一種基于WiFi信號的室內人員數量計數方法

陳治國

摘要：針對目前基于圖像的室內人員計數方法存在遮擋導致計數不準的問題以及基于紅外傳感器與無線傳感器的室內人員計數方法存在硬件成本高、使用限制大的問題，文章提出了一種使用現有的WiFi設備進行室內人員計數的方法。通過收集室內的WiFi信號數據并提取其中的信道狀態信息，網絡能夠學習WiFi信號變化與室內人員數量之間的映射關系并計算出室內的人員數量。由于缺乏相關的開源數據集，在自行采集到的數據集上進行試驗，實驗結果表明文章所提出的方法能得到較為準確的計數結果。

關鍵詞：室內人員數量計數；WiFi信號；信道狀態信息；無線感知

中圖分類號：TP391.1；TP391.4文獻標志碼：A文獻標志碼

0 引言目前，普及的室內人員計數系統一般基于圖像方案^［1］、紅外傳感器^［2］以及無線電傳感器方案^［3］?；趫D像的室內人員計數方法依托成熟的圖像處理技術，被大范圍地應用在諸如教室、辦公室等人員流動性較小且對統計室內人數有需求的場所。攝像頭下盲區的存在以及遮擋性問題，使攝像頭視線外區域里的人員難以統計。這導致圖像方案統計出的人數可能少于實際人數。近年來，相關領域的研究人員針對遮擋問題提出許多方案，譬如雙攝像頭方法以及視頻方法^［4］，這些方式通過減少遮擋區域，利用時間序列上的信息進行互補緩解了遮擋對于計數準確率的影響，但未消除遮擋區域的存在，俯視視頻^［5］消除了遮擋區域的存在，但對攝像頭的安放位置提出了較高的要求。

基于紅外傳感器或者無線傳感器的室內人員計數方法消除了室內環境對于計數準確率的影響，而且實現的原理更加簡易，即人員通過安裝傳感器的出入口進出時，傳感器通過收到的信號變化判斷當前有人通過，并對當前室內人數統計結果進行增減。該方案在使用時面臨兩個問題。首先，傳感器必須安裝在需要統計場所的每一個出入口，才能保證人員出入數據的統計完整，這限制了傳感器的安裝環境，提高了傳感器方案的使用成本。其次，傳感器需要準確判斷人員的出入狀態，即當前通過傳感器的人是進入室內還是離開室內。最直接的做法是，將該場所的出入通道劃分為入口與出口，但多數場所只有一個進出口，而且這種方法對需要出入該場所的人影響較大。通過傳感器信號變化詳細分析通過人員的移動方向^［3］可以避免上述問題，但這也對傳感器提出了較高的要求，提高了整個系統的硬件成本。

本文為避免傳統的基于圖像的室內人員計數方法在遮擋性、可見性上的缺陷，以及基于傳感器的方法在經濟性以及安裝便利性上的限制。對WiFi信號在室內人員計數領域的可行性以及應用進行了探究，設計了基于WiFi信號的室內人員計數系統。該系統采集家用路由器發出的WiFi信號，將WiFi信號中的信道狀態信息（Channel State Information，CSI）指標作為神經網絡的輸入，通過神經網絡建立當前WiFi信號的CSI指標的變化與當前室內人數的映射，即可使用輸入的CSI信號獲取到路由器所處場所的室內人員數量，系統框架如圖1所示，攝像頭用于同步采集圖像信息和標注WiFi信號，圖像經過OpenPose的處理得到室內的人員數量標注。接收端獲取到發射端發射的WiFi信號，輸入網絡用于訓練以及預測室內人數。Loss為損失函數，圖像得到的標注通過損失函數監督優化網絡訓練。

1 使用CSI信號進行室內人員計數

1.1 CSI信號采集與標注CSI指標反映了WiFi信號在傳輸過程中的變化，即WiFi信號發送端發送的信號與WiFi信號接收端接收到的信號之間的差異。與接收信號強度指示器（Received Signal Strength Indicator，RSSI）不同，CSI擁有比RSSI更細的粒度。RSSI反映了WiFi信號的整體強度，而CSI可以反映WiFi信號上的不同鏈路上的不同頻率的載波上的功率損耗以及相位偏差。一組鏈路代表發射端的任意一根天線與接收端的任意一根天線組成的天線對?，F代的家用路由器與WiFi大多支持多入多出技術（Multiple-Input Multiple-Output，MIMO）。因此，采集到的CSI信號內一般存在多個鏈路。由于WiFi信號是正交頻分復用（Orthogonal Frequency Division Multiplexing，OFDM）信號，因此存在著多個頻率不同的子載波。因此，一幀CSI信號的數據尺寸為n×i×j。其中，n為WiFi信號的載波數量，i為發射端的天線數量，j為接收端的天線數量。一幀CSI信號中的每個元素的數值都為復數，復數的實部和虛部分別表示WiFi信號載波的幅度變化與相位變化。其表達式為：

