CN108123765A - 一种人员实时检测方法及系统 - Google Patents
一种人员实时检测方法及系统 Download PDFInfo
- Publication number
- CN108123765A CN108123765A CN201711425191.6A CN201711425191A CN108123765A CN 108123765 A CN108123765 A CN 108123765A CN 201711425191 A CN201711425191 A CN 201711425191A CN 108123765 A CN108123765 A CN 108123765A
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- time
- dynamic change
- state information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title abstract description 13
- 238000011897 real-time detection Methods 0.000 title abstract description 10
- 230000008859 change Effects 0.000 claims abstract description 73
- 238000005070 sampling Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims description 52
- 230000003068 static effect Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 239000000969 carrier Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 239000000284 extract Substances 0.000 abstract description 7
- 238000012512 characterization method Methods 0.000 abstract 2
- 230000005856 abnormality Effects 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 240000006829 Ficus sundaica Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/22—Status alarms responsive to presence or absence of persons
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/003—Arrangements for allocating sub-channels of the transmission path
- H04L5/0053—Allocation of signaling, i.e. of overhead other than pilot signals
- H04L5/0057—Physical resource allocation for CQI
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及无线感知技术领域，具体公开了一种人员实时检测方法，其中，所述人员实时检测方法包括：获取信道状态信息；提取所述信道状态信息中的动态变化特征；对所述动态变化特征进行异常处理得到能够真实反映环境动态变化的实际特征；根据所述实际特征确定环境中的动态变化状态。本发明还公开了一种人员实时检测系统。本发明提供的人员实时检测方法使高精度、低延迟、低计算复杂度、低采样率的全天候人员检测成为可能。
Description
技术领域
本发明涉及无线感知技术领域，尤其涉及一种人员实时检测方法及人员实时检测系统。
背景技术
近些年来，随着科学技术的发展，无线信号已经不仅可以用来作为一种通信的媒介，更可以用于进行非接触式，即被动式的感知。Wi-Fi信号作为一种普适的无线信号，由于其物理层信息——信道状态信息(Channel State Information,CSI)——可以刻画环境中的多径效应，因此能够用于捕捉人员运动信息。基于Wi-Fi的无线感知研究工作有很多，并催生了一系列从简单到复杂的应用，包括人员检测、活动识别、手势识别、步态识别、睡眠监测等等。然而已有的工作大都依赖于严苛的实验环境与条件，比如睡眠监测系统通常要求无线链路要与用户足够接近，高精度定位与追踪系统通常需要密集的无线链路来实现，活动识别系统需要在不同位置提前进行大量的训练工作以满足精度要求。这些要求往往限制了系统的实用性，使其无法进行商业化部署。
人员检测，作为一种基础但非常实用的应用，是最有可能被用于实际部署的——它可以应用在入侵检测、安全监控、针对老人和小孩的监护与医疗等多个场景中。虽然已有的基于Wi-Fi的人员检测相关工作很大程度提高了精度，但面临实际部署，它们还存在很多缺陷，比如需要极高的采样率、复杂的算法、进行大量的训练，这些限制因素使得已有工作无法做到在有限的计算资源条件下仍能满足高精度、实时的人员检测。
