无线信道传感的朝向检测研究*

吴哲夫,李嘉南,王中友,毛科技,宣 琦,翔 云

(1.浙江工业大学信息工程学院,杭州 3100232.中国通信服务产业浙江公司,杭州 310050;3.浙江工业大学学院,杭州 310023)

在人体感知领域的众多研究中,人体朝向检测一直是一个重要的方向。研究人体朝向在人体感知和行为预测中是非常有意义的一项工作,若能判断和估计人体朝向,进而可以推断其当前的姿势、活动状态、行动意图等,这在监控安防、体感游戏、智能家居等领域都有重大的作用。

现有的人体朝向识别主要采用图像技术。如Zhu等人[1]利用从录像中提取的人脸图像,把不同光线背景下的图像分为两组,应用PNN和BP神经网络对人脸图像进行朝向辨识,准确度在90%左右;Hua[2]根据人体姿态的连续性,使用标签分布学习分类模型,并引入隐马尔科夫模型描述时域上人体朝向的变化;但是,采用图像方法进行人体识别有很大的局限性,需要良好的光照条件,不同人体之间差异较大及隐私性等问题。

针对以上问题,人们把目光投向了通过无线局域网WLAN(Wireless Local Area Network)[3]。由于其不需要人体携带特定设备,受干扰较小,易于部署,成本低等特点,利用无线局域网进行人体感知受到了相当广泛的关注。近几年,国内外已经有不少学者开始研究利用无线局域网进行人体检测,比如室内定位、活动识别、手势识别[4]等方面。

本文提出了一种基于无线局域网的信道状态信息和机器学习算法的人体朝向检测方法WiO。算法采用指纹库方法,整个检测分为两个阶段:训练阶段和测试阶段,分别采集人体朝向不同方向时的CSI信息,然后对CSI数据进行预处理,取每对天线对上的30个子载波的统计特征作为机器学习的特征并存入指纹库,在测试阶段利用机器学习算法对其进行分类;同时,为了进一步提高分类的准确率,本文综合了不同天线对上的CSI幅度和相位信息,得到最终的估计朝向。本文还讨论了不同因素对结果的影响,如距离、数据包数量、数据包发送速率等。

1 信道状态信息和人体朝向检测

1.1 信道状态信息

一个无线信道模型可表示为:

Y=HX+N

(1)

式中:X是发送信号向量,Y是接受信号向量,H是信道增益矩阵,N则是噪声向量。

根据正交频分复用OFDM(Orthogonal Frequency Division Multiplexing)[14]技术,H可表示为:

H=[H1,H2,…,HN]

(2)

Hi=|Hi|ejsin(∠Hi)

(3)

式中:N表示N个子载波,根据文献[15]所提出的方法,利用普通的WiFi设备可以得到30个子载波信息。Hi即表示第i个子载波的信道状态信息CSI的复数,|Hi|表示第i个子载波的振幅,∠Hi表示第i个子载波的相位。

对于拥有多个发送个接受天线的多入多出MIMO(Multiple In Multiple Out)[14]系统,每个子载波Hi可以组成一个维度为p×q的矩阵,因此,最后得到的CSI信息是一个p×q×N的矩阵,其中p为发射天线条数,q为接受天线条数,N为子载波数。

1.2 人体朝向检测

总的来说,对于人体的被动朝向检测实现的关键在于:人体朝向不同方向时,引起环境的不同变化,对无线信号的信道产生不同的影响,如图1所示。

图1 人体不同朝向时的多径示意图

图2 人体朝向同一方向和不同方向时的CSI幅度曲线

因此,采用的物理量需要满足以下两个条件:①在同一个方向具有稳定性;②在不同方向具有一定的区分度。

图2(a)表示人体在同一方向两次测量到的经过预处理后的CSI幅度信息(详细处理方法在下一小节介绍),横坐标表示子载波序号,即1到30号子载波,纵坐标表示每一个子载波的幅度。可以看出,在同一方向上两条曲线基本重合,而图2(b)则是不同方向上的CSI数据,具有一定的区分度。

2 数据预处理和特征提取

在对CSI数据进行机器学习算法分类之前,需要对其进行预处理。预处理主要包括原始数据提取、异常值处理、信号去噪、特征提取和归一化。

2.1 原始数据提取

在大多数利用CSI进行人体感知的方案中,研究者们大多是利用CSI的幅度信息作为原始的采集信息,如文献[9-10]等,因为CSI幅度信息易于提取,分析方便且稳定性高。而CSI信息中的另一部分:相位信息,却很少有人关注,这是由于随机噪声和发射接收设备之间的时钟不同步,导致原始的静态相位信息表现成一种随机分布的状态,这种原始的相位信息是不可用的[15]。针对此问题,文献[16]提出可以利用子载波对称性,对原始相位进行一个线性变化,从而获得稳定的相对值。

