一种无监督人体检测与定位的方法
【专利摘要】本发明涉及一种无监督人体检测与定位方法，发送机发送信号，信号经过监测区域，由接收机接收；实时采集信道状态信息数据，对滑动时间窗口内所有数据的子载波振幅求平均值，获取一个包含所有子载波振幅均值的向量，将其作为信号特征；从滑动窗口中提取检测信号的信号特征，计算检测信号特征与静态标准信号特征的相关性，如果每根接收机天线上的相关性大于设定的阈值，表示有人体出现在监测区域，对人体位置进行定位，否则继续对监测区域进行信号检测；读取定位模型参数文件中的参数信息，然后计算检测信号特征在各个可定位位置处的概率，最大概率相关的位置即为人体最有可能位于的地方。
【专利说明】一种无监督人体检测与定位的方法
【技术领域】
[0001] 本发明涉及无线定位技术，尤其涉及一种无监督人体检测和定位的方法。
【背景技术】
[0002] 随着WLAN技术的迅速发展，无线WLAN设备被大量部署到人们活动频繁的地方。基 于WLAN的定位系统顺势得到了快速发展，大量可靠、稳定地室内无线定位系统涌入市场。 无线WLAN定位系统中包括重要的一支系统：无线被动人体检测与定位。无线被动人体检测 与定位是指利用无线技术来检测、定位、跟踪非合作人员在监控区域内的活动。非合作人员 被定义为不携带定位电子设备、不主动参与定位数据采集活动的人。同样，非合作人员通常 情况下是不知道被动检测与定位系统的存在。对比主动定位系统，被动检测与定位同样具 有普适性，在安全防卫领域具有巨大的应用潜力，如入侵检测、资产保护、智能看护等。
[0003] 在无线被动人体检测与定位系统发展早期，大部分系统都是通过分析信号强度信 息（RSSI)变化来实现对人体检测和定位。早期的无线被动人体检测与定位多是利用无线 传感器设备实现，通过部署大量地传感器节点，提高监控区域的无线信号密度，达到对人体 出现的检测和定位。随着WiFi设备的出现，远距离、大范围无线通信成为可能，无线被动人 体检测与定位系统则利用信号指纹技术来实现大范围人体检测与定位。该类系统包括两部 分：离线状态下，训练采集监控区域内不同位置处人体存在时信号指纹信息存入指纹数据 库；在线状态下，一旦检测人体出现，则利用模式匹配或者机器学习的方法匹对检测信号与 指纹信号相似度来估计人体位置。然而在室内环境下，复杂的信号多径衰减与时域动态变 化问题导致RSSI值多变莫测，即使在静态环境下其值的波动也能达到5dB。RSSI的不稳定 性限制了被动人体检测与定位系统精度的提高。
[0004] 当正交频分复用系统（0FDM)出现后，多载波信道状态信息引起了众多学者关注。 信道状态信息（CSI)是一种细粒度的无线信号特征，它包含了不同频率上信号的振幅与相 位信息，在一定程度上能够描述室内多径特征。目前在802. lla/g/n标准下，信道状态信息 可以从0FDM接收机上获取。作为一种优于RSSI的信号特征，基于CSI的被动人体检测与 定位已经吸引了大量学者进行研究，并取得了一些成果。与基于RSSI被动人体检测与定位 系统相似，目前已开发的基于CSI的被动人体检测与定位系统或是依赖部署大量接收机与 发射机或是需要大量地现场指纹采集工作。大量设备的部署一定程度上限制了系统的应用 范围，比如在家居环境中通常仅包含少量的，甚至单一通信链路。同样，大量地现场指纹采 集工作无疑增加了系统部署开销。
【发明内容】
[0005] 本发明目的在于提供一种无监督人体检测和定位的方法，降低人体检测与定位的 部署设备，有效增强人体检测与定位的应用性。
[0006] 实现本发明目的的技术方案：
[0007] -种无监督人体检测与定位方法，发送机发送信号，信号经过监测区域，由接收机 接收，其特征在于：
[0008] 步骤1 :实时采集信道状态信息数据，对滑动时间窗口内所有数据的子载波振幅 求平均值，获取一个包含所有子载波振幅均值的向量，将其作为信号特征；
[0009] 步骤2 :从滑动窗口中提取检测信号的信号特征，计算检测信号特征与静态标准 信号特征的相关性，如果每根接收机天线上的相关性大于设定的阈值，表示有人体出现在 监测区域，则进入步骤3,对人体位置进行定位，否则继续对监测区域进行信号检测；