因此，如何提供一种基于Wi-Fi的轻量级的全天候人员实时检测方法成为本领域技术人员亟待解决的技术问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一，提供一种人员实时检测方法及人员实时检测系统，以解决现有技术中的问题。
作为本发明的第一个方面，提供一种人员实时检测方法，其中，所述人员实时检测方法包括：
获取信道状态信息；
提取所述信道状态信息中的动态变化特征；
对所述动态变化特征进行异常处理得到能够真实反映环境动态变化的实际特征；
根据所述实际特征确定环境中的动态变化状态。
优选地，每组所述信道状态信息包括N个子载波信号，所述信道状态信息H为：
H＝[H(1),H(2),…,H(k),…,H(N)]T,k∈[1,N]，
其中，|H(k)|表示第k个子载波的幅度，φk表示子载波的相位。
优选地，不同环境下，每个所述子载波的幅度和相位均不同；当环境静止时，每个所述子载波的幅度和相位均保持不变。
优选地，所述提取所述信道状态信息中的动态变化特征包括：
通过滑窗收集连续T个子载波对应的T组信道状态信息，得到矩阵M为：
其中，Hi表示滑窗中第i个采样时间获取到的信道状态信息，Sj表示信道状态信息中第j个子载波对应的时间序列；
将一段时间内的多组信道状态信息按照时域或频域两两一组随机分配；
对随机分配后得到的每组信道状态信息均计算互相关系数；
选取时域或频域的所有互相关系数中的中值，并根据所述互相关系数的中值计算所述动态变化特征。
优选地，所述互相关系数的中值包括时域互相关系数的中值和频域互相关系数的中值，所述随机分配后得到的每组信道状态信息均包括时间t1和t2，以及均包括频率f1和f2，其中，t1,t2＝1,2,…,T，f1,f2＝1,2,…,N，所述对随机分配后得到的每组信道状态信息均计算互相关系数包括：
计算随机分配后得到的每组信道状态信息的时域互相关系数ct(t1,t2)为：
计算随机分配后得到的每组信道状态信息的频域互相关系数cf(f1,f2)为：
优选地，所述选取所有互相关系数中的中值作为所述动态变化特征包括：
选取所述时域互相关系数的中值作为时域相关性的特征，其中，
选取所述时域互相关系数的中值作为频域相关性的特征，其中，
根据所述时域相关性的特征和所述频域相关性的特征计算所述动态变化特征值MI为：
优选地，所述对所述动态变化特征进行异常处理得到能够真实反映环境动态变化的实际特征包括：
若滑窗Wi对应的动态变化特征值为MIi，得到的判定结果为环境中存在动态变化；
继续观察连续d1个滑窗，判断MIi,是否均小于第一阈值；
若均小于第一阈值，则确定环境中存在动态变化，并产生预警信息。
优选地，所述对所述动态变化特征进行异常处理得到能够真实反映环境动态变化的实际特征包括：
判断两个相邻时刻p和q对应的动态变化特征值分别为MIp与MIq是否均小于第二阈值，以及判断时刻p和q的时间间隔是否小于d2个滑窗；
若两个相邻时刻p和q对应的动态变化特征值分别为MIp与MIq均小于第二阈值，且时刻p和q的时间间隔小于d2个滑窗，则判定时刻p到q这段时间环境中存在动态变化，并在时刻p到q这段时间内产生预警信息。
优选地，所述第一阈值和所述第二阈值均通过实验训练获得，且所述第一阈值和所述第二阈值能够根据需求进行调整。
作为本发明的第二个方面，提供一种人员实时检测系统，其中，所述人员实时检测系统包括：
获取模块，所述获取模块用于获取信道状态信息；
特征提取模块，所述特征提取模块用于提取所述信道状态信息中的动态变化特征；
异常处理模块，所述异常处理模块用于对所述动态变化特征进行异常处理得到能够真实反映环境动态变化的实际特征；
动态变化状态确定模块，所述动态变化状态确定模块用于根据所述实际特征确定环境中的动态变化状态。
本发明提供的人员实时检测方法，利用人员运动对信道状态信息时域与频域相关性的影响提取可以刻画环境动态变化的特征，通过比较计算出的特征值与事先设定的阈值，并通过一个鲁棒的事件过滤器，准确提取人员的运动事件，使高精度、低延迟、低计算复杂度、低采样率的全天候人员检测成为可能。
附图说明
附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：
图1为本发明提供的人员实时检测方法的流程图。
图2为本发明提供的静态环境与动态环境下CSI的时域相关性示意图。
图3为本发明提供的静态环境与动态环境下CSI的频域相关性示意图。
图4为本发明提供的获得实际特征的示意图。
图5为本发明提供的不同场景的人员检测准确率。
图6为本发明提供的不同速度下人员检测的准确率。
图7为本发明提供的不同位置下人员检测的准确率。
图8为本发明提供的人员实时检测系统的结构示意图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
作为本发明的第一个方面，提供一种人员实时检测方法，其中，如图1所示，所述人员实时检测方法包括：
S110、获取信道状态信息；
S120、提取所述信道状态信息中的动态变化特征；
S130、对所述动态变化特征进行异常处理得到能够真实反映环境动态变化的实际特征；
S140、根据所述实际特征确定环境中的动态变化状态。