本文使用開源的CSI工具采集WiFi信號，從中獲取CSI信息。CSI采集工具能從Intel 5300網卡中采集WiFi信號并從中提取CSI信息。CSI采集工具可用不同的鏈路提取帶寬為20MHz的30組不同載波的CSI信息。采集WiFi信息時，使用雙天線的WiFi路由器作為信號發射端，以100 Hz的速度向外發送WiFi數據。使用帶Intel 5300網卡且安裝有CSI信號采集工具的Linux電腦作為信號接收端，Intel 5300網卡的WiFi天線數量為3。

由于缺乏公開的相關領域數據集，因此在采集CSI信號時，技術人員還需對CSI信號進行標注。本文在采集CSI信號時同步使用攝像頭采集視頻幀，通過圖像方法OpenPose從視頻幀中獲取當前場所內的人數作為CSI信號的標注，CSI信號與標注之間使用時間戳進行對齊。

1.2 網絡框架整個網絡的框架如圖1所示，整體可以分為去噪模塊、編碼器以及解碼器3個模塊。

在路由器發射WiFi時，由于路由器的成本限制，并不能保證以穩定的功率向外發射WiFi信號，其功率在一個小范圍內隨機波動。除此之外，由于發射端與接收端之間的數據傳遞速率并非完全同步，這個過程可能存在著接收端延遲采樣導致的WiFi信號上的相位偏移。功率的隨機波動以及WiFi信號的相位偏移表現在CSI信號上就是在實部與虛部上的隨機噪聲。傳統的平滑去噪方法能夠單獨去掉CSI信號在實部上或虛部上的噪聲，但由于是對實部或虛部的噪聲分別進行處理，會導致信號的實部與虛部之間關聯丟失。CSI信號的實部與虛部之間是相互影響的，WiFi信號的相位變化也會對WiFi信號的幅度造成影響，因此進行去噪時應該盡可能地保留CSI信號的實部與虛部之間的關聯。

CSI-ratio信號^［6］可以通過原始采集到的CSI信號計算轉化而來，原始的CSI信號轉換到CSI-ratio信號的本質是莫比烏斯變換，其利用莫比烏斯變換的保圓性，在去噪的同時保留了CSI信號的實部與虛部之間的關聯。CSI信號到CAI-ratio信號的轉換公式如下：

其中，i與j為相鄰鏈路。在去噪模塊消除掉CSI信號上的噪聲后，由編碼器網絡對CSI信號中的深層特征進行提取。由于WiFi信號在室內進行傳播時，人體運動將導致傳播環境發生改變，導致信號的傳播路徑改變，最終對CSI信號中的實部與虛部造成影響。因此，編碼器主要是提取CSI信號變化中與室內人體信息相關部分的特征。

CSI信號的載波數量遠大于接收端的天線數量與發射端的天線數量。因此，解碼器的本質是一個生成器模塊，以CSI信號的載波數量作為初始的特征層數量，以發射端與接收端的天線數量作為每一個特征層的數據尺寸。通過7層逆卷積層將CSI信號轉換為尺寸為3×224×224矩陣，并在其后附加兩層卷積核大小為3，步長為1的卷積層。編碼器模塊中的每一層逆卷積層與卷積層之間都使用ReLu激活函數進行非線性映射，得到的深層特征信息為3×224×224的矩陣。

解碼器模塊負責從深層特征中提取人員數量信息。該模塊使用Res-Net作為從深層特征提取人員數量信息的主干網絡，大量的特征數據提取工作已經在編碼器部分完成。因此，該Res-Net網絡僅包含1個Res-Net Block塊。在經過Res-Net的數據進行平鋪后，利用一層線性回歸層轉換為1個具體的數字，該數字即為對應的室內人員數量。

