一种基于WiFi无接触感知的多人室内定位方法

一种基于wifi无接触感知的多人室内定位方法
技术领域
1.本发明涉及无线通信与感知技术领域，具体涉及一种基于wifi无接触感知的多人室内定位方法，涉及wifi信号中信道状态信息(channel state information，以下简称csi)的特征提取、分离与匹配。


背景技术：

2.随着室内wifi的广泛普及，基于wifi感知的室内定位技术不断发展。相较于现有的其他无线感知技术，基于wifi感知的室内定位技术具有诸多优势，如无需用户佩戴任何设备，可实现无接触定位；wifi热点分布广泛，建立系统无需重建或扩展网络，从而降低应用成本等。另外，本发明所基于的csi是wifi信号的一种重要特征，与传统室内定位技术常用的接收信号强度(received signal strength，以下简称rss)相比，csi可以提供多个子载波幅值和相位差信息，更好地描述信号的传播路径。
3.然而，受限于多人环境下更明显的多径效应，混合有多人位置信息的csi信号往往更加复杂且难以分离，从而导致现有的基于wifi感知的室内定位技术往往局限于单人而无法实现多人定位。


技术实现要素：

4.本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于wifi无接触感知的多人室内定位方法。该方法基于csi进行多人室内定位，首先通过对单人csi信号的收集、预处理、特征提取构建单人离线指纹数据库，所提取的特征反映位置信息；其次，将多人室内定位场景建模为bss问题，并采用robustica对混合的csi信号进行分离；最后，对分离后的信号提取特征，利用knn算法与指纹数据库进行匹配，完成对多个人的无接触感知定位。
5.本发明的目的可以通过采取如下技术方案达到：
6.一种基于wifi无接触感知的多人室内定位方法，所述多人室内定位方法包括：
7.s1、单人离线指纹数据库构建步骤，过程如下：
8.s11、收集单人位于室内各个位置的信道状态信息，以下信道状态信息简称csi；
9.s12、将步骤s11获取到的csi进行数据预处理；
10.s13、对步骤s12预处理后的csi进行降维以及特征提取；
11.s14、通过步骤s13提取得到的特征构建指纹数据库；
12.s2、多人在线定位匹配步骤，过程如下：
13.s21、收集多人位于室内不同位置的csi原始数据(以下简称第一csi数据)以及不存在人的静态背景csi数据(以下简称第二csi数据)；
14.s22、使用步骤s21获取到的第一csi数据减去第二csi数据，得到去除背景静态信号的csi混合信号(以下简称第三csi数据)；
15.s23、将步骤s22中计算得到的第三csi数据的分离问题转化为盲源分离问题(以下盲源分离简称bss)，并使用独立成分分析(以下独立成分分析简称robustica)算法进行分
离，得到含有单人位置特征的第四csi数据；
16.s24、将步骤s23获取到的第四csi数据进行数据预处理；
17.s25、对步骤s24预处理后的第四csi数据进行降维以及特征提取；
18.s26、使用最近邻(以下最近邻简称knn)算法将步骤s25提取的特征和步骤s1中构建的单人指纹数据库进行匹配，得出多人定位中每个目标的位置。
19.进一步地，所述步骤s11中收集单人位于室内各个位置的csi过程如下：在实验场景中固定放置两台配置intel 5300网卡的迷你主机作为发射器和接收器，使单个实验目标分别位于实验场景中的不同位置收集csi，并记录当前位置作为位置标签。其中，收发采用5ghz的wifi信号，相比2.4ghz的wifi信号，其具有稳定性高，不易丢包等特点，能够收集到数据表现更好的csi。
20.进一步地，所述步骤s12的过程如下：
21.s121、使用汉佩尔(以下汉佩尔简称hampel)滤波去除异常点，对离开封闭区间[μ-3*σ,μ+3*σ]的点就当做异常点处理，μ表示一个波形的中位数，σ表示一个波形的中位数绝对偏差；
[0022]
s122、应用小波变换进行降噪，使用4级的“db4”小波变换，并且只使用近似系数来“重构”滤波信号，更好地保留信号中的跃迁，以此完成降噪。
[0023]
进一步地，所述步骤s13的过程如下：
[0024]
