基于信号相干特征的被动式人员运动检测与追踪方法技术

本发明专利技术所述基于信号相干特征的被动式人员运动检测与追踪方法，首先对目标区域进行子区域划分；离线阶段，分别采集所有链路在无人员运动和有人运动条件下的接收信号强度(RSS，Received Signal Strength)作为样本数据；接下来利用滑窗机制对不同样本数据进行分组；然后，提取不同样本的相干直方图，构成特征矩阵，用于训练softmax分类模型的系统参数；在线检测与追踪阶段，利用相同滑窗机制，实时提取同样的相干直方图特征，构成特征向量，与样本softmax模型参数进行矩阵运算，进而明确实时数据的类别，判断当前环境下人员的状态；最后联合各条链路的检测结果对人员进行实时追踪，再利用中值滤波算法修正追踪结果。本发明专利技术能够运用于无线电通信网络环境，主要面向无线局域网人员运动检测与追踪方法，解决了传统检测方法中检测正确率低的问题。

Passive Human Motion Detection and Tracking Method Based on Signal Coherence

The passive human motion detection and tracking method based on signal coherence features in the present invention firstly divides the target area into sub-regions; in the offline stage, the received signal strength (RSS, Received Signal Strength) of all links under unmanned and manned motion conditions is collected as sample data respectively; then, different sample data are grouped by sliding window mechanism. Secondly, the coherent histograms of different samples are extracted to form a feature matrix for training the system parameters of the soft Max classification model. In the online detection and tracking stage, the same coherent histogram features are extracted in real time by using the same sliding window mechanism, and the feature vectors are constructed. Then, the matrix operations are performed with the parameters of the sample soft Max model, so as to clarify the real-time data categories and judge the current environment. At last, the detection results of each link are combined to track the personnel in real time, and then the median filtering algorithm is used to modify the tracking results. The invention can be applied to the radio communication network environment, mainly for the detection and tracking method of the movement of the personnel in the wireless local area network, and solves the problem of low detection accuracy in the traditional detection method.

