家用路由器的Wi-Fi信号的人体移动侦测算法

技术领域

本发明涉及人体感知技术领域，具体为家用路由器的Wi-Fi信号的人体移动侦测算法。

背景技术

随着无线信号技术的飞速发展，利用Wi-Fi进行人体运动检测已经成为一项新兴技术，在人体检测、安全防护、智能家居应用等方面存在巨大的应用空间。室内Wi-Fi传播存在多径效应，人体的活动可以使Wi-Fi信号的传播路径发生改变，也会增加Wi-Fi信号的噪声。因此，可以利用家用路由器的Wi-Fi信号的人体移动侦测。与传统的摄像头人体识别和传感器的人体移动侦测技术相比，基于Wi-Fi无线信号的人体移动侦测技术具有更高的灵活性，如：被检测人员无需佩戴任何装置，也不需要依赖于部署繁多密集的传感器节点。有更高的隐私性，无需摄像头、热成像或音频收集等敏感信息，就可以检测到人体移动。更高的隐私可以应用于更高的隐私性的环境中，且在收发装置之间存在障碍物遮挡或光线较弱的情况下依然能够正常工作，为此我们提出了家用路由器的Wi-Fi信号的人体移动侦测算法。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了家用路由器的Wi-Fi信号的人体移动侦测算法，解决了上述的问题。

(二)技术方案

为实现上述所述目的，本发明提供如下技术方案：家用路由器的Wi-Fi信号的人体移动侦测算法，包括以下步骤；

S1：记录家用路由器Wi-Fi信号发射和Wi-Fi信号接收端的信号覆盖范围内数据；

S2：将得到的人体移动数据在图形坐标系种的二维坐标和时间同步对应，根据获取的行为数据进行信息切片；

S3：根据香浓容量公式C((bit/s)/Hz)＝log

S4：然后得到优化后的数据{It，Qt|t＝1，2,3...N}；

S5：将得到的数据进行异常值处理和主成分降维映射得到特征矩阵；

S6：利用卷积神经网络进行训练，根据输入信息提取出人体体征信息和行为特征信息；并对模型参数进行优化；

S7：将家用路由器检测到的数据进行预处理，提取关键特征后，通过数学建模的模型，和阈值断判获取的所有行为数据综合判断是否有人体活动。

优选的，所述S4中采集到的数据{It，Qt|t＝1，2,3...N}，其中t表示时间，N标识总时长，I和Q标识为同一组，并在图形坐标系种的二维坐标和时间同步对应；

计算样本的协方差，其中公式为：

优选的，所述S3中根据获取的行为数据进行信息过滤，采集切片后得到的映射数据是二维矩阵，使用二维高斯滤波函数进行噪音过滤，并用协方差动态控制滤波函数参数，实现微控制滤波，较少各组数据中的不相关噪声，其中二维高斯滤波函数为

优选的，利用协方差公式可获取多种人体行为数据，并进行打标签处理，同时将获取的数据再进PCA行降维进行数据预处理，得到初步优化的数据集，然后利用卷积神经网络进行特征提取训练。

优选的，将所述S3中过滤后的信息可利用卷积神经网络进行特征提取，并将训练的卷积神经网络逐层进行数学模型化、并进行优化，降低所需算力要求。

优选的，所述S4中利用低算力要求的数学化卷积神经网络模型，可以在无线模块上直接进行对人体活动感知。

优选的，所述S7中判断是否有人体活动的步骤包括将建立的卷积神经网络数据模型，集合卷积神经网络中提取的特征数据，利用阈值断判获取的所有行为数据中是否出现是人体活动行为，结合利用阈值法判断信息的含义，综合判断是否有人体活动。