本发明提供的人员实时检测方法，利用人员运动对信道状态信息时域与频域相关性的影响提取可以刻画环境动态变化的特征，通过比较计算出的特征值与事先设定的阈值，并通过一个鲁棒的事件过滤器，准确提取人员的运动事件，使高精度、低延迟、低计算复杂度、低采样率的全天候人员检测成为可能。
具体地，每组所述信道状态信息包括N个子载波信号，所述信道状态信息H为：
H＝[H(1),H(2),…,H(k),…,H(N)]T,k∈[1,N]，
其中，|H(k)|表示第k个子载波的幅度，φk表示子载波的相位。
优选地，不同环境下，每个所述子载波的幅度和相位均不同；当环境静止时，每个所述子载波的幅度和相位均保持不变。
需要说明的是，利用商业网卡并对其驱动进行微调后，上层用户可从每个数据包中获得一组包含N个子载波的信道状态信息：
H＝[H(1),H(2),…,H(k),…,H(N)]T,k∈[1,N]，
其中H(k)被定义为：
|H(k)|与φk分别对应第k个子载波的幅度与相位信息。不同环境下，H的每个分量，即每个子载波会有不同的幅度与相位。因此当环境中存在动态变化时，不同时刻下数据包对应的信道状态信息会彼此不同。而当环境静止时，信道状态信息，即H会保持不变。
需要说明的是，由于随机噪声、中心频率偏差、采样频率偏差等影响，相位信息往往表现出很大的随机性、并不稳定，因此只保留子载波的幅度作为刻画环境的原始信息。
作为具体地实施方式，所述提取所述信道状态信息中的动态变化特征包括：
通过滑窗收集连续T个子载波对应的T组信道状态信息，得到矩阵M为：
其中，Hi表示滑窗中第i个采样时间获取到的信道状态信息，Sj表示信道状态信息中第j个子载波对应的时间序列；
将一段时间内的多组信道状态信息按照时域或频域两两一组随机分配；
对随机分配后得到的每组信道状态信息均计算互相关系数；
选取时域或频域的所有互相关系数中的中值，并根据所述互相关系数的中值计算所述动态变化特征。
需要说明的是，为了检测环境中的动态变化，我们利用滑窗收集连续T个子载波对应的T组信道状态信息，得到下述矩阵：
其中，Hi表示滑窗中第i个采样时间获取到的信道状态信息，Sj表示信道状态信息中第j个子载波对应的时间序列。
应当理解的是，i＝1,2,…,T，j＝1,2,…,N。
当人员运动引起环境动态变化时，信道状态信息的时域与频域相关性都会发生变化：从时域上看，如果将一段时间内的多组信道状态信息随机地分为两两一组，每一组都计算互相关系数(比如计算Hi与Hi+2的互相关系数)，由于不同时刻的信道状态信息彼此会有很大差异，因此时域上的互相关系数会整体降低，如图2所示；而从频域上看，在较低采样率且未对信道状态信息进行高通滤波处理的情况下信道状态信息的频域相关性主要由背景环境决定，因此人的动态运动会导致频域相关性降低，即不同子载波的时间序列彼此的互相关系数降低，如图3所示。
具体地，所述互相关系数的中值包括时域互相关系数的中值和频域互相关系数的中值，所述随机分配后得到的每组信道状态信息均包括时间t1和t2，以及均包括频率f1和f2，其中，t1,t2＝1,2,…,T，f1,f2＝1,2,…,N，所述对随机分配后得到的每组信道状态信息均计算互相关系数包括：
计算随机分配后得到的每组信道状态信息的时域互相关系数ct(t1,t2)为：
计算随机分配后得到的每组信道状态信息的频域互相关系数cf(f1,f2)为：
进一步具体地，所述选取所有互相关系数中的中值作为所述动态变化特征包括：
选取所述时域互相关系数的中值作为时域相关性的特征，其中，
选取所述时域互相关系数的中值作为频域相关性的特征，其中，
根据所述时域相关性的特征和所述频域相关性的特征计算所述动态变化特征值MI为：
需要说明的是，MI即为可以刻画环境动态变化的特征。其中，t1＝1,2,…,T，t2＝1,2,…,T，f1＝1,2,…,N，f2＝1,2,…,N。
还需要说明的是，作为整体刻画环境中是否存在动态变化的特征，当环境中存在动态变化时，由于整体时域、频域相关性都降低，因此与的值也会降低，从而特征MI的值也会相应降低。因此，只要通过经验选取合适的阈值，就可以初步地判断环境中是否存在变化。考虑到频域相关性的变化不如时域相关性的变化稳定，利用指数与系数0.1对频域相关性的作用进行调整，减少噪声对最终的特征MI的影响。
因此，与以往人员检测工作不同，本发明提供的人员实时检测方法所涉及的计算互相关系数、提取中值计算复杂度更低，在计算资源有限的情况下，可以带来更低的延迟，保证系统的实时性。
为了保证获得准确的环境动态变化结果，作为一种具体地实施方式，所述对所述动态变化特征进行异常处理得到能够真实反映环境动态变化的实际特征包括：
若滑窗Wi对应的动态变化特征值为MIi，得到的判定结果为环境中存在动态变化；
继续观察连续d1个滑窗，判断是否均小于第一阈值；
若均小于第一阈值，则确定环境中存在动态变化，并产生预警信息。
为了保证获得准确的环境动态变化结果，作为另一种具体地实施方式，所述对所述动态变化特征进行异常处理得到能够真实反映环境动态变化的实际特征包括：
判断两个相邻时刻p和q对应的动态变化特征值分别为MIp与MIq是否均小于第二阈值，以及判断时刻p和q的时间间隔是否小于d2个滑窗；
若两个相邻时刻p和q对应的动态变化特征值分别为MIp与MIq均小于第二阈值，且时刻p和q的时间间隔小于d2个滑窗，则判定时刻p到q这段时间环境中存在动态变化，并在时刻p到q这段时间内产生预警信息。