1.3 損失函數人員數量作為離散值，使用分類常見的交叉熵損失函數可能會得到更加精準的結果，但將系統設計為分類模型，則該系統可統計到的人員數量會受訓練時的分類數量限制。因此，該系統被設計為回歸模型。當使用更為常用的MSE損失時，會存在模型訓練后期收斂較慢的問題，因此使用L1損失來對網絡模型進行優化。

其中，L表示計算得出的損失值，n為樣本數量，g_i表示對應樣本的真實值，p_i為對應樣本的預測值。

2 實驗結果及分析本文提出的方法使用自行采集到的CSI數據集進行訓練與驗證，該數據集包含了室內場景的不同人數下的CSI信號數據，數據集共有3 885幀CSI數據以及對應的人數標注；其中，70%的數據用于訓練模型，30%的數據用于評估模型。

2.1 實驗細節本文提出的方式使用PyTorch進行實現，網絡的訓練過程中是同Adam優化器對網絡權重以及學習速率進行調整，初始學習率為0.001，批大小為16。訓練過程中使用RTX3060進行訓練，網絡共進行了10次迭代，每次迭代耗時24s左右。在性能較弱的設備上仍能進行快速迭代，證明該方法所需要的計算性能較低，有利于普及使用。

2.2 實驗結果數據集的驗證集下的整體實驗結果如表1所示。表1中的每列表示從圖像方法得到的標簽值，每行表示利用網絡從WiFi信號中獲取到的預測值，每個數據都是對應情況的出現次數。

從表中可知，在訓練集共1 165組數據中，網絡共1 073次得到正確結果，整體正確率為92%。具體分析情況，當室內人數為0到3人時，正確率分別為96%，94%，91%，84%。由結果可得，到室內人數增加時，網絡從WiFi信號中提取出正確室內人員數量的難度增加，這是由于當室內人數增加時，對WiFi信號的干擾相互疊加。若將結果分為室內有人與無人兩種情況，網絡判斷室內是否存在人員的正確率上升到99%，證明室內存在人員活動時，對于WiFi信號的干擾十分明顯。綜上所述，實驗結果表明使用WiFi進行室內人員計數具備可行性。本文提出的方法在應用于室內人員計數時，具有較高的準確度。

3 結語

本文提出了一種使用WiFi信號進行室內人員計數的方法。通過提取WiFi信號的CSI信息，利用神經網絡提取CSI信號中由于人體運動導致的不同鏈路不同載波上的信號變化差異之間的關聯，初步實現了使用WiFi信號進行室內人員計數的目的，驗證了將WiFi信號用于室內人員計數的可行性。

參考文獻

［1］曹偉東.機器視覺在建筑升降機中人員計數的運用［D］.上海：東華大學，2016.

［2］易金橋，黃勇，廖紅華，等.熱釋電紅外傳感器及其在人員計數系統中的應用［J］.紅外與激光工程，2015（4）：1186-1192.

［3］龔偉.基于毫米波雷達的人數統計、姿態識別及跟蹤系統的設計和實現［D］.武漢：華中科技大學，2020.

［4］陳思.基于視頻監控的室內人員計數方法研究［D］.合肥：安徽建筑大學，2019.

［5］王翠翠.基于俯視視頻的室內人員計數方法研究［D］.合肥：安徽建筑大學，2021.

［6］ZENG Y，WU D，XIONG J，et al.Boosting WiFi sensing performance via CSI ratio［J］.IEEE Pervasive Computing，2020（1）：62-70.

（編輯 王永超）

Counting method of indoor people based on WiFi signal

Chen? Zhiguo

（Xihua University， Chengdu 610039， China）

Abstract：? In order to solve the problem of inaccurate counting caused by occlusion in image-based indoor people counting method， and the problem of high hardware cost and usage limit in the indoor people counting method based on infrared sensor and wireless sensor， a method of using existing WiFi device to count indoor people is proposed. By collecting indoor WiFi signal data and extracting channel state information （CSI）， the network can learn the relationship between WiFi signal change and the number of indoor people， calculate the number of indoor people. Due to the lack of relevant open-source datasets， the network was evaluated on the datasets collected by authors. The results shown that the method proposed in this paper can obtain accurate counting results.

Key words： indoor people counting; WiFi signal; CSI; wireless perception