一种基于无线信号的辅助目标检测方法

技术领域

本发明涉及目标检测、无线网络和普适计算领域，尤其涉及一种基于无线信号的辅助目标检测方法。

背景技术

目标检测是计算机视觉领域的一项重要技术，在无人驾驶、人脸识别等领域有着重要的应用。近年来随着深度学习和神经网络技术的发展，各种计算机视觉应用呈现出井喷式发展的局面。例如，使用人脸识别的智能门禁系统可以让使用者无需携带钥匙或身份卡即可自动开门；使用人脸识别的支付系统可以无需扫码和携带手机就进行支付；基于视频的车辆识别系统，可以在线或离线地识别马路上的汽车，提供车牌号等车辆信息。

在这些计算机视觉应用中，目标检测是至关重要的一步。人脸识别需要首先通过目标检测获得人脸在图像中出现的位置框，然后将人脸图像从中截取送入人脸分类器中获得结果；车辆识别需要首先检测车辆位置，如果需要识别车牌还需要再检测车牌位置等等。

虽然计算机视觉的这些应用非常有用，但制约其发展的一个重要因素是设备的成本及能耗。对于大多数人脸识别应用，由于需要保证一定的安全性，都会有较高的精度要求，因此对于摄像头的视频分辨率提出了较高的要求。类似的，由于车牌号数字尺寸较小，摄像头通常离车辆有一定距离，同样会提高对摄像头分辨率的要求。然而，使用传统的基于图像的目标检测，不间断地对高分辨率的视频做目标检测将会耗费大量计算资源，这大大提升了终端设备的成本及能耗。

随着Wi-Fi，5G等无线技术的发展，无线网络功能已经成为了各种电子设备的标配。由于被检测目标一般都会对无线电波有反射作用，当目标处于不同位置时会对无线信号有不同的反射路径，造成收到无线信号的幅度和相位的变化，这样我们就可以从接收信号中提取出目标的位置信息，可以起到类似于“雷达”的作用。基于无线信号进行目标检测的关键优势在于：首先，无线信号的数据量要远低于高分辨率图像，使用无线信号做目标检测能大大降低对设备运算性能的需求，降低功耗；此外，被检测目标不需要佩戴任何设备，系统也仅需要基于现有常见的无线设备，如笔记本、手机、WiFi路由器等，进行软件升级就可以实现检测，成本低廉、易于部署。

发明内容

本发明提出了一种基于无线信号的辅助目标检测方法。本发明的技术方案针对现有基于图像的目标检测技术的弱点，解决了如何通过通用无线设备进行辅助目标检测，以节约能耗、降低计算代价的问题。

为解决上述问题，本发明通过以下技术方案来实现：

一种基于无线信号的辅助目标检测方法，其特征在于，该方法使用数据量较低的通用无线信号来进行目标检测，所述方法包括以下具体步骤：

步骤1)使用一个或多个通用的无线设备采集无线信号数据；

步骤2)利用多路信号数据的相关性对无线数据进行去噪处理；

步骤3)采集图像数据并使用传统基于图像的目标检测方法生成训练集，根据应用场景设计神经网络并在训练集上进行训练；

步骤4)使用所述步骤3)训练得到的神经网络提取所述步骤2)处理后的信号数据中关于目标的位置信息。

上述的基于无线信号的辅助目标检测方法，其特征在于，所述步骤1)中的无线设备为支持WiFi，5G NR(New Radio)，长期演进(LTE,Long Term Evolution)，蓝牙(Bluetooth)，Zigbee通信技术中一种或多种的无线设备，所述无线信号数据为接收信号强度指示或信道状态指示。

上述的基于无线信号的辅助目标检测方法，其特征在于，所述步骤2)中多路信号指的是正交频分复用中不同子载波上的测量数据，或不同发射/接收天线的测量数据，或不同设备之间的测量数据，或所述的多种测量数据；所述去噪处理指的是对多路天线信号进行相除运算，以消除部分由接收设备产生的噪声。

上述的基于无线信号的辅助目标检测方法，其特征在于，所述步骤3)和步骤4)中位置信息提取的神经网络采用残差神经网络。

本发明通过采用以上技术方案，可以得到以下有益效果：

本发明针对现有基于图像的目标检测技术计算开销大、耗能高的缺陷，提出通过无线信号数据进行辅助目标检测的方法，可以从数据量较低的无线信号数据中识别是否有目标出现以及目标的大概位置范围，通过在带有无线功能的终端设备上进行简单的软件升级即可实现目标检测计算代价和功耗的降低，除此之外，目标检测对性能的需求降低，还有助于降低终端设备的成本，提高同性能设备下检测的实时性。

