基于RSS的人流量監測方法

楊志勇 金磊 劉燦

摘? 要： 在風景旅游區、商場、車站、廣場等大型公共場所對人流量監測統計有廣泛的應用需求，利用人流量監測系統數據的反饋，可以優化資源的分配以獲得最大化的社會和經濟效益，也可以及時疏導人流以避免發生擁堵甚至踩踏事件。面對這些需求，提出一種基于無線傳感器網絡射頻信號接收強度的人流量檢測方法，該方法系統結構簡單、成本低廉、監測過程無需直接接觸人體且監測精度能夠滿足應用要求。此方法采用物聯網節點構建“門”型的人流量監測無線網絡，經過實驗獲取不同數量行人通過監測“門”時有效無線鏈路射頻信號接收強度的衰減和值區間，以此作為特征值實現在線行人數量的識別和人流量的監測。實驗結果表明，該方法能夠達到較高的人流量監測準確率。

關鍵詞： 人流量監測; 接收信號強度; 無線傳感器網絡; 系統設計; 數據處理; 實驗驗證

中圖分類號： TN931+.3?34; TP274? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）14?0156?05

Method of pedestrian flow monitoring based on received signal strength

YANG Zhiyong， JIN Lei， LIU Can

（School of Software， Nanchang Hangkong University， Nanchang 330063， China）

Abstract： In the large public places such as scenic tourist spots， shopping malls， stations， squares and so on， there are wide demands for the counting and pedestrian flow monitoring. Based on the data feedback from the pedestrian flow monitoring system， the resource allocation can be optimized to obtain the maximized social and economic benefits， and the pedestrian flow can be diverted in real?time to avoid congestion or even stampede events. A method of pedestrian flow monitoring based on the received signal strength （RSS） of wireless sensor networks is proposed for above requirements. This method has the advantages of simple structure， low cost， no direct contact with human body during the monitoring process， and the monitoring accuracy can meet the application requirements. In this method， the Internet of Things nodes are used to construct the pedestrian flow monitoring wireless networks with "gate" type. The range of the RSS attenuation sum value of effective wireless links radiofrequency when different numbers of pedestrians passing through the monitoring "gate" are obtained by the experiments， which can be used as the eigen?value to identify the number of online pedestrians and monitor the traffic flow. The experimental results show that this method can achieve a high accuracy rate of pededtrian flow monitoring.

Keywords： pedestrian flow monitoring; received signal strength; wireless sensor network; system design; data processing; experiment verification

0? 引? 言

人流量檢測是智能監控領域的一個研究熱點，也是建設智慧城市和數字景區的客觀需求。通過人群密度及其變化的實時準確估計，可以及時對人群進行有效的分流、疏導和控制，以提高道路利用率和游客的游覽效率，防止出現景區內大量游客擁堵在個別景點的情況，預防發生踩踏事故，避免不必要的時間及生命財產損失。此外，實現人流量的實時準確監控，對于商業信息采集、公安防控、社會資源合理配置等也具有重要意義[1]。

目前進行人流量監測統計的方法主要有閘機統計、紅外檢測和機器視覺等技術，這些方法可以分為接觸式方法和非接觸式方法兩大類。

1） 接觸式方法：主要有在監測點裝置機械閘機或壓敏踏板兩種方法[2]。機械閘機（欄桿）裝置計數方便且計數精確，但此方法的設備安裝和運維成本較高，行人通過速度非常緩慢，容易造成擁堵，而且還會給行人帶來非常不友好的體驗和印象;壓敏踏板方法需要在地板下面安裝壓力傳感器，此方法結構簡單且有較高的通行效率，但壓敏踏板長期使用之后易損壞，且對多人同時通行時有明顯的局限性。

2） 非接觸式方法[2]：主要包括基于紅外的檢測統計技術和基于機器視覺的人流量統計技術。紅外光電對管的視距路徑被人體阻擋后會改變接收端的信號輸出狀態，據此原理，羅彥銘、徐彬等研究設計了施工升降機轎廂人數統計方案[3?4]，陳磊等人研究了根據教室內人數多少的照明節約電能方案[5]，紅外光電對管技術對單人檢測準確率非常高，但當有多人或者是行人攜帶大尺寸行李物品等障礙物通過檢測點時，對人數的監測統計精確度就會大大降低。張藝萌設計了基于紅外熱成像的客車人數統計和超載檢測方案[6]，此方法不受室溫障礙物的影響，但對有一定溫度的物品敏感，并且需要對圖像數據進行處理，計算復雜度較高。