(三)有益效果

与现有技术相比，本发明提供了家用路由器的Wi-Fi信号的人体移动侦测算法，具备以下有益效果：

1、该家用路由器的Wi-Fi信号的人体移动侦测算法，使用传统视频图像的人体运动检测技术和传统传感器等人体活动检测手段的设备部署复杂、昂贵且有盲区，如果在收发装置之间存在障碍物遮挡或光线较弱的情况下传统设备无法正常工作。与传统的基于传感器和视频图像的人体活动检测技术相比，基于无线信号的人体运动检测技术具有无需被检测的人员佩戴特殊装置，不需要依赖于部署密集的传感器节点、无需摄像头更高的隐私性，且在收发装置之间存在障碍物遮挡或光线较弱的情况下依然能够正常工作，具有区域广、无死角的特性。

2、该家用路由器的Wi-Fi信号的人体移动侦测算法，因其感知目标无需携带任何设备，无线感知系统易于部署和使用、在涉密区域安全监控、家庭医疗监护、新型人机交互等领域有广泛的应用空间，因此无需穿戴设备、隐私性更高。

3、该家用路由器的Wi-Fi信号的人体移动侦测算法，具有人体感知的Wi-Fi模组和算法根据获取的行为数据进行信息过滤，提取，并进行空间坐标转换，并进行空间坐标转换降维处理，利用卷积神经网络进行特征提取，并根据输入信息提取出人体体征信息和行为特征信息，将训练的卷积神经网络进行数学模型化、并进行优化，降低所需算力要求，利用低算力要求的数学化卷积神经网络模型，可以在无线模块上直接进行对人体活动侦测，从而具有更少的计算量优点。

附图说明

图1为本发明家用路由器的Wi-Fi信号的人体移动侦测算法步骤示意图。

具体实施方式

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，所描述的实施例仅仅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。

请参阅图1，家用路由器的Wi-Fi信号的人体移动侦测算法，包括以下步骤；

S1：记录家用路由器Wi-Fi信号发射和Wi-Fi信号接收端的信号覆盖范围内数据；

S2：将得到的人体移动数据在图形坐标系种的二维坐标和时间同步对应，根据获取的行为数据进行信息切片；

S3：根据香浓容量公式C((bit/s)/Hz)＝log

S4：然后得到优化后的数据{It，Qt|t＝1，2,3...N}；

S5：将得到的数据进行异常值处理和主成分降维映射得到特征矩阵；

S6：利用卷积神经网络进行训练，根据输入信息提取出人体体征信息和行为特征信息；并对模型参数进行优化；

S7：将家用路由器检测到的数据进行预处理，提取关键特征后，通过数学建模的模型，和阈值断判获取的所有行为数据综合判断是否有人体活动。

卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习(deep learning)的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为“平移不变人工神经网络。

S4中采集到的数据{It，Qt|t＝1，2,3...N}，其中t表示时间，N标识总时长，I和Q标识为同一组，并在图形坐标系种的二维坐标和时间同步对应；

计算样本的协方差，其中公式为：

S3中根据获取的行为数据进行信息过滤，采集切片后得到的映射数据是二维矩阵，使用二维高斯滤波函数进行噪音过滤，并用协方差动态控制滤波函数参数，实现微控制滤波，较少各组数据中的不相关噪声，其中二维高斯滤波函数为

高斯滤波器是一种线性滤波器，能够有效的抑制噪声，平滑图，离模板中心的距离越远，高斯滤波器的模板系数越小，因此高斯滤波器相比于均值滤波器对图像的模糊程度较小

利用协方差公式可获取多种人体行为数据，并进行打标签处理，同时将获取的数据再进PCA行降维进行数据预处理，得到初步优化的数据集，然后利用卷积神经网络进行特征提取训练。

S3中过滤后的信息可利用卷积神经网络进行特征提取，并将训练的卷积神经网络逐层进行数学模型化、并进行优化，降低所需算力要求。

S4中利用低算力要求的数学化卷积神经网络模型，可以在无线模块上直接进行对人体活动感知。

S7中判断是否有人体活动的步骤包括将建立的卷积神经网络数据模型，集合卷积神经网络中提取的特征数据，利用阈值断判获取的所有行为数据中是否出现是人体活动行为，结合利用阈值法判断信息的含义，综合判断是否有人体活动。

