CN111753686A - 基于csi的人数识别方法、装置、设备及计算机存储介质 - Google Patents
基于csi的人数识别方法、装置、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN111753686A CN111753686A CN202010533923.9A CN202010533923A CN111753686A CN 111753686 A CN111753686 A CN 111753686A CN 202010533923 A CN202010533923 A CN 202010533923A CN 111753686 A CN111753686 A CN 111753686A
- Authority
- CN
- China
- Prior art keywords
- data
- phase difference
- amplitude
- target
- principal component
- 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 OR CALCULATING; 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 OR CALCULATING; 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)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于CSI的人数识别方法、装置、设备及计算机存储介质，该方法包括：获取待检测场景下的信道状态信息数据；对所述信道状态信息数据进行特征提取，以获取幅值特征向量及相位差特征向量；将所述幅值特征向量及相位差特征向量输入至目标分类器，由目标分类器输出对应的人数预测标签；基于所述人数预测标签，确定所述待检测场景下的人数信息。由此，通过利用信道状态信息数据的幅值特征向量及相位差特征向量作为特征信息，进而提高了基于信道状态信息的人数识别准确率。
Description
技术领域
本发明涉及信号处理技术领域，尤其涉及一种基于CSI的人数识别方法、装置、设备及计算机存储介质。
背景技术
人数识别是一个估计特定环境中人数的过程，是现代安防、商业信息的采集、智能管理等重要任务的基础。人数识别在安全管理方面也有重要作用，在需要控制人流密度的场所，人数识别技术可以为管制部门提供参考。本发明具体应用场景是人员流动性较差且人数较少的地下甬道。在这样的地下甬道内，如果出现人员安全问题，就不能及时实施救援。在一般情况下，地下甬道内的人员在作业时，全部都在人数识别信号的覆盖区域内，为了避免可能出现的安全隐患，一旦人数减少，就触发报警，然后既可查看地下甬道内缺少的人员是否处于危险情况。
目前由于无线网络普遍部署，WIFI信号的RSSI(receivedsignalstrengthindication)被大量应用于此项研究，然而由于多径衰落以及RSSI测量的是信号多径传播之后的叠加效果，基于RSSI进行人数识别的效果受到制约，而现在的Intel5300商用网卡在802.11标准下可以在MIMO系统中获取信道状态信息(channelstateinformation，CSI)，信道状态信息是通信链路的信道特性的估计，从MIMO系统中获取的信道状态信息描述了每个子载波振幅和相位的测量值，相比之下，信道状态信息在刻画无限信号“多径效应”中有更为精细的表现因而被越来越多的研究人员采用，然而目前基于信道状态信息进行人数设别的准确率还有待提高。
发明内容
本发明提供一种基于CSI的人数识别方法、装置、设备及计算机存储介质，旨在解决目前基于CSI的人数识别准确率不高的技术问题。
为实现上述目的，本发明提供一种基于CSI的人数识别方法，所述基于CSI的人数识别方法包括：
获取待检测场景下的信道状态信息数据；
对所述信道状态信息数据进行特征提取，以获取幅值特征向量及相位差特征向量；
将所述幅值特征向量及相位差特征向量输入至目标分类器，由目标分类器输出对应的人数预测标签；
基于所述人数预测标签，确定所述待检测场景下的人数信息。
优选地，获取所述信道状态信息数据对应的幅值数据及相位数据；
对所述幅值数据进行预处理，以获取目标幅值数据，并对所述目标幅值数据进行特征提取，以获取幅值特征向量；
对所述相位数据进行预处理，以获取目标相位差数据，并对所述目标相位差数据进行特征提取，以获取相位差特征向量。
优选地，对所述幅值数据进行巴特沃斯滤波处理，以获取目标幅值数据；
利用时间窗将所述目标幅值数据分割成预设数量的短序列幅值数据；
求取各个时间窗内的短序列幅值数据对应的一阶差分幅值数据；
对所述一阶差分幅值数据进行主成分分析，以获取各个时间窗内的短序列幅值数据对应的第一幅值主成分及第二幅值主成分；
根据所述第一幅值主成分及第二幅值主成分，获取幅值特征向量。
优选地，构建所述第一幅值主成分及第二幅值主成分对应的幅值矩阵；
获取所述幅值矩阵对应的幅值转置；
基于所述幅值转置及幅值矩阵，获取目标幅值矩阵；
基于所述目标幅值矩阵，获取幅值特征向量。
优选地，对所述相位数据依次进行相位补偿、相位线性化处理，以获取线性相位数据；
确定所述线性相位数据对应的相位差数据，并对所述相位差数据进行Hampel滤波处理，以获取目标相位差数据；
利用时间窗将所述目标相位差数据分割成预设数量的短序列相位差数据；
求取各个时间窗内的短序列相位差数据对应的一阶差分相位差数据；
对所述一阶差分相位差数据进行主成分分析，以获取各个时间窗内的短序列相位差数据对应的第一相位差主成分及第二相位差主成分；
根据所述第一相位差主成分及第二相位差主成分，获取相位差特征向量。
优选地，构建所述第一相位差主成分及第二相位差主成分对应的相位差矩阵；
获取所述相位差矩阵对应的相位差转置；
基于所述相位差转置及相位差矩阵，获取目标相位差矩阵；
基于所述目标相位差矩阵，获取相位差特征向量。
优选地，获取信道状态信息训练数据，并确定所述信道状态信息训练数据对应的真实人数标签；