基于機器視覺的人流量監測隨著圖像處理和機器學習的快速發展，成為一個熱點研究分支，近年涌現出大量的研究成果，主要有利用形狀、顏色、輪廓等個體特征或人群特征，結合SVM、BP神經網絡、CNN等機器學習算法，實現人體識別和人數統計[7?9]。原始圖像易于獲取、計算機運算速度的大幅提升、眾多的機器學習算法可以借鑒都是此類方法的優勢，但其高成本、高能耗、涉及行人隱私、易受光照煙霧等環境影響的缺點也不易克服。

近年來，利用通信網信令[10]、接收信號強度（Received Signal Strength，RSS）[11?12]、信道狀態信息（Channel State Information，CSI）[13]的無線智能感知技術快速發展，這種無線智能感知技術不需要配置任何傳感器，僅僅利用無線設備之間的鏈路信息進行任務感知。吳松等人通過對用戶手機信令數據的分析挖掘，創建區域劃分與時間維度數據，實現人流量的監測[12]。Utah大學研究了基于RSS信息的目標定位追蹤，文獻[11]和文獻[13]分別研究了基于CSI的室內人體定位追蹤和摔倒檢測。本文受上述研究成果的啟發，設計實現了一種基于RSS信號衰減和的人流量監測系統，該系統屬于非接觸式人流量監測方法，在檢測過程中不會接觸人體，對行人也沒有攜帶設備的要求，不會對人們的出行產生影響，也不會影響監測點的通行效率。因為無需拍攝照片和視頻而不會涉及行人的隱私。此系統采用的設備成本低廉，采集和處理的數據量較小，有效克服了傳統方法計算繁瑣、效率低下等問題。

1? 基于RSS的人流量監測原理

本文提出的人流量監測系統是基于人體對射頻信號的陰影衰落效應，不同數量的人通過監測 “門”時對不同鏈路RSS信號的衰落強弱不同，據此實現人流量的監測。本節將詳細說明基于RSS的人流量監測原理。

1.1? 人體對RSS的影響

當人經過由發射節點和接收節點構成的無線視距鏈路時，因人體對射頻信號的吸收、反射、折射作用，會使接收節點的RSS明顯降低。如圖1所示，發射節點和接收節點相距2.4 m，無人在視距路徑時，接收節點的RSS平均值是-57.5 dBm，一個成年人站在視距路徑中間時，RSS平均值為-70.0 dBm，可見，人體對無線鏈路的RSS會產生明顯的衰減影響。

1.2? 人流對RSS的影響

在一個“門”型的支架上安裝N個無線傳感器網絡節點，那么這N個節點會構成[N（N-1）2]條無線鏈路。圖2是一個由18個節點構成的檢測門及其無線鏈路的示意圖，總共有153條無線鏈路，除去沒有穿過門內的單邊節點之間的無線鏈路，還剩余105條無線鏈路。

通過實驗發現，當不同人數通過檢測區域時，各個無線鏈路的RSS會產生不同的變化。比如，當不同數量的人走過圖2所示的監測門時，第70條（由5號和14號節點構成）和第100條（由6號和18號節點構成）無線鏈路的RSS值如圖3所示。通過監測區域人數不同時，各條無線鏈路的射頻信號強度的變化情況也不相同。這驗證了基于無線傳感器網絡的無線鏈路RSS進行人流量檢測的可行性。

1.3? 人流量監測原理

基于人體對無線鏈路RSS的陰影衰落效應和不同數量的行人對多條無線鏈路RSS有不同的影響，本文研究了利用全部有效無線鏈路RSS的衰減和值作為特征，經過實驗建立不同人數通過時RSS衰減和值的分類識別標準，進而實現時間點上行人個數的判斷和時間段上人流量的統計。本文設計的人流量監測系統的原理如圖4所示。

2? 人流量監測系統設計

2.1? 硬件系統設計

本系統的硬件設備為基于TI的CC2530片上系統芯片和CC2592功放芯片自制的物聯網節點。18個CC2530節點安裝在高2.0 m、寬2.4 m 的“門”型金屬框架上，左右“門”框分別均勻安裝5個節點，天線方向統一朝上，上“門”框架上均等安裝8個節點且天線方向統一朝下。在“門”型框架正前方6 m左右的地方放置通過串口連接到PC機的Sink節點。當接通電源時，18個節點組成一個輪詢廣播的RSS信號采集網絡，Sink節點偵聽感知網絡的數據包并將各個感知節點數據包中無線鏈路的RSS值接收并上傳到PC進行保存和處理。

