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, 2020, 42(3): 603-612. 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, 2020, 42(3): 603-612. 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 18th IEEE 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), Taipei, 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 35th IEEE 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]

      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, 2020, 42(5): 1165-1171.

    2. [2]

      熊伟, 顾祥岐, 徐从安, 崔亚奇. 多编队目标先后出现时的无先验信息跟踪方法. 电子与信息学报, 2020, 42(7): 1619-1626.

    3. [3]

      李一楠, 张林让, 卢海梁, 李鹏飞, 吕容川, 李浩, 付庸杰, 邱尔雅, 唐世阳. 基于地基综合孔径微波辐射计的空中目标无源探测技术研究. 电子与信息学报, 2020, 41(0): 1-8.

    4. [4]

      周义明, 李英顺, 田小平. 基于瑞利多径衰落信道的信号包络频谱感知. 电子与信息学报, 2020, 42(5): 1231-1236.

    5. [5]

      张天骐, 范聪聪, 葛宛营, 张天. 基于ICA和特征提取的MIMO信号调制识别算法. 电子与信息学报, 2020, 41(0): 1-8.

    6. [6]

      周杨, 张天骐. 多径环境下异步长码DS-CDMA信号伪码序列及信息序列盲估计. 电子与信息学报, 2020, 41(0): 1-8.

    7. [7]

      陈勇, 刘曦, 刘焕淋. 基于特征通道和空间联合注意机制的遮挡行人检测方法. 电子与信息学报, 2020, 42(6): 1486-1493.

    8. [8]

      吕晓德, 孙正豪, 刘忠胜, 张汉良, 刘平羽. 基于二阶统计量盲源分离算法的无源雷达同频干扰抑制研究. 电子与信息学报, 2020, 42(5): 1288-1296.

    9. [9]

      孙霆, 董春曦, 毛昱. 一种基于半定松弛技术的TDOA-FDOA无源定位算法. 电子与信息学报, 2020, 42(7): 1599-1605.

    10. [10]

      宋广南, 卢海梁, 李浩, 李一楠, 郎量, 董思乔, 李鹏飞, 吕容川. 复杂天气及海风对天基被动干涉微波辐射无源探测系统性能的影响. 电子与信息学报, 2020, 42(0): 1-8.

    11. [11]

      刘政怡, 刘俊雷, 赵鹏. 基于样本选择的RGBD图像协同显著目标检测. 电子与信息学报, 2020, 42(0): 1-8.

    12. [12]

      贾连印, 陈明鲜, 李孟娟, 游进国, 丁家满. 基于状态视图的高效Hilbert编码和解码算法. 电子与信息学报, 2020, 42(6): 1494-1501.

    13. [13]

      张斌, 吴浩明. 一种面向连接的快速多维包分类算法. 电子与信息学报, 2020, 42(6): 1526-1533.

    14. [14]

      陈华, 习伟, 范丽敏, 焦志鹏, 冯婧怡. 密码产品的侧信道分析与评估. 电子与信息学报, 2020, 42(0): 1-10.

    15. [15]

      张文明, 姚振飞, 高雅昆, 李海滨. 一种平衡准确性以及高效性的显著性目标检测深度卷积网络模型. 电子与信息学报, 2020, 42(5): 1201-1208.

    16. [16]

      李骜, 刘鑫, 陈德运, 张英涛, 孙广路. 基于低秩表示的鲁棒判别特征子空间学习模型. 电子与信息学报, 2020, 42(5): 1223-1230.

    17. [17]

      曾菊玲, 张春雷, 蒋砺思, 夏凌. 基于信道定价的无线虚拟网络资源分配策略:匹配/Stackelberg分层博弈. 电子与信息学报, 2020, 41(0): 0-7.

    18. [18]

      杨静, 李金科. 带有特征感知的D2D内容缓存策略. 电子与信息学报, 2020, 42(0): 1-7.

    19. [19]

      胡召鹏, 李实锋, 向渝. 一种新型调频广播授时信号体制研究. 电子与信息学报, 2020, 42(7): 1661-1665.

    20. [20]

      高巍, 蒋刚毅, 郁梅, 骆挺. 基于熵编码的立体视频加密与信息隐藏算法. 电子与信息学报, 2020, 41(0): 1-8.

  • 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:  51
  • 文章访问数:  1235
  • HTML全文浏览量:  561
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
  • 刊出日期:  2020-03-01
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