一种基于CSI图像特征提取的双流卷积神经网络目标定位方法

技术领域

本发明涉及一种基于CSI图像特征提取的双流卷积神经网络目标定位方法，可用于定位导航与机器学习技术领域。

背景技术

室内定位由于其在社会生活中的重要价值，目前已经成为研究的热点。随着室内定位研究的不断进行，初步形成了基于无线通信的Wi-Fi、蓝牙、RFID基于计算机视觉的图像识别，基于地磁等方法的室内定位方案。搭建室内定位系统时，不仅需要固定位置的锚节点和信号接收或处理设备，部分系统还需占用相应的频谱资源。与其他定位方案相比，无论是家庭环境，还是公共场所，Wi-Fi设备的普及率都很高，人们几乎随时都处在覆盖有Wi-Fi信号的室内环境中。凭借基础设施覆盖广、应用开发成本低的优势，基于Wi-Fi的室内定位一直受到广泛关注。

信号状态信息(Channel State Information，CSI)由于鲁棒性较好，能更好的区分多径信号，能够得到稳定的信息状态，从而获得更高的定位精度。目前主要工作有

1)基于CSI幅度的室内定位技术

文献1提出出一种基于CSI幅度指纹的定位算法，该算法使用多维标度分析方法算出待测单位和参考点间的欧几里得距离以及时间反转共振强度，最后使用KNN算法估计出位置。使用了共轭梯度法对三角质心算法进行了改良，也得出一个位置估计，最终的定位结果是将该位置估计与KNN估计的位置结合得到。[1]Q.Song，S.Guo，X.Liu and Y.Yang.″CSIAmplitude Fingerprinting-Based NB-IoT Indoor Localization，″in IEEE IntemetofThings Journal，vol.5，no.3，pp.1494-1504，June 2018，doi：10.1109/JIOT.2017.2782479.

文献2仅使用原始CSI幅度来构建位置图像，使用CNN来训练得到定位模型。该方法在办公室、走廊两种场地分别进行了实验，定位的平均准确率分别达到了94％和96％。[2]C.Cai，L.Deng，M.Zheng and S.Li.″PILC：Passive Indoor Localization Based onConvolutional Neural Networks，″2018 Ubiquitous Positioning，Indoor Navigationand Location-Based Services(UPINLBS)，Wuhan，China，2018，pp.1-6，doi：10.1109/UPINLBS.2018.8559775.

(2)基于CSI相位的室内定位技术

文献3提出了一种仅使用单个接入点并且基于CSI相位指纹的定位系统。作者使用一种相位分解方法从接入点处获得相位，然后使用PCA对分解相位进行处理。该系统分别在实验室、会议室和走廊进行了实验，最小平均距离误差分别为0.6m、0.45m、1.08m。[3]ZhangL，Ding E，Hu Y，et al.A novel CSI-based fingerprinting for localization with asingle AP[J].EURASIP Journal on Wireless Communications and Networking，2019，2019(1)：1-14.

文献4提出了PhaseFi定位系统。使用校准的CSI相位信息作为定位指纹，作者先从原始CSI中提取出原始相位，然后使用线性变换方法校准相位。定位过程分为训练阶段和在线阶段，训练阶段，使用CNN来训练输入的相位数据，在线阶段使用基于径向基函数的概率方法估计目标位置。实验结果验证了该系统的有效性和稳定性。[4]Wang X，Gao L，MaoS.CSI phase Fingerprinting for indoor localization with a deep learningapproach[J].IEEE Internet of Things Journal，2016，3(6)：1113-1123.

因为室内环境复杂，获得高精度的定位结果仍然面临着巨大挑战，为了进一步提高指纹定位算法的定位精度，指纹信息的处理技术在整个构建位置指纹库的过程中也是尤为重要的，良好的位置指纹信息的处理技术可以在一定程度上提高位置指纹库的稳定性。

发明内容

本发明的目的就是为了解决现有技术中存在的上述问题，提出一种基于CSI图像特征提取的双流卷积神经网络目标定位方法。

本发明的目的将通过以下技术方案得以实现：一种基于CSI图像特征提取的双流卷积神经网络目标定位方法，该方法包括以下步骤：

S1：离线阶段

所述S1步骤又包括以下步骤：

S11：CSI训练样本构造

当目标位于每一个参考位置上，在接收端，测量发射机发射的Wi-Fi信号的CSI，将CSI中的幅度和相位信息构造成CSI幅度图像和CSI相位图像；

S12：图像特征提取

对S11步骤构造好的CSI图像进行特征提取；

S13：离线学习

利用双流卷积神经网络进行离线学习，得到位置估计分类模型；

S2：在线阶段

所述S2步骤又包括以下步骤：

S21：对接收到的CSI测量值构造CSI幅度和相位图像；

S22：利用S12步骤进行CSI图像特征提取；

S23：利用S13步骤训练好的位置估计模型估计目标位置。

优选地，在所述S12步骤中，利用小波变换方法进行图像压缩，提取CSI幅度和相位图像的低频信息特征，采用Sobel算子方法进行边缘检测，提取CSI幅度和相位图像其轮廓信息特征。

