一种基于信道状态信息的人员动作识别和位置估计方法与流程

本发明主要利用无线网卡接收的路由器信号的信道状态信息，通过支持向量机的学习方法，对人员目标进行动作识别和位置估计，属于定位导航领域。

背景技术：

人员目标的动作识别和位置估计在日常生活中得到了各种应用，如老年人监测，健身追踪和智能家居，已经引起了学术界和工业界的广泛关注。传统的人员目标动作识别和位置估计采用基于设备的方法，如视觉装置，可穿戴传感器或者手机内部传感器。但是此类方法存在一定的应用限制。基于视觉的系统不能穿透墙，需要良好的光照条件，而且侵犯了人的隐私。基于传感器的方法采用的装置在一些场合下不方便佩戴，因此适用范围受限，并且设备昂贵。

近年来，无线网络开始广泛部署，使得无线相关技术开始迅速发展。研究表明，无线局域网不仅可以用来传输数据，还可以对周围环境的变化进行感知，如人体检测、活动识别、室内定位、视距路径，识别等。利用无线信号的信道状态信息对人体动作进行识别逐渐引起研究人员的广泛关注。由于复杂背景环境的干扰，通常情况下，发射端的无线信号不会沿视距路径到达接收端，而是经由人体、家具及其他障碍物的反射、散射、衍射等多条路径传播。在接收端得到的多径叠加的信号就会携带反映环境的特征信息。与传统接收信号强度不同，信道状态信息是从无线链路接收到的分组中测量每个正交频分复用子载波，因而信道状态信息会获得更稳定的信息。

因此，本发明利用无线接收端的信道状态信息，提出一种无设备的人员目标动作识别和位置估计方法。

技术实现要素：

本发明的目的在于：针对现有技术存在的缺陷，提出了一种基于信道状态信息的人员动作识别和位置估计方法，该方法不仅室内定位精度高和人员动作识别准确率高，而且结构简单有效，实现成本低。

为了达到以上目的，本发明提供了一种基于信道状态信息的人员动作识别和位置估计方法，包括如下步骤，

离线阶段：

步骤1-1：构建训练数据库，在不同参考位置点上，人员目标进行不同的动作姿态。同时在ubuntu系统上利用csitool工具测量路由器发射信号在接收网卡上的csi信息，其中子信道数量为30，接收天线数量为3。

步骤1-2：训练数据预处理，对收集到某一个时间点的30个子载波csi信息数据采用(0-1)归一化处理，然后利用主成分分析方法(pca)对构建的训练数据库进行预处理，以避免维数灾难。

步骤1-3人员目标的动作分类学习，利用支持向量机对数据库进行基于动作标签的分类学习，得到基于动作的分类模型；所述数据库内至少包括csi信息及动作标签；

步骤1-4人员目标的位置回归学习，得到步骤1-3中动作分类结果同时，利用支持向量机对在每个动作下的数据库进行基于位置坐标的回归学习，得到基于位置的回归模型；所述数据库内至少包括csi信息及位置坐标；

再线阶段：

步骤2-1接收csi信息的数据预处理，根据接收到的csi信息，在进行数据(0-1)归一化和主成分分析的数据预处理。

步骤2-2人员动作分类估计，将预处理好的csi数据送入步骤1-3得到的动作分类模型。

步骤2-3人员位置坐标估计，根据步骤2-2人员动作分类的结果，选择步骤1-4基于位置坐标的回归模型，得出待测人员位置坐标结果。

进一步的，通过主成分分析，对csi信息进行有效的选取，能够去掉csi测量值中的噪音，降低离线训练的时间复杂度，并提升学习性能。

进一步的，对人员目标先进行动作识别，在此基础上再进行位置估计。

进一步的，所述方法利用信道状态信息和支持向量机学习算法同时实现目标动作和位置估。

与现有技术相比，本发明的主要贡献和特点在于：

(1)本发明利用支持向量机分别对离线阶段获得的(csi信息，动作标签)数据库和(csi信息，位置坐标)数据库进行分类和回归学习。由于测量值是wifi信号的信道状态信息，因此本发明能够充分利用现有设备，能够提高了方法的实用性和便捷性。

(2)本发明利用主成分分析，对csi信息进行有效的选取，能够去掉csi测量值中的噪音，降低离线训练的时间复杂度，并提升学习性能。

附图说明

下面结合附图对本发明作进一步的说明。

图1是本发明的实验场景示意图。

图2是本发明中基于人员目标动作识别和位置估计系统框图。

图3是本发明中基于ieee802.11n的无线接收机获取csi流程。

图4是本发明的人员目标动作识别和位置估计框图。

图5是本发明的动作分类的性能实测图。

图6是本发明的位置回归的性能实测图。

具体实施方式

下面对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。

如图1所示，为本发明的实验场景模式图

如图2所示，为本发明基于人员目标动作识别和位置估计系统框图，包括：离线阶段和在线阶段。其中离线阶段由3个模块组成，csi信号收集模块，训练数据预处理模块和离线学习模块，在csi信号收集模块中，图3描述了本发明基于ieee802.11n的无线接收机获取csi流程图。本发明csi信号收集阶段包括，信号自动增益控制(agc)，数据采样变化(adc)，数据包检测，子载波偏移校正，傅里叶变化，信道估计，以及数据包的处理。在定位区域的每个参考点上，分别做不同的动作，然后记录接收机的csi测量值。训练数据预处理模块先对csi幅度信息进行归一化处理，然后用pca降维的方法除去子载波中的信息冗余，得到处理后的csi测量值。然后根据对应的动作标签，形成(csi信息，动作标签)训练数据库。最后利用对应的位置坐标信息，形成每个动作下的(csi信息，位置坐标)训练数据库。

如图4所示描述了离线学习模块的主要功能。先利用(csi信息，动作标签)训练数据库进行基于动作标签的svm技术分类学习，得到基于动作的分类模型。然后利用svm技术对在每个动作下的(csi信息，位置坐标)数据库进行基于位置坐标的回归学习，得到每个动作下的位置的回归模型。

在线阶段，在对接收到的csi测量值进行数据归一化和pca降维后，先将其送入到动作分类模型中，首先判断出人员的动作。然后选择对应动作的位置回归模型，利用数据预处理后的csi测量值进行位置计算，得到人员位置估计值。

图5描述了本发明算法的动作识别性能。本实验数据测试利用台湾大学林智仁(linchih-jen)教授等开发设计的一个简单、易于使用和快速有效的svm模式识别与回归的软件包，实验过程libsvm参数-s：0-t：1-c：1.2-g：3。由表可知训练数据样本数量对实验效果有一定的提升，但多天线对实验准确率有着显著的作用。

图6描述了本发明算法的位置回归的估计性能。对于位置坐标回归性能测试同样利用林智仁(linchih-jen)教授libvm软件包，实验过程参数-s：3-t：1-c：1.2-g：2.8。由表可知在室内环境下，充分利用接收信号中信道状态信息(csi)可以实现精度21.22cm，具有很好的定位效果。

以上所述仅为本发明的一个具体实施例，并不用以限制本发明，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。