附图说明

图1是本发明实施例基于无线信号的辅助目标检测方法应用场景示意图。

图2是本发明实施例基于无线信号的辅助目标检测方法的实施流程示意图。

图3是本发明实施例神经网络的示意图。

具体实施方式

为了使本领域技术人员更好地理解本发明，以下结合附图和具体实施例对本发明做进一步详细阐述。

本发明利用检测目标处于不同位置时对无线信号的传播路径造成的影响不同，采用通用无线设备采集无线信号数据，对数据进行去噪处理后提取目标及位置信息，进行辅助图像的目标检测。

【实施例1】

图1是本发明的一种应用场景示意图，用于检测图像中目标(这里以人为例)的出现位置，如图1所示，图中应用场景中包含一个或多个无线发射器101，无线发射器101可以采用基于WiFi，5G，LTE，蓝牙或ZigBee技术，无线发射器101发射的信号是符合相应无线技术协议的正常数据报文，所述应用场景中包含一个或多个无线接收器102，以及一个或多个摄像头103，无线接收器102接收无线发射器101的信号，无线接收器102可以通过RSSI或者CSI测量无线发射器101发送的无线信号的强度和相位。从无线发射器101到无线接收器102，无线电波可以通过两条不同的路径到达。其中，视距(LOS，Line-of-sight)路径105是直达路径，反射路径106是通过待检测目标104人体反射才到达无线接收器102的。因此，在待检测目标104人体处于不同位置时，反射路径106也会对应变化，从而造成无线接收器102接收到的信号幅度和相位变化。本发明通过分析提取无线接收器102收到信号信息来检测目标的出现及人的位置，起到辅助图像目标检测的效果。

本发明的特点在于，待检测目标104不需要佩戴任何特殊设备或传感器，完全通过对无线信号的反射即可检测其所在位置。无线发射器101和无线接收器102可以是通用的电子设备，包括但不限于：手机，无线路由器，蜂窝网基站，笔记本电脑，智能机顶盒，无线传感器和智能穿戴设备等。以上通用电子设备只需要具有无线信号收发器即可用于本发明，不需要进行特殊的硬件改造。

图2是本发明实施例基于无线信号的辅助目标检测方法的实施流程示意图，实施过程中首先进行无线信号数据采集201，随后对数据进行去噪处理202、插值重采样203、滑窗截取与数据归一化204；经预处理后的数据可以用于离线的模型生成，也可以用于在线的目标检测，离线模型生成过程中，先使用场景中的摄像头设备103进行采集图像数据205，然后使用传统的图像目标检测方法进行检测目标位置207，然后将每个时间点的位置数据与该点前一段时间窗的无线信号数据关联起来，生成模型的训练数据集，经数据增强206处理后，送入神经网络进行模型训练；在线目标检测过程中，使用一个与模型训练时相同长度的滑动时间窗，截取输入的预处理后的无线信号，送入生成的神经网络模型预测209，获得预测目标位置。值得注意的是，以上流程只是本发明的一种可能实现方式，目标检测系统还可以通过其他各种方式来实现。

以下具体分析：

本发明所采用的无线信号数据采集201是通过无线接收器102实现的，在采集过程中，无线接收器102对无线发射器101的信号进行强度检测，这可以由无线发射器101以特定速率，如以1000数据包每秒来发送数据，同时无线接收器102对每个数据包进行强度测量来实现。除此之外，测量也可以通过无线发射器101日常数据流量进行强度检测实现。具体的数据获取方式可以通过测量每个数据包的RSSI或者CSI来实现，现有多数通用无线设备均支持通过RSSI或CSI提供无线测量数据。当然，也不排除无线信号接收器102通过其他方式对接收到的无线信号进行测量。

无线信号测量结果可以是多路的，这里的多路是指以下几种情况中的一种或多种：a无线信号采用OFDM调制时，多个子载波上的信号强度可以单独测量；b当无线发射器101或无线接收器102拥有多根天线时，每对发射/接收天线对上的信号强度可以单独测量；c当有多个无线发射器或多个无线接收器时，每对发射/接收器上的信号强度可以单独测量。上述单独测量的无线数据均可看成是独立的多路信号。

由于通用设备采集的无线信号数据通常含有较高的噪音，在进行进一步处理前需要进行去噪处理202。本发明使用了基于多天线相除的方法进行去噪，其主要依据为由同一接收设备的时钟、采样引入的噪声在多天线的测量信号中具有相关性，利用这一点使用相除的方法可以消除大部分由接收设备引入的噪音。

对于每一个无线接收器102，假设该接收器有n个天线，每个天线都会产生一个测量值a

由于测量的网络包的传输间隔一般不是固定的，所以对应测量值在时间上也是不均匀的，所以接下来需要对去噪后的数据进行插值重采样203，以得到均匀的数据。这里可以使用各种插值方法进行插值，例如三次样条插值法。值得注意的是，在插值方法选择时需要兼顾算法的性能能耗和插值效果，对于性能和能耗要求比较苛刻的场景可以选择代价更小的插值方法。根据奈奎斯特采样定理，重采样的频率选择需要至少大于场景中运动物体能够产生的最高信号频率，在保证这一点的前提下可以尽量降低采样率以降低数据量，以节约后续步骤的计算量和能耗。例如，这里选择重采样的采样率为256采样点/秒。