卷积神经网络模型结构包括输入层、隐含层和输出层，

卷积神经网络的输入层可以处理多维数据，常见地，一维卷积神经网络的输入层接收一维或二维数组，其中一维数组通常为时间或频谱采样；二维数组可能包含多个通道；二维卷积神经网络的输入层接收二维或三维数组；三维卷积神经网络的输入层接收四维数组。由于卷积神经网络在计算机视觉领域应用较广，因此许多研究在介绍其结构时预先假设了三维输入数据，即平面上的二维像素点和RGB通道。

与其它神经网络算法类似，由于使用梯度下降算法进行学习，卷积神经网络的输入特征需要进行标准化处理。具体地，在将学习数据输入卷积神经网络前，需在通道或时间/频率维对输入数据进行归一化，若输入数据为像素，也可将分布于的原始像素值归一化至[0,1]区间。输入特征的标准化有利于提升卷积神经网络的学习效率和表现。

卷积神经网络的隐含层包含卷积层、池化层和全连接层3类常见构筑，在一些更为现代的算法中可能有Inception模块、残差块(residual block)等复杂构筑。在常见构筑中，卷积层和池化层为卷积神经网络特有。卷积层中的卷积核包含权重系数，而池化层不包含权重系数，池化层可能不被认为是独立的层。以LeNet-5为例，3类常见构筑在隐含层中的顺序通常为：输入-卷积层-池化层-全连接层-输出

卷积层块由2个卷积层+最大池化层的结构组成。由于LeNet是较早的CNN，在每个卷积层+池化层后多会跟一个sigmod层来修正输出结果。而现在用的较多的是Relu。

卷积层的功能是对输入数据进行特征提取，其内部包含多个卷积核，组成卷积核的每个元素都对应一个权重系数和一个偏差量(bias vector)，类似于一个前馈神经网络的神经元(neuron)。卷积层内每个神经元都与前一层中位置接近的区域的多个神经元相连，区域的大小取决于卷积核的大小，其含义可类比视觉皮层细胞的感受野；卷积核在工作时，会有规律地扫过输入特征，在感受野内对输入特征做矩阵元素乘法求和并叠加偏差量。

卷积层参数包括卷积核大小、步长和填充，三者共同决定了卷积层输出特征图的尺寸，是卷积神经网络的超参数。其中卷积核大小可以指定为小于输入图像尺寸的任意值，卷积核越大，可提取的输入特征越复杂。

卷积步长定义了卷积核相邻两次扫过特征图时位置的距离，卷积步长为1时，卷积核会逐个扫过特征图的元素，步长为n时会在下一次扫描跳过n-1个像素。

由卷积核的交叉相关计算可知，随着卷积层的堆叠，特征图的尺寸会逐步减小，例如16×16的输入图像在经过单位步长、无填充的5×5的卷积核后，会输出12×12的特征图。为此，填充是在特征图通过卷积核之前人为增大其尺寸以抵消计算中尺寸收缩影响的方法。常见的填充方法为按0填充和重复边界值填充。填充依据其层数和目的可分为四类：

有效填充：即完全不使用填充，卷积核只允许访问特征图中包含完整感受野的位置。输出的所有像素都是输入中相同数量像素的函数。使用有效填充的卷积被称为“窄卷积”，窄卷积输出的特征图尺寸为(L-f)/s+1。

相同填充/半填充：只进行足够的填充来保持输出和输入的特征图尺寸相同。相同填充下特征图的尺寸不会缩减但输入像素中靠近边界的部分相比于中间部分对于特征图的影响更小，即存在边界像素的欠表达。使用相同填充的卷积被称为“等长卷积”。

全填充：进行足够多的填充使得每个像素在每个方向上被访问的次数相同。步长为1时，全填充输出的特征图尺寸为L+f-1，大于输入值。使用全填充的卷积被称为“宽卷积”。

任意填充：介于有效填充和全填充之间，人为设定的填充，较少使用。

在卷积层进行特征提取后，输出的特征图会被传递至池化层进行特征选择和信息过滤。池化层包含预设定的池化函数，其功能是将特征图中单个点的结果替换为其相邻区域的特征图统计量。池化层选取池化区域与卷积核扫描特征图步骤相同，由池化大小、步长和填充控制。

