CN109409216B - 基于子载波动态选择的速度自适应室内人体检测方法 - Google Patents
基于子载波动态选择的速度自适应室内人体检测方法 Download PDFInfo
- Publication number
- CN109409216B CN109409216B CN201811086897.9A CN201811086897A CN109409216B CN 109409216 B CN109409216 B CN 109409216B CN 201811086897 A CN201811086897 A CN 201811086897A CN 109409216 B CN109409216 B CN 109409216B
- Authority
- CN
- China
- Prior art keywords
- state information
- channel state
- window
- human body
- detection
- 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
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
- G06F2218/12—Classification; Matching
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及一种基于子载波动态选择的速度自适应室内人体检测方法,训练阶段包括信道状态信息的获取及预处理;信道状态信息去噪;信道状态信息特征值提取;信道状态信息分类训练,检测阶段包括信道状态信息预处理;提取窗口内的特征值:按照窗口分割进行特征值提取,所述特征值作为人体检测的验证数据;人体检测。该方法可以防止由于慢速移动对信道状态信息影响不明显,而造成检测结果不准确的情况发生,有效的解决检测环境中存在慢速移动的人体时,检测漏报率较高的问题。
Description
技术领域
本发明涉及一种自适应室内人体检测方法,特别是一种基于子载波动态选择的速度自适应室内人体检测方法,属于基于信道状态信息的人体检测领域。
背景技术
随着近些年物联网的快速发展,智能化设备和***被大量的开发应用,给人们的生活带来安全与便捷。其中人体检测***在家庭和商业中具有广泛的应用前景。传统的人体检测技术需要大规模的部署物理设备或者要求使用者穿戴特殊的检测仪器,这些造成了传统人体检测的局限性。随着WiFi的普及,基于无线设备的人体检测方法得以发展。其中信道状态信息成为研究者们的研究对象。使用信道状态信息研究人体检测时,通常采用某一个子载波或所有子载波的平均值作为检测数据。如果在检测环境中存在缓慢移动的人体时,此时由于动作幅度较小,使得对信道状态信息的干扰较小,易造成漏报的情况发生。针对上述问题,通过对子载波的敏感性差异进行分析,提出一种基于信道状态信息的速度自适应人体检测方法。
发明内容
针对上述现有技术,本发明要解决的技术问题是通过对子载波的敏感性差异进行分析,提供一种基于信道状态信息的速度自适应人体检测方法。
为解决上述技术问题,本发明一种基于子载波动态选择的速度自适应室内人体检测方法,包括训练阶段和检测阶段,其中,训练阶段包括以下步骤:
步骤(1):信道状态信息的获取及预处理:收集无线网卡捕获到的信道状态信息,进行预处理,将复数形式的信道状态信息分解成幅值和相位两个集合;
步骤(2):信道状态信息去噪:对步骤(1)预处理后的信道状态信息进行去除噪声处理;
步骤(3):信道状态信息特征值提取:提取时间窗口内信道状态信息的特征值,将所述特征值作为人体检测的判断标准;
步骤(4):信道状态信息分类训练:将提取到的特征值作为分类标准进行前期的分类训练,生成分类器,为检测阶段做准备;
其中,检测阶段包括以下步骤:
步骤(1):信道状态信息预处理:包括分解处理,去噪处理,和窗口分割;
步骤(2):提取窗口内的特征值:按照窗口分割进行特征值提取,所述特征值作为人体检测的验证数据;
步骤(3):人体检测:将所述特征值输入训练阶段生成的分类器进行检验。
本发明有益效果:
现有的基于信道状态信息的人体检测方法对环境中存在正常移动的人体时检测结果准确,而当环境中存在慢速移动的人体时,则无法做出准确的检测。针对上述问题,本发明主要利用子载波敏感性的差异,利用动态子载波选取策略,使之满足速度自适应的条件,提高检测的准确率。主要针对检测环境中慢速移动的人体对信道状态信息的影响不明显从而影响检测结果的情况。对于环境中出现正常移动的人体,检测时采用常规的检测方法。对于环境中出现的无明显移动的人体时,检测时采用动态子载波选取策略。这样可以防止由于慢速移动对信道状态信息影响不明显,而造成检测结果不准确的情况发生。有效的解决检测环境中存在慢速移动的人体时,检测漏报率较高的问题。
附图说明
图1是本发明的整体流程图。
图2是检测过程中流程图。
图3是随机森林分类过程图。
图4是不同移动速度下的常规移动人体检测方法和本发明的检测率结果图。
图5是不同时间窗口大小条件下本发明的检测率结果图。
