基于WiFi感知的人員檢測方法

史文華

摘要：隨著物聯網產業的飛速發展，一大批以人為中心的智能化服務不斷涌現，檢測到人員的存在是提供這些服務的前提。本文提出了一種基于WiFi感知的人員檢測技術，基于信道狀態信息（CSI）幅度的動態方差感知周圍環境的變化，生成特征指紋，并結合KNN分類算法，對比判斷當前場景內是否有人員存在。

關鍵詞：WiFi;信道狀態信息;人員檢測;動態方差

中圖分類號：TP391? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）17-0187-03

開放科學（資源服務）標識碼（OSID）：

Person Detection Method Based on WiFi Perception

SHI Wen-hua

（School of Electronic and Information Engineering， Suzhou University of Science and Technology， Suzhou 215000， China）

Abstract： With the rapid development of the Internet of Things industry， a large number of human-centered intelligent services continue to emerge. Detecting the presence of personnel is a prerequisite for providing these services. This paper proposes a person detection technology based on WiFi perception， which perceives changes in the surrounding environment based on the dynamic variance of the channel state information （CSI） amplitude， generates characteristic fingerprints， and combines the KNN classification algorithm to compare and judge whether there are people in the current scene.

Key words： WiFi; CSI; personnel detection; dynamic variance

1 引言

人員檢測技術對于人們的工作生活有著重大意義，無論是在公寓、辦公室，還是在商場、車站等公共場所中，都有很大的應用潛力。在安全領域，人員檢測技術可對危險區域進行排查，確定有無人員需要被救援;在商用領域，商家可通過人員檢測技術計算客流量，從而更好地設計營銷策略;在民生領域，智能家居可根據人員檢測結果自動調節燈光和其他用電設備，為人們提供更貼心的家居服務。

傳統的人員檢測的技術包括：紅外線技術、超聲波技術、超寬帶技術、視頻技術和WiFi技術。紅外線技術[1] 是人們熟悉的一種人員檢測技術，通過在房間里布置紅外發射器，當有人觸碰到紅外線時，系統立刻發出警報。這種方法技術成熟，精度高，但由于紅外線只能沿直線傳播，易被遮擋，所以需要大量部署設備。超聲波方法[2] 利用超聲波的反射來檢測有人員入侵，該方法靈敏度高，但需要專門的設備，且受非視距的影響較大。超寬帶技術[3] 是一種低功耗、高帶寬的通信技術，可靠高效，但設備造價昂貴。基于視頻的方法[4] 是人們最常見的一種人員檢測方法，例如我們生活中的視頻監控系統。這種方法最為直觀，有很高的準確率，但同樣存在一些不可忽視的問題，易受光線影響，在弱光環境下，效果不理想，且在非視距環境下，存在盲區。

如今，隨著無線感知技術的發展，基于WiFi感知的人員檢測技術[5] 得了越來越多的關注。一方面，WiFi設備廣泛部署于各個地方，成本低;另一方面，WiFi信號覆蓋面廣，受環境干擾的影響較小。早期的研究主要基于接收信號強度指示（RSSI）進行人員檢測，利用WiFi環境中提取的RSSI作為信號特征，根據RSSI數據的變化，判斷監控區域內有無人員存在。基于RSSI的方法[6] 能獲得較好的效果，但由于RSSI易受環境的影響產生多徑衰落，導致可靠性大幅降低，因此需要找到一種更加可靠的數據信息作為替代。CSI是物理層特性，具有更高的細粒度，能測量多個子載波的頻率響應，且穩定性更高，可以敏銳感知環境的變化。基于CSI的人員檢測方法[7] 相較于基于RSSI的方法有更高的精度和魯棒性。

本文提出了一種基于CSI的人員檢測方法，首先通過Hampel濾波濾除CSI數據中的異常值，計算出CSI幅度的動態方差，然后采用PCA算法對數據進行降維處理，提取出主特征，最后利用KNN算法進行分類，判斷環境中是否有人員存在。

2 信道狀態信息

無線信號在傳播過程中會產生多徑效應，造成信號衰落和相位移動。正交頻分復用（OFDM）是一種多載波調制技術，能有效減弱多徑效應，其主要思想是將高速串行數據信號劃分成若干并行的低速數據流，并將信道劃分為若干個子信道，每個子信道上的子載波相互正交。對于每一條子載波，可以使用CSI來描述無線信道的散射、衰落和功率衰減情況。在窄帶平坦衰落信道中，信道狀態的頻域模型可以表示為：

[Y = HX + N]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （1）

其中X和Y分別是發射端和接收端信號向量，H為數據包中的CSI矩陣，N為噪聲向量。對于包含K個子載波的CSI，其矩陣表示為：

[H = [h1，h2，…，hK]]? ? ? ? ? ? ? ? ? ? ? ? ? ? （2）

其中k=1，2…K， K=56/114，每個子載波hk為：

[hk=hkej∠hk]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（3）

其中|hk|和∠hk是第k個子載波的幅度和相位。

3 基于CSI的人員檢測方法

本文所提的人員檢測方法是基于這一原理：當環境中沒有人員存在時，環境相對穩定，CSI幅度波動較小;當環境中有人員出現時，環境的穩定性被破壞，CSI幅度會出現較大程度的波動。本文旨在探究環境中有無人員的情況下，CSI幅度的波動情況，并以此為依據進行分類，判斷環境中有無人員存在。

