一种目标追踪系统和方法与流程

本发明涉及通信技术领域，更具体地，涉及目标追踪系统。

背景技术：

位置信息在智能家居、虚拟现实、增强现实、安防监控、财产管理等一系列应用中起到重要作用。传统方法一般通过追踪人体佩戴设备(如手机、可穿戴设备等)对人体进行追踪。这类方法要求人类佩戴设备，并不方便，且在安防监控等场景下无法使用。其他追踪方法则需要在监控区域安装额外设备，如摄像头、无线传感网等。其中，基于摄像头的图像技术仅能提供视距范围内的监控，且存在隐私泄露问题。基于无线传感网的技术则需要部署大量节点。

最近，无线通信领域在基于wifi信号的无线感知上取得创新进展。诸如Wi-Vi、E-eyes、CARM等技术被提出，应用于人员检测、活动分类、手势识别。理论上，这些技术利用了人体对无线信号的干扰现象。与传统方法相比，基于无线信号的感知技术不需要用户佩戴设备，具有全向覆盖范围，甚至能在非视距环境下工作，且防止了用户隐私的泄露。

然而，现有工作不能对人体运动进行细粒度的追踪。具体而言，现有工作没有对信号特征和人体运动建立明确的关系模型，而仅通过学习的方法隐式的描述两者关系。这使得现有方法局限于识别预定义的手势和活动，且需要预先训练。在缺少量化模型的情况下，目标人员的位置通常通过识别特定的和位置相关的活动确定。类似的，目标人员的运动速度仅能从连续位置估计获得。这些不足限制了现有技术的被动感知能力。为了实现基于wifi信号的人体感知，追踪目标的细粒度运动信息是必须的。

技术实现要素：

本发明提供一种克服上述问题或者至少部分地解决上述问题的目标追踪系统和方法。

根据本发明的一个方面，提供一种目标追踪系统，包括构建wifi通信环境的wifi通信系统以及与所述wifi通信系统连接的追踪平台，所述目标处于wifi通信环境中，所述追踪平台基于信道状态信息中经由目标反射的信号的传播路径长度变化量追踪目标。

根据本发明的另一个方面，提供一种目标追踪方法，所述目标处于wifi通信环境中，基于信道状态信息中经由目标反射的信号的传播路径长度变化量追踪目标。

本申请通过构建信道状态信息与目标运动状态的关系模型，以及直接估计目标的运动速度，实现了比传统的基于学习的方法更加简单有效的追踪目标的细粒度运动信息的目的。

附图说明

图1为现有技术中示意图；

图2是理想单通信链路中目标速度的正交分解示意图；

图3是理想二通信链路中目标速度的正交分解示意图；

图4是理想三通信链路中目标速度的正交分解示意图；

图5是实际单通信链路中目标速度的正交分解示意图；

图6是实际二通信链路中目标速度的正交分解示意图；

图7是实际三通信链路中目标速度的正交分解图；

图8是目标速度方向确定示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

图1示出了本发明提供的目标追踪方法的主要步骤，包括：

S1、从信道状态信息(CSI)中提取传播路径长度变化量(PLCR)；

S2、基于运动侦测算法和伪自校准算法获得目标的初始位置；以及

S3、基于所述PLCR和目标的初始位置获得目标的当前速度和当前位置。

本申请通过构建信道状态信息与目标运动状态的关系模型，以及直接估计目标的运动速度，实现了比传统的基于学习的方法更加简单有效的追踪目标的细粒度运动信息的目的。

对于步骤S1，PLCR的提取困难在于：

(1)PLCR的能量谱包含所有身体运动部位和其他运动物体的反射信号的频率偏移，而其中大部分都与人体追踪无关。

(2)wifi信号中包含大量随机噪声以及来自静态反射物和视距路径的信号能量。

在一个具体实施例中，为了从CSI中提取PLCR，本发明首先对CSI进行去噪处理，然后再基于人体运动加速度限制提取出PLCR。

在一个具体实施例中，对CSI进行去噪处理的步骤包括：

首先对CSI进行带通滤波。与目标PLCR对应的频率相比，噪声频率更高，而静态信号频率更低。因此，本发明采用Butterworth带通滤波器对CSI序列进行滤波。滤波器的截止频率为2Hz和80Hz。Butterworth滤波器具有平坦的幅度响应，对通带内信号影响较小。

