取信号特征信 息的步骤包括：
[0049] 步骤All:从网卡中采集信道状态信息；
[0050] 步骤A12 :提取各个子载波的振幅值集合作为该信号的信号特征；
[0051] 所述步骤A2中的计算接收机敏感度因子，调整接收机位置的步骤为：
[0052] 步骤A21 :采集一定量静态环境状态下的信号特征信息，并将其保存于本地。
[0053] 步骤A22 :利用采集数据来计算接收机的敏感度因子。如果接收机敏感度较低则 调整接收机位置，重复步骤A21，直到获取较高的接收机敏感度。
[0054] 所述步骤A3中的计算位置信号指纹特征信息，构建位置信号指纹数据库的步骤 为：
[0055] 步骤A31 :测试人员站于指定采样位置（包括无测试人员存在的情况）；
[0056] 步骤A32:接收机采集一定量当前状态下的信号特征信息，计算信号特征模型参 数，将其作为位置信号指纹特征存储于数据库中；
[0057] 步骤A33 :测试人员更换采样位置，重复步骤A32操作，直到采集完所有采样位置 对应的信号指纹信息。
[0058] 所述步骤B1中的实时采集信号特征信息步骤为：
[0059] 步骤Bll :实时从网卡中采集检测信号，提取信号特征信息，其过程同步骤A1 ;
[0060] 所述步骤B2中的实时人体出现检测步骤为：
[0061] 步骤B21 :获取实时信息特征信息；
[0062] 步骤B22:根据静态状态下的信号模型，计算无人出现的概率，如果其概率小于设 定阈值则进行人体定位，否则继续步骤B21。
[0063] 所述步骤B3中的实时定位的步骤为：
[0064] 步骤B31:读取数据库位置指纹信息，计算检测信号特征对应各个采样位置的概 率。
[0065] 步骤B32 :对比检测信号在各个位置处概率大小，最大概率值所对应的位置即为 人体出现的位置。
[0066] 可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的 限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部 内容。
[0067]图1是本发明第一实施例提供的增强型室内无源被动定位实现流程图，该方法详 述如下：
[0068]在步骤101和步骤201中，采集信号特征信息是指从信道状态信息中提取频域上 所有子载波的信道状态信息的振幅向量。
[0069] 在无线传输过程中，无线通信可以被简单建模为：
[0070]
[0071]这里t是时间，y是接收信号，x是发送信号，h是信道相应或者信道状态信息，通 常情况下其为一个复数，代表信号振幅与相位信息，z为高斯白噪音。在传统的室内环境 中，一个传输信号可以通过多径进行传播，并导致不同的传播长度、路径损失、不同的时延、 振幅衰减和相位偏移。而多径环境可以通过时间线性过滤器h(T)特征化，即信道脉冲响 应（ChannelImpulseResponse，CIR):
[0072]
[0073] 其中，&i、0河ti分别代表第i个多径的振幅、相位和时延，i= 1，2,…，N，N表 示多径数。
[0074] 在频率域中，0FDM系统在0FDM子载波粒度上提供信道频率响应（Channe1 FrequencyResponse,CFR)：
[0075] H= {H(1),H(2),...,H(N)} (3)
[0076] 其中N为子载波个数。每个子载波的CFR信息是一个复数值，每个子载波又被定 义为：
[0077] H(f)=|H(f) |exp(jsin(ZH(f))) (4)
[0078] 其中H(f)表示子载波的振幅响应，而ZH(f)表示子载波的相位响应。
[0079] 对于给定的一个带宽，CIR可以通过快速傅里叶变换转换成CFR:
[0080] H=FFT(h(t)) (5)
[0081] 尽管CIR与CFR在信道相应模型上是等价的。但是在人体检测与定位领域更加偏 向使用CFR作为信号特征。目前已可以从商业Intel5300无线网卡上利用更新后的固件 提取具有30个子载波的CFR，并能以信道状态信息的形式提交到用户态进行程序处理。[0082] 每一个子载波的信道状态信息是以一个复数的形式来表示的，其包含了每个子载 波的振幅与相位信息。通过计算每个子载波信道状态信息的振幅值，程序可以获取一个包 含所有子载波振幅的向量，将其作为信号特征。
[0083] 在步骤102中，当监测区域无人的情况下，系统采集n个数据包并从中随机选取m 个数据包，提取每一个数据包中的信号特征，获取静态条件下信号特征Hstd:
[0084]
[0085]为了刻画接收机对于人体移动的敏感度，我们引入了接收机敏感度因子变量。接 收机敏感度因子可以在一定程度上反映出多径信号占接收机总信号比重大小。接收机敏感 度因子的计算是利用静态信号特征。首先需要将每一个信号特征进行振幅归一化，将每个 子载波的振幅归一化到中心频率上：
[0086]
[0087]其中H(fk)和Hn_(fk)分别是第k个子载波原始振幅值和归一化后的振幅值。& 是中心频率值，fk是第k个子载波的频率值。
[0088] 为了消除测量尺度影响，获得一个统一的数据量纲，本发明需计算归一化后的振 幅向量的变异系数：
[0089]
[0090]其中std(HnOTm)和mean(HnOTm)分别是归一化CSI振幅凡_的标准差与均值。因此 利用静态标准信号特征可以计算得到变异系数集cryvjL。当敏感度较大时，cv值具有 较大值和较宽的分布。当敏感度较小时，cv值则具有较小值和较窄的分布。为了刻画cv的 分布与敏感度大小，本发明引入了接收机敏感度因子变量Ks:
[0091]
[0092] 其中，x，y和〇分别代表v的测量值、均值和标准差值。从实验中发现&值越 小则接收机的敏感度越高。因此通过调整接收机的位置，来获取较小的&值可以帮助获取 较高的定位精度。
[0093] 在步骤103中，测试人员站在采样位置j处，系统采集n个数据包并从中随机选取 m个数据包，提取每一个数据包中的信号特征获取该位置处的信号特征Hj:
[0094]
[0095] 在步骤104中，所述的信号模型是指每个子载波在环境状态稳定下其振幅值符合 高斯分布，即振幅分布满足：
[0096]
[0097] 其中，y，0分布代表第i个子载波的振幅均值与标准差。因此对于第i个子载 波的指纹特征可以表示为ri= (y，0)。每个子载波的特征值可以从步骤103中1获取，
=假设使用子载波的数量为f，则对于每一组接收机和 发射机天线来说，其信号指纹特征可以表示为：Rf= {r1，!"2，...，/}。假设监测区域内部署a对接收机与发射机，则采用位置j的信号指纹特征可以表示为{RR2, ...RJ。在获 取该位置处的信号指纹特征后将其存储到数据库中。然后重复步骤103与104直到获取所 有采样位置处的信号特征指纹。
[0098] 在步骤202中，接收机从网卡中实时获取检测信号，并提取每个数据包中信号特 征Ht。利用离线训练中获取的静态信号特征指纹信息来计算检测信号在无人情况下的先验 概率值P=P(Ht|Hstd)。对于每一个子载波i来说，其满足先验概率Pi> 0，其中0为设 置的置信概率。当所有子载波的都满足此条件时，则认为环境中无人出现，否则判断有人出 现。
[0099] 在步骤203中，当步骤202判断有人体出现在监测区域内时，系统启动定位功能。 对于已采集的检测信号特征Ht，系统