一种基于普通商用WiFi设备的通行及人数检测方法与流程

本发明涉及通行检测和通行人数检测技术。

背景技术：

通行及人数检测是指检测一个通道或出入口有无人通过并统计通过人数的技术，可应用于智能安防、智能管理、公共交通等领域。在智能安防领域，该技术可以监控家庭或者重要区域有无入侵以及入侵人数，从而采取相应的安全措施；在智能管理领域，可以检测商场、楼宇等的人员进出情况，据此合理配置人力、物力及公共资源；在公共交通领域，可以检测车站、机场、地铁等区域的人员通行情况，实时获取旅客数量及分布，从而合理分配资源与服务，同时提供公共安全保障。传统的通行及人数检测方法主要采用视频监控方法，但在弱光环境下或非视距情况下，摄像头无法良好工作，存在监控盲区，导致监控质量下降，同时视频监控存在隐私侵犯问题，不适合安装在卧室等私密空间。

基于wifi的无线网络已获得广泛部署，不仅可以提供基本的无线数据传输服务，还可用于通行及人数的检测。该方法不需要增加专门的硬件设施，也不需要人员携带任何电子设备，仅利用现有的wifi无线网络就能够完成通道处和出入口处的通行检测和通行人数检测，成本低，普适性强，无隐私侵犯，因此是极具市场前景和发展潜力的解决方案。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(receivedsignalstrengthindicator,rssi)，但由于室内环境的复杂性，wifi信号存在多径效应，且每条路径具有不同延迟、衰减和相位移动，使得作为多条路径信号叠加结果的rssi很不稳定，用于通行及人数检测时误差较大。

由于正交频分复用(orthogonalfrequencydivisionmultiplexing,ofdm)技术和多输入多输出(multiple-inputmultiple-output,mimo)技术在wifi无线网络中的应用，目前已经能够从部分普通商用wifi无线网卡中获取信道状态信息(channelstateinformation,csi)。csi是物理层特征，描述无线信号在发射器和接收器之间传播的衰减因子，能够抵抗来自频段的窄频带信号的干扰，在静态环境中足够稳定，被干扰时能立即做出反应，并能够分辨来自多条路径的信号，多径效应影响小。

技术实现要素：

本发明所要解决的技术问题是，提出一种从普通商用wifi无线网卡中提取csi经过处理和分析后，用于检测通行和通行人数的方法。

本发明为解决上述技术问题所采用的技术方案是，一种基于普通商用wifi设备的通行及人数检测方法，包括以下步骤：

1)检测环境部署步骤：将一对支持ofdm和mimo的wifi发射器和接收器分别布置在通道的左右两侧或者场所出入口处的左右两侧；

2)单次通行人数检测训练步骤：

2-1)获取不同人数通行时的csi数据，对csi数据提取多普勒功率谱；采集的csi数据包含发送天线个数、接收天线个数、发送频率、以及信道状态信息csi矩阵；

2-2)根据多普勒功率谱生成多普勒功率图像，再对不同人数通行时所对应的多普勒功率图像进行人数标注形成训练样本；

2-3)将训练样本输入分类模型进行训练，分类模型的输入为多普勒功率图像，输出为通行人数；

3)实时检测步骤：

3-1)采集csi数据；

3-2)对csi数据提取多普勒功率谱；

3-3)通行次数检测步骤：

3-3-1)从多普勒功率谱中提取频移量为零的功率波得到零频移功率波；

3-3-2)判断零频移功率波是否大于等于根据经验设置的通行功率波阈值，如是，则判断为通行1次，在通行总次数上进行加1操作，进入步骤3-4)；如否，返回步骤3-1)；

3-4)单次通行人数检测步骤：

3-4-1)获取当前多普勒功率谱；

3-4-2)根据多普勒功率谱生成多普勒功率图像输入分类模型得到此次通行人数；

4)总通行人数更新步骤：根据检测出的通行总次数，将有人通行时检测出单次通行人数进行累加得到当前最新的总通行人数。

本发明的有益效果是，基于普通商用wifi设备的通行及人数检测的方法，能够在不增加成本的情况进行全天候无隐私侵犯的通行及人数检测。不需要搭建专门的硬件设施，不需要摄像头，仅仅利用一对普通商用wifi设备就能够进行通行及人数检测。本发明根据人通过wifi覆盖区域时会对wifi无线信号产生多普勒效应的原理，从细粒度的csi信息中提取多普勒功率谱。首次提出根据多普勒功率谱中的零频移功率波，结合经验阈值来判断是否有人通行及通行次数。首次提出将人通行时的多普勒功率谱转换为图像矩阵，通过建立基于卷积神经网络的分类模型，检测出每次通行的具体人数。最后将各次通行的人数相加即得到总通行人数。实验中，本发明能够达到100％的通行次数检测正确率和高于94％的通行人数检测正确率。