全连接层是卷积神经网络中的全连接层等价于传统前馈神经网络中的隐含层；全连接层位于卷积神经网络隐含层的最后部分，并只向其它全连接层传递信号。特征图在全连接层中会失去空间拓扑结构，被展开为向量并通过激励函数。

按表征学习观点，卷积神经网络中的卷积层和池化层能够对输入数据进行特征提取，全连接层的作用则是对提取的特征进行非线性组合以得到输出，即全连接层本身不被期望具有特征提取能力，而是试图利用现有的高阶特征完成学习目标。

在一些卷积神经网络中，全连接层的功能可由全局均值池化取代，全局均值池化会将特征图每个通道的所有值取平均，即若有7×7×256的特征图，全局均值池化将返回一个256的向量，其中每个元素都是7×7，步长为7，无填充的均值池化。

全连接层块为输入为二维向量，单卷积层块的输出传入全连接层的时候会对小批量对每个样本进行扁平化(flatten)，LeNet会随着网络的加深，宽度逐渐降低，通道逐渐增多。

输出层是卷积神经网络中输出层的上游通常是全连接层，因此其结构和工作原理与传统前馈神经网络中的输出层相同，对于图像分类问题，输出层使用逻辑函数或归一化指数函数输出分类标签。在物体识别问题中，输出层可设计为输出物体的中心坐标、大小和分类；在图像语义分割中，输出层直接输出每个像素的分类结果。

工作原理：

1.数据采集

为了使算法具有更好的适配性，需要采集不同身材、年龄受试者数据。并配合不同的收发装置进行数据采集。在家用路由器Wi-Fi信号发射和Wi-Fi信号接收端的信号覆盖范围内采集数据。

2.数据处理

由于无线信号数据异动性较大，而且会包含环境噪音；首先将数据进行滤波处理，但是为了增强算法的适配性，本发明会保留部分噪音数据进行建模；

将采集到的数据{It，Qt|t＝1，2,3...N}t表示时间，N标识总时长，I和Q标识为同一组，并在图形坐标系种的二维坐标和时间同步对应；

其中公式为：

集切片后得到的映射数据是二维矩阵，使用二维高斯滤波函数进行噪音过滤，并用协方差动态控制滤波函数参数，实现微控制滤波，较少各组数据中的不相关噪声，其中二维高斯滤波函数为

为加快建模速度、提高准确度需要对数据进行空间坐标转换，并作降维处理，获取无线数据中的重要信息。

3.模型处理

使用获取的无线数据关键信息进行卷积神经网络进行训练，然后对三个维度的数据进行标准化处理，再使用CNN对数据进行特征提取。

预处理后的Wi-Fi样本数据输入特征提取层中，并经过卷积神经网络模块的第d级卷积块Convd后输出特征图Mapd；

将特征Mapd-1作为第d级卷积块Convd的输入，从而得到相应的输出特征图Mapd；从而由第D级卷积块ConvD得到最终输出的特征图MapiD；

在进行卷积神经网络建模的过程中，本专利以300毫秒左右的数据流作为一个测试数据。所以，每一组测试数据能够得到一个20*6共120个的最有效的重要特征数据；

4.模型优化

为降低算法的算力需求，可以在家用路由器上直接进行对人体活动侦测。首先，在使用卷积神经网络之前，我们对点位信息进行了滤波、去部分噪声和降维处理，提取无线信息的关键特征，在特征信息过程中，使用Dropout 15％，可以得到有效人体行为的动态特征。

然后将步骤3中的卷积神经网络进行数学化建模。将卷积层、池化层进行分解优化。可以将计算量降低至卷积神经网络需要算力的10％-20％。

6.数学建模

因为家用路由器flash空间有限，所以必须要减小算法的Size。需要将学习后的神经网络模型进行拆分，重组建模。

7.确定结果

将家用路由器检测到的数据进行预处理，提取关键特征后，通过数学建模的模型，和阈值断判获取的所有行为数据综合判断是否有人体活动。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。