其次对CSI的子载波进行筛选。当有人运动时，所有的子载波产生了相似的能量变化，因此相比于静止场景具有更高的互相关值。

然而，这些子载波的变化程度不同，距离较远的子载波基本不相关。因此，本发明根据互相关值对子载波进行筛选，已增加由人体反射信号能量，同时减少不相关的噪声。

在一个具体实施例中，本发明将CSI分割成重叠的片段。对于每一个CSI片段，选取具有最高互相关值的一组连续的子载波，然后，对这组子载波进行主成分分析，并选取第一个主成分。

得益于子载波选取和主成分分析，第一个主成分包含了主要且一致的由目标运动引起的能量变化量。

在一个具体实施例中，对第一个主成分进行短时傅里叶变换。对于每一个PCA片段，高斯窗函数进行平滑，并添加零填充已获得更细的频率粒度。最后，所有能量谱片段被拼接为完整的能量谱。

以人体为例，人体的躯干比其他部位反射了更多的信号，因此在能量谱中具有更高的能量。

理论上，可以选择能量最高的频率对应的PLCR为人体运动的PLCR。然而，这可能导致错误，因为能量谱中存在由于通带中噪声和干扰引起的反常波动。

在一个具体实施例中，为了消除这些干扰，本发明提出了一个具有目标角速度限制的PLCR提取算法。因为加速度a和多普勒频偏f_D有如下关系，

由于目标运动加速度存在上限。本发明通过适当对能量谱进行时域降采样以是能相邻时间采样内PLCR对应的频率变化不超过1Hz，然后选取整个连续路径的最大频率。

在一个具体实施例中，记能量谱为F_T×F，其中F是频率数量，T是采样数量。PLCR的最优解可以通过如下动态规划算法求解：

s.t.|f_i-f_i-1|≤1；i＝2,…,T

其中，F表示能量谱；f_i是i个时刻的频率；PLCR_opt表示PLCR的最优解。

在一个具体实施例中，在得到PLCR的最优解后，对PLCR应用移动平滑，以得到最终的PLCR。

在一个具体实施例中，对于步骤S2，当目标人员运动时，只有某些速度分量改变了反射路径的长度，并使得PLCR非零。

如图2所示，以发射机和接收机为圆心，由目标可以唯一确定一个椭圆。目标的速度可以正交分解为径向速度和切向速度其中，切向速度不影响反射路径长度变化，而径向速度改变了反射路径长度。因此，从PLCR中仅能推测出目标的径向速度，而无法得到目标的完整速度信息。和具有相同的径向速度，因此无法通过PLCR区分。

尽管如此，添加更多的链路可以消除歧义性并得到真实的速度。如图3所示，在添加一条通信链路的情况下，即可通过和确定目标速度因此，在理想情况下，两条链路可以确定目标速度。进一步，再添加更多的链路，如图4所示，可以得到均方误差最小解

在一个具体实施例中，第i条链路的发射机和接收机的位置分别为目标前一时刻的位置为目标速度为PLCR为r⁽ⁱ⁾。则PLCR可以用目标速度表示如下：

其中，

将所有L条链路的关系式关联起来，可得到：

其中，

则目标速度的最优解为，

由于CSI的相位包含随机噪声，故仅有CSI的幅度可用，因此PLCR的符号是未知的。如图5所示，当只有一条链路时，目标可以沿任何方向运动。当添加一条链路时，如图6所示，目标速度的可能取值减少到四个，因为两条链路的PLCR符号组合共有四种。再添加一条链路可以进一步排除掉具有较大误差的一对可能取值。然而，再添加任何数量的链路都无法从剩余一对取值中选出真实解，如图7所示，这是因为所有添加的链路提供的约束都是关于目标位置中心对称的，而剩余的一对取值在这些约束下具有相同的误差。

