高级搜索

室内穿墙场景下的无源人体目标检测算法

杨小龙 吴世明 周牧 谢良波 王嘉诚

引用本文: 杨小龙, 吴世明, 周牧, 谢良波, 王嘉诚. 室内穿墙场景下的无源人体目标检测算法[J]. 电子与信息学报, doi: 10.11999/JEIT190378 shu
Citation:  Xiaolong YANG, Shiming WU, Mu ZHOU, Liangbo XIE, Jiacheng WANG. Indoor Through-the-wall Passive Human Target Detection Algorithm[J]. Journal of Electronics and Information Technology, doi: 10.11999/JEIT190378 shu

室内穿墙场景下的无源人体目标检测算法

    作者简介: 杨小龙: 男,1987年生,讲师,博士,研究方向为无线感知、室内定位;
    吴世明: 男,1994年生,硕士生,研究方向为WiFi穿墙目标检测、人体行为识别;
    周牧: 男,1984年生,教授,博士生导师,研究方向为无线定位技术;
    谢良波: 男,1986年生,副教授,研究方向为虚线射频识别技术;
    王嘉诚: 男,1992年生,博士生,研究方向为室内定位技术、阵列信号处理
    通讯作者: 吴世明,2812940421@qq.com
  • 基金项目: 重庆市教委科学技术研究项目(KJQN201800625),国家自然科学基金(61771083, 61704015),长江学者和创新团队发展计划基金(IRT1299),重庆市自然科学基金面上项目(cstc2019jcyj-msxmX0635)

摘要: 穿墙场景下,由于墙体造成信号严重衰减,接收信号中目标反射信号的能量大幅下降,接收信号淹没在收发机直射信号和室内家具反射信号中,难以检测墙后目标。针对上述问题,该文提出一种新颖的基于多维信号特征融合的穿墙多人体目标检测算法(TWMD)。先对接收到的信道状态信息(CSI)进行预处理以消除相位误差和幅值噪声,再利用CSI的时序相关性和子载波相关性从相关系数矩阵中提取多维信号特征,最后使用BP神经网络完成特征与检测结果之间的映射。实验结果表明,该算法在玻璃墙、砖墙和混凝土墙环境的识别精度分别在0.98, 0.90, 0.85以上。根据所统计的4000个各类样本的检测结果,与现有基于单一信号特征的检测算法相比,该文算法在对不同数量运动目标的检测上,获得了平均0.45的精度提升。

English

    1. [1]

      ADIB F, MAO Hongzi, KABELAC Z, et al. Smart homes that monitor breathing and heart rate[C]. The 33rd Annual ACM Conference on Human Factors in Computing Systems, Seoul, Korea, 2015: 837–846. doi: 10.1145/2702123.2702200.

    2. [2]

      ZHANG Dongheng, HU Yang, CHEN Yan, et al. BreathTrack: Tracking indoor human breath status via commodity WiFi[J]. IEEE Internet of Things Journal, 2019, 6(2): 3899–3911. doi: 10.1109/JIOT.2019.2893330

    3. [3]

      ABDELNASSER H, HARRAS K, and YOUSSEF M. A ubiquitous WiFi-based fine-grained gesture recognition system[J]. IEEE Transactions on Mobile Computing, 2019, 18(11): 2474–2487. doi: 10.1109/TMC.2018.2879075

    4. [4]

      DUAN Shihong, YU Tianqing, and HE Jie. WiDriver: Driver activity recognition system based on WiFi CSI[J]. International Journal of Wireless Information Networks, 2018, 25(2): 146–156. doi: 10.1007/s10776-018-0389-0

    5. [5]

      XIA Lu, CHEN C C, and AGGARWAL J K. Human detection using depth information by Kinect[C]. Computer Vision and Pattern Recognition 2011 WORKSHOPS, Colorado Springs, USA, 2011: 15–22. doi: 10.1109/CVPRW.2011.5981811.

    6. [6]

      KOSBA A E, SAEED A, and YOUSSEF M. RASID: A robust WLAN device-free passive motion detection system[C]. 2012 IEEE International Conference on Pervasive Computing and Communications, Lugano, Switzerland, 2012: 180–189. doi: 10.1109/PerCom.2012.6199865.

    7. [7]

      YANG Lei, LIN Qiongzheng, LI Xiangyang, et al. See through walls with COTS RFID system[C]. The 21st Annual International Conference on Mobile Computing and Networking, Paris, France, 2015: 487–499. doi: 10.1145/2789168.2790100.

    8. [8]

      XIAO Jiang, WU Kaishun, Yi Youwen, et al. FIMD: Fine-grained device-free motion detection[C]. The IEEE 18th International Conference on Parallel and Distributed Systems, Singapore, 2012: 229–235. doi: 10.1109/ICPADS.2012.40.

    9. [9]

      XI Wei, ZHAO Jizhong, LI Xiangyang, et al. Electronic frog eye: Counting crowd using WiFi[C]. IEEE INFOCOM 2014 - IEEE Conference on Computer Communications, Toronto, Canada, 2014: 361–369. doi: 10.1109/INFOCOM.2014.6847958.

