一種基于WiFi的室內(nèi)重點(diǎn)區(qū)域監(jiān)測(cè)方法

黨小超,張 彤,郝占軍,段 渝

1(西北師范大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院,蘭州 730070)2(甘肅省物聯(lián)網(wǎng)工程研究中心,蘭州 730070)

1 引 言

現(xiàn)如今位置信息的獲取與分析在社會(huì)生活中有著重要價(jià)值.不同于傳統(tǒng)戶外定位,室內(nèi)定位由于其環(huán)境復(fù)雜,影響因素較多,因此,選擇合適的技術(shù)來(lái)實(shí)現(xiàn)室內(nèi)區(qū)域監(jiān)測(cè)與人員位置感知已成為當(dāng)下研究的熱點(diǎn)[1,2].現(xiàn)今主流室內(nèi)定位技術(shù)包括RFID[3]、UWB[4]和WiFi等.通過提取WiFi信號(hào)對(duì)室內(nèi)人員的位置信息和行為活動(dòng)的感知研究已經(jīng)取得了初步成果,并在室內(nèi)定位,人員動(dòng)作識(shí)別,入侵檢測(cè)等領(lǐng)域廣泛應(yīng)用.使用WiFi設(shè)備獲取室內(nèi)位置信息,實(shí)現(xiàn)室內(nèi)區(qū)域監(jiān)測(cè)在多個(gè)方面都有良好的發(fā)展前景,可應(yīng)用于銀行金庫(kù)、博物館、美術(shù)畫廊、機(jī)房等室內(nèi)重點(diǎn)區(qū)域的監(jiān)測(cè).

傳統(tǒng)無(wú)設(shè)備定位使用信號(hào)接收強(qiáng)度(Received Signal Strength Indication,RSSI)實(shí)現(xiàn),文獻(xiàn)[5]中Uises等人利用藍(lán)牙信標(biāo)來(lái)設(shè)計(jì)基于RSSI的室內(nèi)定位系統(tǒng),提高了識(shí)別精度,但是需要搭建專用傳感器網(wǎng)絡(luò),增加了額外設(shè)備.文獻(xiàn)[6]中田等人從WiFi設(shè)備中提取RSSI并建立離線指紋庫(kù),提出指紋數(shù)據(jù)分級(jí)方法提高匹配效率,但未能良好控制在誤差,且定位精準(zhǔn)度有待提高.文獻(xiàn)[7]中桑等人將支持向量機(jī)(Support Vector Machines,SVM)應(yīng)用于基于RSSI的室內(nèi)定位方法,有效地控制了誤差范圍并提高了定位精準(zhǔn)度,但基于RSSI技術(shù)的室內(nèi)定位與識(shí)別在傳輸過程中受多徑效應(yīng)影響大,信號(hào)易被干擾,導(dǎo)致識(shí)別精度下降.

文獻(xiàn)[8]考慮室內(nèi)復(fù)雜環(huán)境對(duì)WiFi信號(hào)的影響,通過基于CSI的指紋特征定位提高了定位精度,但系統(tǒng)整體穩(wěn)定性不高,對(duì)實(shí)驗(yàn)環(huán)境依賴較大.文獻(xiàn)[9,10]中在對(duì)室內(nèi)人員行為識(shí)別和室內(nèi)精準(zhǔn)定位的研究中,使用主成分分析(principal component analysis,PCA)法提取數(shù)據(jù)特征,分別提出FreeSense和R-TTWD方法,極大提高了特征提取的精準(zhǔn)度,確保了特征劃分的準(zhǔn)確性.文獻(xiàn)[11]提出一種LiFS算法,過將多個(gè)無(wú)線鏈路的CSI測(cè)量建模為一組基于功率衰落的方程來(lái)估計(jì)位置,并利用受多徑影響的子載波進(jìn)行定位.以上文獻(xiàn)在對(duì)室內(nèi)人員進(jìn)行定位和進(jìn)行室內(nèi)區(qū)域劃分的過程中很好地利用了技術(shù)特性,但是系統(tǒng)中還是存在環(huán)境適應(yīng)性差,定位精度不足,區(qū)域監(jiān)測(cè)識(shí)別率不高等問題.