利用初始分类器获取所述信道状态信息训练数据对应的预测人数标签；
基于所述预测人数标签及所述信道状态信息训练数据对应的真实人数标签，计算所述初始分类器对应的损失函数；
基于所述损失函数，以梯度下降方式更新所述初始分类器的参数；
若所述损失函数达到收敛条件，则停止更新，并保存所述损失函数达到收敛条件对应的目标参数，以获得目标分类器。
此外，为实现上述目的，本发明还提供一种基于CSI的人数识别装置，所述基于CSI的人数识别装置包括：
获取模块，用于获取待检测场景下的信道状态信息数据；
提取模块，用于对所述信道状态信息数据进行特征提取，以获取幅值特征向量及相位差特征向量；
输出模块，用于将所述幅值特征向量及相位差特征向量输入至目标分类器，由目标分类器输出对应的人数预测标签；
确定模块，用于基于所述人数预测标签，确定所述待检测场景下的人数信息。
此外，为实现上述目的，本发明还提供一种基于CSI的人数识别设备，所述基于CSI的人数识别设备包括处理器，存储器以及存储在所述存储器中的基于CSI的人数识别程序，所述基于CSI的人数识别程序被所述处理器运行时，实现如上所述的基于CSI的人数识别方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机存储介质，所述计算机存储介质上存储有基于CSI的人数识别程序，所述基于CSI的人数识别程序被处理器运行时实现如上所述基于CSI的人数识别方法的步骤。
相比现有技术，本发明公开了一种基于CSI的人数识别方法、装置、设备及计算机存储介质，获取待检测场景下的信道状态信息数据，对所述信道状态信息数据进行特征提取，以获取幅值特征向量及相位差特征向量，将所述幅值特征向量及相位差特征向量输入至目标分类器，由目标分类器输出对应的人数预测标签，基于所述人数预测标签，确定所述待检测场景下的人数信息。由此，通过利用信道状态信息数据的幅值特征向量及相位差特征向量作为特征信息，进而提高了基于信道状态信息的人数识别准确率。
附图说明
图1是本发明各实施例涉及的基于CSI的人数识别设备的硬件结构示意图；
图2是本发明基于CSI的人数识别方法第一实施例的流程示意图；
图3是本发明基于CSI的人数识别方法第二实施例的流程示意图；
图4是本发明基于CSI的人数识别装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，图1是本发明各实施例涉及的基于CSI的人数识别设备的硬件结构示意图。本发明实施例中，基于CSI的人数识别设备可以包括处理器1001(例如中央处理器Central Processing Unit、CPU)，通信总线1002，输入端口1003，输出端口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信；输入端口1003用于数据输入；输出端口1004用于数据输出，存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器，存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解，图1中示出的硬件结构并不构成对本发明的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
继续参照图1，图1中作为一种可读存储介质的存储器1005可以包括操作系统、网络通信模块、应用程序模块以及基于CSI的人数识别程序。在图1中，网络通信模块主要用于连接服务器，与服务器进行数据通信；而处理器1001可以调用存储器1005中存储的基于CSI的人数识别程序，并执行如下操作：
获取待检测场景下的信道状态信息数据；
对所述信道状态信息数据进行特征提取，以获取幅值特征向量及相位差特征向量；
将所述幅值特征向量及相位差特征向量输入至目标分类器，由目标分类器输出对应的人数预测标签；
基于所述人数预测标签，确定所述待检测场景下的人数信息。
进一步地，处理器1001还可以用于调用存储器1005中存储的基于CSI的人数识别程序，并执行以下步骤：
获取所述信道状态信息数据对应的幅值数据及相位数据；
对所述幅值数据进行预处理，以获取目标幅值数据，并对所述目标幅值数据进行特征提取，以获取幅值特征向量；
对所述相位数据进行预处理，以获取目标相位差数据，并对所述目标相位差数据进行特征提取，以获取相位差特征向量。
进一步地，处理器1001还可以用于调用存储器1005中存储的基于CSI的人数识别程序，并执行以下步骤：
对所述幅值数据进行巴特沃斯滤波处理，以获取目标幅值数据；
利用时间窗将所述目标幅值数据分割成预设数量的短序列幅值数据；
求取各个时间窗内的短序列幅值数据对应的一阶差分幅值数据；
对所述一阶差分幅值数据进行主成分分析，以获取各个时间窗内的短序列幅值数据对应的第一幅值主成分及第二幅值主成分；
根据所述第一幅值主成分及第二幅值主成分，获取幅值特征向量。
进一步地，处理器1001还可以用于调用存储器1005中存储的基于CSI的人数识别程序，并执行以下步骤：
构建所述第一幅值主成分及第二幅值主成分对应的幅值矩阵；
获取所述幅值矩阵对应的幅值转置；
基于所述幅值转置及幅值矩阵，获取目标幅值矩阵；
基于所述目标幅值矩阵，获取幅值特征向量。
进一步地，处理器1001还可以用于调用存储器1005中存储的基于CSI的人数识别程序，并执行以下步骤：
对所述相位数据依次进行相位补偿、相位线性化处理，以获取线性相位数据；
确定所述线性相位数据对应的相位差数据，并对所述相位差数据进行Hampel滤波处理，以获取目标相位差数据；
利用时间窗将所述目标相位差数据分割成预设数量的短序列相位差数据；
求取各个时间窗内的短序列相位差数据对应的一阶差分相位差数据；
对所述一阶差分相位差数据进行主成分分析，以获取各个时间窗内的短序列相位差数据对应的第一相位差主成分及第二相位差主成分；
根据所述第一相位差主成分及第二相位差主成分，获取相位差特征向量。
进一步地，处理器1001还可以用于调用存储器1005中存储的基于CSI的人数识别程序，并执行以下步骤：
构建所述第一相位差主成分及第二相位差主成分对应的相位差矩阵；
