CN113923589B - 一种非接触式多目标定位方法 - Google Patents

Abstract

本发明提供了一种非接触式多目标定位方法，包括：参数估计处理，包括数学建模步骤、构建空间谱函数步骤、求解谱峰峰值步骤和生成热图步骤；CBR模块处理，以参数估计处理中得到的热图作为模型输入，采用多个CBR模块进行处理；分类器模块处理，以CBR模块处理后的数据作为输入，使用Softmax方法进行分类，得到最终位置信息的预测结果。本发明通过采用MUSIC算法对多目标定位的位置信息参数（AoA值和ToF值）进行估计，并将参数信息转化成热图的形式输入卷积神经网络，使得对特征的提取能力大大增强。在强位置特征提取能力基础之上，本发明所提技术方案实现了室内多目标的高精度定位功能。

Description

一种非接触式多目标定位方法

技术领域

本发明涉及一种非接触式多目标定位方法，属于WIFI行为识别领域。

背景技术

近年来，随着物联网技术的快速发展，便捷、高精度的位置信息服务成为人机交互的重要支撑，也引起人们的广泛关注。目前，基于计算机视觉、物理传感器等方法的室内定位技术已比较成熟，并在各种实际场景中得到广泛应用。然而，这些方法均存在一定的限制。基于计算机视觉的定位方法，易受室内复杂环境中物体遮挡以及光照影响，且隐私性较差；基于物理传感器的室内定位方法部署成本较高，且携带不便，限制其使用范围。

伴随着无线通信设备数量的快速增长，无线信号覆盖范围逐步扩大，为无线感知研究提供了良好的物理基础。目前，利用无线信号来感知目标行为、位置信息等研究已成为学术界和产业界关注的焦点之一。近年来，基于Wi-Fi信号的定位技术凭借非接触式、低成本、不受光线影响、隐私性更强等优势，成为了室内定位研究的热门方向。目前，虽然基于Wi-Fi信号的多目标定位方法研究已经取得了一些成果，但也存在一些缺陷。

方案一：位置指纹方法

如图1所示，目前在基于Wi-Fi信号的室内定位领域，使用位置指纹法的研究已经取得了积极的进展。此类方法执行包含两个阶段：离线阶段和在线阶段。离线阶段，该方法主要采集室内环境中各个位置上的指纹，即RSS(接收信号强度)值或者CSI(信道状态信息)值，经过对数据处理，形成位置指纹数据库。在线阶段，该方法将采集到的指纹进行处理，再使用相应算法(如KNN、SVM、随机森林等)与指纹库中的信息进行比对以进行位置估计。位置指纹法主要应用于单目标的室内定位，但也可以拓展到多目标的情况。如党小超等人提出的基于位置指纹的双人定位方法中，使用CSI信息作为指纹，离线阶段先进行数据采集,预处理之后用K-means算法建立粗指纹库。在此基础之上,使用Softmax分类算法建立细指纹库。在线匹配时，先将采集到的数据与粗指纹库匹配,得到粗定位结果,然后再与细指纹库进行匹配,最终得到精准的位置信息。使用上述方法的最小定位误差为1.12m，能满足较为粗粒度的室内定位基本需求。

缺陷：由于要建立位置指纹库，因此需要大量时间和人力在离线阶段手工采集环境中各位置的指纹。由于环境改变、信号多径效应、阴影效应等影响，需要不时对指纹库进行更新。在多目标场景下，需要对所有目标位置情况进行信号采集，任务量大，建立指纹库更加困难。总体来说，该方法的定位精度取决于指纹库中位置信息的精度，前期的时间成本和人力成本较大。另外，随着定位人数的增加，各项成本会越来越大，定位精度也难以保证。

方案二：多参数联合估计方法

近年来，基于参数估计的室内定位方法受到研究者的广泛关注。此类方法主要通过建立模型对包含目标位置信息的多个参数信息进行联合估计，得到最接近的实际值，再通过参数值和实际接收端和发射端的位置计算，计算得到目标的位置信息。如李宪军等人提出的定位方法中，使用空间交替广义期望最大化(SAGE)算法来计算多维参数包括飞行时间(ToF)、到达角度(AoA)、多普勒频移(DFS)和信道衰减等参数，进而结合实际位置建立方程组来求解目标位置，在多目标场景下实现了0.65m的中值定位误差。王颖颖等人使用相同方法，在多目标情况下能达到0.8m的定位误差。