由于Wi-Fi工作的2.4/5GHz频段非常拥挤，有相当多的射频设备在工作，因此通常很难找到一个绝对无干扰的频段让一对Wi-Fi设备独享。因此，Wi-Fi接收机通常会调整接受功率以保证通信的正确解码，或者调整调制方式以适应信道质量的变化。因此，我们偶尔会发现CSI的整体增益可能会存在突然的增强或衰落，而当异常的CSI在滑窗时间范围内足够多时，就会导致虚警的出现。
为了尽可能地降低虚警，又保证人员检测的准确率，基于人员的动态运动通常会持续足够长的时间提供具体地实施方式。假设滑窗Wi对应的特征值MIi足够小，被判定为有环境中存在动态变化，那么将继续观察连续d1个滑窗。只有都比第一阈值小，才认为出现了一个运动事件。此外，由于在一些特殊位置人的运动对信道状态信息的影响可能会减弱，对应计算出的特征值MI可能恰巧在阈值附近，而实际上这些时刻都对应同一个运动事件。因此，只要某两个时刻p和q对应的特征值MIp与MIq都小于第二阈值，且他们的时间间隔小于经过经验选定的d2个滑窗，那么将把这段时间内的所有特征值都修正为检测到有环境动态变化的状态，并产生预警，如图4所示。
进一步具体地，所述第一阈值和所述第二阈值均通过实验训练获得，且所述第一阈值和所述第二阈值能够根据需求进行调整。
可以理解的是，为了提高环境动态变化的检测精度，需要对所述第一阈值和所述第二阈值进行修正。
由于室内环境可能会有变化，且信道质量也发生变化，用于区分环境是否有动态变化的阈值，即MI对应的阈值可能也需要调整。本发明提供的人员实时检测方法采取的是统计午夜后，比如凌晨3点～4点的信道状态信息数据，重新调整阈值，因为此段时间通常没有运动的目标。
本发明提供的人员实时检测方法的优势在于即使是在采样率极低、计算资源极其有限的情况下，可以对环境中是否存在运动人员进行高精度、鲁棒的检测，使得部署实时的全天候人员检测系统成为可能。图5展示了本发明提供的人员实时检测方法在一组Wi-Fi收发机(最高采样率只有15～20Hz，128MB DDR2RAM)上部署时不同场景下的人员检测准确率。可以看出，在不同场景下，事件检测准确率都超过了98％，且平均检测延迟只有1.5s左右。图6所示的为人以不同速度运动时事件检测的准确率，可以看出即使人的运动速度即为缓慢，本发明提供的人员实时检测方法通过同时提取时域与频域上的特征，依然能较为准确地捕捉运动事件。而当人在不同位置上运动时，该方法依然有效。如图7所示，当人在距离Wi-Fi发射机分别为0m，1m，2m，3m和4m的路径上运动且穿越发射机与接收机之间的视距路径时，环境动态变化的检测的准确率均可达到90％以上。
作为本发明的第二个方面，提供一种人员实时检测系统，其中，如图8所示，所述人员实时检测系统10包括：
获取模块110，所述获取模块110用于获取信道状态信息；
特征提取模块120，所述特征提取模块120用于提取所述信道状态信息中的动态变化特征；
异常处理模块130，所述异常处理模块130用于对所述动态变化特征进行异常处理得到能够真实反映环境动态变化的实际特征；
动态变化状态确定模块140，所述动态变化状态确定模块140用于根据所述实际特征确定环境中的动态变化状态。
本发明提供的人员实时检测系统，利用人员运动对信道状态信息时域与频域相关性的影响提取可以刻画环境动态变化的特征，通过比较计算出的特征值与事先设定的阈值，并通过一个鲁棒的事件过滤器，准确提取人员的运动事件，使高精度、低延迟、低计算复杂度、低采样率的全天候人员检测成为可能。
关于本发明提供的人员实时检测系统的工作原理及工作过程可以参照前文的人员实时检测方法的描述，此处不再赘述。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。
Claims (10)
1.一种人员实时检测方法，其特征在于，所述人员实时检测方法包括：
获取信道状态信息；
提取所述信道状态信息中的动态变化特征；
对所述动态变化特征进行异常处理得到能够真实反映环境动态变化的实际特征；
根据所述实际特征确定环境中的动态变化状态。
2.根据权利要求1所述的人员实时检测方法，其特征在于，每组所述信道状态信息包括N个子载波信号，所述信道状态信息H为：
H＝[H(1),H(2),…,H(k),…,H(N)]T,k∈[1,N]，
其中，|H(k)|表示第k个子载波的幅度，φk表示子载波的相位。
3.根据权利要求2所述的人员实时检测方法，其特征在于，不同环境下，每个所述子载波的幅度和相位均不同；当环境静止时，每个所述子载波的幅度和相位均保持不变。
4.根据权利要求2所述的人员实时检测方法，其特征在于，所述提取所述信道状态信息中的动态变化特征包括：
通过滑窗收集连续T个子载波对应的T组信道状态信息，得到矩阵M为：
<mrow>
<mi>M</mi>
<mo>=</mo>
<mo>&lsqb;</mo>
<msub>
<mi>H</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>H</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>H</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>H</mi>
<mi>T</mi>
</msub>
<mo>&rsqb;</mo>
<mo>=</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msubsup>