采用主成分分析法进行数据降维，提取具有代表性的特征并降低csi数据的维数。其中，特征提取是通过计算提取出具有代表性的特征用来表示每一个位置，具有代表性的特征选自幅度方差、幅度均值、相位差方差、相位差均值、融合特征和频域能量中的一种或多种组合。由于收集到的csi原始数据具有高维度、细粒度的特点，若将全部csi都应用于后续的数据库构建和模型训练，必将造成较大的计算压力和资源浪费，因此数据降维是csi数据预处理中必不可少的步骤之一。
[0025]
进一步地，所述步骤s14中构建指纹数据库的过程如下：
[0026]
将步骤s11中收集到的全部单人csi数据逐个通过步骤s12和步骤s13，获得每一个数据包的位置特征，并以(位置编号，位置特征)的数组数据格式将其存储到数据库中，构建单人离线指纹数据库。单人离线指纹数据库构建完之后，在下一次使用时，仅需要从数据库中进行相关数据的调用，能够以最快的速度进行模型训练，进一步提高定位的速度。
[0027]
进一步地，所述步骤s21中收集第一csi数据以及第二csi数据的过程如下：
[0028]
在室内场景中分别放置一个发射器和一个接收器，收发采用5ghz的wifi信号，固定发射器和接收器的位置，当收集n人原始数据时，使n个实验目标位于实验场景中的n个不同的位置收集csi，并记录n个当前位置作为位置标签，n取值为大于等于2的整数；当收集第二csi数据时，清空实验场景中的所有人进行收集。
[0029]
进一步地，所述步骤s22的过程如下：
[0030]
通过收集第二csi数据用于模拟csi原始信号中的静态部分，使用第一csi数据减去第二csi数据即可抵消绝大部分的静态部分信号，留下真正需要的动态部分用于定位。csi原始信号中往往包括实验环境中的家具、墙壁等静态物体所产生的静态信号和人、运动物体等产生的动态信号两部分，而在本发明中定位主要采用的是人反射和散射产生为主的动态信号。因此，通过该步骤能够减去大部分静态信号对定位的影响，进一步提高定位准确
率。
[0031]
进一步地，所述步骤s23的过程如下：
[0032]
第三csi数据中包含多人的位置信息，且混合方式无从得知，无法通过相关的算法直接计算分离出单人的csi数据。而盲源分离问题恰好就是求一个分离矩阵w，使得观测信号x(t)通过该矩阵，尽量的完全分离出源信号s(t)的各个组成。因此，需要将第三csi数据的分离问题转化为盲源分离问题，通过找到原始混合矩阵的逆的近似，利用独立成分分析算法(以下简称robustica算法)，从收集到的含有多人位置的csi混合信号中，分离得到含有单人位置特征的第四csi数据。
[0033]
进一步地，所述步骤s23中利用独立成分分析算法，通过代数计算步长作为自适应系数全局优化每次迭代中搜索方向上的对比度，从收集到的含有多人位置的csi混合信号中，分离得到含有单人位置特征的第四csi数据的过程如下：
[0034]
s231、对峰度对比度进行精确的线搜索得到全局最优步长；
[0035]
s232、替换最佳根选择准则得到全局最优步长，以提取已知峰度标志的信号源；
[0036]
s233、算法每搜索一次，就通过最小均方误差(mmse)解，计算估计源对观测值的贡献，实现降阶。
[0037]
进一步地，所述步骤s26的过程如下：
[0038]
将步骤s25获取的每个定位目标的位置源信号的特征，通过最近邻算法与步骤s1中构建的单人离线指纹数据库进行特征匹配，得出每个人的位置，完成多人室内定位方法的全部流程。
[0039]
本发明相对于现有技术具有如下的优点及效果：
[0040]
(1)本发明提出基于wifi无接触感知的多人室内定位方法，结合单人室内定位和多人位置信息分离问题，并完善了多人定位环境下csi信号的降噪过程和特征提取过程，实现了基于wifi感知的多人室内定位的突破。
[0041]
(2)针对多目标混合位置csi分离问题，本发明将其建模为bss问题，并采用robustica算法来实现不同目标混合的位置信息的分离，辅助于多人定位系统。
[0042]
(3)本发明提取csi的幅值和相位差作为特征，并采用典型相关分析获取融合特征，使得提取得到的位置特征更具代表性，更加鲁棒。
附图说明
[0043]
此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0044]
图1是本发明实施例提供的单人离线指纹数据库构建阶段框图；
[0045]
图2是本发明实例提供的多人在线定位匹配阶段框图；
[0046]
