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与流程

本发明涉及人数统计领域，尤其涉及一种基于wifi信道状态信息和支持向量机进行室内人数统计的方法。

背景技术：

室内人数对于很多应用来说是很重要的信息，例如，可以帮助商家确定进店顾客的数量并据此安排员工，可以监控公共场所人群密度并及时启动应急措施以确保安全，可以根据楼内人数进行自动空调调节以节约能源等。传统人数统计方法主要采用视频监控方法或者无线射频方法。视频监控方法目前已经获得广泛应用，但在弱光环境下或非视距情况下，摄像头无法良好工作，导致监控质量下降或者监控盲区，此外视频监控还存在较大隐私问题，不适用于私人空间。基于无线射频的监控近年来也获得较多关注，如采用无线传感器网络、红外线、超宽带等，但这些方法都需要安装部署专有设备，成本高，普适性差。

基于wifi的无线网络已获得广泛部署，其在提供无线数据传输服务的同时，可以用来进行监控和人数统计。该方法不需要增加额外硬件设施，也不需要人员携带电子设备，仅利用现有的wifi无线网络就能完成人数统计，成本低，普适性强，因此是极具市场前景和发展潜力的解决方案。由于人体会对周围的wifi信号产生反射、散射、衍射、衰减等效果，通过监测wifi信号的变化就可以确定室内人数。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)，可以用来进行人数统计。但是由于室内环境的复杂性，wifi信号存在多径效应，即信号会通过多条路径从发送端传播到接收端，且每条路径具有不同延迟、衰减和相位移动，导致rssi是多条路径信号的叠加，从而导致rssi不稳定，用于人数统计时精度较差。

技术实现要素：

本发明的目的是针对上述存在的问题，提出一种基于wifi信道状态信息(channelstateinformation,csi)和支持向量机(supportvectormachines,svm)的精确的室内人数统计方法。

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wifi信道状态信息和支持向量机的室内人数统计方法，包括以下步骤：

1)室内人数统计模型训练步骤：

1-1)采集不同人数场景下的csi原始数据样本，所述样本包括发送天线个数、接收天线个数、信号发送频率、信道状态信息csi矩阵，并记录当前人数；

1-2)移除原始数据样本中csi矩阵的第一维度，将产生的二维矩阵从线性(电平)空间转换到对数(功率)空间，将矩阵中每一个复数转换成幅值；

1-3)应用基于密度的聚类算法(density-basedspatialclusteringofapplicationswithnoise,dbscan)对由每一对发送和接收天线组成的信道中的csi数据进行聚类，通过删除离群点得到去噪后的csi数据；

1-4)使用膨胀矩阵算法对去噪后的csi数据进行特征提取，获得每条子载波的非零率，作为csi特征指纹样本。该膨胀矩阵算法包含以下步骤：将每条子载波的幅值序列转换为一个二维矩阵；膨胀该二维矩阵；计算膨胀后的二维矩阵中的非零率；对所有信道中的所有子载波进行上述操作，得到非零率向量作为csi特征指纹样本；

1-5)基于csi特征指纹样本，采用v-svr(supportvectorregression)算法训练得到初步svm回归模型，表达人数和csi特征指纹样本之间的依赖关系；

1-6)对初步svm回归模型进行参数寻优，采用网格搜索和交叉验证方法尝试比较不同参数组合，得到最优模型参数及最优svm回归模型。

2)室内人数统计步骤：

2-1)采集未知人数场景下的csi原始数据样本；

2-2)按照步骤1-2)、1-3)和1-4)对csi原始数据样本进行处理和特征提取，获取当前csi特征样本指纹；

2-2)通过步骤1-5)和1-6)建立的svm回归模型，根据当前csi特征样本指纹来确定当前场景中的人数。

由于室内丰富的多径效应，使得基于wifirssi的人数统计不能提供足够的精确性。信道状态信息csi是一种更加精细的物理层信息，描述信道中各子载波的幅值和相位，能够充分利用室内多径效应，对环境变化更加灵敏。因此，本发明的基于csi的方法能够更加精确地进行人数统计。在获得csi数据后，本发明采用基于密度的聚类算法dbscan对csi数据进行去噪，然后使用膨胀矩阵算法获得每条子载波的非零率作为csi特征指纹样本，从而强化信号幅值的大变化对于人数统计的影响，而降低由于环境噪声引起的信号幅值的小变化的影响。本发明借助于svm回归算法，能够在不考虑复杂室内环境的情况下，获得人数和csi特征指纹样本之间精确的非线性依赖关系模型，从而达到精确统计室内人数的目标。

本发明的有益效果是：能够基于现有wifi无线网络进行精确的人数统计，成本低，普适性强，无隐私问题，室内人员可随意走动、站或坐。本发明能够达到平均误差人数0.67的精度，明显高于基于rssi的人数统计精度。

附图说明

图1为基于csi和svm的室内人数统计方法的流程图；

图2为基于csi和svm的室内人数统计方法的环境部署图。

具体实施方式

一种基于wifi信道状态信息csi和支持向量机svm的室内人数统计方法，流程如图1所示，具体实施步骤如下：

1)环境部署：基于csi的人数统计要求室内覆盖wifi信号，设备为一台接入点(accesspoint,ap)和一台监测点(monitoringpoint,mp)，均配置intelwirelesslink5300agn(iwl5300)无线网卡，该网卡具有3根天线。ap端发送数据，mp端接收数据，布局方式如图2所示。