<mi>S</mi>
<mn>1</mn>
<mi>T</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>S</mi>
<mn>2</mn>
<mi>T</mi>
</msubsup>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msubsup>
<mi>S</mi>
<mi>j</mi>
<mi>T</mi>
</msubsup>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msubsup>
<mi>S</mi>
<mi>N</mi>
<mi>T</mi>
</msubsup>
<mo>&rsqb;</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>,</mo>
</mrow>
其中，Hi表示滑窗中第i个采样时间获取到的信道状态信息，Sj表示信道状态信息中第j个子载波对应的时间序列；
将一段时间内的多组信道状态信息按照时域或频域两两一组随机分配；
对随机分配后得到的每组信道状态信息均计算互相关系数；
选取时域或频域的所有互相关系数中的中值，并根据所述互相关系数的中值计算所述动态变化特征。
5.根据权利要求4所述的人员实时检测方法，其特征在于，所述互相关系数的中值包括时域互相关系数的中值和频域互相关系数的中值，所述随机分配后得到的每组信道状态信息均包括时间t1和t2，以及均包括频率f1和f2，其中，t1,t2＝1,2,…,T，f1,f2＝1,2,…,N，所述对随机分配后得到的每组信道状态信息均计算互相关系数包括：
计算随机分配后得到的每组信道状态信息的时域互相关系数ct(t1,t2)为：
<mrow>
<msub>
<mi>c</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>t</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>H</mi>
<msub>
<mi>t</mi>
<mn>1</mn>
</msub>
<mi>T</mi>
</msubsup>
<msub>
<mi>H</mi>
<msub>
<mi>t</mi>
<mn>2</mn>
</msub>
</msub>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>H</mi>
<msub>
<mi>t</mi>
<mn>1</mn>
</msub>
</msub>
<mo>|</mo>
<mo>|</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>H</mi>
<msub>
<mi>t</mi>
<mn>2</mn>
</msub>
</msub>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
计算随机分配后得到的每组信道状态信息的频域互相关系数cf(f1,f2)为：
<mrow>
<msub>
<mi>c</mi>
<mi>f</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>S</mi>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
</msub>
<msubsup>
<mi>S</mi>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mi>T</mi>
</msubsup>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>S</mi>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
</msub>
<mo>|</mo>
<mo>|</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>S</mi>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
</msub>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
<mo>.</mo>
</mrow>
6.根据权利要求5所述的人员实时检测方法，其特征在于，所述选取所有互相关系数中的中值作为所述动态变化特征包括：
选取所述时域互相关系数的中值作为时域相关性的特征，其中，
<mrow>
<mover>
<msub>
<mi>c</mi>
<mi>t</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mi>M</mi>
<mi>e</mi>
<mi>d</mi>
<mi>i</mi>
<mi>a</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>c</mi>
<mi>t</mi>
</msub>
<mo>(</mo>
<mrow>
<msub>