針對(duì)傳統(tǒng)CSI的室內(nèi)定位存在的問題,本文提出一種Wi-KAM(Key Area Monitoring based on WiFi)算法,通過實(shí)時(shí)獲取室內(nèi)人員定位信息,判斷室內(nèi)重點(diǎn)區(qū)域內(nèi)部人員存在和邊界入侵情況,實(shí)現(xiàn)對(duì)室內(nèi)重點(diǎn)區(qū)域的監(jiān)測(cè).本文貢獻(xiàn)在于,采用高斯低通濾波和PCA技術(shù)對(duì)信號(hào)進(jìn)行處理,極大提高信號(hào)特征精準(zhǔn)度,用LSSVM對(duì)特征信息進(jìn)行訓(xùn)練分類,優(yōu)化本地性能,提高了定位精度和識(shí)別準(zhǔn)確率.在實(shí)驗(yàn)部分,本文還測(cè)試了不同場(chǎng)景和參數(shù)條件下算法性能的區(qū)別,并與其他方法進(jìn)行比較,實(shí)現(xiàn)綜合性能評(píng)估.

2 Wi-KAM室內(nèi)重點(diǎn)區(qū)域監(jiān)測(cè)方法

本文提出的室內(nèi)重點(diǎn)區(qū)域監(jiān)測(cè)方法基于WiFi定位技術(shù)實(shí)現(xiàn)[12],需要獲取人員實(shí)時(shí)精準(zhǔn)的位置信息,以此判斷各區(qū)域內(nèi)人員狀態(tài)變化,做出進(jìn)一步反饋.CSI是對(duì)信號(hào)傳輸中所經(jīng)歷的衰減因子的描述,可以更精準(zhǔn)地反映位置信息與區(qū)域狀態(tài)的變化[13,14](1)http://kns.cnki.net/kcms/detail/11.1826.TP.20181012.1412.002.html.

圖1 不同位置的原始CSI數(shù)據(jù)Fig.1 Raw CSI data at different locations

圖1為人員位于同一實(shí)驗(yàn)場(chǎng)景中不同位置的CSI數(shù)據(jù)圖像,每幅圖包含3條鏈路的CSI幅值信息,不同位置采樣獲得的CSI有明顯區(qū)別,可確定通過CSI數(shù)據(jù)進(jìn)行位置判別是切實(shí)可行的.

本文對(duì)重點(diǎn)區(qū)域的定義為室內(nèi)人為規(guī)定界限并賦予特殊存在價(jià)值的小面積區(qū)域,其劃分標(biāo)準(zhǔn)根據(jù)實(shí)際場(chǎng)景的變化人為指定,重點(diǎn)區(qū)域監(jiān)測(cè)旨在判斷區(qū)域內(nèi)人員存在情況與人員實(shí)際位置.

圖2 Wi-KAM算法流程圖Fig.2 Algorithm flowchart of Wi-KAM

Wi-KAM方法通過獲取室內(nèi)人員實(shí)時(shí)位置信息,判斷重點(diǎn)區(qū)域內(nèi)是否有人員存在或者區(qū)域邊界是否有人員入侵.通過判斷區(qū)域內(nèi)部及周邊的人員位置與活動(dòng)信息,由外部系統(tǒng)提出進(jìn)一步響應(yīng),進(jìn)而來(lái)完成對(duì)室內(nèi)重點(diǎn)區(qū)域的監(jiān)測(cè)工作,Wi-KAM方法流程如圖2所示.

在離線階段使用高斯低通濾波對(duì)采集到的CSI位置數(shù)據(jù)進(jìn)行預(yù)處理,隨后在處理信號(hào)上使用PCA算法[15]提取特征值,并利用特征數(shù)據(jù)建立位置指紋數(shù)據(jù)庫(kù),在線階段采集測(cè)試點(diǎn)的CSI數(shù)據(jù)并使用LSSVM[16]算法與指紋庫(kù)信息進(jìn)行位置匹配,以此來(lái)獲取室內(nèi)人員實(shí)時(shí)位置信息,從而判斷各測(cè)試區(qū)域人員狀態(tài),實(shí)現(xiàn)對(duì)重點(diǎn)區(qū)域狀態(tài)監(jiān)測(cè).