图3是本发明实施例提供的基于wifi无接触感知的多人室内定位方法框图；
[0047]
图4是本发明实施例提供的实验场景图。
具体实施方式
[0048]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是
本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0049]
实施例
[0050]
如图3所示本实施例提出的一种基于wifi无接触感知的多人室内定位方法的流程图，过程如下：首先通过对csi信号进行收集、预处理、特征提取构建单人离线指纹数据库，所提取的特征反映位置信息；其次，将多人室内定位场景转化为bss问题，并采用robustica算法对混合的csi信号进行分离；最后，对分离后的信号提取特征，利用knn算法与指纹库进行匹配，完成对多个人的无接触感知定位。下面具体介绍各个步骤：
[0051]
t1、csi数据收集
[0052]
本实施例分别在单人离线指纹数据库构建步骤中收集单人离线csi数据，在多人在线定位匹配阶段收集多人混合csi数据以及静态背景csi。
[0053]
在图4所示实验环境内划出一3m*3m的实验区域，并在两侧中央放置两台搭载intel 5300网卡的迷你主机，一台作为wifi信号的发射器(tx)，另一台作为用于数据传输的接收器(rx)，其中每台迷你主机都配备三根天线。实验区域被均分成5*5共25个位置，让实验志愿者站立在实验环境中保持静止收集实验数据，重复5轮，则对每一位实验志愿者可以收集得到共25*5组数据。收集csi的过程中，每个天线记录30个子载波，设置收集的频率为200hz，即每秒接收200个csi数据包，依次收集在每一个位置上的5s内的数据，则收集到的csi数据维度为：3*3*30*1000。
[0054]
t2、数据预处理
[0055]
由于信道干扰、噪声和多径效应，使得csi原始值在一个范围内动态变化，这将显著降低wifi的感知性能。因此在生成特征指纹之前，需要对原始的csi数据进行预处理，具体包括：
[0056]
t201、hampel滤波。hampel滤波能够去除异常点，离开封闭区间[μ-3*σ,μ+3*σ]的点就当做异常点处理，μ表示一个波形的中位数，σ表示一个波形的中位数绝对偏差。
[0057]
t202、小波变换。应用小波变换进行降噪，更好地保留信号中的跃迁。信号通过小波变换之后能够获得近似系数和细节系数，其中近似系数是指低频信息，而细节系数是指高频信息。具体而言，使用4级的“db4”小波变换，并且只使用近似系数来“重构”滤波信号，以此完成降噪。
[0058]
t3、数据降维与特征提取
[0059]
具体应用中，该步骤具体为：
[0060]
t301、数据降维
[0061]
考虑到获取的csi可能有较高的维数，而高维度会导致计算过于繁杂且每个维度可能对室内定位有不同的贡献，因此本实施例应用主成分分析算法，以下简称pca，提取具有代表性的特征并且降低csi数据的维数。对于降维，对csi矩阵h采用pca，得到旋转矩阵t、转化矩阵s和呈降序的特征权重ω＝(ω1,ω2,
…
,ωj,
…
ω
l
)。定义前i行累积贡献率ci[0062]
如下：
[0063]
当ci大于预定的阈值时，取转化矩阵s的前i行作为主成分。
[0064]
t302、特征提取
[0065]
对预处理后的csi数据提取出幅度的方差、幅度的均值、相位差的方差、相位差的均值、第一融合特征z1、第二融合特征z2、频域的能量等能够表示位置特征的数据。具体如下：
[0066]
结合滑动窗口大小w，子载波数量n
sub
，以及所需的csi的数据hj(幅度或相位差)，由以下式子可得幅度与相位差的均值α为：
[0067][0068]
由以下式子可得幅度与相位差的方差β为：
[0069][0070]
利用典型相关分析(cca)求得线性矩阵a＝u
t
x和b＝v
t
y使得幅度与相位差的均值α和方差β所组成的特征集的相关性ρ最大，其中cov(a,b)表示矩阵a和b的协方差，var表示求得矩阵的方差。
[0071][0072]
之后，通过求得变换矩阵，可将幅度与相位差的均值α和方差β进行融合，使特征信息最大化。特征融合被定义为通过转换后的特征向量的连接或求和得到的组合特征：
[0073][0074][0075]
z1、z2即为所得的第一融合特征z1、第二融合特征z2。
[0076]