获取所述相位差矩阵对应的相位差转置；
基于所述相位差转置及相位差矩阵，获取目标相位差矩阵；
基于所述目标相位差矩阵，获取相位差特征向量。
进一步地，处理器1001还可以用于调用存储器1005中存储的基于CSI的人数识别程序，并执行以下步骤：
获取信道状态信息训练数据，并确定所述信道状态信息训练数据对应的真实人数标签；
利用初始分类器获取所述信道状态信息训练数据对应的预测人数标签；
基于所述预测人数标签及所述信道状态信息训练数据对应的真实人数标签，计算所述初始分类器对应的损失函数；
基于所述损失函数，以梯度下降方式更新所述初始分类器的参数；
若所述损失函数达到收敛条件，则停止更新，并保存所述损失函数达到收敛条件对应的目标参数，以获得目标分类器。
基于上述的结构，提出本发明基于CSI的人数识别方法的各个实施例。
参照图2，图2是本发明基于CSI的人数识别方法第一实施例的流程示意图。
本实施例中，所述基于CSI的人数识别方法应用于基于CSI的人数识别设备，所述方法包括：
步骤S10：获取待检测场景下的信道状态信息数据；
本实施例中，随着技术的发展和WIFI路由器设备的普及，将WIFI无线局域网技术应用在人员入侵检测领域成为越来越多国内外学者的研究方向，由于路由器等设备廉价易得，具有很高的普及性，且只需要依靠采集到的WIFI信号就可以进行人员入侵检测而不需要被检测人员携带任何额外设备以供检测，极大提高了此种技术的方便性和可实用性，目前大多数研究者采用无线信号接收强度指示参量(Received Signal StrengthIndication，RSSI)作为人员入侵检测的研究参数，然而一个数据包内的RSSI信息只有一个，导致研究难度较大，因此本实施例中，采用无线信道状态信息(Chanel StatusInformation，CSI)代替传统的无线信号接收强度指示参量，可以解决传统方法中依赖于信号功率的问题，具体地，人员入侵时会影响无线链路，体现在CSI信息上是幅值和相位的波动，因此即可通过幅值和相位来检测是否存在人员侵入的情况。
具体应用中，获取接收端多根天线接收的信道状态信息数据，比如获取待测场景下无线信号接收端三根天线对应的信道状态信息数据，其中，发射无线信号的发射端和接收无线信号的接收端均为普通商用设备，例如可以使用路由器作为发射器，笔记本作为接收器，但不限于此两种设备，可选地，利用Intel5300网卡获取待检测场景下的30个子载波簇的数据，接着获取30个子载波簇的数据对应的30个信道状态信息数据。
步骤S20：对所述信道状态信息数据进行特征提取，以获取幅值特征向量及相位差特征向量；
信道状态信息包括幅值和相位两种信息，其中幅值信息具有比相位信息好的稳定性，但相位信息比幅值信息在刻画人员扰动更具精细性，因此本实施例中，提取信道状态信息对应的幅值和相位两种信息作为特征信息来研究。
需要说明的是，从接收端天线采集的原始信道状态信息数据不能直接用于人员入侵识别，因为存在很多干扰，例如环境噪声、电噪声和附近的其他WIFI信号干扰等，这些干扰因素会导致我们采集到的原始信道状态信息数据出现剧烈的异常波动，从而对我们的入侵检测的判别造成影响，因此我们需要对采集到的数据信息进行滤波等预处理，以去除原始信道状态信息数据的噪点及异常数据点，在进行预处理之后，再对预处理后的信道状态信息数据进行特征提取。
需要说明的是，由于相位差往往有着更大的方差，因此本实施例以相位差作为特征信息，具体地，提取信道状态信息数据对应的幅值数据及相位数据，接着计算接收端三根天线之间对应的相位差数据，最后分别对幅值数据及相位差数据进行特征提取，以获取幅值特征向量及相位差特征向量。
步骤S30：将所述幅值特征向量及相位差特征向量输入至目标分类器，由目标分类器输出对应的人数预测标签；
步骤S40：基于所述人数预测标签，确定所述待检测场景下的人数信息。
本实施例中，分类器可选取支持向量机(Support Vector Machine，SVM)来输出幅值特征向量及相位差特征向量对应的人数预测标签，进一步地，在利用SVM分类器对每一次输入的幅值特征向量及相位差特征向量进行特征向量之前，还需用训练数据训练SVM分类器，得到训练后的目标分类器，以基于目标分类器对每一次输入的幅值特征向量及相位差特征向量输出对应的人数预测标签。
具体地，将所述幅值特征向量及相位差特征向量输入至目标分类器的步骤之前，还包括：
步骤a：获取信道状态信息训练数据，并确定所述信道状态信息训练数据对应的真实人数标签；
步骤b：利用初始分类器获取所述信道状态信息训练数据对应的预测人数标签；
步骤c：基于所述预测人数标签及所述信道状态信息训练数据对应的真实人数标签，计算所述初始分类器对应的损失函数；
步骤d：基于所述损失函数，以梯度下降方式更新所述初始分类器的参数；
步骤e：若所述损失函数达到收敛条件，则停止更新，并保存所述损失函数达到收敛条件对应的目标参数，以获得目标分类器。
该步骤中，随机准备大量的有人场景下的信道状态信息训练数据，其中，有人场景下的信道状态信息训练数据可包括不同人数测试者场景下对应的信道状态信息训练数据、不同性别测试者场景下对应的信道状态信息训练数据及不同高矮胖瘦测试者场景下对应的信道状态信息训练数据，以丰富训练数据的多样性，进而提高分类器分类的精准度。
在获取信道状态信息训练数据之后，确定信道状态信息训练数据对应的真实人数标签，比如，若训练数据为3个人场景下的信道状态信息训练数据，则其对应的真实人数标签为3，若训练数据为9个人场景下的信道状态信息训练数据，则其对应的真实人数标签为9，然后信道状态信息训练数据进行预处理及特征提取处理。比如，提取信道状态信息训练数据对应的幅值训练数据及相位训练数据，接着对相位训练数据进行相位补偿及线性化处理，以获取相位训练数据对应的线性相位训练数据，然后获取线性相位训练数据对应的相位差训练数据，最后对幅值训练数据及相位差训练数据进行滤波处理，以对幅值训练数据及相位差训练数据进行去噪处理。在滤波去噪之后，对幅值训练数据、相位差训练数据进行特征提取，以获取对应的幅值特征训练向量、相位差特征训练向量，最后根据幅值特征训练向量与相位差特征训练向量训练初始分类器，以获取目标分类器。