2.1 數(shù)據(jù)預(yù)處理與特征提取

2.1.1 高斯低通濾波處理

原始CSI數(shù)據(jù)受環(huán)境和采樣設(shè)備影響,需要進(jìn)行預(yù)處理用以降低干擾.人體位置信息反饋回的頻域信號(hào)通常需要進(jìn)行高斯低通濾波處理,針對(duì)于高斯噪聲符合正態(tài)分布的特性,在此使用高斯濾波可以對(duì)實(shí)現(xiàn)對(duì)噪聲的良好處理.首先,在室內(nèi)進(jìn)行區(qū)域劃分,選擇出重點(diǎn)監(jiān)測(cè)區(qū)域和普通監(jiān)測(cè)區(qū)域,在劃分好的各區(qū)域內(nèi)選定N個(gè)位置參考點(diǎn),各個(gè)參考點(diǎn)的位置信息可記為pi=(xi,yi),則其形成的區(qū)域位置信息空間為p=(p1,p2,…,pN).在同一位置點(diǎn)上的取樣次數(shù)記為T,則CSI的樣本位置信息為Ki=(CSIi1,CSIi2,…,CSIiT),其中T維向量Ki為在采樣點(diǎn)i位置獲取的CSI數(shù)據(jù)包,每一個(gè)數(shù)據(jù)包為3×2×56的矩陣,則整體可以構(gòu)成T·N維空間K,其中行向量K=(K1,K2,…,KN)T為位置參考Pi的特征信息.在獲得采集的CSI數(shù)據(jù)后,高斯濾波通過對(duì)小概率的突變干擾項(xiàng)進(jìn)行剔除操作來(lái)實(shí)現(xiàn)信號(hào)的平滑處理,其波形函數(shù)模型為:

(1)

φ[CSI(t)]表示t時(shí)刻接收端采集到的CSI的概率,其中：

(2)

(3)

T為采樣總次數(shù),μ為t時(shí)刻接收端采集的CSI數(shù)據(jù)的均值,σ為標(biāo)準(zhǔn)差.通過對(duì)CSI信號(hào)進(jìn)行低通濾波,可有效去除環(huán)境噪聲影響,降低數(shù)據(jù)誤差.

對(duì)原有位置參考點(diǎn)的指紋信息進(jìn)行低通濾波處理后,可得到降噪后的數(shù)據(jù)矩陣向量如式(4)所示：

(4)

圖3 高斯低通濾波處理前后對(duì)比Fig.3 Comparison before and after Gaussian low-pass filtering

圖3為第20號(hào)位置第2天線30個(gè)數(shù)據(jù)包的單條天線CSI原始數(shù)據(jù)和經(jīng)過高斯低通濾波處理的圖像.

由圖3可以看到,原始CSI信號(hào)波形存在高頻毛刺,數(shù)據(jù)在某些區(qū)域會(huì)呈現(xiàn)過度緊密地堆積,此類異常會(huì)影響后續(xù)實(shí)驗(yàn)的精度,經(jīng)過濾波處理后,高頻異常被剔除,整體信號(hào)曲線走勢(shì)平緩光滑.

2.1.2 CSI位置特征的提取

考慮到CSI數(shù)據(jù)集本身為高維度信息,其高維度會(huì)導(dǎo)致算法時(shí)間復(fù)雜性提升,且各個(gè)維度對(duì)區(qū)域人員存在檢測(cè)和定位的貢獻(xiàn)度不同,則使用PCA算法提取最高貢獻(xiàn)度的特征成分,以此為依據(jù)建立離線指紋庫(kù),主要處理步驟如下:

Step 1.獲得式(4)所示的低通濾波預(yù)處理后數(shù)據(jù)矩陣向量.

(5)

Step 3.使用矩陣K′列向量減去μ,實(shí)現(xiàn)中心化處理,得到矩陣δ,計(jì)算的δ協(xié)方差矩陣如下式:

(6)

(7)

Step 4.計(jì)算F的特征值,解‖F(xiàn)-λI‖=0,若λi為V的一個(gè)特征值,則存在特征向量xi滿足Vxi=λixi,解得xi為F對(duì)于λi的特征向量,N個(gè)特征值與特征向量組成矩陣φ=[x1,x2,…,xN].

Step 6.將前h個(gè)主成分依照大小輸出,定義第i個(gè)主成分的特征貢獻(xiàn)率wi,由此計(jì)算累計(jì)貢獻(xiàn)率Ci,如下式:

(8)

Step 7.取特征值的累計(jì)貢獻(xiàn)率超過門限值Cc的對(duì)應(yīng)特征向量,使其組成主成分矩陣D=(D1,D2,…,DN)T,進(jìn)而對(duì)其中向量Di進(jìn)行加權(quán)平均,獲得向量d=(d1,d2,…,dn)做為位置指紋的特征數(shù)據(jù),建立離線指紋數(shù)據(jù)庫(kù).

根據(jù)上述步驟,PCA處理效果如圖4所示.

