一种基于信道状态信息的室内人群计数方法技术

一种基于信道状态信息的室内人群计数方法，对原始CSI信号数据进行滤波和平滑预处理，最小化噪声影响，并通过PCA降维来降低数据复杂度，然后通过滑动窗口将无线时间序列信号转换为热图图像，并设计了一个卷积神经网络CNN对热图进行特征提取，用以映射相应环境下的不同人数。本发明专利技术解决了传统基于视觉图像方法部署成本高，受视线遮挡严重的问题，并且避免了隐私纠纷问题。本发明专利技术基于CSI转换后的图像，使用CNN网络进行预测，一方面突出了信号特征，另一方面更好的获得了同一类别之间的相关性，可以有效提升室内人群计数的性能。以有效提升室内人群计数的性能。以有效提升室内人群计数的性能。

【技术实现步骤摘要】
一种基于信道状态信息的室内人群计数方法


[0001]本专利技术涉及无线感知
和信号处理技术，以及深度学习领域，尤其涉及一种基于信道状态信息的室内人群计数方法，在人员位置相对固定的静态环境和走动频繁的动态环境下都适用。

技术介绍

[0002]人群计数是人类活动感知应用的重要技术之一，因此在许多应用场景下，估计室内人数对于室内空间公共安全管理、建筑节能优化等都具有重大的价值，商场也可以根据人数信息进行商品推荐和流量调控。
[0003]在计算机视觉领域内，人群计数主要通过图像分析技术，可以分为基于检测框或基于密度图回归两种方法。基于检测框的方法首先利用预测框检测人体，根据预测框数量求和得到人数信息，但在较为严重遮挡时会大幅度降低准确率。基于密度图回归的方法将输入图像映射成密度图，并对密度图积分求和获得人数。
[0004]图像中不同人的尺度大小经常呈显著变化，为了获取尺度特征信息，基于图像进行密度图回归的算法往往会设计多分支的具有不同感受野大小的网络模型结构。虽然这样做确实能获得一定性能的提升，但尺度的多样性也受到了分支列数的限制。另一方面，列数越多模型复杂度越高，计算时间扩大的同时可能会导致效果变差。除了模型方面的问题外，由于基于图像的预测方式需要依靠视频或图像采集技术，因此设备成本高昂，并且还会带来大量的处理要求，同时可能给人们带来极大的隐私侵犯困扰。除此以外，不管是基于检测框的还是基于密度图回归的方式，在遇到严重遮挡情况时，性能都会大打折扣。因此，这些传统基于视觉的方法并不适用于一些室内场所。r/>
技术实现思路