<mi>t</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>t</mi>
<mn>2</mn>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
选取所述时域互相关系数的中值作为频域相关性的特征，其中，
<mrow>
<mover>
<msub>
<mi>c</mi>
<mi>f</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mi>M</mi>
<mi>e</mi>
<mi>d</mi>
<mi>i</mi>
<mi>a</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>c</mi>
<mi>f</mi>
</msub>
<mo>(</mo>
<mrow>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
根据所述时域相关性的特征和所述频域相关性的特征计算所述动态变化特征值MI为：
<mrow>
<mi>M</mi>
<mi>I</mi>
<mo>=</mo>
<mover>
<msub>
<mi>c</mi>
<mi>t</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<msup>
<mi>e</mi>
<mrow>
<mn>0.1</mn>
<mover>
<msub>
<mi>c</mi>
<mi>f</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
</mrow>
</msup>
<mo>.</mo>
</mrow>
7.根据权利要求6所述的人员实时检测方法，其特征在于，所述对所述动态变化特征进行异常处理得到能够真实反映环境动态变化的实际特征包括：
若滑窗Wi对应的动态变化特征值为MIi，得到的判定结果为环境中存在动态变化；
继续观察连续d1个滑窗，判断是否均小于第一阈值；
若均小于第一阈值，则确定环境中存在动态变化，并产生预警信息。
8.根据权利要求7所述的人员实时检测方法，其特征在于，所述对所述动态变化特征进行异常处理得到能够真实反映环境动态变化的实际特征包括：
判断两个相邻时刻p和q对应的动态变化特征值分别为MIp与MIq是否均小于第二阈值，以及判断时刻p和q的时间间隔是否小于d2个滑窗；
若两个相邻时刻p和q对应的动态变化特征值分别为MIp与MIq均小于第二阈值，且时刻p和q的时间间隔小于d2个滑窗，则判定时刻p到q这段时间环境中存在动态变化，并在时刻p到q这段时间内产生预警信息。
9.根据权利要求8所述的人员实时检测方法，其特征在于，所述第一阈值和所述第二阈值均通过实验训练获得，且所述第一阈值和所述第二阈值能够根据需求进行调整。
10.一种人员实时检测系统，其特征在于，所述人员实时检测系统包括：
获取模块，所述获取模块用于获取信道状态信息；
特征提取模块，所述特征提取模块用于提取所述信道状态信息中的动态变化特征；
异常处理模块，所述异常处理模块用于对所述动态变化特征进行异常处理得到能够真实反映环境动态变化的实际特征；
动态变化状态确定模块，所述动态变化状态确定模块用于根据所述实际特征确定环境中的动态变化状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711425191.6A CN108123765A (zh) | 2017-12-25 | 2017-12-25 | 一种人员实时检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711425191.6A CN108123765A (zh) | 2017-12-25 | 2017-12-25 | 一种人员实时检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108123765A true CN108123765A (zh) | 2018-06-05 |
Family
ID=62231569
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711425191.6A Withdrawn CN108123765A (zh) | 2017-12-25 | 2017-12-25 | 一种人员实时检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108123765A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113904707A (zh) * | 2021-09-16 | 2022-01-07 | 上海美仁半导体有限公司 | 人体检测方法及装置、家电设备的关机方法及装置 |
| WO2024002029A1 (zh) * | 2022-06-30 | 2024-01-04 | 华为技术有限公司 | 呼吸检测方法、电子设备、存储介质及程序产品 |
-
2017
- 2017-12-25 CN CN201711425191.6A patent/CN108123765A/zh not_active Withdrawn