圖4 PCA算法處理前后圖像Fig.4 PCA algorithm processing before and after images

圖4(a)為圖3(b)為使用PCA處理后的得分矩陣特征波形,圖4(b)為PCA得分矩陣進(jìn)行加權(quán)平均后得到的特征波形.圖像結(jié)果表明低通濾波數(shù)據(jù)經(jīng)過PCA處理后,波形收束相比之前更加緊密,提取得到的新波形在保留原有數(shù)據(jù)特征的情況下,自身幅值細(xì)節(jié)信息更加明顯,在對(duì)多條特征數(shù)據(jù)進(jìn)行加權(quán)平均后,可將單個(gè)位置點(diǎn)的一次采樣信息凝練為一組有效特征波形,以提高后續(xù)樣本訓(xùn)練與分類的效率和精度.

2.2 離線訓(xùn)練與在線分類

2.2.1 LSSVM離線訓(xùn)練

對(duì)同一位置多次采樣后,獲得足夠特征指紋,建立離線位置指紋庫(kù),其描述了指定環(huán)境中CSI信息與采樣位置的關(guān)系.使用LSSVM算法訓(xùn)練樣本,建立特征位置關(guān)系的映射.

對(duì)指紋庫(kù)中人員位置樣本進(jìn)行訓(xùn)練,設(shè)q為訓(xùn)練樣本數(shù),構(gòu)建訓(xùn)練樣本(di,gi),其中di=(di1,di2,…,diq)為經(jīng)過PCA處理后的各個(gè)采樣位置點(diǎn)的特征樣本數(shù)據(jù)集,gi∈(+1,-1)為樣本分類標(biāo)簽,+1表示位置點(diǎn)人員存在,-1表示位置無(wú)人.訓(xùn)練模型使用數(shù)據(jù)集{(di,gi)|i=1,2,…,q}為樣本,目的是確定gi的值,從而判斷各個(gè)位置是否有人員存在,通過比對(duì)分類,從而獲得人員實(shí)時(shí)位置,判斷重點(diǎn)區(qū)域內(nèi)部及周邊人員存在情況.LSSVM處理過程為:

已知樣本集(di,gi),基于最小化原則,建立優(yōu)化函數(shù)如下:

s.t.gi=wT·φ(di)+b+ηi,i=1,2,…,q

(9)

(10)

公式(14)中,w為分離超平面的方向向量,b為超平面位置常數(shù),C為懲罰參數(shù),ηi為誤差,這里引入拉格朗日函數(shù)將原問題轉(zhuǎn)化為對(duì)偶問題進(jìn)行優(yōu)化,函數(shù)式為:

(11)

公式(11)中αi為拉格朗日乘子,利用拉格朗日優(yōu)化條件,將公式(11)轉(zhuǎn)化為如下線性方程組:

(12)

其中K(di,dj)是將CSI指紋映射到更高維度的核函數(shù),選擇徑向基函數(shù)作為核函數(shù),則K(di,dj)=exp(-‖di-dj‖2/2δ2),其中δ為核參數(shù).

將指紋庫(kù)中的位置數(shù)據(jù)作為訓(xùn)練樣本輸入,對(duì)公式(12)進(jìn)行線性求解,獲得αi=(α1,α2,…αq)T與b,為在線匹配所使用決策函數(shù)提供參數(shù)支持.

2.2.2 在線匹配

在本方法的在線階段旨在判斷區(qū)域內(nèi)人員存在并估計(jì)人員具體位置.通過設(shè)備將對(duì)室內(nèi)每個(gè)測(cè)試點(diǎn)的實(shí)時(shí)人員活動(dòng)情況的CSI數(shù)據(jù)進(jìn)行采集,獲得測(cè)試點(diǎn)的CSI信息,發(fā)送給接收設(shè)備,進(jìn)行數(shù)據(jù)預(yù)處理操作,提取出有效數(shù)據(jù)特征,使用LSSVM算法線數(shù)據(jù)信息實(shí)時(shí)匹配與分類決策.根據(jù)分類結(jié)果判斷人員所處真實(shí)位置,并將與重點(diǎn)區(qū)域所在相對(duì)位置進(jìn)行對(duì)比,判斷人員存在情況并實(shí)現(xiàn)定位.

實(shí)現(xiàn)在線分類的關(guān)鍵在于利用公式(12)求解獲得的參數(shù),構(gòu)建決策函數(shù)如公式(13)所示:

(13)

其中,di和d分別為訓(xùn)練樣本數(shù)據(jù)與測(cè)試樣本數(shù)據(jù),且當(dāng)f(d)>0時(shí),人員在對(duì)應(yīng)位置存在,當(dāng)f(d)<0時(shí),對(duì)應(yīng)位置無(wú)人存在.以此為依據(jù),則在線階段步驟如下:

Step 1.實(shí)時(shí)獲取人員在測(cè)試位置的CSI數(shù)據(jù),并進(jìn)行數(shù)據(jù)預(yù)處理提取特征信息;