2)csi原始数据采集：训练阶段，将室内场景分别设为w个人，w＝0,1,2,3,4,5…，让他们在室内中随机走动。对于不同人数的场景，接收端mp均以20hz的采样率采集来自发送端ap的csi原始数据，分别采集5分钟，然后从采集到的6000个csi数据样本中选取1000个作为训练样本，来规避因为环境干扰导致的信号不稳定问题。样本数据中包括：发送天线个数ntx，接收天线个数nrx，数据包发送频率f，原始csi矩阵h。原始csi矩阵h是一个ntx×nrx×ns的三维矩阵，第三维是信道中的ns条子载波信息：h＝|h|e^jθ，其中|h|是子载波幅值，θ是子载波相位。

3)csi数据生成：针对采集的csi原始数据，首先移除原始csi矩阵h中的第一个维度，获得ntx个nrx×ns的二维矩阵，然后将二维矩阵从线性(电平)空间转换成对数(功率)空间，并将矩阵中每一个复数转换成幅值，产生csi数据。

4)csi数据去噪：由于csi数据中存在一定噪声，即同一对发送和接收天线的数据中会存在一些偏离集群的数据，因此，为了提高人数统计的精度，本发明采用基于密度的聚类算法dbscan来去除csi数据中的噪声。由于每一对发送和接收天线组成一条信道，因此一对ap-mp中包含ntx×nrx条信道；每条信道包含ns条子载波，因此一对ap-mp中包含ntx×nrx×ns条子载波。按照信道将csi数据集分成ntx×nrx个子数据集，每个子数据集包含ns条子载波信息。令子数据集中每条子载波的序号为index，幅值为value，在每个子数据集上应用dbscan算法进行聚类，dbscan的两个参数分别是领域半径e和最小包含点数minopt。去噪步骤如下：

a)根据经验选取合适的参数e和minopt；

b)将子数据集中所有对象标记为未访问状态，即“unvisited”；

c)随机选择一个未访问对象o(undex,value)，标记为“visited”；检查o的邻域是否至少包含minopt个对象：如果不是，则标记o为离群点；如果是，则标记o邻域内所有点为“visited”，并为o创建一个新的簇r和一个候选集合q，然后把o的邻域中所有对象放在候选集合q中；

d)迭代地把候选集合q中不属于其它簇的对象添加到簇r中，直到q为空，簇r完成；

e)转到步骤c)处理下一个对象；

f)将标记成离群点的对象对应的样本数据从训练数据集中删除，达到数据去噪的目的。

5)csi特征提取：

a)选取一个子载波i，创建一个m×p的矩阵m0并初始化为零矩阵，按照下式计算k：

其中h代表csi数据矩阵，p代表数据包的个数，m代表矩阵分辨率，hij代表第j个数据包的第i个子载波的幅值，hmax和hmin分别代表csi数据中幅值的最大值和最小值。将矩阵m0中第k行第j列的值设为“1”，这样每列只有1个“1”，其余都是“0”。当信号幅值发生较大变化时，相邻行非零值所在的列距离就会增大；

b)将矩阵m0中值为“1”的元素的周围元素也设为“1”，并以膨胀率d进行膨胀操作，生成膨胀矩阵mc。当信号幅值发生较大变化时，膨胀后的重叠区域就会较少，使得mc中有更多的“1”存在；

c)计算膨胀矩阵mc中“1”的个数，然后计算膨胀矩阵中的非零率，记为pi；

d)重复步骤a)、b)、c)，迭代计算所有子载波的非零率，得到向量其中ns为所有子载波的数量。

e)向量作为特征提取后的csi特征指纹样本，进行模型训练和人数统计。

6)svm回归模型训练：使用步骤5)获得的csi特征指纹样本和对应的人数来训练svm回归模型，以建立csi特征指纹样本和人数之间的依赖关系。样本格式为：

其中，ti为样本i的特征指纹，ci为指纹样本i所对应的人数，m为样本个数，为pij样本i中子载波j的非零率，n为子载波数量。对svm回归模型的训练就是解决如下问题：

其中，w和b代表依赖关系的方向和位置，v∈(0,1]是一个参数，∈表示精度，c为常量，ξi,是一组松弛变量，ti代表一个csi特征指纹样本，ci是该指纹的对应人数，m是样本

数量。不断调整参数进行回归模型训练，直到得到最优参数，确定最优回归模型：

其中，αi与为拉格朗日乘子，k(ti,,t)是核函数，采用径向基函数(radicalbasisfunction,rbf)。

7)人数统计：实际统计人数时，算法根据实时采集的csi原始数据经过去噪和特征提取后，通过训练得到的svm回归模型确定人数，包括如下步骤：

a)按照步骤2)的方式采集csi原始数据；

b)按照步骤3)的方式生成csi数据；

c)按照步骤4)的方式对csi数据进行去噪；

d)按照步骤5)的方式对csi数据进行特征提取；

e)根据svm回归模型和当前csi特征指纹样本，确定实时人数。

实施例的识别精度如下表：