[0010] 步骤3:读取定位模型参数文件中的参数信息，然后计算检测信号特征在各个可 定位位置处的概率，最大概率相关的位置即为人体最有可能位于的地方。
[0011] 步骤2中，所说静态标准信号特征是监控区域内无人存在情况下的信号特征，静 态标准信号特征通过系统学习获得；对于静态标准信号特征，所有在滑动时间窗口内的数 据包中的信号特征的自相关系数均小于设定阈值。
[0012] 步骤2中，检测信号特征Η与静态标准信号特征HnOT的相关性，计算公式如下：
[0013]
【权利要求】
1. 一种无监督人体检测与定位方法，发送机发送信号，信号经过监测区域，由接收机接 收，其特征在于 ： 步骤1 :实时采集信道状态信息数据，对滑动时间窗口内所有数据的子载波振幅求平 均值，获取一个包含所有子载波振幅均值的向量，将其作为信号特征； 步骤2 :从滑动窗口中提取检测信号的信号特征，计算检测信号特征与静态标准信号 特征的相关性，如果每根接收机天线上的相关性大于设定的阈值，表示有人体出现在监测 区域，则进入步骤3,对人体位置进行定位，否则继续对监测区域进行信号检测； 步骤3:读取定位模型参数文件中的参数信息，然后计算检测信号特征在各个可定位 位置处的概率，最大概率相关的位置即为人体最有可能位于的地方。
2. 根据权利要求1所述的无监督人体检测与定位方法，其特征在于：步骤2中，所说静 态标准信号特征是监控区域内无人存在情况下的信号特征，静态标准信号特征通过系统学 习获得；对于静态标准信号特征，所有在滑动时间窗口内的数据包中的信号特征的自相关 系数均小于设定阈值。
3. 根据权利要求2所述的无监督人体检测与定位方法，其特征在于：步骤2中，检测信 号特征Η与静态标准信号特征HnOT的相关性，计算公式如下： C = _ 凡.) οι 根据权利要求 3 所述的无监督人体检测与定位方法，其特征在于 ：步骤 3 中， 定位模 型参数文件中的参数信息为每个位置、每根接收机天线上检测信号与静态标准信号特征的 欧式距离的均值μ与标准差σ，接收机天线上检测信号特征与静态标准信号特征的欧式 距离值满足高斯分布。
5. 根据权利要求4所述的无监督人体检测与定位方法，其特征在于：步骤3中，计算检 测信号特征在各个可定位位置处的概率，其计算公式如下： P(H\L) = f\ | J- exp(-)dx k=ii〇^ak Ισι 其中n为接收机天线个数。
6. 根据权利要求5所述的无监督人体检测与定位方法，其特征在于：步骤3中，定位模 型参数文件通过如下方法生成， 首先，利用包含人体在可定位位置状况下的离线数据，将各个位置特征数据聚类成簇， 所说位置特征数据是指所有接收机天线上检测信号特征与静态标准信号特征的欧式距离， 其维度大小与接收机天线个数相同； 然后，利用位置区分原则识别各个可定位的位置； 最后，计算各个位置特征数据在每个维度上的均值与标准差，将其与位置关联后存入 文件中。
7. 根据权利要求6所述的无监督人体检测与定位方法，其特征在于：可定位位置包括 靠近视距路径的位置、视距路径上靠近接收机的位置、视距路径上靠近发射机的位置、视距 路径中部位置。
8.根据权利要求7所述的无监督人体检测与定位方法，其特征在于：位置区分原则为， 当人体位于靠近视距路径时，每根天线的信号特征与静态标准信号特征的欧式距离较小， 而不同天线间的信号特征与静态标准信号特征的欧式距离相差较小；当人体位于视距路径 上靠近发射机一端时，每根天线的信号特征与静态标准信号特征的欧式距离较大，而不同 天线间的信号特征与静态标准信号特征的欧式距离相差较小；当人体位于视距路径上靠近 接收机一端时，某根天线的信号特征与静态标准信号特征的欧式距离较大，且不同天线间 的信号特征与静态标准信号特征的欧式距离相差较大；当人体位于视距路径中部时，各个 接收机天线上的信号特征与标准静态信号特征的欧式距离相比人体在发射机附近的要小， 且这些欧式距离之间的差异性相比人体在接收机附近的要小。
【文档编号】G01S1/02GK104267439SQ201410409808
【公开日】2015年1月7日 申请日期:2014年8月20日 优先权日:2014年8月20日
【发明者】杨武, 宫良一, 王巍, 苘大鹏, 玄世昌, 申国伟 申请人:哈尔滨工程大学