Step 2.構(gòu)建測(cè)試樣本集(dh,gh),h為測(cè)試位置編號(hào),dh為已提取特征信息的測(cè)試集;

Step 3.使用LSSVM進(jìn)行分類處理,按位置點(diǎn)序號(hào)順序使用式(17)決策函數(shù)根據(jù)指紋數(shù)據(jù)庫(kù)對(duì)當(dāng)前位置點(diǎn)人員存在情況判斷;

Step 4.根據(jù)決策信息,若位置匹配成功,則輸出當(dāng)前人員真實(shí)位置,否則返回Step 3繼續(xù)進(jìn)行分類.

根據(jù)獲得的位置坐標(biāo)與重點(diǎn)區(qū)域位置信息進(jìn)行比對(duì)判斷重點(diǎn)區(qū)域內(nèi)部人員存在情況及人員準(zhǔn)確位置,判斷存在情況,獲得人員真實(shí)位置,實(shí)現(xiàn)對(duì)重點(diǎn)區(qū)域人員位置的監(jiān)測(cè).

3 實(shí)驗(yàn)驗(yàn)證與性能分析

3.1 實(shí)驗(yàn)環(huán)境

為驗(yàn)證本文中算法可行性及性能,選擇在實(shí)際場(chǎng)景中進(jìn)行實(shí)驗(yàn),實(shí)驗(yàn)場(chǎng)地分別為兩部分,通過不同實(shí)驗(yàn)環(huán)境對(duì)比,測(cè)試算法的精確性與魯棒性.

在本實(shí)驗(yàn)中,主要依靠人為劃分手段事先在室內(nèi)規(guī)劃出特定區(qū)域作為重點(diǎn)區(qū)域,以此進(jìn)行后續(xù)實(shí)驗(yàn)驗(yàn)證.第一個(gè)實(shí)驗(yàn)場(chǎng)景是的規(guī)格為8m×12m的實(shí)驗(yàn)室,場(chǎng)地中事先布置好5×5規(guī)格的網(wǎng)格,每個(gè)網(wǎng)格長(zhǎng)寬尺寸為0.8m×0.8m,共計(jì)設(shè)計(jì)25個(gè)采樣點(diǎn),實(shí)驗(yàn)室內(nèi)置多個(gè)實(shí)驗(yàn)設(shè)備和辦公用具,布局緊湊,測(cè)試多徑效應(yīng)對(duì)實(shí)驗(yàn)影響.實(shí)驗(yàn)室平面圖和實(shí)景圖如圖5所示.

圖5 實(shí)驗(yàn)室平面布置圖和環(huán)境Fig.5 Laboratory floor plan and environment

第二個(gè)實(shí)驗(yàn)場(chǎng)地是規(guī)模為11m*16m的大廳,其布局較為空曠,沒有明顯的障礙物干擾,其布局圖和實(shí)景圖如圖6所示.

圖6 大廳平面布置圖和環(huán)境Fig.6 Hall floor plan and environment

實(shí)驗(yàn)通過兩套安裝了Atheros AR9380 型號(hào)網(wǎng)卡的設(shè)備采集CSI數(shù)據(jù),機(jī)器使用Intel Core i3-4150型號(hào)CPU和Ubuntu11.04操作系統(tǒng),將其中一臺(tái)設(shè)為發(fā)射機(jī)MP,另一臺(tái)設(shè)為接收機(jī)AP,天線觸點(diǎn)使用6DB高增益天線接出,高度設(shè)為1.2m,其中三根發(fā)射天線,兩根接收天線.

3.2 性能分析

3.2.1 不同實(shí)驗(yàn)場(chǎng)景的定位精度分析

在本節(jié)實(shí)驗(yàn)中,通過設(shè)計(jì)兩個(gè)不同實(shí)驗(yàn)場(chǎng)景進(jìn)行對(duì)比實(shí)驗(yàn),分析算法執(zhí)行情況.在擁有障礙物的擁擠實(shí)驗(yàn)環(huán)境中,多徑效應(yīng)會(huì)直接影響CSI信號(hào)的傳播路徑,提升CSI數(shù)據(jù)空間分布的復(fù)雜度,影響數(shù)據(jù)的進(jìn)一步處理工作.每個(gè)場(chǎng)景分別選擇25個(gè)位置采樣點(diǎn),采用第x條天線的鏈路的CSI幅值信息作為特征成分,通過對(duì)Wi-KAM算法分別對(duì)兩個(gè)實(shí)驗(yàn)場(chǎng)景中的采樣數(shù)據(jù)進(jìn)行在線分類處理,將識(shí)別分類結(jié)果進(jìn)行可視化匯總分析,使用獲得的分類位置匹配情況得混淆矩陣來(lái)進(jìn)一步驗(yàn)證實(shí)驗(yàn)效果.