图6是动态子载波选择时选取不同的子载波个数条件下本发明的检测率结果图。
具体实施方式
下面结合附图对本发明具体实施方式进行说明。
如附图1所示整个人体检测方法分为两部分,即前期的训练阶段和后期检测阶段。前期的训练阶段包括:
1)信道状态信息的获取及预处理:收集无线网卡捕获到的信道状态信息,并进行预处理,将复数形式的信道状态信息分解成幅值和相位两个集合。
2)信道状态信息去噪:对收集到的信道状态信息进行去除噪声处理。
3)信道状态信息特征值提取:提取时间窗口内信道状态信息的特征值,这些特征值将作为人体检测的判断标准。
4)信道状态信息分类训练:将提取到的特征值作为分类标准进行前期的分类训练,为后期检测做准备。
后期的检测阶段包括:
1)信道状态信息预处理:其中包括分解处理,去噪处理,和窗口分割。
2)提取窗口内的特征值:按照窗口分割进行特征值提取,这些特征值将作为人体检测的验证数据。
3)人体检测:将提取到的特征值输入之前训练的分类器进行检验。
附图2是本发明的检测部分的流程图:
1)通过MIMO技术采集信道状态信息,将每一个信道状态信息中所包含的30个子载波处理成振幅和相位分隔的集合。去噪后的信道状态不足以直接自动化的判断出是否有人体的存在,所以需要对去噪后的信道状态信息进行特征值的提取,之后通过特征值用来自适应的判断是否存在人体。根据最初设定好的窗口大小进行窗口分割,使用时域分析中的统计特征,按照随机的单一子载波计算该窗口内幅值信息的期望、标准差、平均能量以及窗口出现的极值差。
在提取特征的过程中,假设信号状态信息经过窗口分割后的每个窗口的长度为n,第i个信道状态信息的振幅为xi,各特征的提取方式为:
a.期望:用于表示CSI的数据集中趋势。其表达式如下所示,其中xi为信道状态信息第i个点的振幅,n为时间窗口内点的个数。
b.标准差:用于表示CSI的数据离散程度。其表达式如下所示,其中xi为信道状态信息第i个点的振幅,n为时间窗口内点的个数,μ为该窗口内的所有信道状态信息幅值的平均值。
d.极值差:用于表示窗口内振幅的最大值和最小值之差。其表达式如下所示,其中xmax为窗口内最大值点的振幅,xmin为窗口内最小值点的振幅。
D=xmax-xmin
将采样的信道状态信息分割成指定时间窗口的大小后,依据上面提到的特征提取方式进行提取分析,计算出每个时间窗口内的上述特征值,根据统计计算出静态环境和动态环境的标准。
2)在本发明中引入机器学习的分类方法,以解决常规方法获得阈值是通过大量的实验和人为计算比较后所得的局限性。因此本发明的人体检测具有自适应性,检测方法更具有可操作性。
首先将训练集分为静态环境和动态环境,将在训练集的特征值通过上述的方法提取出来,获得的特征值放入分类器可以得出分类结果。本发明中采用随机森林分类器对收集到的信道状态信息的特征值进行分类。随机森林分类算法是决策树的扩展,同时结合Bagging策略形成不同的数据集。随机森林以决策树为基学习器,当基于信道状态信息的室内人体检测在训练时,将之前所叙述的各种检测特征构成多棵决策树,且这些决策树之间相互独立,再将这些由特征构成的决策树组成随机森林。附图3是随机森林分类过程图。
在采用随机森林分类的过程中,样本的选择是本样本集中抽取一定数量的数据作为每颗决策树的根节点样本。然后随机抽取一定数量的属性构成决策树的节点,通过算法对属性进行比较,将合适的属性作为***节点。
测试时,将测试样本特征输入到分类器中,分类器中的每一棵基决策树都将提出自己的判断结果,最终的输出结果是由随机森林综合每一棵决策树提出的判断结果进行投票,以确定最终的类别。
3)由随机森林分类器对样本数据进行分类,由此在获得测试样本的特征值集后,输入分类器。若最终类别是有人,则发出警报。
4)若分类器最终类别是无人,则判定环境中无人,并继续检测下一个窗口。
附图4是不同移动速度下的常规移动人体检测方法和本发明的检测率;附图5是不同时间窗口大小条件下本发明的检测率;附图6是动态子载波选择时选取不同的子载波个数条件下本发明的检测率。综合这三个图的结果,可以看出本发明的移动人体检测达到了较好的检测效果,尤其是当环境中存在慢速移动的人体时。
Claims (1)
1.一种基于子载波动态选择的速度自适应室内人体检测方法,其特征在于:包括训练阶段和检测阶段,其中,训练阶段包括以下步骤:
步骤(1):信道状态信息的获取及预处理:收集无线网卡捕获到的信道状态信息,进行预处理,将复数形式的信道状态信息分解成幅值和相位两个集合;
步骤(2):信道状态信息去噪:对步骤(1)预处理后的信道状态信息进行去除噪声处理;
步骤(3):信道状态信息特征值提取:提取时间窗口内信道状态信息的特征值,将所述特征值作为人体检测的判断标准;
所述特征值包括窗口内幅值信息的期望、标准差、平均能量以及窗口出现的极值差;
期望用于表示CSI的数据集中趋势,具体为:
其中,xi为信道状态信息第i个点的振幅,n为时间窗口内点的个数;
标准差用于表示CSI的数据离散程度,具体为:
平均能量具体为:
极值差:用于表示窗口内振幅的最大值和最小值之差,具体为:
D=xmax-xmin