    10. [10]

      QIAN Kun, WU Chenshu, YANG Zheng, et al. PADS: Passive detection of moving targets with dynamic speed using PHY layer information[C]. The 20th IEEE International Conference on Parallel And Distributed Systems (ICPADS), Taiwan, China, 2014: 183–190. doi: 10.1109/PADSW.2014.7097784.

    11. [11]

      WU Chenshu, YANG Zheng, ZHOU Zimu, et al. Non-Invasive Detection of Moving and Stationary Human With WiFi[J]. IEEE Journal on Selected Areas in Communications, 2015, 33(11): 2329–2342. doi: 10.1109/JSAC.2015.2430294

    12. [12]

      ZHOU Zimu, YANG Zheng, WU Chenshu, et al. Omnidirectional coverage for device-free passive human detection[J]. IEEE Transactions on Parallel and Distributed Systems, 2014, 25(7): 1819–1829. doi: 10.1109/TPDS.2013.274

    13. [13]

      ADIB F and KATABI D. See through walls with WiFi![J]. ACM SIGCOMM Computer Communication Review, 2013, 43(4): 75–86. doi: 10.1145/2534169.2486039

    14. [14]

      DI DOMENICO S, DE SANCTIS M, CIANCA E, et al. WiFi-based through-the-wall presence detection of stationary and moving humans analyzing the Doppler spectrum[J]. IEEE Aerospace and Electronic Systems Magazine, 2018, 33(5/6): 14–19. doi: 10.1109/MAES.2018.170124

    15. [15]

      ZHU Hai, XIAO Fu, SUN Lijuan, et al. R-TTWD: Robust device-free through-the-wall detection of moving human with WiFi[J]. IEEE Journal on Selected Areas in Communications, 2017, 35(5): 1090–1103. doi: 10.1109/JSAC.2017.2679578

    16. [16]

      LI Fan, XU Cheng, LIU Yang, et al. Mo-sleep: Unobtrusive sleep and movement monitoring via Wi-Fi signal[C]. The IEEE 35th International Performance Computing and Communications Conference, Las Vegas, USA, 2016: 173–180. doi: 10.1109/PCCC.2016.7820634.

    17. [17]

      李姣军, 余景鹏, 陶金, 等. 一维信号的小波去噪[J]. 重庆理工大学学报: 自然科学, 2016, 30(12): 83–89. doi: 10.3969/j.issn.1674-8425(z).2016.12.013
      LI Jiaojun, YU Jingpeng, TAO Jin, et al. Review of one-Dimensional signal wavelet de-noising[J]. Journal of Chongqing University of Technology:Natural Science, 2016, 30(12): 83–89. doi: 10.3969/j.issn.1674-8425(z).2016.12.013

    18. [18]

      LE CUN Y, BOSER B, DENKER J S, et al. Handwritten digit recognition with a back-propagation network[C]. The Advances in Neural Information Processing Systems 2, San Francisco, USA, 1990: 396–404.

    1. [1]

      刘文远, 刘慧香, 温丽云, 王林. 轻量扩展的射频指纹地图构造方法. 电子与信息学报,

    2. [2]

      冯维, 冯穗力, 丁跃华, 黄鑫. 无线多跳网络下基于过时信道状态信息的跨层资源分配. 电子与信息学报,

    3. [3]

      江小平, 王妙羽, 丁昊, 李成华. 基于信道状态信息幅值-相位的被动式室内指纹定位. 电子与信息学报,

    4. [4]

      杜建和, 花妍, 林和昀, 田沛. 双向MIMO中继系统中一种低复杂度的联合信道估计方法. 电子与信息学报,

    5. [5]

      田心记, 袁超伟, 王秋才, 赵伟. 基于相位旋转的坐标交织分布式空时码. 电子与信息学报,

    6. [6]

      黄开枝, 郑丽清, 李坤, 吉江. 基于协同度的基站群利益树动态分簇算法. 电子与信息学报,

    7. [7]

      余东平, 郭艳, 李宁, 刘杰, 杨思星. 基于多维测量信息的压缩感知多目标无源被动定位算法. 电子与信息学报,

    8. [8]

      薛青, 方旭明. 一种WiFi多信道聚合的高速同步回传方法. 电子与信息学报,

    9. [9]

      陈小敏, 徐大专, 虞湘宾, 朱秋明. 不完全信道状态信息条件下多用户Turbo-BLAST迭代检测算法. 电子与信息学报,

    10. [10]

      陈小蔷, 王桥, 吴乐南. 多维信号的微局部奇异方向检测. 电子与信息学报,

    11. [11]

      秦兆涛, 王俊, 魏少明, 毕严先, 魏子翔. 基于目标高度先验信息的多站时差无源定位方法. 电子与信息学报,

    12. [12]

      马晓红, 梁丽丽, 殷福亮. 基于盲源分离理论的麦克风阵列信号有音/无音检测方法. 电子与信息学报,

    13. [13]