圖1和圖2分別為無人和有人情況下的CSI幅度，從中可以看出，無人時，CSI幅度離散程度較小，波動不大;有人時，CSI幅度離散程度增大，波動劇烈。結果表明CSI幅度可作為判斷環境中有無人員的特征，本文所提方法切實可行。

本文方法主要分為離線階段和在線階段兩個部分。離線階段，首先通過Hampel濾波濾除CSI數據中的異常值，計算出CSI幅度的動態方差，然后采用PCA算法對數據進行降維處理，提取出主特征構建離線指紋庫;在線階段，通過和離線階段一樣的方法對數據進行處理，采用KNN算法進行分類，判斷環境中是否有人員存在。方法框架圖如圖3所示。

3.1 Hampel濾波

CSI是細粒度的物理信息，具有很強的敏感性，易受環境影響產生大量噪聲。Hampel濾波器能有效檢測和去除數據中的異常值，其基本思想是加權滑動平均，對于一組數據X，首先計算出這組數據的中值Median，并求出每一個數據與Median的差值取絕對值，即計算|Xi - Median|，得到序列Y，然后計算出Y的中值M，具體公式如下：

[Xi-MedianM0.6745>t，異常值Xi-MedianM0.6745≤t，正常值]? ? ? ? ? ? ? ? （4）

其中t是定義的閾值，M是絕對中位差，其公式如下所示：

[M=medianXi-Median]? ? ? ? ? ? ? ? （5）

Hampel濾波器不直接求出方差，而是用絕對中位差作為方差的近似估計，其對極端的異常值不敏感，并且不要求數據正態分布，能起到良好的檢測和去除異常值的效果。

3.2 動態方差

CSI幅度比較雜亂，當環境復雜時，差異性可能更小，因此不能簡單以CSI幅度作為判斷依據，應當提取更有效的特征。CSI幅度方差刻畫了各個時刻CSI幅度的離散程度，能有效區分出環境的變化。圖4和圖5分別無人和有人狀態下采用100為窗口，10為步長的CSI幅度的動態方差。從中可以看出，無人和有人狀態下CSI幅度的方差差異很大。

3.3 PCA降維

在進行分類前，需要對數據進行降維處理，一方面是為了降低特征的維度，使后續的分類更簡便;另一方面能夠消除原特征之間的相關度，減少信息冗余，更有利于分類的實現。

PCA 是一種常用的降維方法，其基本思想是從原有特征中計算出一組按照重要性從大到小順序排列的新特征，新特征是原有特征的線性組合，互不相關。原有特征在新特征上的映射值成為降維后的新樣本。

4 實驗結果與分析

本文實驗所使用的設備是兩臺TP-link 4700v2無線路由器，分別作為發射端和接收端，無線信道頻率為5GHz。實驗分別在空地、走廊和實驗室三個場景下進行，各自采集無人和有人兩種狀態下的數據各2萬筆，共12萬筆數據。實驗結果如圖6所示。

從圖中可以看出，在空地、走廊和實驗室三個場景下，本文方法的準確率分別為94.2%、91.4%、89.6%。在空地環境下，不存在多徑效應，信號不易被干擾，準確率最高;在走廊環境下，準確率次之;在實驗室環境下，場景較為復雜，準確率最低。從以上數據可知，在不同場景下，本文方法均能達到很高的準確率，其中最低準確率依然可以達到89.6%，表明本文方法有很高的精度和魯棒性。

5 總結

本文提出了一種基于WiFi感知的人員檢測方法，通過CSI幅度的動態方差判斷環境中是否有人員存在。利用Hampel 濾波器去除了數據中的異常值，確保了數據的準確性。采用PCA進行特征提取，降低了數據維度，使得分類更加簡便有效。最后以KNN算法為基礎建立人員檢測模型，訓練得到有效的分類器判斷場景中是否有人員存在。實驗結果表明本文方法有很高的檢測精度。

參考文獻：

[1] 尹欣.基于多信息源的智能安防監控系統的設計與實現[D].武漢：華中科技大學，2012.

[2] 胡勁.基于回波包絡的超聲波入侵檢測裝置[J].福建電腦，2014，30（12）：113-115，151.

[3] 周金，邵世祥.UWB DS-CDMA系統中的多用戶檢測[J].西安郵電學院學報，2006，11（3）：31-33，57.

[4] 吳金勇，虞致國，馬國強，等.基于視頻的入侵檢測系統[J].電子測量技術，2006， 29 （1）：102-103.

[5] 毛文瑞.基于WIFI的被動入侵檢測技術研究[D].合肥：合肥工業大學，2014.

[6] 顧茜.基于信道狀態信息的入侵檢測方法研究[D].秦皇島：燕山大學，2016.

[7] 曾正，張六，陳俊昌，等.基于WiFi信號的入侵檢測機理及實驗研究[J].電子技術應用，2019，45（3）：92-95，99.

【通聯編輯：梁書】