优选地，在所述S13步骤中，将图像特征信息带入双流卷积神经网络中，利用CSI幅度图像特征对X轴位置进行分类学习，利用CSI相位图像特征对Y轴位置进行分类学习，分别得到X轴和Y轴的位置分类模型。

优选地，在所述S11步骤中，首先计算幅度矩阵的最小值和最大值计算C

优选地，在所述S12步骤中，采用离散的小波变换处理

其中，x(t)为二维图像，

优选地，所述小波变换图的计算步骤是：S121：首先选定实验课题适用的小波函数，S122：提取图像的低频和高频系数，S123：各频率成分重构，量化处理，S124：对第一层低频信息压缩，S125：对第二层低频信息压缩。

优选地，所述CSI图像，为一幅m行n列的图像，通过下式表示：

小波函数为bior3.7小波，进行2层小波分解，进行小波分解之后可以提取变换后的低频和高频系数，最后对每一层的不同方向的分解成分进行重构，得到图像分解的第一层，第二层的低频信息，本发明使用的最终变化图像是第二次的压缩图像。

优选地，在Sobel算子图像边缘处理时，需要分别在图像的横轴纵轴两个方向上求导，得到的是图像在X方法与Y方向梯度图像；

Sobel算子定义公式为：

令I为CSI图像，Sobel提取边缘具体步骤为：

S100：将输入的图像I进行高斯模糊平滑降噪；

S200：并将处理后的彩色图像转成灰度图像；

S300：然后在X和Y方向上通过不同的3*3的算子与原图做卷积，得到这两个方向的梯度(求导)即Gx、Gy；

S400：像素取绝对值，得到|G

像素点按照四个方向分别进行邻点灰度加权差处理，判断图像里的像素是否是图像的边缘，最终得到图像的边缘特征灰度图像。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：本发明利用CSI的幅度和相位信息来构造不同的CSI图像，同时利用小波变换和Sobel算子方法提取CSI图像特征，因此本发明能够获得更充分的定位指纹信息，提高定位性能。

本发明将位置估计分别转化成机器学习的分类问题，并通过双流卷积神经网络分别进行基于X轴和Y轴位置的分类学习。由于目标X轴和Y轴的位置分别学习，因此本发明能够克服X轴和Y轴位置之间的相互影响，改善目标定位精度。本技术方案利用指纹信息和特征的多样性，提高了室内定位的精度。

附图说明

图1为本发明的基于CSI图像特征提取的双流卷积神经网络目标定位方法的具体流程图。

图2是本发明选择的不同方向的卷积算子。

图3是本发明的双流卷积神经网络结构图。

图4是本发明的定位结果描述图。

具体实施方式

本发明的目的、优点和特点，将通过下面优选实施例的非限制性说明进行图示和解释。这些实施例仅是应用本发明技术方案的典型范例，凡采取等同替换或者等效变换而形成的技术方案，均落在本发明要求保护的范围之内。

本发明揭示了一种基于CSI图像特征提取的双流卷积神经网络目标定位方法，涉及一种室内目标定位方法，利用CSI幅度和相位图像的低频信息特征和轮廓信息特征作为定位指纹，通过双流卷积神经网络进行分类学习，实现目标定位，在本技术方案中，CSI为信道状态信息的缩写。

一种基于CSI图像特征提取的双流卷积神经网络目标定位方法，该方法包括以下步骤：

S1：离线阶段

所述S1步骤又包括以下步骤：

S11：CSI训练样本构造

当目标位于每一个参考位置上，在接收端，测量发射机发射的Wi-Fi信号的CSI，将CSI中的幅度和相位信息构造成CSI幅度图像和CSI相位图像；

S12：图像特征提取

对S11步骤构造好的CSI图像进行特征提取；

S13：离线学习

利用双流卷积神经网络进行离线学习，得到位置估计分类模型；

S2：在线阶段

所述S2步骤又包括以下步骤：

S21：对接收到的CSI测量值构造CSI幅度和相位图像；

S22：利用S12步骤进行CSI图像特征提取；

S23：利用S13步骤训练好的位置估计模型估计目标位置。

在所述S12步骤中，利用小波变换方法进行图像压缩，提取CSI幅度和相位图像的低频信息特征，采用Sobel算子方法进行边缘检测，提取CSI幅度和相位图像其轮廓信息特征。