[0005]为了克服现有技术的不足，本专利技术提供一种基于信道状态信息的室内人群计数方法，对原始CSI信号数据进行预处理，最小化噪声并降低数据复杂度，然后通过滑动窗口将无线时间序列信号转换为热图图像，并设计了一个卷积神经网络CNN对热图进行特征提取，用以映射相应环境下的不同人数；本专利技术解决了传统基于视觉图像方法部署成本高，受视线遮挡严重的问题，并且避免了隐私纠纷问题。本专利技术基于CSI转换后的图像，使用CNN网络进行预测，一方面突出了信号特征，另一方面更好的获得了同一类别之间的相关性，可以有效提升室内人群计数的性能。
[0006]为实现上述的目标，本专利采用的技术方案为：
[0007]一种基于信道状态信息的室内人群计数方法，包括以下步骤：
[0008]步骤1：以配备无线网卡的计算机为基础构建CSI数据采集平台；
[0009]步骤2：利用CSI数据采集平台收集提取CSI信号，并进行滤波去噪和平滑处理；
[0010]步骤3：对滤波平滑后的数据采用PCA算法降维；
[0011]步骤4：通过滑动窗口将CSI时间序列信号转换为热图图像，建立数据集；
[0012]步骤5：设计了一个CNN网络，离线阶段在数据集上训练以获得一个预测模型；
[0013]步骤6：在线阶段利用训练生成的预测模型对CSI信号转换后得到的热图进行预测，获得预测结果。
[0014]进一步，所述步骤1中，计算机配备了Ubuntu操作系统安装了CSI Tool工具，设置发射天线Nr个数和接收天线Nt个数都为3，CSI Tool工作在监控模式下。
[0015]更进一步，所述步骤3中，使用巴特沃斯低通滤波器对系统采集到的CSI信号进行滤波，并对滤波后的信号继续采用五点三次平滑算法处理。
[0016]更进一步，所述步骤4中，系统采集到的CSI原始数据包含了3
×3×
30个子载波样本，采用主成分分析法PCA降维提取出30个子载波样本。
[0017]更进一步，所述步骤5中，经过预处理后的CSI信号具有30个子载波，这些子载波在每个时间点上都有一个对应的幅值，可以转换为图像上的一个像素值，因此首先将预处理后的CSI数据转换为热图；使用一个滑动窗口在时间维度上对其进行分割，并设置窗口长度为50，以获得多个不同时间段内的样本数据；直接转换的热图分辨率为1192
×
1282，包含了许多与特征不相关的无用区域，因此将每个热图进行再处理，提取出主要特征区域，重新转换为新的图像，并且将图像统一至相同尺寸大小，由这些热图组成了数据集，并划分为训练集和测试集。
[0018]更进一步，所述步骤6中，使用了在图像识别与分类相关领域具有良好性能的卷积神经网络CNN，系统设计的CNN网络使用ReLU作为每一层的激活函数，在卷积层之间连接了最大池化层；此外，在主干卷积网络尾端连接了全连接层，引入Dropout作为正则化方法，选择softmax作为最终输出层的激活函数，并使用交叉熵作为损失函数来衡量真实人数和预测人数之间的差异性，通过均方根优化器更新网络权重，交叉熵损失函数如下式所示：
[0019][0020]其中，s表示样本类数量，t
i
表示每一类的预测分布概率，表示每一类的真实分布概率。
[0021]本专利技术的有益效果是：
[0022]1.采用WiFi信道状态信息CSI来进行室内人群计数，充分发挥了无线网络设备普遍、部署简单、抗干扰能力强、穿透性良好且价格低廉的优点，同时避免了隐私问题。
[0023]2.将无线信号转化为热图，使得不同情况下的差异性和相同情况下的相关性更明显。
[0024]3.利用在图像分类和识别领域具有良好性能的CNN卷积神经网络处理热图。
[0025]4.多个实验环境下的较高准确率说明了该专利技术方法的可行性。
[0026]5.该专利技术对于其他无线信号领域的研究具有一定的参考价值。
附图说明
[0027]图1是本专利技术的原理框图；
[0028]图2是数据采集系统在环境一下的具体实施示意图；
[0029]图3是数据采集系统在环境二下的具体实施示意图；
[0030]图4是原始CSI信号的一个子载波波形；
[0031]图5是滤波平滑后的信号波形；
[0032]图6是CSI数据转换后的热图示例；
[0033]图7是设计的CNN网络结构示意图。
具体实施方式
[0034]下面结合附图对本专利技术的较佳实施例进行详细阐述，以使本方案的优点和特征能更易于被本领域技术人员理解，从而对方案的保护范围做出更为清楚明确的界定。
[0035]参照图1～图7，一种基于信道状态信息的室内人群计数方法，包括以下步骤：
[0036]步骤1：以配备英特尔5300无线网卡的计算机为基础构建CSI数据采集平台；
[0037]计算机配备了Ubuntu操作系统安装了CSI Tool工具，设置发射天线Nr个数和接收天线Nt个数都为3，CSI Tool工作在监控模式下；
[0038]步骤2：利用CSI数据采集平台收集提取CSI信号，并进行滤波去噪和平滑处理；
[0039]使用巴特沃斯低通滤波器对系统采集到的CSI信号进行滤波，并对滤波后的信号继续采用五点三次平滑算法处理；
[0040]步骤3：对滤波平滑后本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于信道状态信息的室内人群计数方法，其特征在于，所述方法包括如下步骤：步骤1：以配备无线网卡的计算机为基础构建CSI数据采集平台；步骤2：利用CSI数据采集平台收集提取CSI信号，并进行滤波去噪和平滑处理；步骤3：对滤波平滑后的数据采用PCA算法降维；步骤4：通过滑动窗口将CSI时间序列信号转换为热图图像，建立数据集；步骤5：设计了一个CNN网络，离线阶段在数据集上训练以获得一个预测模型；步骤6：在线阶段利用训练生成的预测模型对CSI信号转换后得到的热图进行预测，获得预测结果。2.根据权利要求1所述的方法，其特征在于，所述步骤1中，计算机配备了Ubuntu操作系统安装了CSI Tool工具，设置发射天线N
r
个数和接收天线N
t
个数都为3，CSI Tool工作在监控模式下。3.根据权利要求1或2所述的方法，其特征在于，所述步骤2中，使用巴特沃斯低通滤波器对系统采集到的CSI信号进行滤波，并对滤波后的信号继续采用五点三次平滑算法处理。4.根据权利要求1或2所述的方法，其特征在于，所述步骤3中，系统采集到的CSI原始数据包含了3
×3×
30个子载波样本，采用主成分分析法PCA降维提取出30个子载波样...

【专利技术属性】
技术研发人员：吴哲夫，吕晓哲，龚树凤，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：