重采样后的数据，送入一个固定长度的滑动窗口中，每个时间点基于当前的滑窗中的数据进行目标检测和位置预测。该滑动窗口的长度是一个重要的超参数，可以通过实验进行调节。若窗口长度过短，则预测结果易受瞬时噪声影响，影响结果的稳定性；若窗口长度过长，则会包含过多的无用信息，增加后续网络训练的难度，降低结果准确度。例如，这里选择了0.5秒(在前述采样率下即为128采样点)作为窗口长度。滑窗内的数据需要进行归一化，归一化到均值为0、方差为1的标准数据后再送入神经网络中。

在离线模型生成的过程中，我们首先对滑窗截取与归一化204后的数据进行数据增强206操作，数据增强206可以根据所处环境采集数据的特点选择性地增加，例如向滑窗中增加一个高斯噪声，随机将一些时间点或某几路信号置零等措施。然后使用摄像头103采集的图像数据205，使用传统的基于图像的目标检测方法生成待检测目标的位置框(包含左上角和右下角两个点的坐标点)207作为训练的标签，将每个时间点的标签与对应的无线信号滑窗进行对应，然后进行神经网络的训练208。

在神经网络的设计上，我们采用了基于残差神经网络(ResNet)进行设计的网络，一种适用于前述采用的256采样点/秒、0.5秒窗长，输入256路信号的神经网络实施例结构，如图3所示，神经网络的输入数据为滑窗时间点(T)×多路信号数目(N)×实虚部(2)的三维张量，该神经网络的核心部分使用了共6层的残差块，将输入的通道为2的数据逐步扩展到256通道，然后经过平均池化层后，由全连接层回归到4个数值，即分别为检测目标位置框的右上点坐标(x

网络训练完成后可用于在线目标检测。在线目标检测时，终端可以在检测到无线信号数据长时间处于平稳状态时进入休眠状态，在检测到无线信号数据的方差增大时再进行唤醒。而这一检测过程的数据量更小，计算量开销十分低，这可以更进一步地降低系统的能耗。当终端被唤醒时，再将前述预处理得到的滑窗信号送入训练得到的网络，得到检测目标位置的预测值，再根据应用的需求进行后续的处理。

值得注意的是，基于无线信号进行的目标检测，受限于采用的无线信号的波长因素，存在一定的误差，所采用的信号的频率越高，波长越短，预测的精度理论上限越高，所能够起到的辅助作用越好。因此，在网络训练后，可以根据网络的训练结果，泛化误差的大小，以及后续任务对目标检测结果精度的要求，考虑在该辅助的目标检测过程后，是否需要再进行一次基于图像的目标检测以减小误差因为这一过程是对已经进行一次辅助检测后的图像子区域进行的，数据量已经大大降低，总体上依然能够起到一定的节约能耗的作用。

【实施例2】

使用本发明进行辅助图像目标检测以节能的实现方式有很多种，以下列举2种辅助图像目标检测的应用方式和场景：

区域进入检测与唤醒。在需要对一个特定目标区域进行监控，当有人进入时进行拍照或录像的需求场景下，如果长时间保持摄像头开启，并不断进行图像目标检测以判断是否有目标进入指定区域范围，这将耗费大量的能源。而使用本发明，可以在低耗能的条件下，实时获得目标的位置信息，以检测目标是否进入了指定区域。在没有目标进入指定区域时，可以保持摄像头关闭以节约能耗；在目标进入监控区域后，再打开摄像头进行拍照或录像，以及触发其他告警操作等。

人脸识别前的人脸框辅助检测。在进行人脸识别前，往往需要首先从摄像头拍摄的图像中使用目标检测算法提取人脸框所在位置，然后进行截取并送入后续人脸识别的网络中，进行识别处理。由于人脸识别对图像分辨率的要求较高，而长时间不间断对高分辨图像进行目标检测的计算开销很大。使用本发明，以人脸作为检测目标，进行辅助目标检测，可以实时获取人脸框所在位置，以该位置进行人脸截取，可以大大降低系统的能耗。值得注意的是，为了确保人脸能够被完整截取，我们可以根据网络训练时的泛化误差大小，适当对预测目标框进行增大后再截取。另外，在系统的接收天线数目足够，信息量允许的情况下，我们也可以对神经网络做一些改进，使得其能够支持同时对多个人脸进行检测。

以上所述仅为本发明的较佳实施例，但此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。任何熟悉本专业的技术人员，在不脱离本发明的原理和精神的情况下依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均应包含在本发明的保护范围之内。