圖7為在實(shí)驗(yàn)室場(chǎng)景中和在大廳場(chǎng)景中的位置分類匹配情況.

圖7 兩種場(chǎng)景下定位效果混淆矩陣圖Fig.7 Positioning effect confusion matrix diagram in two scenarios

由圖7可知,在障礙物較多,場(chǎng)地相對(duì)擁擠的實(shí)驗(yàn)環(huán)境中,位置點(diǎn)的識(shí)別效果相對(duì)于大廳空曠環(huán)境較為不佳,在此環(huán)境下某些位置點(diǎn)如9,11,12等易與相鄰位置點(diǎn)混淆,使得在易混淆點(diǎn)附近設(shè)置重點(diǎn)區(qū)域時(shí),算法對(duì)重點(diǎn)區(qū)域內(nèi)是否有人員活動(dòng)的情況產(chǎn)生不準(zhǔn)確判斷.而在大廳實(shí)驗(yàn)場(chǎng)景中,由于環(huán)境條件較為理想,干擾因素小,因而算法的在線分類匹配效果較為精確.綜合對(duì)比,環(huán)境的復(fù)雜程度會(huì)對(duì)定位精度產(chǎn)生一定影響,環(huán)境復(fù)雜度越低,定位效果越好.

3.2.2 重點(diǎn)區(qū)域劃分對(duì)定位精度的影響

在實(shí)現(xiàn)了室內(nèi)人員定位的基礎(chǔ)上,可以進(jìn)一步考慮重點(diǎn)區(qū)域與整體室內(nèi)區(qū)域相對(duì)位置因素對(duì)區(qū)域監(jiān)測(cè)和識(shí)別分類的影響.本文使用以下性能指標(biāo)來(lái)評(píng)估識(shí)別精度:

1)假陰率(false negative,FN).表示在實(shí)際監(jiān)測(cè)時(shí),重點(diǎn)區(qū)域內(nèi)有人員存在,而系統(tǒng)誤判為區(qū)域內(nèi)無(wú)人的情況.

2)真陽(yáng)率(True Positive,TP).表示正確判別出重點(diǎn)監(jiān)測(cè)區(qū)域內(nèi)有人員存在的情況.

3)檢測(cè)率(Detection Rat,DR).表示系統(tǒng)正確判斷了所監(jiān)測(cè)的重點(diǎn)區(qū)域內(nèi)外的人員位置情況,其數(shù)值上等于真陽(yáng)率比上假陰率與真陽(yáng)率之和.

在實(shí)驗(yàn)場(chǎng)景一中,通過控制變量法,保證實(shí)驗(yàn)人員和設(shè)備參數(shù)等環(huán)境因素不變,分別設(shè)置等面積但位置不同的重點(diǎn)區(qū)域進(jìn)行對(duì)比實(shí)驗(yàn).

本實(shí)驗(yàn)中重點(diǎn)區(qū)域的劃分標(biāo)準(zhǔn)為邊長(zhǎng)為0.8m×1.6m的矩形,設(shè)置5組對(duì)照試驗(yàn),進(jìn)行多次位置采樣,使用上述Wi-KAM算法進(jìn)行在線數(shù)據(jù)處理,分別對(duì)識(shí)別結(jié)果進(jìn)行分類討論.在25等劃分方格內(nèi)標(biāo)記出1號(hào)和2號(hào)方格記為1號(hào)重點(diǎn)監(jiān)測(cè)區(qū)域,同理順次標(biāo)記5號(hào)和10號(hào),12號(hào)和13號(hào),16號(hào)和21號(hào),24號(hào)和25號(hào),設(shè)置共計(jì)5組重點(diǎn)區(qū)域,圖8為人員位于3號(hào)重點(diǎn)區(qū)域內(nèi)進(jìn)行實(shí)驗(yàn)測(cè)試的實(shí)景圖.針對(duì)不同位置的定位情況進(jìn)行統(tǒng)計(jì),分析重點(diǎn)區(qū)域劃分位置對(duì)實(shí)驗(yàn)效能的影響.