【技术实现步骤摘要】
基于信号相干特征的被动式人员运动检测与追踪方法
本专利技术属于被动式人员运动检测技术，具体涉及基于信号相干特征的被动式人员运动检测与追踪方法。
技术介绍
随着通信技术的发展，人们对高效精准的人员检测与追踪服务的需求大幅度增长。利用电子标签等对人员进行主动检测与追踪的技术已经得到了广泛的研究。但是，一些场景中，如安防、搜救、智能家居等，被检测人员可能不会或不方便携带设备，其主动实现检测与追踪的难度较大。近年来，随着Wi-Fi的普及与应用，利用现有的Wi-Fi基础设施进行被动式人员运动检测与追踪，成为人们关注的热点。该方法通过检测Wi-Fi接收信号强度值RSS(ReceivedSignalStrength)的变化实现人员检测与追踪，无需被测人员主动配合与额外设备，具有较高的可行性和移植性。现有的基于Wi-Fi的被动式人员运动检测与追踪技术主要通过离线阶段提取有人运动与无人运动时的RSS统计特征用于训练分类器，在现阶段提取实时接收信号的相同特征与模板进行匹配。但统计特征的选取存在主观因素，且只包含信号的部分信息，这就使得系统适应性较弱，当环境发生变化，检测率会下降。为了解决以上问题，有必要开发一种新的基于信号相干特征的被动式人员运动检测与追踪方法。
技术实现思路
本专利技术的目的是提供一种基于信号相干特征的被动式人员运动检测与追踪方法，它通过离线阶段利用信号间的相干特征，建立信号的相干直方图，无需利用信号的统计特征，避免了特征选择的主观性，具有较高的检测正确率和追踪准确度。本专利技术所述的基于信号相干特征的被动式人员运动检测与追踪方法，包括以下步骤：步骤一、在目标监测区域内，布置X个监测设备(MonitorPoint，MP)，以及Y个无线信号接入点(AccessPoint，AP)，可得K＝X×Y条无线链路。步骤二、将目标区域划分为用户感兴趣的N个目标子区域，第j条直射路径覆盖的独立区域(有且仅有一条直射路径覆盖该区域)为Aeraj，独立区域以外为非独立区域Aeraind，并为每个区域编号。步骤三、利用监测设备MP分别采集短时间内的K条链路的无人运动接收信号强度值序列和人员运动接收信号强度值序列采集时间都为T1秒，采样频率为ZHZ；具体包括以下步骤。步骤四、设计带通滤波器滤除K条无人运动RSS序列以及K条人员运动RSS序列中的噪声。步骤五、将滤波后的K条无人运动RSS序列与K条人员运动RSS序列归一化。步骤六、利用滑动窗口机制对归一化后的K条无人运动RSS序列以及K条人员运动RSS序列进行分组。步骤七、建立K条链路的样本相干直方图，构造特征矩阵。步骤八、利用K条链路的样本特征矩阵与梯度下降法训练softmax分类模型。步骤九、在线监测阶段，各MP实时采集感知环境中K条无线链路的接收信号强度值，将采集到的接收信号强度值进行存储，当ton时刻的K条链路中每条链路的RSS序列累计为一个窗长时，则对ton时刻窗口数据进行类别的判断。步骤十、采用步骤四的方法对K条链路当前滑窗中的RSS序列进行滤波，滤波后的信号强度值步骤十一、采用步骤五的方法将滤波后的K条链路ton滑窗内接收信号强度值归一化，归一化为步骤十二、采用步骤九的方法，建立K条链路在ton时刻的归一化RSS序列的相干直方图步骤十三、将K条链路ton时刻的RSS序列与样本进行匹配，得到ton时刻的K条链路的检测结果。步骤十四、利用步骤十三的检测结果确定ton时刻人员的运动区域步骤十五、当ton时刻的追踪结果累计为larea个时，利用中值滤波对区域定位结果进行修正。所述步骤三中，利用监测设备MP分别采集短时间内的K条链路的无人运动接收信号强度值序列和人员运动RSS序列采集时间都为T1秒，采样频率为为ZHZ；具体包括以下步骤：3a、在无人走动环境下，采集K条链路的接收信号强度值，得到K条无人运动时的接收信号强度值序列其中，表示在无人运动环境下第j条链路在t时刻的接收信号强度值；3b、在有人走动环境下，采集K条链路的接收信号强度值，得K条人员运动接收信号强度值序列其中，表示在有人走动环境下第j条链路在时刻t的接收信号强度值。所述步骤四中，设计带通滤波器滤除K条无人运动RSS序列以及K条人员运动RSS序列中的噪声；具体包括以下步骤：4a、计算K条无人运动数据序列的均值4b、计算K条无人运动数据序列的带通滤波器带宽4c、对K条无人运动数据序列滤波：为第j条无人运动RSS序列在时刻t滤波后的接收信号强度值，K条无人运动RSS序列滤波后的结果为4e、重复步骤4a-4c，对K条人员运动RSS序列滤波，滤波后的结果为其中，为第j条人员运动RSS序列在时刻t滤波后的接收信号强度值。所述步骤五中，将滤波后的K条无人运动RSS序列与K条人员运动RSS序列接收信号强度归一化；具体包括以下步骤：5a、计算K条无人运动RSS序列归一化接收信号强度值：其中，为第j条无人运动RSS序列在时刻t的归一化接收信号强度值，其中分别为第j条无人运动RSS序列的最小接收信号强度值与最大接收强度值，K条无人运动RSS序列归一化为5b、重复步骤5a，得K条人员运动RSS序列归一化为其中，为第j条人员运动RSS序列在时刻t的归一化接收信号强度值。所述步骤六中、利用滑动窗口机制对归一化后的K条无人运动RSS序列以及K条人员运动RSS序列进行分组；具体包括以下步骤：6a、利用滑动窗口函数将K条无人运动RSS序列划分为T1-l+1个样本，得到K条RSS序列的样本分组为其中，为第j条无人运动RSS序列在t时刻的滑动窗口分组样本；6b、利用滑动窗口函数将K条人员运动RSS序列划分为T1-l+1个样本，得到K条RSS序列的样本分组为其中，为第j条人员运动RSS序列在t时刻的滑动窗口分组样本。所述步骤七中、建立K条链路的样本相干直方图，构造特征矩阵；具体包括以下步骤：7a、将归一化后的第j条无人运动RSS序列第t个样本等分为M段，每一段长度为则第i段范围为：7b、统计第i段内满足相干度要求的接收信号强度值总数定义：相干度D，指属于同一段范围的接收信号强度值的时间连续度τ≥D。如相干度D＝4，表示τ≥4，第i段中至少有4个时间连续的接收信号强度值。满足相干度要求的接收信号强度值总数即为属于该段范围的数据总数7c、计算第j条无人运动RSS序列第t个样本的分段高度7d、第j条无人运动RSS序列第t个样本的相干直方图为7e、重复步骤7a-7c共T1-l+1次，得第j条无人运动RSS序列T1-l+1个样本的相干直方图7f、将第j条无人运动RSS序列的样本相干直方图进行合并得第j条RSS序列的特征矩阵7g、重复步骤7a-7f共K次,得K条无人运动RSS序列特征矩阵7h、重复步骤7a-7f共K次，得K条人员运动RSS序列的样本特征矩阵其中，为第j条人员运动RSS序列的特征矩阵，为第j条人员运动RSS序列第t个样本的相干直方图；7i、构造第j条RSS序列第t组样本(第t个无人运动样本与人员运动样本为一组)的特征矩阵7j、构造第j条RSS序列的特征矩阵7k、重复7g-7h步骤K次，得到K条链路的特征矩阵所述步骤八中，利用K条链路的样本特征矩阵与梯度下降法训练softmax分类模型；具体包括以下步骤：8a、为第j条RSS序列第t组样本的softm本文档来自技高网...