具体地，将幅值特征训练向量及相位差特征训练向量输入至初始分类器中，比如初始SVM分类器，以由初始SVM分类器输出对应的预测人数标签，接着根据预测人数标签及其对应的真实人数标签计算初始SVM分类器对应的损失函数，可选地，本实施例中计算预测人数标签及其对应的真实人数标签之间对应的交叉商损失函数。
在获取初始SVM分类器的交叉熵损失函数之后，根据交叉熵损失函数计算初始SVM分类器中各个参数对应的梯度，根据各个参数的梯度来对应更新各个参数，也即调整初始SVM分类器的各个参数。此处，根据交叉熵损失函数更新模型参数的过程与现有的模型参数更新过程类似，在此不做详细赘述，直至交叉熵损失函数达到收敛条件时，停止更新初始SVM分类器中各个参数，并确认及保存交叉熵损失函数达到收敛条件时对应的各个参数值，以获得目标分类器。
在获得目标分类器之后，将待检测场景下的信道状态信息数据对应的幅值特征向量及相位差特征向量同时输入至目标分类器，由目标分类器输出对应的人数预测标签，其中，目标分类器输出为几个不同预测人数及其对应的预测概率，在获取目标分类器输出对应的人数预测标签之后，确定输出结果中预测概率最大的预测人数为所述待检测场景下的人数信息。
本实施例通过上述方案，获取待检测场景下的信道状态信息数据；对所述信道状态信息数据进行特征提取，以获取幅值特征向量及相位差特征向量；将所述幅值特征向量及相位差特征向量输入至目标分类器，由目标分类器输出对应的人数预测标签；基于所述人数预测标签，确定所述待检测场景下的人数信息。由此，通过利用信道状态信息数据的幅值特征向量及相位差特征向量作为特征信息，进而提高了基于信道状态信息的人数识别准确率。
基于上述图2所示的第二实施例，提出本发明第三实施例。如图4所示，图4是本发明基于CSI的人数识别方法第二实施例的流程示意图。
所述对所述信道状态信息数据进行特征提取，以获取幅值特征向量及相位差特征向量的步骤包括：
步骤S201：获取所述信道状态信息数据对应的幅值数据及相位数据；
可以理解地，信道状态信息包括幅值和相位两种信息，因此，在获取信道状态信息数据之后，提取信道状态信息数据对应的幅值数据及相位数据。
步骤S202：对所述幅值数据进行预处理，以获取目标幅值数据，并对所述目标幅值数据进行特征提取，以获取幅值特征向量；
需要说明的是，从接收端天线采集的原始信道状态信息数据不能直接用于人员入侵识别，因为存在很多干扰，例如环境噪声、电噪声和附近的其他WIFI信号干扰等，这些干扰因素会导致我们采集到的原始信道状态信息数据出现剧烈的异常波动，从而对我们的入侵检测的判别造成影响，因此我们需要对采集到的数据信息进行滤波等预处理，即去除原始信道状态信息数据的噪点及异常数据点之后，再对数据进行特征提取，以获取特征向量。
进一步地，由于信道状态信息包括幅值和相位两种信息，而幅值和相位两种信息两种信息之间具有一定差异性，因此本实施例提取信道状态信息对应的幅值信息和相位信息之后，分别处理幅值信息和相位信息，提高了数据的精准性，进而提高检测结果。
具体地，步骤S202包括：
步骤S202a：对所述幅值数据进行巴特沃斯滤波处理，以获取目标幅值数据；
步骤S202b：利用时间窗将所述目标幅值数据分割成预设数量的短序列幅值数据；
步骤S202c：求取各个时间窗内的短序列幅值数据对应的一阶差分幅值数据；
步骤S202d：对所述一阶差分幅值数据进行主成分分析，以获取各个时间窗内的短序列幅值数据对应的第一幅值主成分及第二幅值主成分；
步骤S202e：根据所述第一幅值主成分及第二幅值主成分，获取幅值特征向量。
该步骤中，在获取幅值数据之后，对进行幅值数据巴特沃斯滤波处理，以删除异常幅值数据，获取目标幅值数据，进一步地，研究发现，有人员入侵时对应的信道状态信息数据的一阶差分后的曲线波动比一阶差分前的曲线波动更加剧烈，也就是说，一阶差分可以放大人员入侵时对信道状态信息数据的影响以便被检测到并判断出入侵，因此本实施例对幅值数据进行一阶差分处理，进一步地，为了提高数据处理效率，本实施例中，先利用时间窗将目标幅值数据分割成预设数量的短序列幅值数据，接着同时分别求各个时间窗内的短序列幅值数据对应的一阶差分幅值数据，然后对各个时间窗内的短序列幅值数据进行主成分分析降维，以获取第一幅值主成分及第二幅值主成分，最后根据第一幅值主成分、第二幅值主成分获取幅值特征向量。
具体地，所述根据所述第一幅值主成分及第二幅值主成分，获取幅值特征向量的步骤包括：
构建所述第一幅值主成分及第二幅值主成分对应的幅值矩阵；
获取所述幅值矩阵对应的幅值转置；
基于所述幅值转置及幅值矩阵，获取目标幅值矩阵；
基于所述目标幅值矩阵，获取幅值特征向量。
该步骤中，在获取第一幅值主成分及第二幅值主成分之后，构建第一幅值主成分及第二幅值主成分对应的幅值矩阵，例如：m*n的幅值矩阵(其中，m≥n),接着获取幅值矩阵对应的幅值转置，即n*m的幅值转置矩阵，最后将m*n的幅值矩阵与n*m的幅值转置矩阵相乘，以获取m*m的目标幅值矩阵，以通过m*m的目标幅值矩阵获取幅值特征向量。
步骤S203：对所述相位数据进行预处理，以获取目标相位差数据，并对所述目标相位差数据进行特征提取，以获取相位差特征向量。
该步骤中，同上述幅值数据，为了避免外界干扰因素对检测结果的影响，需先对相位数据进行预处理，以获取目标相位差数据，然后再对目标相位差数据进行特征提取，以获取相位差特征向量。
具体地，步骤S203包括：
步骤S203a：对所述相位数据依次进行相位补偿、相位线性化处理，以获取线性相位数据；
步骤S203b：确定所述线性相位数据对应的相位差数据，并对所述相位差数据进行Hampel滤波处理，以获取目标相位差数据；
步骤S203c：利用时间窗将所述目标相位差数据分割成预设数量的短序列相位差数据；
步骤S203d：求取各个时间窗内的短序列相位差数据对应的一阶差分相位差数据；
步骤S203e：对所述一阶差分相位差数据进行主成分分析，以获取各个时间窗内的短序列相位差数据对应的第一相位差主成分及第二相位差主成分；
步骤S203f：根据所述第一相位差主成分及第二相位差主成分，获取相位差特征向量。
