为样本i的特征指纹，c_i为指纹样本i所对应的人数，m为样本个数，为p_ij样本i中子载波j的非零率，n为子载波数量。对SVM回归模型的训练就是解决如下问题：

其中，w和b代表依赖关系的方向和位置，v∈(0,1]是一个参数，∈表示精度，C为常量，ξ_i,是一组松弛变量，t_i代表一个CSI特征指纹样本，c_i是该指纹的对应人数，m是样本

数量。不断调整参数进行回归模型训练，直到得到最优参数，确定最优回归模型：

其中，α_i与为拉格朗日乘子，K(t_i,,t)是核函数，采用径向基函数(Radical BasisFunction,RBF)。

7)人数统计：实际统计人数时，算法根据实时采集的CSI原始数据经过去噪和特征提取后，通过训练得到的SVM回归模型确定人数，包括如下步骤：

a)按照步骤2)的方式采集CSI原始数据；

b)按照步骤3)的方式生成CSI数据；

c)按照步骤4)的方式对CSI数据进行去噪；

d)按照步骤5)的方式对CSI数据进行特征提取；

e)根据SVM回归模型和当前CSI特征指纹样本，确定实时人数。

实施例的识别精度如下表：

Claims (1)

1.一种基于WiFi信道状态信息(CSI)和支持向量机(SVM)回归的室内人数统计方法，包括以下步骤：

1)室内人数统计模型训练步骤：

1-1)采集不同人数场景下的CSI原始数据样本，所述样本包括发送天线个数、接收天线个数、信号发送频率、信道状态信息CSI矩阵，并记录当前人数；

1-2)移除原始数据样本中CSI矩阵的第一维度，将产生的二维矩阵从线性(电平)空间转换到对数(功率)空间，将矩阵中每一个复数转换成幅值；

1-3)应用基于密度的聚类算法(DBSCAN)对由每一对发送和接收天线组成的信道中的CSI数据进行聚类，通过删除离群点得到去噪后的CSI数据；

1-4)使用膨胀矩阵算法对去噪后的CSI数据进行特征提取，获得每条子载波的非零率，作为CSI特征指纹样本。该膨胀矩阵算法包含以下步骤：将每条子载波的幅值序列转换为一个二维矩阵；膨胀该二维矩阵；计算膨胀后的二维矩阵中的非零率；对所有信道中的所有子载波进行上述操作，得到非零率向量作为CSI特征指纹样本；

1-5)基于CSI特征指纹样本，采用v-SVR算法训练得到初步SVM回归模型，表达人数和CSI特征指纹样本之间的依赖关系；

1-6)对初步SVM回归模型进行参数寻优，采用网格搜索和交叉验证方法尝试比较不同参数组合，得到最优模型参数及最优SVM回归模型。

2)室内人数统计步骤：

2-1)采集未知人数场景下的CSI原始数据样本；

2-2)按照步骤1-2)、1-3)和1-4)对CSI原始数据样本进行处理和特征提取，获取当前CSI特征样本指纹；

2-2)通过步骤1-5)和1-6)建立的SVM回归模型，根据当前CSI特征样本指纹来确定当前场景中的人数。