缺陷：此类方法的定位精度直接受到参数估计准确度的影响，无论是使用MUSIC算法或者SAGE算法，都是对实际参数的估计值。由于使用估计的参数值代入方程组计算，因此会产生较大的定位误差。

发明内容

本发明的目的是针对现有技术的不足，提供一种非接触式多目标定位方法，具体方案如下：

本发明第一方面提供一种非接触式多目标定位方法，包括：

参数估计处理，包括数学建模步骤、构建空间谱函数步骤、求解谱峰峰值步骤和生成热图步骤；

CBR模块处理，以参数估计处理中得到的热图作为模型输入，采用多个CBR模块进行处理；

分类器模块处理，以CBR模块处理后的数据作为输入，使用Softmax方法进行分类，得到最终位置信息的预测结果。

基于上述，所述参数估计处理包括：

数学建模步骤：以MA根天线作为信号接收阵列，天线阵列间距为d，信号采集时以1/T的速率对接收信号进行持续Twin时长的采样，T为采样周期；在空间和时间上的样本数分别为MA和MT＝[Twin/T]；

用矩阵C来表示CSI矩阵(MA×MT)：

其中，c_i,j为信道状态信息，将C表示为如下数学模型：

其中，

是矩阵的矢量化形式，N为噪声，A为是由N个导向矢量

组成的矩阵，S为入射信号，且S＝[S₁(t),S₂(t),…S_n(t)]^T；

向量C的相关矩阵Rc表示为：

其中，R_S＝E[SS^H]，R_N＝σ²I，E[.]为期望运算符，σ²为噪声功率，I是单位矩阵；

构建空间谱函数步骤：基于Rc的特征向量分为信号子空间和噪声子空间，构建的空间谱函数为：

其中，E_n是各噪声特征向量构成的矩阵，a为导向矢量；

求解谱峰峰值步骤：搜索空间谱谱峰的峰值来得到目标的位置信息参数X，X包括AoA值和ToF值；

生成热图步骤：将位置信息参数X用二维光谱的方式表现出来获得热图。

基于上述，所述CBR模块处理中的CBR模块包含非对称卷积、BN层残差链接和线性整流函数Relu激活三种操作。

基于上述，分类器模块处理包括：

设目标位置区域类型被分为Y(1,2，...，r)种；

利用Softmax函数对位置区域类别进行分类，并计算每个输出类别

的预测概率：

其中，Z_y是CBR模块输出内容再进行全局池化操作后的结果；

得到

后，再使用Adam优化器来对预测概率和真实标签概率之间的交叉熵损失函数进行最小化训练：

其中，

是预测概率，Y_i是真实标签概率。

本发明第二方面提供一种终端，包括存储器、处理器、以及存储在所述存储器上并可以在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的非接触式多目标定位方法的步骤，得到最终位置信息的预测结果。

本发明第三方面提供一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现所述的非接触式多目标定位方法的步骤，得到最终位置信息的预测结果。

本发明相对现有技术具有突出的实质性特点和显著的进步，具体的说：本发明通过采用MUSIC算法对多目标定位的位置信息参数X(AoA值和ToF值)进行估计，并将参数信息转化成热图的形式输入卷积神经网络，使得对特征的提取能力大大增强。在强位置特征提取能力基础之上，本发明所提技术方案实现了室内多目标的高精度定位功能，丰富了目前室内定位研究中对多目标的定位方法，解决了目前对多目标室内定位的精准度不足的缺点。

附图说明

图1为使用位置指纹法进行Wi-Fi感知的室内定位流程图。

图2为使用多参数联合估计方法进行Wi-Fi感知的室内定位流程图。

图3为本发明方法的设计示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面对本发明实施例中的技术方案进行清楚完整的描述，但本发明并不限于这些实施方式：