附图说明

图1为实施环境部署图；

图2为实施流程图；

图3为不同人数通行时的多普勒功率谱图。

具体实施方式

基于普通商用wifi设备的通行及人数检测方法要求在通道处或者出入口处覆盖wifi信号。部署设备为一台接入点(accesspoint，ap)作为发射器和一台监测点(monitoringpoint，mp)作为接收器，均配置为intelwirelesslink5300agn(iwl5300)无线网卡，该网卡具有3根天线。ap和mp分别置于通道左右两侧，ap端发送数据，mp端接收数据。检测环境的部署方式如图1所示；

一种基于普通商用wifi设备的通行及人数检测方法，流程如图2所示，具体实施步骤如下：

步骤1：通行人数分别为w人(w＝0,1,2,…,n)，他们按照图1所示的方式通过，同时mp以1000hz的采样率采集来自ap的csi原始数据，数据包括发送天线个数、接收天线个数、发送频率和信道状态信息csi矩阵，共计9个天线对，每对天线包含30条子载波；

步骤2：针对获取到的csi原始数据，进行多普勒功率谱提取，步骤如下：

步骤2-1：根据人通过时csi原始数据中存在相应的天线对包含的子载波具有较高幅值或较大的幅值标准差来选择有益天线对数据。设定mki表示第k个天线对的第i个子载波的幅值(k＝1,2,3,…,9；i＝1,2,3,…,30)，先计算该子载波在人通过时间段内的幅值均值和幅值标准差然后计算该天线对的所有子载波的幅值均值的均值

和幅值标准差的均值

对所有的天线对均做上述处理。最后选择最小和最大的两个天线对a和b，a和b的数据即作为有效的两个天线对数据；

步骤2-2：设定h^a和h^b分别表示有效天线对a和b的csi原始数据，对其进行共轭相乘得到结果c，其计算公式如下：

c＝(h^a)·(h^b)^*

步骤2-3：应用butterworth带通滤波器对共轭相乘的结果c进行带通滤波，其对应的matlab代码如下：

步骤2-4：带通滤波结果中的每个值对于人通行检测的贡献是不同的，剔除低贡献率的数据会提高最终结果的准确度，因此使用主成分分析算法(principalcomponentanalysis,pca)对带通滤波的结果进行降维并提取第一主成分作为最有效的特征；

步骤2-5：对第一主成分进行短时傅里叶变换，得到功率频谱图，即多普勒功率谱，如图3所示；

步骤3：根据提取的wifi多普勒功率谱进行人通行及次数检测，步骤如下：

步骤3-1：从多普勒功率谱中提取频移量为零的功率波，即在该频谱的频带中，选择频移为零时所对应的各个功率值，形成在时间上的一个功率波；

步骤3-2：每次有人通过时，功率波中会出现先上升到波峰再下降到波谷的情况。为了准确识别零频移功率波中的波峰和波谷，应用三次样条插值算法平滑该功率波以达到去除噪音的效果。设定{(pi,ti)|i＝1,…,n}表示功率波中的值，该功率波还可表示为pi＝f(ti)+∈i，其中∈i是随机变量，计算出其三次样条插值函数为则对该功率波的平滑等价于最小化如下表达式：

其中β表示平滑参数

步骤3-3：对平滑后的功率波进行如下所示的归一化处理：

ppass表示针对于归一化处理设定的功率波阈值，pmax表示最大的功率波值，表示归一化处理后的结果，最终得到处理后的零频移功率波；

步骤3-4：针对平滑和归一化后的零频移功率波，根据经验设置判断是否有人通行的功率波阈值，每当功率波的峰值超过该阈值时，判断为通行一次，累加结果即为通过的次数；

步骤4：检测每次通行的人数，包括训练阶段和检测阶段，包括以下步骤：

步骤4-1：在训练阶段，首先获取不同人数，即w人(w＝0,1,2,…,n)，通行时所对应的多普勒功率谱，并得到各自对应的大小为200×300的多普勒功率谱矩阵；

步骤4-2：对获取的多普勒功率谱矩阵进行‘0’填充，得到400×400的图像矩阵；

步骤4-3：将获得的图像矩阵进行人数标注，形成训练样本。采用卷积神经网络(convolutionneuralnetwork,cnn)进行分类模型训练，模型的输入为代表多普勒功率谱的图像，模型的输出为通行人数。模型采用11层卷积神经网络，组成依次是1层输入层，4层卷积层和4层池化层(二者交叉连接)，1层全连接层，1个输出层，其中前三个卷积层的卷积核大小为5×5，第四个卷积层的卷积核大小为3×3，所有卷积核的移动步长均为1，四个池化层的大小均为2×2，移动步长均为2。训练时对训练集的批大小设置为30，优化器采用adamoptimizer，并设定优化器的学习率为0.001，激活函数采用relu函数，在全连接层使用dropout函数防止过拟合，该函数中选中神经元的概率设定为0.6，训练迭代次数为20000。训练后获得cnn人数分类模型。

步骤4-4：在检测阶段，将实时获取的代表人通行时的多普勒功率谱的图像，输入到训练阶段建立的cnn人数分类模型中，经过该模型计算，得到当前通行人数；

步骤5：总通行人数计算：根据步骤3检测出通行次数，根据步骤4检测出每次通行的人数，将各次通行人数相加即得到总通行人数。

实施例的识别精度和准确率如下表：