频域的能量e：将信号进行傅立叶变换后，可以得到信号所对应的频谱，频谱(当能量有限，平均功率为0时称为能量谱)的平方描述了信号能量在各个频率上的分布大小，故信号不同时，其在各个频率上的能量分布也不同，对信号f(t)，其能量的具体计算如下：
[0077]
t4、指纹数据库构建
[0078]
将步骤t1中收集到的全部单人csi数据逐个通过步骤t2和步骤t3，获得每一个数据包的位置特征，并以(位置编号，位置特征)的数组数据格式将其存储到数据库中，构建单人离线指纹数据库。由于knn算法训练时间快、预测效果好、对异常值不敏感，本实施例在离线阶段通过knn对模型进行训练。
[0079]
t5、csi原始信号去除背景静态信号，得到csi混合信号
[0080]
csi原始信号中往往存在动态部分和静态部分，动态部分指的是人或者其他动态目标对csi造成的多径效应而产生的信号，而静态信号指的从墙等非目标静态物体反射的
csi信号以及收发天线之间的直接路径信号。通过收集不存在人活动的背景信号可以用于模拟csi原始信号中的静态部分，相减即可抵消绝大部分的静态信号，留下真正需要的动态部分用于定位。
[0081]
因此，在正式进行多人混合信号分离之前，还需要通过csi原始数据减去静态背景csi数据抵消绝大部分的静态部分信号，留下真正需要的动态部分用于定位。
[0082]
t6、多人混合信号分离
[0083]
多人混合信号分离包括将多人位置混合csi信号的分离问题转化为bss问题，通过找到原始混合矩阵的逆的近似，从收集到的含有传播通道噪声的混合多人位置csi信号中，恢复每个人的位置源信号。
[0084]
robustica是基于归一化峰度对比度函数，通过计算有效的迭代技术进行优化。该算法通过代数计算步长(自适应系数)来全局优化每次迭代中搜索方向上的对比度。可以以这种方式提取具有非零峰度的任何独立分量，进而在瞬时线性混合模型下执行统计独立源的紧缩分离。
[0085]
在本实施例中，robustica具体步骤如下：
[0086]
t601、对绝对峰度对比进行精确的线搜索，得到全局最优步长μ
opt
，即
[0087][0088]
其中，wg为提取向量，g为搜索方向即梯度矢量，μ是搜索步长，κ(wg+μg)为wg+μg的归一化的四阶边际累积量。
[0089]
t6011、计算最佳步长优化多项式系数，数学公式如下：
[0090]
其中，ak(k＝0,1,2,3,4)是迭代获取的系数，通过对梯度矢量g进行归一化处理，可以更好地确定梯度矢量g。
[0091]
t6012、计算最佳步长四次多项式的根，即
[0092]
t6013、在四个根中选择沿搜索方向的对比度绝对值最大的根，即求得全局最优步长μ
opt
，计算公式为：
[0093][0094]
t6014、更新提取向量，公式如下：w
+
＝w+μ
optg[0095]
t6015、对提取向量w
+
进行标准化。
[0096]
为了保证，需要对提取向量w
+
进行标准化，实现公式如下：
[0097][0098]
t602、替换最佳根选择准则得到全局最优步长，以提取已知峰度标志的信号源：
[0099]
要想完全提取所需类型的源，只需在计算步长多项式的根之后，替换最佳根选择准则，即令
[0100]
其中，ε为已知的特定的峰度标志。
[0101]
该算法还可以通过将绝对峰度最大时的全局最优步长与已知和未知峰度符号相
结合，更新全局最优步长，以任何期望的方式运行。
[0102]
t603、算法每线搜索一次，就通过最小均方误差(mmse)解，计算估计源对观测值的贡献，实现降阶:
[0103]
t6031、在搜索算法收敛后，通过对线性回归问题计算最小均方误差(mmse)解，得到各估计源信号对观测信号的贡献向量
[0104]
t6032、在搜索下一个估计源信号时，将观测信号缩小，即进而每搜索出一个估计源信号后，减小观测信号，当观测信号趋于白噪声时搜索结束。
[0105]
t7、定位结果输出
[0106]
结合单人离线阶段中所建立的指纹数据库，利用knn算法依次将单独反映每个人的位置特征与指纹库中的位置特征进行对比，在指纹库中寻找出与之最为相似的位置特征，则该位置特征所对应的位置即为多人在线定位匹配阶段中待测人员所在位置。最终完成对多个人的无接触感知定位并将多人的位置结果输出。
[0107]
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。