实施例1

如图3所示，本实施例提供一种非接触式多目标定位方法，包括参数估计处理、CBR模块处理和分类器模块处理。

参数估计处理

包括数学建模步骤、构建空间谱函数步骤、求解谱峰峰值步骤和生成热图步骤；考虑到JADE-MUSIC算法的高分辨率优点，使用该算法来进行参数估计；

所述参数估计处理包括：

数学建模步骤：以MA根天线作为信号接收阵列，天线阵列间距为d，信号采集时以1/T的速率对接收信号进行持续Twin时长的采样，T为采样周期；在空间和时间上的样本数分别为MA和MT＝[Twin/T]；

用矩阵C来表示CSI矩阵(MA×MT)：

其中，c_i,j为信道状态信息，将C表示为如下数学模型：

其中，

是矩阵的矢量化形式，N为噪声，A为是由N个导向矢量

组成的矩阵，S为入射信号，且S＝[S₁(t),S₂(t),…S_n(t)]^T；

向量C的相关矩阵Rc表示为：

其中，R_S＝E[SS^H]，R_N＝σ²I，E[.]为期望运算符，σ²为噪声功率，I是单位矩阵；

构建空间谱函数步骤：基于Rc的特征向量分为信号子空间(其维数等于Rs的秩)和噪声子空间(其与到达接收阵列的N条信号路径对应的所有方向向量正交)，构建的空间谱函数为：

其中，E_n是各噪声特征向量构成的矩阵，a为导向矢量；

求解谱峰峰值步骤：由于分母是信号向量和噪声矩阵的内积，且信号子空间与噪声子空间正交，因此当

等于目标对应的位置时，分母得0，在此处频谱取得一个极大值。通过搜索空间谱谱峰的峰值来得到目标的位置信息参数X，X包括AoA值和ToF值；/>

在实际环境中，因为不同目标信号的相干性，无法通过频谱搜索得到正确的位置。虽然频谱没有直接反应最终的结果，但其中包含了充足的目标位置空间特征；

生成热图步骤：通过上述对接收端的原始数据进行处理后，将估计到的位置信息参数X(AoA值和ToF值)用二维光谱的方式表现出来，就得到了热图，其中包含着多目标的位置空间特征。

CBR模块处理

以参数估计处理中得到的热图作为模型输入，采用多个CBR模块进行处理；

所述CBR模块处理中的CBR模块包含非对称卷积、BN层残差链接和线性整流函数Relu激活三种操作。

对于非对称卷积操作来说，先进行n×1卷积再进行1×n卷积，与直接进行n×n卷积的结果是等价的，但是能够将n×n次乘法简化为2×n次乘法，大大降低了运算量。残差链接操作，能够将底层特征也映射到顶层运算，较好解决了随网络深度增加带来的特征退化问题，也使得神经网络的收敛速度更快。BN层能使后续每个神经元的输入固定在同一分布上，不仅能解决在深层神经网络训练中梯度***和梯度消失的问题，还能加快模型的收敛。另外，考虑到引入非线性因素可以使模型表达能力更强，因此引入线性整流函数Relu进行激活操作。

经处理得到的热图中包含了位置信息的空间特征，再经过多个CBR模块操作后，其中蕴含的特征信息被精确提取。目标位置的特征信息基本完整保留，为后续分类器模块提供了高质量的输入数据。

分类器模块处理

以CBR模块处理后的数据作为输入，使用Softmax方法进行分类，得到最终位置信息的预测结果；

分类器模块处理包括：

设目标位置区域类型被分为Y(1,2，...，r)种；

利用Softmax函数对位置区域类别进行分类，并计算每个输出类别

的预测概率：

其中，Z_y是CBR模块输出内容再进行全局池化操作后的结果；采用全局池化操作，不仅使提取到的特征图与最终分类结果之间的转换更加简单自然，而且不需要大量训练参数，提高了模型的健壮性和抗过拟合能力；

得到

后，再使用Adam优化器来对预测概率和真实标签概率之间的交叉熵损失函数进行最小化训练：

其中，

是预测概率，Y_i是真实标签概率。多目标情况下的位置识别，属于典型的逻辑回归多分类问题。通过使用交叉熵函数作为优化目标，可以使得训练数据上学习到的预测数据分布和真实数据分布保持较好的一致性。/>