为了确定唯一解，本发明引入了基于目标运动连续性的约束。

具体而言，当人运动时，受到人运动速度的自然限制和设备对信号高采样率的支持。在短时间内人的速度方向基本保持不变。如图8所示。假设上一次测量速度为则在k时刻，存在两个对称的具有相同误差的速度取值，和其中，更有可能是当前速度，因为它与上一刻的运动速度基本相同。基于该约束，本发明设计了高效算法以追踪目标运动的连续速度。

假设在k时刻，第i条链路的PLCR的符号为其中是一个二元变量。则有如下约束：

其中，

则目标速度的最优解为

的最优解则可通过最小化如下误差得到，

其中err_l,k是PLCR和最优解间的均方误差，err_v,k是速度偏差。β是权重系数。该优化过程的合理性在于它首先通过最小化均方误差确定了一对最优解，再通过速度偏差项排除其中一个解。为了确定初始位置的初始方向，本发明设置初始速度为一对极小不确定量，如(0.01,0.01)^T和(-0.01,-0.01)^T。

在确定当前速度后，目标位置可以相应更新：

其中Δt是两次测量的时间间隔。目标速度则可以按照上述方法持续更新。

对于步骤S3，为了追踪目标位置，本发明提出了运动侦测算法和伪自校准算法已获得目标的初始位置并避免累积追踪误差。

为了检测目标运动，本发明利用了两个观察。第一，CSI的互相关在目标运动时显著增高。第二，能量谱分布在目标运动时更为集中。

因此，本发明持续监控互相关值C和能量谱方差σ²，并定义为运动检测指标。

在一个具体实施例中，表示当前时刻前两秒内的最小能量谱方差。仅当该指标超过预定义的与位置无关的阈值后，开始追踪目标运动。

在追踪系统中，定时校准位置可以避免累计误差。因为本发明缺少额外信息用于估计准确的初始位置和校准，因此采取了基于路径分段的伪校准方法来改善追踪结果，降低路径偏差。

本发明在某些情况下输出错误的速度方向。这些情况包括急转弯和慢走。

为了避免误差累积，本发明首先以这些情况对路径分段，并在每段开始重新初始化追踪过程，以保证初始运动方向能被正确估计。对于每一段路径，本发明引入额外的约束以舍弃错误路径。

在一个具体实施例中，这些约束包括：

(1)链路-目标距离。当目标以相同速度运动时，若其越接近链路，则产生的CSI波动越大。该现象指示了用户是朝向还是背离某条链路运动，可用于区分不同的可能路径。

(2)运动速度限制。正常室内运动速度存在最大上限，如3m/s。因此，存在超过上述上限的候选路径需要被舍弃。

(3)旋转角度。如90°，目标旋转角度同样受到限制，超过该限制的路径需要被舍弃。

综合上述约束，本发明可得到以初始位置和各段路径初始速度为自变量的路径优化函数：

其中err_l,k和err_v,k是如前定义的误差，λ_m则是违反上述约束的惩罚项。v_0,m指第m段的初始速度、

本发明通过速度追踪目标，因此，需要确定目标的初始位置。受到信号带宽，天线数量和硬件限制，目前商业设备网卡不支持非学习的基于模型的定位。

因此，本发明采用了快速搜索位置方法。具体而言，本发明首先以粗粒度对整个监控区域进行搜索，确定具有最小误差的初始位置。然后，本发明在以该初始位置为中心的区域内进行细粒度搜索，最终找到误差最小的初始位置和相应路径。

在一个具体实施例中，本发明提供一种目标追踪系统，包括构建wifi通信环境的wifi通信系统以及与所述wifi通信系统连接的追踪平台，所述目标处于wifi通信环境中，所述追踪平台基于信道状态信息中经由目标反射的信号的传播路径长度变化量追踪目标。