其中xmax为窗口内最大值点的振幅,xmin为窗口内最小值点的振幅;步骤(4):信道状态信息分类训练:将提取到的特征值作为分类标准进行前期的分类训练,生成分类器,为检测阶段做准备;所述分类器为随机森林分类器,随机森林以决策树为基学习器,当基于信道状态信息的室内人体检测在训练时,将所述特征值构成决策树,且决策树之间相互独立,再由决策树组成随机森林;
其中,检测阶段包括以下步骤:
步骤(1):信道状态信息预处理:包括分解处理,去噪处理,和窗口分割;
步骤(2):提取窗口内的特征值:按照窗口分割进行特征值提取,形成检测特征集,所述特征值包括窗口内幅值信息的期望、标准差、平均能量以及窗口出现的极值差;所述特征值作为人体检测的验证数据;
步骤(3):人体检测:将所述特征值输入训练阶段生成的随机森林分类器进行检验,分类器中的每一棵决策树提出自己的判断结果,最终的输出结果是由随机森林综合每一棵决策树提出的判断结果进行投票,以确定最终的类别,若最终类别是有人,则发出警报;若分类器最终类别是无人,则判定环境中无人,并继续检测下一个窗口。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811086897.9A CN109409216B (zh) | 2018-09-18 | 2018-09-18 | 基于子载波动态选择的速度自适应室内人体检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811086897.9A CN109409216B (zh) | 2018-09-18 | 2018-09-18 | 基于子载波动态选择的速度自适应室内人体检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109409216A CN109409216A (zh) | 2019-03-01 |
CN109409216B true CN109409216B (zh) | 2022-04-05 |
Family
ID=65464971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811086897.9A Active CN109409216B (zh) | 2018-09-18 | 2018-09-18 | 基于子载波动态选择的速度自适应室内人体检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109409216B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110011741A (zh) * | 2019-03-29 | 2019-07-12 | 河北工程大学 | 基于无线信号的身份识别方法及装置 |
CN111481203B (zh) * | 2020-05-22 | 2023-05-05 | 哈尔滨工程大学 | 一种基于信道状态信息的室内静态被动人体检测方法 |
CN116304915B (zh) * | 2023-05-16 | 2023-08-29 | 山东科技大学 | 基于WiFi的无接触动作识别方法、***及实验室装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012061325A1 (en) * | 2010-11-01 | 2012-05-10 | Rearden, Llc | Systems and methods to coordinate transmissions in distributed wireless systems via user clustering |
CN105158727A (zh) * | 2015-06-18 | 2015-12-16 | 哈尔滨工程大学 | 一种增强型室内无源被动人体定位方法 |
CN106411433A (zh) * | 2016-09-08 | 2017-02-15 | 哈尔滨工程大学 | 一种基于wlan的细粒度室内被动入侵检测方法 |
CN107968689A (zh) * | 2017-12-06 | 2018-04-27 | 北京邮电大学 | 基于无线通信信号的感知识别方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107347210B (zh) * | 2017-07-04 | 2019-10-29 | 江苏先安科技有限公司 | 一种基于信道状态信息的精确目标定位方法 |
CN107994960B (zh) * | 2017-11-06 | 2020-11-27 | 北京大学(天津滨海)新一代信息技术研究院 | 一种室内活动检测方法及*** |
-
2018
- 2018-09-18 CN CN201811086897.9A patent/CN109409216B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012061325A1 (en) * | 2010-11-01 | 2012-05-10 | Rearden, Llc | Systems and methods to coordinate transmissions in distributed wireless systems via user clustering |