      胡久松, 刘宏立, 肖郭璇, 徐琨. 应用于WiFi室内定位的自适应仿射传播聚类算法. 电子与信息学报,

    14. [14]

      蔡世杰, 肖立民, 王京, 周世东. 利用用户移动提高WiFi业务分担能力的用户激励机制研究. 电子与信息学报,

    15. [15]

      张立健, 金梁, 刘璐, 罗文宇. 基于非理想信道状态信息的鲁棒安全发送方法. 电子与信息学报,

    16. [16]

      陈俊杰, 司江勃, 李赞, 石莎, 黄海燕. 非理想信道状态信息对频谱共享认知中继网络性能的影响. 电子与信息学报,

    17. [17]

      高伟东, 王文博, 程昱, 彭木根, 张欢. 基于不同信道状态信息的MIMO中继系统收发信机设计. 电子与信息学报,

    18. [18]

      许方敏, 陶小峰, 张平. 非精确信道状态信息下MIMO系统中的干扰删除. 电子与信息学报,

    19. [19]

      马梁, 王雪松, 李永祯, 刘进. 基于窄带测距信息的空间目标微动特征检测与估计. 电子与信息学报,

    20. [20]

      徐瑨, 陶小峰, 张平. 基于迭代信道软信息的编码MIMO检测. 电子与信息学报,

  • 图 1  TWMD系统框架

    图 2  CSI离群点检测与删除

    图 3  小波阈值去噪前后

    图 4  有无人体目标时第1, 10, 20, 30个子载波的时域波形

    图 5  本文所用BP神经网络的结构图

    图 6  不同实验场景的平面结构图

    图 7  砖墙实验场景中各信号特征的累积分布函数

    图 8  DeMan和R-TTWD的检测效果

    图 9  各实验场景检测周期与检测精度的关系

    图 10  单天线检测与多天线检测的准确率对比

    图 11  本文系统与其他系统检测准确率对比

    表 1  本文所提基于多维特征的目标检测算法

     输入:天线1的CSI接收矩阵${{{H}}_1}$,天线2的CSI接收矩阵${{{H}}_2}$,天线3    的CSI接收矩阵${{{H}}_3}$。
     输出:输出特征${{F}}''$。
     初始化: 天线个数$N{\rm{ = }}3$;输出特征${{F}}''{\rm{ = 0}}$。
     算法步骤:
     (1) for $i$=1, 2, $···,N$
     (2)  用式(4)校正${{{H}}_i}$的相位,得到${{\theta }}$;
     (3)  用离群值删除与小波去噪对${{{H}}_i}$的幅值进行预处理,得到
        $\left\| {{\tilde{ H}}} \right\|$;
     (4)  用式(6)、式(7)计算$\left\| {{\tilde{ H}}} \right\|$的相关系数矩阵${{A}}$;
     (5)  对${{A}}$进行矩阵分解,得到第1个和第2个大特征值
         ${\lambda _1},\,{\lambda _2}$;
     (6)  用式(8)计算${{\theta }}$的相关系数矩阵${{C}}$;
     (7)  对${{C}}$进行矩阵分解,提取第1个和第2个大特征值
         ${\gamma _1},\;{\gamma _2}$;
     (8)  用式(10)计算子载波相关系数矩阵${{S}}$;
     (9)  对${{S}}$进行分解,提取前3个大特征值对应的特征向量
         ${{{e}}_1},\,{{{e}}_2}, \,{{{e}}_3}$;
     (10)   for $j$=1, 2, 3
     (11)    用式(11)计算特征向量1阶差分均值${\phi _j}$;
     (12)   end for
     (13)  对$\left\| {{\tilde{ H}}} \right\|$的分布标准化得到${{Z}}$;
     (14)   for $k$=1, 2, 3
     (15)   将${{Z}}$投影到${{{e}}_k}$上,得到${{{p}}_k}$;
     (16)   计算${{{p}}_k}$的方差,得到${\beta _i}$;
     (17)  end for
     (18) 构建样本空间${{{F}}_i}$;
     (19) 将${{{F}}_i}$输入到神经网络模型,得到输出特征${{{F'}}_i}$;
     (20) end for
     (21) for $l$=1, 2, $···, N$
     (22) ${{F''}} = {{F''}} + {{{F'}}_l}$;
     (23) end for
    下载: 导出CSV

    表 2  收发机参数设置

    参数发射机接收机
    模式InjectionMonitor
    信道编号149(5.749 GHz)
    带宽40 MHz
    发包速率500 包/s
    子载波个数30
    子载波编号–58, –54, ···, 54, 58
    发射功率15 dBm
    下载: 导出CSV
  • 加载中
图(11)表(2)
计量
  • PDF下载量:  21
  • 文章访问数:  194
  • HTML全文浏览量:  228
文章相关
  • 通讯作者:  吴世明, 2812940421@qq.com
  • 收稿日期:  2019-05-24
  • 录用日期:  2019-12-07
  • 网络出版日期:  2019-12-14
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

/

返回文章