该步骤中，由于从Intel5300网卡获得的是随机分布的测量相位对，数据包中CSI原始相位数据曲线分布杂乱，所以不能通过这些杂乱的曲线分布，检测人员入侵时对无线网络环境产生的扰动，即也就不能利用相位信息对人员进行感知和入侵检测，因此，本实施例中在提取相位数据之后，先对相位数据进行相位补偿处理，以获取完整的相位数据，其中，原始CSI相位的跃迁方向有两种，分别是从-π跃迁至+π和从+π跃迁至-π，按照不同的相位跃迁方向对CSI相位进行不同的补偿，其中，补偿的相位大小为2π或-2π。
进一步地，由于相位差往往有着更大的方差，因此本实施例以相位差作为特征信息，因此本实施例中，为了方便准确地获取相位差特征信息，在进行相位补偿之后，对相位数据进行相位线性化处理，以获取线性相位数据，进而根据线性相位数据获取更加精准的相位差数据。
进一步地，同上述幅值数据，为了获取差异性更大的特征及提高数据处理效率，本实施例在获取目标相位差数据之后，先利用时间窗将目标相位差数据分割成预设数量的短序列相位差数据，再对预设数量的短序列相位差数据进行一阶差分处理，最后基于一阶差分处理处理后的相位差数据，获取相位差特征向量，在此不做赘述。
进一步地，所述根据所述第一相位差主成分及第二相位差主成分，获取相位差特征向量的步骤包括：
构建所述第一相位差主成分及第二相位差主成分对应的相位差矩阵；
获取所述相位差矩阵对应的相位差转置；
基于所述相位差转置及相位差矩阵，获取目标相位差矩阵；
基于所述目标相位差矩阵，获取相位差特征向量。
该步骤中，在获取第一相位差主成分及第二相位差主成分之后，构建第一相位差主成分及第二相位差主成分对应的相位差矩阵，例如：p*q的相位差矩阵(其中，p≥q),接着获取相位差矩阵对应的相位差转置，即p*q的相位差转置矩阵，最后将p*q的相位差矩阵与p*q的相位差转置矩阵相乘，以获取p*q的目标相位差矩阵，以通过p*q的目标相位差矩阵获取相位差特征向量。
本实施例通过上述方案，获取所述信道状态信息数据对应的幅值数据及相位数据,对所述幅值数据进行预处理，以获取目标幅值数据，并对所述目标幅值数据进行特征提取，以获取幅值特征向量,对所述相位数据进行预处理，以获取目标相位差数据，并对所述目标相位差数据进行特征提取，以获取相位差特征向量，由此，通过利用信道状态信息数据的幅值特征向量及相位差特征向量作为特征信息，进而提高了基于信道状态信息的人数识别准确率。
此外，本实施例还提供一种基于CSI的人数识别装置。参照图4，图4为本发明基于CSI的人数识别装置第一实施例的功能模块示意图。
本实施例中，所述基于CSI的人数识别装置为虚拟装置，存储于图1所示的基于CSI的人数识别设备的存储器1005中，以实现基于CSI的人数识别程序的所有功能：用于获取待检测场景下的信道状态信息数据；用于对所述信道状态信息数据进行特征提取，以获取幅值特征向量及相位差特征向量；用于将所述幅值特征向量及相位差特征向量输入至目标分类器，由目标分类器输出对应的人数预测标签；用于基于所述人数预测标签，确定所述待检测场景下的人数信息。
具体地，所述基于CSI的人数识别装置包括：
获取模块10，用于获取待检测场景下的信道状态信息数据；
提取模块20，用于对所述信道状态信息数据进行特征提取，以获取幅值特征向量及相位差特征向量；
输出模块30，用于将所述幅值特征向量及相位差特征向量输入至目标分类器，由目标分类器输出对应的人数预测标签；
确定模块40，用于基于所述人数预测标签，确定所述待检测场景下的人数信息。
进一步地，所述提取模块包括：
第一获取单元，用于获取所述信道状态信息数据对应的幅值数据及相位数据；
第二获取单元，用于对所述幅值数据进行预处理，以获取目标幅值数据，并对所述目标幅值数据进行特征提取，以获取幅值特征向量；
第三获取单元，用于对所述相位数据进行预处理，以获取目标相位差数据，并对所述目标相位差数据进行特征提取，以获取相位差特征向量。
进一步地，所述第二获取单元，还包括：
第一预处理子单元，用于对所述幅值数据进行巴特沃斯滤波处理，以获取目标幅值数据；
第一分割子单元，用于利用时间窗将所述目标幅值数据分割成预设数量的短序列幅值数据；
第一求取子单元，用于求取各个时间窗内的短序列幅值数据对应的一阶差分幅值数据；
第一主成分分析子单元，用于对所述一阶差分幅值数据进行主成分分析，以获取各个时间窗内的短序列幅值数据对应的第一幅值主成分及第二幅值主成分；
第一获取子单元，用于根据所述第一幅值主成分及第二幅值主成分，获取幅值特征向量。
进一步地，所述第一获取子单元，还用于：
构建所述第一幅值主成分及第二幅值主成分对应的幅值矩阵；
获取所述幅值矩阵对应的幅值转置；
基于所述幅值转置及幅值矩阵，获取目标幅值矩阵；
基于所述目标幅值矩阵，获取幅值特征向量。
进一步地，所述第三获取单元，还包括：
第二预处理子单元，用于对所述相位数据依次进行相位补偿、相位线性化处理，以获取线性相位数据；
第三预处理子单元，用于确定所述线性相位数据对应的相位差数据，并对所述相位差数据进行Hampel滤波处理，以获取目标相位差数据；
第二分割子单元，用于利用时间窗将所述目标相位差数据分割成预设数量的短序列相位差数据；
第二求取子单元，用于求取各个时间窗内的短序列相位差数据对应的一阶差分相位差数据；
第二主成分分析子单元，用于对所述一阶差分相位差数据进行主成分分析，以获取各个时间窗内的短序列相位差数据对应的第一相位差主成分及第二相位差主成分；
第二获取子单元，用于根据所述第一相位差主成分及第二相位差主成分，获取相位差特征向量。
进一步地，所述第二获取子单元，还用于：
构建所述第一相位差主成分及第二相位差主成分对应的相位差矩阵；
获取所述相位差矩阵对应的相位差转置；
基于所述相位差转置及相位差矩阵，获取目标相位差矩阵；
基于所述目标相位差矩阵，获取相位差特征向量。
进一步地，所述输出模块还包括：
第三获取子单元，用于获取信道状态信息训练数据，并确定所述信道状态信息训练数据对应的真实人数标签；
训练子单元，用于利用初始分类器获取所述信道状态信息训练数据对应的预测人数标签；
计算子单元，用于基于所述预测人数标签及所述信道状态信息训练数据对应的真实人数标签，计算所述初始分类器对应的损失函数；