(4)

(5)

(6)

图3 CSI幅度和相位信息极坐标图

图3为CSI信息极坐标图,其中点距离圆心的距离为幅值,角度为相位值。图中浅色稀疏点表示采集的原始CSI信息,其中幅度保持一致,而相位随机分布。深色密集点表示经过线性变换后的CSI信息,可以看到相位保持在了一定的范围内。

由于经过处理后的相位和幅度信息可进行相同的处理,所以下文对数据的处理方法两者通用,仅介绍和分析幅度方面。

2.2 异常值处理

本文采用拉依达方法检测异常值并将其代替为样本的值。通过将数据的每个子载波值依次与其他样本的子载波均值相比较,若差值大于3倍的标准差,则判断该值为异常值,并用均值代替。

(7)

2.3 信号去噪

无线信号会受到周围环境的影响,需要对CSI进行去噪处理。本文采用加权移动平均滤波器(weightedmoving average filter)[17]对CSI数据进行去噪,具体公式如下:

(8)

式中:n表示第n个数据包,i表示1到30个子载波,m值表示平滑程度。m越大,信号越平滑,但会损失更多的信息。图4表示原始的CSI数据经过加权移动平均滤波处理后的曲线，可见原始噪声波动部分明显得到了平滑改善(本文中m=50)。

图4 CSI去噪处理

2.3 特征提取

原始的数据信息并不能有效的被分类器识别,并且数据冗余度高,不利于指纹库存储,因此需要从原始数据中提取最能代表的特征值。本文采用以下参数反应人体朝向的CSI变化:最大值(MAX)、最小值(MIN)、极差(RANGE)、均值(MEAN)、标准差(STD)和中位数绝对偏差(MAD),并根据式(9)对其归一化处理,作为机器学习特征。图5反映了这6个不同特征值在4个不同方向上的变化。可以看出,这些统计值在不同方向上有明显的辨识度,可以作为机器学习分类特征。

(9)

式中:Vold表示原特征值,Vnew表示归一化后的值,min和max分别表示某个特征的最小值和最大值。

图5 不同方向特征值变化

2.4 建立指纹库

对于CSI的幅度和相位信息,经过上述的预处理方法后,分别可得到6个特征值,即

Famp=[Famp-maxFamp-minFamp-rangeFamp-meanFamp-stdFamp-mad]

(10)

Fph=[Fph-maxFph-minFph-rangeFph-meanFph-stdFph-mad]

(11)

同时,为了进一步提高检测的精准度,本文综合p×q对天线对的CSI信息,最终指纹库每个类别的指纹结构为:

(12)

3 机器学习分类

利用CSI进行被动人体朝向检测最终可以归结为分类问题。本文采用了3种机器学习算法进行分类比较,分别为K近邻KNN(K-Nearest Neighbor classification)、朴素贝叶斯NB(Naive Bayes classifier)和支持向量机SVM(Support Vector Machine)。

3.1 K近邻

KNN从指纹库中找到和测试数据最接近的k条记录,然后根据他们的主要类别来决定测试数据的类别。本文中k取10,并采用欧几里得度量(Euclidean Metric)作为度量距离。

(13)

3.2 朴素贝叶斯

根据朴素贝叶斯的思想基础,通过计算测试样本在每个类别下的概率,取概率最大的对应分类作为估计方向。

假设最终判断为k方向,则:

(14)

式中:Ftest是测试数据处理后得到的特征值,P(di)表示i方向出现的概率(i=1,2,3,4)。fj表示该样本的第j个特征值,m为样本的总特征数。

由于特征值不是离散值,通常假定其值服从高斯分布,即:

(15)

3.3 支持向量机

支持向量机超平面表示为:

f(x)=ωx+b

(16)

为了解决支持向量机的非线性分类问题,使用核函数方法将输入数据特征映射到高维空间,寻找最大化分类超平面。非线性SVM模型可以表示为:

(17)

满足

di(ω·φ(Fi)+b)≥1,i=1,2,…,N

式中:Fi为指纹库指纹,φ:Fi→Hi为向高维空间的投影(本文选择的核函数为径向基函数RBF(Radial Basis Function),di∈{-1,1}表示分类标签。

根据 Lagrange优化方法[10],通过给每一个约束条件加上一个Lagrange乘子λ,构造拉格朗日函数,即:

(18)

基于二次规划法,可以求解出λi,ω和b。最终分类决策函数表示为:

(19)

当f(Ftest)=1时,表示分到正类,否则分到负类。

4 实验部署

实验平台主要分成接入点(AP)和监控点(MP)两部分。具体设备为两台装有Intel 5300网卡的笔记本,其操作系统为Ubuntu 14.04 LTS。在笔记本上安装Halperin提供的CSITOOL[19]采集CSI数据。Intel 5300网卡提供了3条MIMO天线,理论上可以产生3×3=9条天线对链路,但在实际中我们发现受到环境波动,设备的工作状态等因素的影响,能够稳定提取到的链路数为3根。所以本文选取了天线对1-1,1-2,1-3进行研究。

图6 实验环境示意图

实验环境如图6所示。本文选择了多径丰富的办公室作为实验地点,大小为5 m×5 m。AP-MP放置于高度为1.2m的办公桌上。在数据采集时,人体静止于AP-MP链路之间,分别朝向不同的方向(相对链路正东、正南、正西、正北方向,如图7),MP接受来自AP的数据包,并从中提取CSI数据。每次采集时间为10 s,数据包发送速率为100个/s。

图7 人体方位示意图

保持训练和测试阶段两个阶段的人体位置在同一位置。将训练阶段采集到的数据处理后存入特征指纹库;在测试阶段,将测试数据后提取特征并利用分类算法与特征指纹库相比对,从而判别方向。

5 实验结果

实验首先比较了采用CSI幅度和相位信息对检测准确度的影响。

如图8所示,利用幅度实现人体朝向检测的效果要优于相位,CSI相位比幅度信息对环境更加敏感。虽然利用线性变化得到了相对相位,但其中仍存在着一些随机噪声,导致相位效果相对较差。但是,本文提出的采用结合幅度和相位信息的准确度要高于采用单一参数。虽然单一的相位信息准确度不高,但通过结合幅度进行辅助分类,从而提高分类准确度。

图8 CSI幅度和相位的检测准确度

本文比较了不同天线对的分类性能,从图9可以发现,不同天线对的分类效果是有差异的。对于同一个带分类样本,天线对1-1、1-2、1-3有可能得到不同的分类结果,这是由于不同天线对的信号路径不同,人体对信号的影响就有差异。本文综合了不同天线对利用更多的信息,实验结果说明综合多对天线对的CSI信息能有效的提高分类效果。

图9 不同天线对的检测准确度

实验还讨论了人体在AP-MP间的不同距离对朝向检测准确度的影响。实验者分别站立AP-MP链路中距MP0.6 m、1.2 m、1.8 m、2.4 m、3.0 m和3.6 m的位置,得到结果如图10所示。

图10 人体-MP距离影响

图11 AP-MP距离影响

结果表明,随着人体距离MP由近到远,3种分类算法的准确度先增大再减小,但当人体距离MP太近时,准确度反而降低,这可能是由于人体距MP太近反而影响到了无线信号的接收。实验结果表明,在人体距离MP1m左右是最佳的检测区域,此时3种算法准确度都达到了最大值。另一方面,KNN和SVM的性能要明显优于NB算法,KNN和SVM在不同距离均有90%以上的准确度,在最佳检测距离时甚至达到了98.94%,而NB普遍在85%以下。另一个实验中,固定人体的位置,当AP-MP距离分别为1.2 m、1.8 m、2.4 m、3.0 m和3.6 m,实验结果如图11所示。随着AP-MP距离的减小,分类效果提高。但继续减小距离,准确度达到饱和,NB算法还出现了下降的情况。

实验还研究了数据包的发送数量和发送速率对实验结果的影响,如图12和图13所示。

图12 数据包数量影响

图13 数据包发送速率影响

如图,朝向检测准确度随着数据包数量增加而有所提高,这是因为较多的数据包检测到了更丰富的人体信息,而且较多的训练样本也会提高分类准确性。

在图13中,改变数据包的发送速率对结果并没有规律性的变化,KNN和SVM算法保持在95%左右,NB效果依然较差,在80%上下浮动。这是由于本次实验中采集数据时人体是静止的,不同发送速率并不能获得更多的人体信息。

图14 不同算法的运行时间

实验最后比较了3种算法的时间复杂度。如图14所示,NB算法虽然检测精度较低,但所需时间最短,只有0.023 6 s;kNN和SVM算法用时间较长,分别为0.857 1 s和0.776 1 s。因此我们建议,在实时性要求较高、但精度要求较低的场景下可以使用NB算法;而在实时性要求较低,但精度要求较高的场景下使用KNN或SVM算法。