2.2? 感知網絡節點軟件設計

為了保證各條無線鏈路RSS值的采集頻率，節點軟件設計沒有采用TinyOS和OSAL的物聯網操作系統，而是基于IAR設計了節點根據ID依次廣播消息的RSS采集程序。

感知節點CC2530芯片的射頻模塊內設置了一個接收信號強度的指示器（Received Signal Strength Indication，RSSI），芯片接收數據時會根據8個符號周期內的平均值計算得到一個8位的RSS數字值并寫入寄存器，需要從寄存器將此值讀出并減去偏移量（OFFSET）得到鏈路真實的RSS值，無線鏈路RSS真實值（單位為dBm）的計算方法為：

[RealRSS=RSS-OFFSET]? ? （1）

感知節點每接收一個消息包時，都需要獲取源節點ID，讀取計算本次通信無線鏈路的真實RSS值，并將RSS值寫入到RSS數組中源節點ID對應的元素位置，等到該節點的發送消息輪次時，將保存的RSS值數組放入消息包廣播出去。感知網絡節點的數據包格式定義如下：

typedef struct {

uint8 nodeid;? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? //節點ID

uint8 RSS[Node_Number];? ? ? ? ? ? ? ? ? ? ?//存放RSS的數組

} RSS_Packet_t;

2.3? 數據處理與算法設計

PC收集到感知節點的RSS數據包后，首先獲取感知節點的ID;然后將RSS數據轉換為十進制數據;其次，根據節點ID組建從第一個感知節點到最后一個感知節點的RSS測量矩陣，此矩陣包含了任意兩個節點之間無線鏈路的RSS值;再次，將RSS測量矩陣與無人通過時采集的基準RSS矩陣對應元素做差，得到無線鏈路的RSS衰減矩陣;最后，提取視距路徑通過監測“門”洞的有效鏈路的RSS衰減值并計算其和值作為特征量。

本文設計的系統需要通過一個離線的實驗階段構建不同個數的行人通過監測“門”時有效鏈路RSS衰減和值的特征識別模型，確定識別行人個數的RSS衰減和值區間，以供在線監測階段識別行人個數，進而進行人流量統計。

從第一個感知網絡節點發送數據包開始到最后一個節點發送數據包完畢為一個采樣周期，Sink節點偵聽感知節點的數據包并通過USB連接線傳給PC，由于環境的動態改變、行人的干擾等因素，可能導致PC收集的數據不完整，即個別采樣周期可能缺失某個感知節點的數據。本文設計的算法，用上個采樣周期節點的數據來填補當前采樣周期缺失的數據，以提高系統在實時人流量監測時算法的魯棒性。圖5給出了該系統算法的基本流程。

3? 實驗與結果

為了驗證提出的基于RSS值的流量監測系統的效果，搭建實驗系統，進行離線階段的實驗，建立RSS衰減和值的識別區間，并進行在線人流量識別和統計的驗證。

3.1? 實驗設置

18個CC2530節點安裝在高2.0 m、寬2.4 m 的“門”型金屬框架上組成一個人流量監測斷面，“門”內以60 cm寬度劃分虛擬行人通道，防止實驗時行人擁擠碰撞。Sink節點連接電腦，偵聽并上傳RSS數據，電腦上運行串口助手軟件，接收RSS數據并保存為txt文件，以便后續用Matlab軟件進行處理分析。

3.2? 離線階段

離線階段進行的實驗主要包括：

1） 在無人通過時，采集30組數據，每組數據大概采集5 s，用來構建無線鏈路的基本RSS值;

2） 一個人通過時，10個人分別參與實驗，每個人依次在“門”內不同通道以正常步速通過，共采集30組數據;

3） 兩個人同時通過時，10個兩人組分別參與實驗，每個實驗參與人員行走在不同的通道上，共收集30組數據;

4） 三個人通過時，10個三人組分別參與實驗，同樣收集30組數據。

按照上文提出的方法，經過實驗數據的處理，得到不同個數行人通過監測“門”時有效鏈路的衰減和范圍如表1所示。

3.3? 在線階段

在線階段的驗證實驗包括兩個部分：靜態人數識別實驗和動態人數統計實驗。靜態人數識別指當行人靜止站立在檢測“門”框內時的人數識別情況，動態人數統計指行人連續正常通過檢測“門”時的行人個數識別和統計情況。