【技术保护点】
1.基于信号相干特征的人员运动检测与追踪方法，其特征在于，包括以下步骤：步骤一、在目标监测区域内，布置X个监测设备(Monitor Point，MP)，以及Y个无线信号接入点(Access Point，AP)，可得K＝X×Y条无线链路；步骤二、将目标区域划分为用户感兴趣的N个目标子区域，第j条直射路径覆盖的独立区域(有且仅有一条直射路径覆盖该区域)为Aeraj，独立区域以外为非独立区域Aeraind，并为每个区域编号；步骤三、利用监测设备MP分别采集短时间内的K条链路的无人运动数据

【技术特征摘要】
1.基于信号相干特征的人员运动检测与追踪方法，其特征在于，包括以下步骤：步骤一、在目标监测区域内，布置X个监测设备(MonitorPoint，MP)，以及Y个无线信号接入点(AccessPoint，AP)，可得K＝X×Y条无线链路；步骤二、将目标区域划分为用户感兴趣的N个目标子区域，第j条直射路径覆盖的独立区域(有且仅有一条直射路径覆盖该区域)为Aeraj，独立区域以外为非独立区域Aeraind，并为每个区域编号；步骤三、利用监测设备MP分别采集短时间内的K条链路的无人运动数据和人员运动数据采集时间都为T1秒，采样频率为ZHZ；具体包括以下步骤；步骤四、设计带通滤波器滤除K条无人运动RSS序列以及K条人员运动RSS序列中的噪声；步骤五、将滤波后的K条无人运动RSS序列与K条人员运动RSS序列接收信号强度归一化；步骤六、利用滑动窗口机制对归一化后的K条无人运动RSS序列以及K条人员运动RSS序列进行分组；步骤七、建立K条链路的样本相干直方图，构造特征矩阵；步骤八、利用K条链路的样本特征矩阵与梯度下降法训练softmax分类模型；步骤九、在线监测阶段，各MP实时采集感知环境中K条无线链路的接收信号强度值，将采集到的接收信号强度值进行存储，当ton时刻的第K条链路数据量累计为一个窗长时，则对ton时刻窗口数据进行类别的判断；步骤十、采用步骤四相同的方法对K条链路当前滑窗中的数据进行滤波，滤波后的信号强度值步骤十一、采用步骤五相同的方法将滤波后的K条链路ton滑窗内数据归一化，结果记为步骤十二、采用步骤九的方法，建立K条链路在ton时刻的归一化RSS序列的相...

【专利技术属性】
技术研发人员：田增山，张小娅，李玲霞，高罗莹，王勇，谢良波，聂伟，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50