本发明方法在热图强特征包含能力基础上，CBR和分类器两个模块协同工作，高效地完成了位置特征精确提取和位置信息准确分类。经过多次迭代，使得在现有数据集上的平均误差距离为6cm，中位误差距离为8cm，达到现阶段研究的先进水平，在基于Wi-Fi感知的双目标室内定位中表现出了较好的性能。

实施例2

本实施例提供了一种终端，包括存储器、处理器、以及存储在所述存储器上并可以在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的非接触式多目标定位方法的步骤，得到多目标行为识别的结果。

需要说明的是，为描述的方便和简洁，所述终端的具体工作过程，可以参考上述实施例1描述的方法的对应过程，在此不再赘述。

需要说明的是，本实施例的终端可以是PC、手机、平板等终端设备。

特别的，该终端可以用作看护终端。目前，我国已经步入了老龄化社会。由于医疗资源的受限，老年人群的居家护理变得十分重要，其相关的研究也是目前的热点。将该终端用于家庭看护，可以通过家庭Wi-Fi实现对老人的无感智能监护，对未来的居家护理提供新的研究思路，有着较大的社会效益和经济效益。

实施例3

本实施例提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现上述所述的非接触式多目标定位方法的步骤，得到多目标行为识别的结果。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，上述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

上述集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。

上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、电载波信号、电信信号以及软件分发介质等。

最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。

Claims (4)

1.一种非接触式多目标定位方法，其特征在于，包括：

参数估计处理，包括数学建模步骤、构建空间谱函数步骤、求解谱峰峰值步骤和生成热图步骤；

所述参数估计处理包括：

数学建模步骤：以MA根天线作为信号接收阵列，天线阵列间距为d，信号采集时以1/T的速率对接收信号进行持续Twin时长的采样，T为采样周期；在空间和时间上的样本数分别为MA和MT＝[Twin/T]；

用矩阵C来表示CSI矩阵(MA×MT)：

其中，c_i,j为信道状态信息，将C表示为如下数学模型：

其中，

是矩阵的矢量化形式，N为噪声，A为是由N个导向矢量

组成的矩阵，S为入射信号，且S＝[S₁(t),S₂(t),…S_n(T)]^T；

向量C的相关矩阵Rc表示为：

其中，R_S＝E[SS^H]，R_N＝σ²I，E[.]为期望运算符，σ²为噪声功率，I是单位矩阵；

构建空间谱函数步骤：基于Rc的特征向量分为信号子空间和噪声子空间，构建的空间谱函数为：

其中，E_n是各噪声特征向量构成的矩阵，a为导向矢量；

求解谱峰峰值步骤：搜索空间谱谱峰的峰值来得到目标的位置信息参数X，X包括AoA值和ToF值；

生成热图步骤：将位置信息参数X用二维光谱的方式表现出来获得热图；

CBR模块处理，以参数估计处理中得到的热图作为模型输入，采用多个CBR模块进行处理；

分类器模块处理，以CBR模块处理后的数据作为输入，使用Softmax方法进行分类，得到最终位置信息的预测结果；

分类器模块处理包括：

设目标位置区域类型被分为Y(1,2，...，r)种；

利用Softmax函数对位置区域类别进行分类，并计算每个输出类别

的预测概率：/>

其中，Z_y是CBR模块输出内容再进行全局池化操作后的结果；

得到

后，再使用Adam优化器来对预测概率和真实标签概率之间的交叉熵损失函数进行最小化训练：

其中，

是预测概率，Y_i是真实标签概率。

2.根据权利要求1所述的非接触式多目标定位方法，其特征在于，所述CBR模块处理中的CBR模块包含非对称卷积、BN层残差链接和线性整流函数Relu激活三种操作。

3.一种终端，包括存储器、处理器、以及存储在所述存储器上并可以在所述处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1-2任一项所述的非接触式多目标定位方法的步骤，得到最终位置信息的预测结果。

4.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该计算机指令被处理器执行时实现权利要求1-2任一项所述的非接触式多目标定位方法的步骤，得到最终位置信息的预测结果。

Images