在所述S13步骤中，将图像特征信息带入双流卷积神经网络中，利用CSI幅度图像特征对X轴位置进行分类学习，利用CSI相位图像特征对Y轴位置进行分类学习，分别得到X轴和Y轴的位置分类模型。

在所述S11步骤中，首先计算幅度矩阵的最小值和最大值计算C

本发明提供了一种基于CSI图像特征提取的双流卷积神经网络目标定位方法，该方法能够显著提高基于CSI室内定位的定位精度。下面结合图1所描述的具体流程图，具体描述实施方式。

当目标位于每一个参考位置上，在接收端，测量发射机发射的Wi-Fi信号的CSI(CSI)，提取CSI的幅度、相位数据。形成幅度和相位信息矩阵，通过线性映射的方法形成CSI图像。以幅度图像为例，首先计算幅度矩阵的最小值和最大值计算C

为了提取图像的信息特征，采用了小波变换。在本发明中采用离散的小波变换处理

其中，x(t)为二维图像，

针对实际测量的非平稳信号，小波变换图计算步骤是：(1)首先选定实验课题适用的小波函数。2)提取图像的低频和高频系数。(3)各频率成分重构，量化处理。(4)对第一层低频信息压缩。(5)对第二层低频信息压缩。

本发明中需要处理的二维信号为CSI图像，为一幅m行n列的图像，用式2表示。

本发明选择的小波函数为bior3.7小波，进行2层小波分解。进行小波分解之后可以提取变换后的低频和高频系数，最后对每一层的不同方向的分解成分进行重构，可以得到图像分解的第一层，第二层的低频信息，本发明使用的最终变化图像是第二次的压缩图像。

在Sobel算子图像边缘处理时，需要分别在图像的横轴纵轴两个方向上求导，得到的是图像在X方法与Y方向梯度图像。Sobel算子定义公式为：

本发明采用的不同方向的卷积算子如图2所示。令I为CSI图像，Sobel提取边缘具体步骤为：

S100：将输入的图像I进行高斯模糊平滑降噪；

S200：并将处理后的彩色图像转成灰度图像；

S300：然后在X和Y方向上通过不同的3*3的算子与原图做卷积，得到这两个方向的梯度(求导)即Gx、Gy；

S400：像素取绝对值，得到|G

像素点按照四个方向分别进行邻点灰度加权差处理，判断图像里的像素是否是图像的边缘，最终得到图像的边缘特征灰度图像。

最后本发明采用的双流卷积神经网络进行离线学习，其具体结构如图3所示。conv1和conv2使用的都是3*3的卷积核，并且使用步幅为2的池化层pool1和pool2，降低数据维度、起到数据平衡的作用、压缩图像数据、降低了模型复杂度，减少计算时间。经过上述操作之后进入全连接层，并且添加了dropout层来防止过拟合，最后通过softmax输出分类结果。融合判断模块是将两者的分类结果进行融合，在经过多个卷积层、全连接层后，最终在classification层进行融合，采用的依据是softmax数值，即取它们的平均值或者线性分类作为图像数据的最终分类，输出结果图像对应的位置。

图4描述了本发明算法与单独利用幅度或相位信息的准确率比较，根据实验结果可以看出：本发明算法的定位精度比采用基于仅幅度/相位的算法定位精度高，这是因为经过离散小波变换、Sobel算子处理后的图像提取了图像特征信息，可以更好地利用信息特征，定位精度更高。

在离线阶段，对采集的CSI信号中的幅度和相位信息进行处理，转变成CSI的幅度图像和相位图像。然后利用小波变换对CSI幅度和相位图像进行分频处理，提取图像的低频信息特征，从频域上去除测量噪声。利用Sobel算子检测CSI幅度和相位图像局部情况，提取图像轮廓特征，最后利用双流卷积神经网络分别对幅度图像特征进行分类学习，得到目标X轴位置分类模型。对相位图像特征进行分类学习，得到目标Y轴位置分类模型。本发明充分利用了CSI图像特征进行离线学习，具有实现简单，定位精度高的优点。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神和基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。本发明尚有多种实施方式，凡采用等同变换或者等效变换而形成的所有技术方案，均落在本发明的保护范围之内。