更新子单元，用于基于所述损失函数，以梯度下降方式更新所述初始分类器的参数；
第四获取子单元，用于若所述损失函数达到收敛条件，则停止更新，并保存所述损失函数达到收敛条件对应的目标参数，以获得目标分类器。
此外，本发明实施例还提供一种计算机存储介质，所述计算机存储介质上存储有基于CSI的人数识别程序，所述基于CSI的人数识别程序被处理器运行时实现如上所述基于CSI的人数识别方法的步骤，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备执行本发明各个实施例所述的方法。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于CSI的人数识别方法，其特征在于，所述基于CSI的人数识别方法包括以下步骤：
获取待检测场景下的信道状态信息数据；
对所述信道状态信息数据进行特征提取，以获取幅值特征向量及相位差特征向量；
将所述幅值特征向量及相位差特征向量输入至目标分类器，由目标分类器输出对应的人数预测标签；
基于所述人数预测标签，确定所述待检测场景下的人数信息。
2.根据权利要求1所述的方法，其特征在于，所述对所述信道状态信息数据进行特征提取，以获取幅值特征向量及相位差特征向量的步骤包括：
获取所述信道状态信息数据对应的幅值数据及相位数据；
对所述幅值数据进行预处理，以获取目标幅值数据，并对所述目标幅值数据进行特征提取，以获取幅值特征向量；
对所述相位数据进行预处理，以获取目标相位差数据，并对所述目标相位差数据进行特征提取，以获取相位差特征向量。
3.根据权利要求2所述的方法，其特征在于，所述对所述幅值数据进行预处理，以获取目标幅值数据，并对所述目标幅值数据进行特征提取，以获取幅值特征向量的步骤包括：
对所述幅值数据进行巴特沃斯滤波处理，以获取目标幅值数据；
利用时间窗将所述目标幅值数据分割成预设数量的短序列幅值数据；
求取各个时间窗内的短序列幅值数据对应的一阶差分幅值数据；
对所述一阶差分幅值数据进行主成分分析，以获取各个时间窗内的短序列幅值数据对应的第一幅值主成分及第二幅值主成分；
根据所述第一幅值主成分及第二幅值主成分，获取幅值特征向量。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第一幅值主成分及第二幅值主成分，获取幅值特征向量的步骤包括：
构建所述第一幅值主成分及第二幅值主成分对应的幅值矩阵；
获取所述幅值矩阵对应的幅值转置；
基于所述幅值转置及幅值矩阵，获取目标幅值矩阵；
基于所述目标幅值矩阵，获取幅值特征向量。
5.根据权利要求2所述的方法，其特征在于，所述对所述相位数据进行预处理，以获取目标相位差数据，并对所述目标相位差数据进行特征提取，以获取相位差特征向量的步骤包括：
对所述相位数据依次进行相位补偿、相位线性化处理，以获取线性相位数据；
确定所述线性相位数据对应的相位差数据，并对所述相位差数据进行Hampel滤波处理，以获取目标相位差数据；
利用时间窗将所述目标相位差数据分割成预设数量的短序列相位差数据；
求取各个时间窗内的短序列相位差数据对应的一阶差分相位差数据；
对所述一阶差分相位差数据进行主成分分析，以获取各个时间窗内的短序列相位差数据对应的第一相位差主成分及第二相位差主成分；
根据所述第一相位差主成分及第二相位差主成分，获取相位差特征向量。
6.根据权利要求5所述的方法，其特征在于，所述根据所述第一相位差主成分及第二相位差主成分，获取相位差特征向量的步骤包括：
构建所述第一相位差主成分及第二相位差主成分对应的相位差矩阵；
获取所述相位差矩阵对应的相位差转置；
基于所述相位差转置及相位差矩阵，获取目标相位差矩阵；
基于所述目标相位差矩阵，获取相位差特征向量。
7.根据权利要求1至6任一项所述的方法，其特征在于，所述将所述幅值特征向量及相位差特征向量输入至目标分类器的步骤之前，还包括：
获取信道状态信息训练数据，并确定所述信道状态信息训练数据对应的真实人数标签；
利用初始分类器获取所述信道状态信息训练数据对应的预测人数标签；
基于所述预测人数标签及所述信道状态信息训练数据对应的真实人数标签，计算所述初始分类器对应的损失函数；
基于所述损失函数，以梯度下降方式更新所述初始分类器的参数；
若所述损失函数达到收敛条件，则停止更新，并保存所述损失函数达到收敛条件对应的目标参数，以获得目标分类器。
8.一种基于CSI的人数识别装置，其特征在于，所述基于CSI的人数识别装置包括：
获取模块，用于获取待检测场景下的信道状态信息数据；
提取模块，用于对所述信道状态信息数据进行特征提取，以获取幅值特征向量及相位差特征向量；
输出模块，用于将所述幅值特征向量及相位差特征向量输入至目标分类器，由目标分类器输出对应的人数预测标签；
确定模块，用于基于所述人数预测标签，确定所述待检测场景下的人数信息。
9.一种基于CSI的人数识别设备，其特征在于，所述基于CSI的人数识别设备包括处理器，存储器以及存储在所述存储器中的基于CSI的人数识别程序，所述基于CSI的人数识别程序被所述处理器运行时，实现如权利要求1-7中任一项所述的基于CSI的人数识别方法的步骤。
10.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有基于CSI的人数识别程序，所述基于CSI的人数识别程序被处理器运行时实现如权利要求1-7中任一项所述基于CSI的人数识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010533923.9A CN111753686A (zh) | 2020-06-11 | 2020-06-11 | 基于csi的人数识别方法、装置、设备及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010533923.9A CN111753686A (zh) | 2020-06-11 | 2020-06-11 | 基于csi的人数识别方法、装置、设备及计算机存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111753686A true CN111753686A (zh) | 2020-10-09 |