3.3.1? 靜態人數識別實驗

本實驗主要驗證單個時間點上系統對行人個數的識別情況，分別測試了1人、2人和3人的情況，每種類型的實驗做15組，1人、2人和3人的識別準確率分別是87%，87%和73%，總體平均準確率為82%。詳細數據如圖6所示。

3.3.2? 動態人流量監測實驗

在南昌航空大學D棟教學樓二層樓梯口放置本文設計的人流量監測系統，分別在學生上課期間（行人稀少）與下課期間（行人較多）兩種情況下進行了實驗驗證。在兩種情況下監測了五個時間段（每個時間段約4 min）的人流量情況，人流量監測統計的結果與人工統計的真實人流量數據對比如表2所示，兩種情況的統計誤差率分別是4.9%和6.4%，即總體平均準確率為94.35%。誤差率計算方法為：

[系統估計人數-人工統計真實人數人工統計的真實人數×100%]

從表2可以看到，當行人密度稀疏時系統的人員統計比較準確，但當行人較密集時系統的人數統計存在一定誤差，可能是監測“門”前后的行人和墻壁對人數識別統計存在一定的干擾。

通過實時靜態人數識別實驗和動態人流量監測實驗可以看出，本文時間的人流量監測系統雖然存在一定的誤差，但也達到了較高的準確率，能夠滿足大多數人流量監測應用的需求。

4? 結? 論

本文提出一種基于物聯網節點之間無線鏈路接收信號強度的人流量監測方法，該方法主要利用行人對射頻信號的陰影衰落效應，選取穿過監測“門”洞的無線射頻鏈路作為有效鏈路，以有效鏈路的RSS衰減和值作為特征值，通過實驗建立不同個數行人通過時的特征值區間，進而實現在線行人個數的識別與在線人流量的監測。實驗結果表明，該方法能夠達到平均92.9%的人流量監測準確率，驗證了提出的基于RSS的人流量監測方法的有效性。本文創新性地將RSS用于人流量監測，是對傳統閘機、機器視覺方法的有益補充，具有通行效率高、不涉及行人隱私、低成本、低計算復雜度等特點。本文提出的人流量監測方法的不足之處在于無法判斷人們行走的方向，人流量監測的準確率還需要后續研究來提升。

參考文獻

[1] 郭繼昌，李翔鵬.基于卷積神經網絡和密度分布特征的人數統計方法[J].電子科技大學學報，2018，47（6）：806?813.

[2] 趙倩.基于視頻分析的公交客流統計技術研究與實現[D].重慶：重慶大學，2016.

[3] 羅彥銘.施工升降機綜合監控系統研究與開發[D].濟南：山東大學，2017.

[4] XU B， YANG J， XU F， et al. Study of multiscale detection in near distance image for numbers of people in elevator car [C]// Proceedings of the 6th International Conference on Manufacturing Science and Engineering. Lisbon： IEEE， 2015： 322?328.

[5] 陳磊，李志軍，王飛，等.基于光伏檢測的節電教室電源智能控制研究[J].現代電子技術，2018，41（14）：114?117.

[6] 張藝萌.客車超載控制系統的研究[D].新鄉：河南師范大學，2017.

[7] 孫萬春.基于視頻的公共場所人數統計研究[D].重慶：重慶理工大學，2018.

[8] GAO C Q， LI P， ZHANG Y J， et al. People counting based on head detection combining Adaboost and CNN in crowded surveillance environment [J]. Neurocomputing， 2016， 208： 108?116.

[9] SAM D B， SURYA S， BABU R V. Switching convolutional neural network for crowd counting [C]// 2017 IEEE Conference on Computer Vision and Pattern Recognition. Honolulu： IEEE， 2017： 4031?4039.

[10] 吳松，雒江濤，周云峰，等.基于移動網絡信令數據的實時人流量統計方法[J].計算機應用研究，2014，31（3）：776?779.

[11] 黨小超，李彩霞，郝占軍.一種RSS和CSI融合的二階段室內定位方法[J].傳感技術學報，2018，31（8）：1258?1265.

[12] YIGITLER H， JANTTI R， KALTIOKALLIO O， et al. Detector based radio tomographic imaging [J]. IEEE transactions on mobile computing， 2018， 17（1）： 58?71.

[13] RAMEZANI R， XIAO Y， NAEIM A. Sensing?Fi： WiFi CSI and accelerometer fusion system for fall detection [C]// 2018 IEEE EMBS International Conference on Biomedical & Health Informatics. Las Vegas： IEEE， 2018： 402?405.