在一个具体实施例中，所述追踪平台包括：

传播路径长度变化装置，与所述wifi通信系统连接，从信道状态信息中提取所述传播路径长度变化量；

初始位置装置，与所述传播路径长度变化装置和wifi通信系统连接，基于运动侦测算法和伪自校准算法获得目标的初始位置；以及

追踪装置，与所述传播路径长度变化装置和初始位置装置连接，基于所述路径长度变化量和目标的初始位置获得目标的当前速度和当前位置。

在一个具体实施例中，所述传播路径长度变化装置包括：

去噪模块，与所述wifi通信系统连接，用于对所述信道状态信息进行带通滤波，得到去噪后的信道状态信息；

高能子载波模块，与所述去噪模块连接，用于对所述去噪后的信道状态信息分割成部分重叠的片段，基于每个片段中各子载波的互相关值得到包含最多人体反射能量的一组高能子载波；

能量谱模块，与所述高能子载波模块连接，基于所有分段的高能子载波获得能量谱；以及

动态规划模块，与所述能量谱模块连接，对所述能量谱基于动态规划算法获得所述传播路径长度变化量。

在一个具体实施例中，所述能量谱模块包括：

主成分单元，与所述高能子载波模块连接，对任意一组高能子载波进行主成分分析，选取第一个主成分，所述第一个主成分包含主要且一致的由目标运动引起的能量变化；

能量谱片段单元，与所述主成分单元连接，对所述第一个主成分进行短时傅里叶变换，并添加零填充以获得具有更细的频率粒度的能量谱片段；

拼接单元，与所述能量谱片段单元连接，将所有高能子载波的能量谱片段拼接为能量谱。

在一个具体实施例中，所述动态规划模块包括：

采样单元，与所述拼接单元连接，对所述能量谱进行时域降采样，使相邻时刻采样的传播路径长度变化量对应的频率变化不超过1Hz；

动态规划单元，与所述采样单元连接，基于动态规划算法得到最优的路径长度变化量；

其中，所述动态规划算法的公式为：

s.t.|f_i-f_i-1|≤1；i＝2,…,T

所述F为能量谱，f_i表示i时刻的频率，PLCR_opt表示最优的路径长度变化量。

在一个具体实施例中，所述初始位置装置包括：

追踪阈值模块，与所述拼接单元连接，基于每个片段中所述高能子载波的互相关值、能量谱的方差以及当前时刻前一定时间内的片段的最小的能量谱方差获得追踪阈值，当超过追踪阈值时开始追踪；

分段模块，与所述追踪阈值模块连接，对路径基于多种约束条件进行分段，并在每段路径开始时进行初始化追踪，每段路径的初始速度为一对极小的不确定量；

粗搜索模块，与所述分段模块连接，以粗粒度对整个监控区域进行搜索，以具有最小路径长度变化量误差的位置作为待确认位置；以及

细搜素模块，与所述粗搜索模块连接，以所述待确认位置为中心进行细粒度搜索，以具有最小路径长度变化量误差的位置作为初始位置。

在一个具体实施例中，所述wifi通信系统包括多条通信链路，所述追踪装置包括：

第一速度模块，与所述传播路径长度变化装置和初始位置装置连接，基于目标上一时刻位置、每一条链路的位置以及路径长度变化量得到该链路下目标当前速度的关系式；

最优速度模块，与所述第一速度模块连接，基于所有链路的关系式以及估算的路径长度变化量的符号得到目标当前速度的最优解；以及

当前位置模块，与所述最优速度模块连接，基于所述当前速度的最优解、目标上一时刻位置以及两次采样的时间间隔得到目标的当前位置。

在一个具体实施例中，所述最优速度模块基于目标运动连续性的约束算法获得所述路径长度变化量的符号。

在一个具体实施例中，所述约束算法包括：

其中，表示路径长度变化量的符号的最优值，err_l,k表示路径长度变化量和最优的路径长度变化量的均方误差，err_v,k表示速度偏差，β表示权重系数，A_k表示k时刻的位置系数矩阵、R_k表示k时刻的路径长度变化量矩阵。

最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。