Family
ID=72675128
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010533923.9A Pending CN111753686A (zh) | 2020-06-11 | 2020-06-11 | 基于csi的人数识别方法、装置、设备及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111753686A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113810500A (zh) * | 2021-09-18 | 2021-12-17 | 中国银行股份有限公司 | 一种人群聚集风险识别方法及相关设备 |
| CN114359738A (zh) * | 2022-03-16 | 2022-04-15 | 深圳大学 | 一种跨场景鲁棒的室内人数无线检测方法及系统 |
| CN115998265A (zh) * | 2022-12-29 | 2023-04-25 | 章鱼博士智能技术(上海)有限公司 | 一种基于WiFi的驾驶员安全检测方法、装置和设备 |
| CN116340821A (zh) * | 2023-03-21 | 2023-06-27 | 行道科技(阳泉)有限公司 | 一种基于复数域信道状态信息的无线室内人数统计方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106131958A (zh) * | 2016-08-09 | 2016-11-16 | 电子科技大学 | 一种基于信道状态信息和支持向量机的室内被动定位方法 |
| CN106658590A (zh) * | 2016-12-28 | 2017-05-10 | 南京航空航天大学 | 基于WiFi信道状态信息多人室内环境状态监控系统的设计与实现 |
| CN107992882A (zh) * | 2017-11-20 | 2018-05-04 | 电子科技大学 | 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 |
| CN108198558A (zh) * | 2017-12-28 | 2018-06-22 | 电子科技大学 | 一种基于csi数据的语音识别方法 |
| CN108631890A (zh) * | 2018-02-08 | 2018-10-09 | 中国矿业大学 | 一种基于信道状态信息和随机森林的煤矿井下闯入检测方法 |
| CN108988968A (zh) * | 2018-07-27 | 2018-12-11 | 河北工程大学 | 人员行为检测方法、装置和终端设备 |
| CN109255874A (zh) * | 2018-09-19 | 2019-01-22 | 电子科技大学 | 一种基于普通商用WiFi设备的通行及人数检测方法 |
| CN109587645A (zh) * | 2018-11-12 | 2019-04-05 | 南京邮电大学 | 基于信道状态信息的室内环境下人员识别方法 |
| EP3492945A1 (en) * | 2017-12-01 | 2019-06-05 | Origin Wireless, Inc. | Method, apparatus, and system for periodic motion detection and monitoring |
| CN109961100A (zh) * | 2019-03-26 | 2019-07-02 | 北京邮电大学 | 基于主成分分析法的wifi室内人员入侵检测方法 |
-
2020
- 2020-06-11 CN CN202010533923.9A patent/CN111753686A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106131958A (zh) * | 2016-08-09 | 2016-11-16 | 电子科技大学 | 一种基于信道状态信息和支持向量机的室内被动定位方法 |
| CN106658590A (zh) * | 2016-12-28 | 2017-05-10 | 南京航空航天大学 | 基于WiFi信道状态信息多人室内环境状态监控系统的设计与实现 |
| CN107992882A (zh) * | 2017-11-20 | 2018-05-04 | 电子科技大学 | 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 |
| EP3492945A1 (en) * | 2017-12-01 | 2019-06-05 | Origin Wireless, Inc. | Method, apparatus, and system for periodic motion detection and monitoring |
| CN108198558A (zh) * | 2017-12-28 | 2018-06-22 | 电子科技大学 | 一种基于csi数据的语音识别方法 |
| CN108631890A (zh) * | 2018-02-08 | 2018-10-09 | 中国矿业大学 | 一种基于信道状态信息和随机森林的煤矿井下闯入检测方法 |
| CN108988968A (zh) * | 2018-07-27 | 2018-12-11 | 河北工程大学 | 人员行为检测方法、装置和终端设备 |
| CN109255874A (zh) * | 2018-09-19 | 2019-01-22 | 电子科技大学 | 一种基于普通商用WiFi设备的通行及人数检测方法 |