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113904707A (zh) * | 2021-09-16 | 2022-01-07 | 上海美仁半导体有限公司 | 人体检测方法及装置、家电设备的关机方法及装置 |
| CN113904707B (zh) * | 2021-09-16 | 2023-11-10 | 上海美仁半导体有限公司 | 人体检测方法及装置、家电设备的关机方法及装置 |
| WO2024002029A1 (zh) * | 2022-06-30 | 2024-01-04 | 华为技术有限公司 | 呼吸检测方法、电子设备、存储介质及程序产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10667147B2 (en) | Sensing recognition method and device based on wireless communication signals | |
| Yousefi et al. | A survey on behavior recognition using WiFi channel state information | |
| Arshad et al. | Wi-chase: A WiFi based human activity recognition system for sensorless environments | |
| CN106971474B (zh) | 基于wifi无线信号的入侵监测方法和系统 | |
| CN109672485B (zh) | 基于信道状态信息室内人员实时入侵及运动速度检测方法 | |
| CN110475221B (zh) | 一种基于信道状态信息的人员动作识别和位置估计方法 | |
| CN108038419B (zh) | 基于Wi-Fi的室内人员被动检测方法 | |
| CN112333653A (zh) | 基于WiFi信道状态信息的身份智能识别方法、系统 | |
| Chowdhury et al. | WiHACS: Leveraging WiFi for human activity classification using OFDM subcarriers' correlation | |
| CN114222202B (zh) | 一种基于WiFi CSI的环境自适应活动检测方法及系统 | |
| Cao et al. | Wi-Wri: Fine-grained writing recognition using Wi-Fi signals | |
| CN109698724A (zh) | 入侵检测方法、装置、设备及存储介质 | |
| Chen et al. | AFall: Wi-Fi-based device-free fall detection system using spatial angle of arrival | |
| CN109768838B (zh) | 一种基于WiFi信号的干扰检测及手势识别方法 | |
| CN108123765A (zh) | 一种人员实时检测方法及系统 | |
| CN112949487A (zh) | 一种基于WiFi的船舶驾驶室人员数量检测方法及系统 | |
| Xia et al. | WiFi-based indoor passive fall detection for medical Internet of Things | |
| Yousefi et al. | A survey of human activity recognition using wifi CSI | |
| CN109190605A (zh) | 一种基于csi的人体连续动作计数方法 | |
| Choi et al. | Simultaneous crowd estimation in counting and localization using WiFi CSI | |
| Duan et al. | Wibfall: A device-free fall detection model for bathroom | |
| CN110575176B (zh) | 基于两层滑动窗口阈值的动作分割方法 | |
| Webber et al. | Human Motion Identity using Machine Learning on Spectral Analysis of RSS Signals | |
| Wang et al. | Light weight passive human motion detection with wifi | |
| Jang et al. | Channel State Information Auto-Labeling System (CALS) for Large-Scale Deep-Learning-Based Wi-Fi Sensing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180605 |
|
| WW01 | Invention patent application withdrawn after publication |