圖8 不同位置重點(diǎn)區(qū)域檢測(cè)率Fig.8 Detection rate of key areas in different locations

圖8反映出不同監(jiān)測(cè)區(qū)域匹配結(jié)果假陰率和檢測(cè)率的關(guān)系,其中靠近整體區(qū)域中心的3號(hào)重點(diǎn)區(qū)域平均識(shí)別率較高,可以達(dá)到92%左右,分析可得當(dāng)區(qū)域面積一定時(shí),重點(diǎn)區(qū)域位置越靠近總監(jiān)測(cè)區(qū)域中心位置時(shí),由接收機(jī)和發(fā)射機(jī)所形成的傳輸路徑所受多徑效應(yīng)影響越小,則使整體系統(tǒng)的識(shí)別精度的更高.

3.2.3 采樣數(shù)與鏈路數(shù)對(duì)定位精度的影響

CSI數(shù)據(jù)的采樣數(shù)量和鏈路數(shù)量會(huì)直接影響特征指紋庫(kù)的構(gòu)建質(zhì)量和算法運(yùn)行效率,為了判別和分析采樣數(shù)量對(duì)實(shí)時(shí)定位準(zhǔn)確性和區(qū)域監(jiān)測(cè)性能的影響,在兩個(gè)實(shí)驗(yàn)環(huán)境中,在不同場(chǎng)景下設(shè)置對(duì)照試驗(yàn),通過改變參數(shù)判斷實(shí)驗(yàn)效能,并根據(jù)實(shí)驗(yàn)結(jié)果評(píng)估方法的計(jì)算復(fù)雜度.

分別進(jìn)行10、20、40、50、70個(gè)數(shù)據(jù)包的采樣和1到6條鏈路數(shù)量的實(shí)驗(yàn),對(duì)重點(diǎn)區(qū)域人員活動(dòng)識(shí)別率和算法執(zhí)行時(shí)間情況進(jìn)行統(tǒng)計(jì)分析,采樣數(shù)實(shí)驗(yàn)和鏈路數(shù)實(shí)驗(yàn)結(jié)果如圖9和圖10所示.

圖9 采樣數(shù)對(duì)算法的影響Fig.9 Effect of the number of samples on the algorithm

分析圖9可知,在兩種環(huán)境中采樣數(shù)量增加會(huì)提升定位精準(zhǔn)度,同時(shí)增加算法執(zhí)行時(shí)間,影響算法執(zhí)行效率.在空曠大廳環(huán)境中算法執(zhí)行速度和識(shí)別率均略高于實(shí)驗(yàn)室環(huán)境,且隨著采樣數(shù)量提升,兩種環(huán)境下數(shù)值差距降低.當(dāng)采樣數(shù)量處于10到50包之間時(shí),區(qū)域人員位置識(shí)別率與算法時(shí)間持續(xù)上升;當(dāng)采樣數(shù)量處于50到70包之間時(shí),識(shí)別率基本保持在同一水準(zhǔn),趨于穩(wěn)定,但執(zhí)行時(shí)間依舊保持上升,綜合上述結(jié)果,可以推斷選取50包采樣數(shù)量可以在維持較高定位精度的情況下保持算法效率.

如圖10所示,兩種環(huán)境下實(shí)驗(yàn)效能相近,選取提取特征樣本的鏈路數(shù)量增加會(huì)提升算法執(zhí)行時(shí)間和匹配復(fù)雜度.根據(jù)區(qū)域人員識(shí)別效果分析,僅選擇一條鏈路作為特征標(biāo)準(zhǔn)時(shí),識(shí)別率低于20%,鏈路數(shù)量為6條時(shí),識(shí)別率可達(dá)到90%以上,由此可得鏈路數(shù)量對(duì)識(shí)別率的影響顯著且兩者數(shù)值呈正相關(guān)趨勢(shì).本方法為了在盡可能短的時(shí)間內(nèi)提高定位精度和識(shí)別準(zhǔn)確率,需要合適數(shù)量的采樣包數(shù)和盡可能多的鏈路數(shù)量作為分類匹配的樣本支撐.

圖10 鏈路數(shù)量對(duì)算法的影響Fig.10 Number of links affects the algorithm

通過分析上述實(shí)驗(yàn),可以明確采樣數(shù)量和鏈路數(shù)量直接影響計(jì)算復(fù)雜度,且Wi-KAM方法以LSSVM作為分類匹配工具,所以其訓(xùn)練過程復(fù)雜度為O(dn2),其中d為維度數(shù),n為樣本數(shù)量.