| CN109587645A (zh) * | 2018-11-12 | 2019-04-05 | 南京邮电大学 | 基于信道状态信息的室内环境下人员识别方法 |
| CN109961100A (zh) * | 2019-03-26 | 2019-07-02 | 北京邮电大学 | 基于主成分分析法的wifi室内人员入侵检测方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113810500A (zh) * | 2021-09-18 | 2021-12-17 | 中国银行股份有限公司 | 一种人群聚集风险识别方法及相关设备 |
| CN113810500B (zh) * | 2021-09-18 | 2023-01-24 | 中国银行股份有限公司 | 一种人群聚集风险识别方法及相关设备 |
| CN114359738A (zh) * | 2022-03-16 | 2022-04-15 | 深圳大学 | 一种跨场景鲁棒的室内人数无线检测方法及系统 |
| CN114359738B (zh) * | 2022-03-16 | 2022-06-14 | 深圳大学 | 一种跨场景鲁棒的室内人数无线检测方法及系统 |
| CN115998265A (zh) * | 2022-12-29 | 2023-04-25 | 章鱼博士智能技术(上海)有限公司 | 一种基于WiFi的驾驶员安全检测方法、装置和设备 |
| CN116340821A (zh) * | 2023-03-21 | 2023-06-27 | 行道科技(阳泉)有限公司 | 一种基于复数域信道状态信息的无线室内人数统计方法 |
| CN116340821B (zh) * | 2023-03-21 | 2025-08-29 | 行道科技(阳泉)有限公司 | 一种基于复数域信道状态信息的无线室内人数统计方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111741471A (zh) | 基于csi的入侵检测方法、装置及计算机存储介质 | |
| CN111753686A (zh) | 基于csi的人数识别方法、装置、设备及计算机存储介质 | |
| CN107769828B (zh) | 一种基于特征值提取的csi-mimo室内定位方法及系统 | |
| Chen et al. | Taming the inconsistency of Wi-Fi fingerprints for device-free passive indoor localization | |
| Dvorecki et al. | A machine learning approach for Wi-Fi RTT ranging | |
| CA2907723C (en) | Scalable real-time location detection based on overlapping neural networks | |
| Arshad et al. | Leveraging transfer learning in multiple human activity recognition using WiFi signal | |
| CN112040400B (zh) | 一种基于mimo-csi的单站点室内指纹定位方法、存储介质及设备 | |
| CN109951807A (zh) | 基于WiFi信号的融合RSS和CSI室内定位方法 | |
| CN109672485B (zh) | 基于信道状态信息室内人员实时入侵及运动速度检测方法 | |
| CN108038419B (zh) | 基于Wi-Fi的室内人员被动检测方法 | |
| Wang et al. | Through the wall detection and localization of autonomous mobile device in indoor scenario | |
| Shi et al. | Human activity recognition using deep learning networks with enhanced channel state information | |
| CN109802973A (zh) | 用于检测流量的方法和装置 | |
| Huang et al. | An Optimized Fingerprinting‐Based Indoor Positioning with Kalman Filter and Universal Kriging for 5G Internet of Things | |
| EP3198547A1 (en) | Multisensory change detection for internet of things domain | |
| CN109698724A (zh) | 入侵检测方法、装置、设备及存储介质 | |
| CN115379378B (zh) | 蓝牙室内定位方法及装置 | |
| CN112949487A (zh) | 一种基于WiFi的船舶驾驶室人员数量检测方法及系统 | |
| CN104883732A (zh) | 一种增强型室内无源被动人体定位方法 | |
| CN103424735A (zh) | 基于最小描述长度的近场源定位方法、装置及系统 | |
| CN104093202A (zh) | 一种环境自适应的无设备目标定位方法 | |
| Li et al. | Location-free CSI based activity recognition with angle difference of arrival | |
| CN107255825A (zh) | 信号分类方法、装置及卫星信号检测设备 | |
| CN115002703A (zh) | 一种基于Wi-Fi信道状态信息的被动式室内人数检测方法 |
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: 20201009 |