6 总结

本文提出一种新型的人体朝向检测方案WiO,将信道状态信息应用到人体朝向检测中,并利用机器学习算法进行方向分类。通过实验,本文发现结合CSI幅度和相位比起采用单一的幅度或相位信息有明显的提升;而且,不同天线对上的分类效果存在差异,因此本文综合考虑了多对天线对上的CSI信息,从而进一步提高了识别的准确度;另外,本文还讨论了不同的因素,如检测距离、数据包发送数对实验结果的影响,发现KNN和SVM算法效果优于NB算法,4个方向的检测在最佳环境下达到了98%的精度。

我们的研究是对后续工作开展的一个基础。接下来,我们将进一步研究多目标的人体朝向检测,移动人体的朝向检测等内容。

[1] 朱宇鑫. 基于神经网络的人脸朝向识别问题研究[D]. 苏州:苏州大学,2014.

[2] 花景培. 监控视频中行人跟踪及姿态估计[D]. 南京:南京邮电大学,2016.

[3] Crow B P,Widjaja I,Kim J G,et al. IEEE 802.11 Wireless Local Area Networks[J]. IEEE Communications Magazine,1997,35(9):116-26.

[4] 朱海,肖甫,孙力娟,等. 基于信道状态信息的WiFi环境感知技术[J]. 南京邮电大学学报(自然科学版),2016,36(1):94-103.

[5] 尚俊娜,盛林,程涛,等. 基于LQI权重和改进粒子群算法的室内定位方法[J]. 传感技术学报,2017,30(2):284-90.

[6] 张宏刚,黄华. 基于RSSI路径损耗因子动态修正的三边质心定位算法[J]. 传感技术学报,2016,29(11):1731-6.

[7] Wang Z,Han J,Xi W,et al. Efficient and Secure Key Extraction Using Channel State Information[J]. The Journal of Supercomputing,2014,70(3):1537-54.

[8] 吴哲夫,周言. 基于信道状态信息的无源被动定位[J]. 传感技术学报,2015,28(5):677-683.

[9] Liu X,Cao J,Tang S,et al. Contactless Respiration Monitoring Via Off-the-Shelf WiFi Devices[J]. IEEE Transactions on Mobile Computing,2016,15(10):2466-79.

[10] He W,Wu K,Zou Y,et al. WiG:WiFi-Based Gesture Recognition System[C]//International Conference on Computer Communication and Networks(ICCCN). Las Vegas:ICCCN,2015:1-7.

[11] Huang L,Huang L,Huang L,et al. WiFinger:Talk to Your Smart Devices With Finger-Grained Gesture[C]//ACM International Joint Conference on Pervasive and Ubiquitous Computing(Ubicomp). Heidelberg:ubicomp,2016:250-261.

[12] Wang X,Gao L,Mao S,et al. DeepFi:Deep Learning for Indoor Fingerprinting Using Channel State Information[C]//Wireless Communications and NETWORKING Conference(WCNC). New Orleans:WCNC,2015:1666-1671.

[13] Xiao Y,Wang J,Zhang S,et al. Accurate Indoor Localization with Multiple Feature Fusion[C]//International Conference on Wireless Algorithms,Systems,and Applications(WASA). Guilin(WASA),2017:522-533.

[14] Li B,Salter J,Dempster A G,et al. Indoor Positioning Techniques Based on Wireless LAN[C]//IEEE International Conference on Lan,2006,10(3):13-16.

[15] 李鑫. 基于CSI的室内人体摔倒检测及应用研究[D]. 武汉:武汉理工大学,2015.

[16] Wu C,Yang Z,Zhou Z,et al. Phase U:Real-Time LOS Identification With WiFi[C]//IEEE Conference on Computer Communications(INFOCOM). Kowloon:INFOCOM,2015:2038-46.

[17] Wang Y,Wu K,Ni L M. WiFall:Device-Free Fall Detection by Wireless Networks[J]. Han C,Wu K,Wang Y, et al. WiFall:Device-free fall detection by wireless networks[C]//IEEE Conference on Computer Communications(INFOCOM),Toronto:INFOCOM,2014:271-279.

[18] Chang C C,Lin C J. LIBSVM:A Library for Support Vector Machines[J]. Acm Transactions on Intelligent Systems and Technology,2007,2(3):27.

[19] Halperin D,Hu W,Sheth A,et al. Tool Release:Gathering 802.11n Traces with Channel State Information[J]. Acm Sigcomm Computer Communication Review,2011,41(1):53-53.