3.3 定位誤差分析

由上述三組對(duì)比實(shí)驗(yàn)可以獲得Wi-KAM算法的綜合實(shí)驗(yàn)效能,為對(duì)本算法進(jìn)行綜合評(píng)估,在搭建的實(shí)驗(yàn)環(huán)境中,分別對(duì)Wi-KAM算法,R-TTWD算法和本實(shí)驗(yàn)采用的Wi-KAM算法在實(shí)驗(yàn)室環(huán)境中進(jìn)行實(shí)驗(yàn)驗(yàn)證,構(gòu)建CDF圖來(lái)進(jìn)行對(duì)比分析,討論各個(gè)算法的誤差累計(jì)分布函數(shù).

圖11 定位誤差累積分布Fig.11 Cumulative distribution of positioning error

由圖11可以發(fā)現(xiàn)定位誤差在1米范圍內(nèi),R-TTWD方法優(yōu)于其他兩種方法;定位誤差在1～1.5米的范圍內(nèi)三種方法的累計(jì)誤差分布接近,同時(shí)Wi-KAM方法開始超越R-TTWD方法并優(yōu)于LiFS方法;在超過1.5米的定位誤差后,Wi-KAM方法相較于其他兩種方法有明顯優(yōu)勢(shì),表現(xiàn)出更好的定位優(yōu)勢(shì).

對(duì)比過三種方法在同一環(huán)境下的定位誤差累積分布函數(shù)后,將三種方法在兩個(gè)實(shí)驗(yàn)環(huán)境中的平局誤差、標(biāo)準(zhǔn)誤差及定位精度進(jìn)行對(duì)比,結(jié)果如表1所示.

分析表1中數(shù)據(jù),三種算法在大廳這種空曠環(huán)境中的定位精度略微高于擁擠環(huán)境,且Wi-KAM方法的定位標(biāo)準(zhǔn)誤差控制在1.13m左右,定位精度為76.1%至77.3%.相較于R-TTWD直接使用PCA處理數(shù)據(jù),本文選擇低通濾波與PCA相結(jié)合的方式對(duì)數(shù)據(jù)進(jìn)行預(yù)處理操作,有效過濾了噪聲,降低環(huán)境干擾,使得系統(tǒng)整體的穩(wěn)定性與后期處理的精準(zhǔn)性得到了提升;其次R-TTWD方法側(cè)重于區(qū)域內(nèi)移動(dòng)目標(biāo)的監(jiān)測(cè),而本所提出的重點(diǎn)區(qū)域監(jiān)測(cè)方法在考慮移動(dòng)目標(biāo)監(jiān)測(cè)的同時(shí)兼顧了對(duì)靜態(tài)目標(biāo)進(jìn)行精準(zhǔn)定位,整體環(huán)境適應(yīng)性更好,方法的可應(yīng)用功能和場(chǎng)景更豐富.對(duì)比LiFS方法的離線處理階段,本方法在降低算法復(fù)雜度的同時(shí)提高了定位與識(shí)別效.綜上所述,本方法綜合性能優(yōu)于其他兩種方法.

表1 三種定位方法在兩種環(huán)境下的性能比較
Table 1 Performance comparison of three positioning methods in two environments

定位方法測(cè)試場(chǎng)景平均誤差標(biāo)準(zhǔn)誤差定位精度Wi-KAM實(shí)驗(yàn)室1.30m1.13m76.1%大廳1.22m1.01m77.3%R-TTWD實(shí)驗(yàn)室1.39m1.23m74.8%大廳1.25m1.10m76.6%LiFS室1.44m1.27m72.0%廳1.31m1.16m69.7%

4 結(jié)束語(yǔ)

本文提出一種基于CSI的室內(nèi)重點(diǎn)區(qū)域監(jiān)測(cè)方法,使用位置信息獲取手段,對(duì)重點(diǎn)區(qū)域內(nèi)部和周邊人員活動(dòng)情況進(jìn)行判別.首先,本算法在數(shù)據(jù)預(yù)處理階段使用高斯濾波進(jìn)行降噪處理,其次使用PCA提取過濾后波形主要特征信息,并建立離線特征信息指紋庫(kù).在線階段,對(duì)實(shí)時(shí)獲取的CSI位置數(shù)據(jù)使用LSSVM進(jìn)行分類匹配處理,判定重點(diǎn)區(qū)域內(nèi)人員活動(dòng)情況.在實(shí)驗(yàn)驗(yàn)證中,本文方法在實(shí)驗(yàn)的定位精度可達(dá)到76.1%至77.3%之間,對(duì)于面積約為1.28平方米的重點(diǎn)區(qū)域內(nèi)部及附近的人員活動(dòng)情況的識(shí)別準(zhǔn)確率可以到92%以上,下一步計(jì)劃研究重點(diǎn)區(qū)域內(nèi)人員動(dòng)作信息的獲取與匹配.