CN105158727A (zh) * | 2015-06-18 | 2015-12-16 | 哈尔滨工程大学 | 一种增强型室内无源被动人体定位方法 |
CN106411433A (zh) * | 2016-09-08 | 2017-02-15 | 哈尔滨工程大学 | 一种基于wlan的细粒度室内被动入侵检测方法 |
CN107968689A (zh) * | 2017-12-06 | 2018-04-27 | 北京邮电大学 | 基于无线通信信号的感知识别方法及装置 |
Non-Patent Citations (3)
Title |
---|
Robust WLAN-based Indoor Fine-grained Intrusion Detection;Jiguang Lv et al.;《2016 IEEE》;20161231;第1-6页 * |
R-TTWD: Robust Device-Free Through-The-Wall Detection of Moving Human With WiFi;Hai Zhu et al;《IEEE JOURNAL ON SELECTED AREAS IN COMMUNICATIONS》;20170531;第35卷(第5期);第1092、1094-1095页 * |
基于信道状态信息的无源室内定位;吴哲夫等;《哈尔滨工程大学学报》;20170831;第38卷(第8期);第1329-1333页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109409216A (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109409216B (zh) | 基于子载波动态选择的速度自适应室内人体检测方法 | |
CN110287552B (zh) | 基于改进随机森林算法的电机轴承故障诊断方法及*** | |
CN107657088B (zh) | 基于mckd算法与支持向量机的滚动轴承故障诊断方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN106845556A (zh) | 一种基于卷积神经网络的织物疵点检测方法 | |
CN111238843B (zh) | 一种基于快速谱峭度分析的风机健康评价方法 | |
CN110175560A (zh) | 一种雷达信号脉内调制识别方法 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN110929842B (zh) | 非合作无线电信号突发时间区域精确智能检测方法 | |
CN112738092A (zh) | 一种日志数据增强方法、分类检测方法及*** | |
CN112528774B (zh) | 一种复杂电磁环境下未知雷达信号智能分选***及方法 | |
CN108334902A (zh) | 一种基于深度学习的轨道列车设备间烟雾防火监测方法 | |
Pourhomayoun et al. | Bioacoustic signal classification based on continuous region processing, grid masking and artificial neural network | |
CN107563403B (zh) | 一种高速列车运行的工况识别方法 | |
CN111289251A (zh) | 一种滚动轴承细粒度故障识别方法 | |
CN111600878A (zh) | 一种基于maf-adm的低速率拒绝服务攻击检测方法 | |
CN106708009A (zh) | 一种基于支持向量机聚类的船舶动力定位测量***多故障诊断方法 | |
CN106951924B (zh) | 基于AdaBoost算法的地震相干体图像断层自动识别方法及*** | |
CN107341519B (zh) | 一种基于多分辨率分析的支持向量机识别优化方法 | |
CN116881712A (zh) | 一种混凝土大坝活动裂纹电磁脉冲信号识别方法 | |
CN111209891A (zh) | 一种基于深度神经网络的轴承工况检测方法及*** | |
CN116466408A (zh) | 一种基于航磁数据的人工神经网络超基性岩识别方法 | |
CN110071884A (zh) | 一种基于改进熵云特征的通信信号调制识别方法 | |
CN115659143A (zh) | 一种基于试验设计的故障实时诊断方法 | |
CN112134634B (zh) | 基于随机森林算法的频谱感知方法、***及介质 |
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 |