黨小超,曹 淵,郝占軍*,段 渝

(1.西北師范大學(xué)計算機科學(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)

室內(nèi)多人定為在社會中具有極其重要的應(yīng)用價值,目前主流的室內(nèi)人員定位方法分為攜帶設(shè)備和非攜帶設(shè)備兩大類,攜帶設(shè)備即被測目標(biāo)身上攜帶特定的標(biāo)簽,研究者通過對標(biāo)簽的追蹤來實現(xiàn)檢測和定位,比較成熟的有使用超寬帶(Ultra Wide Band,UWB)、RFID等等,但需要為每一位目標(biāo)區(qū)域中的人員佩戴特定的設(shè)備,因此在成本花費以及使用靈活性方面存在一定劣勢。非攜帶設(shè)備類型的研究主要依靠人體對Wi-Fi信號傳播的影響,分為基于接收信號強度指示(Received Signal Strength Index,RSSI)信號和CSI信號兩大類,RSSI提供的信息比較單一,而CSI信息能夠更全面的反映Wi-Fi信號在傳播過程中受到的影響,同時通過CSI進(jìn)行人員檢測的研究因為具有無需攜帶額外傳感器、可擴展性強、不受溫度、燈光、濕度等外界條件的影響等優(yōu)點[1],成為當(dāng)下研究的熱點。

當(dāng)前基于CSI進(jìn)行定位的研究大多關(guān)注提高單人定位精度和優(yōu)化算法方面,例如將CSI和RSSI進(jìn)行融合的定位方法[2],相較于單一的使用CSI或者單一的使用RSSI的方法極大的提高了定位精度,但無法直接應(yīng)用于多人的情況。文獻(xiàn)[3]等人使用K-means 算法并且提取CSI矩陣中的多條向量作為特征,較好的提高了單人定位的精度,但面臨數(shù)據(jù)量很大的情況時則識別效率比較低。文獻(xiàn)[4]等人通過提取CSI數(shù)據(jù)的相位和幅值信息,在此基礎(chǔ)上采用機器學(xué)習(xí)的方法進(jìn)行一種無源的室內(nèi)定位,一定程度上提高了定位精度,但同樣沒有進(jìn)行多人定位方面的研究。文獻(xiàn)[5]提出了一種基于CSI信號進(jìn)行室內(nèi)定位的FILA系統(tǒng),在實驗環(huán)境中取得了較高的準(zhǔn)確性。文獻(xiàn)[6]采取指紋庫定位的思想,將深度學(xué)習(xí)的方法應(yīng)用到室內(nèi)定位中,提高了定位的精度。文獻(xiàn)[7]中,作者用CSI中的相位信息建立指紋庫,并采用深度學(xué)習(xí)的方法,使得定位精度進(jìn)一步得到提升。文獻(xiàn)[8]綜合分析CSI的每一條子鏈路和每一條子載波的信息,綜合起來進(jìn)行室內(nèi)定位,也取得了較好的定位精度。文獻(xiàn)[9]使用神經(jīng)網(wǎng)絡(luò)的方法來進(jìn)行室內(nèi)定位,進(jìn)一步的提升了室內(nèi)定位的精度和性能。文獻(xiàn)[10]提出了一種魯棒性良好的室內(nèi)定位方法,實驗驗證在不同的環(huán)境中確實表現(xiàn)良好,但只能針對單人的定位。文獻(xiàn)[11]采用了改進(jìn)的貝葉斯分類器進(jìn)行室內(nèi)定位,實驗證明比基于傳統(tǒng)的貝葉斯分類的室內(nèi)定位方法的性能提高了至少15%。文獻(xiàn)[12]提出了一種基于CSI信號的到達(dá)角和RSSI融合的室內(nèi)定位方法,該方法的定位誤差縮減到了0.7 m。文獻(xiàn)[13]在5G環(huán)境下使用K-近鄰的分類算法對室內(nèi)定位進(jìn)行了研究,提升了定位的準(zhǔn)確性,但只能夠定位一個人。文獻(xiàn)[14]提出了一種隨機森林指紋定位方法,降低了建立指紋庫的復(fù)雜度。但就目前研究而言,關(guān)注雙人以及多人定位的研究鮮有報道。鑒于當(dāng)前基于CSI進(jìn)行多人感知領(lǐng)域較為空缺的現(xiàn)狀,本文提出一種基于CSI的雙人分階段定位方法。因為被測人員體型以及相互站位都對于CSI信號有著影響,因此當(dāng)被檢測人數(shù)上升時,需要建立的指紋庫就會極其復(fù)雜,同時算法的復(fù)雜度也直線上升。例如,當(dāng)監(jiān)測點為8,被測人員數(shù)量為4時,共有163種情況[15],導(dǎo)致建立指紋庫極為復(fù)雜。為了解決這一問題,本文提出一種分階段定位的方法,第一步先使用K-means算法進(jìn)行聚類,建立粗指紋庫。第二步在粗指紋庫的基礎(chǔ)上使用SoftMax分類算法進(jìn)行細(xì)致的分類,建立細(xì)指紋庫。最后在實時匹配階段,采集的數(shù)據(jù)需要先經(jīng)過粗指紋庫匹配得到粗定位結(jié)果,再經(jīng)過細(xì)指紋庫匹配,得到最終的定位結(jié)果。

1 理論與模型

1.1 CSI多人信號特征

隨著802.11/n協(xié)議的使用,我們可以從符合此標(biāo)準(zhǔn)的商用Wi-Fi設(shè)備中提取出CSI信息。CSI信息體現(xiàn)Wi-Fi信號在每條傳輸路徑上的衰減情況,具體而言是一個m×n×k的復(fù)數(shù)矩陣,其中m表示發(fā)送端天線的數(shù)量,n表示接收端天線的數(shù)量,k表示子載波的組數(shù)。

對于使用OFDM技術(shù)傳輸?shù)男盘?接收端的信號可以表示為:

Y=HX+N

(1)

式中:X和Y分別為信號在發(fā)送端和接收端的向量表示,其維數(shù)為M×1,H是信道狀態(tài)信息矩陣,N表示高斯白噪聲向量,其維數(shù)為M×1。每個子載波的CSI可以表示為:

H=Y/X

(2)

使用Atheros9380網(wǎng)卡以及修改LINUX內(nèi)核驅(qū)動可以采集得到CSI數(shù)據(jù)。圖1(a)、圖1(b)分別表示在不同站位情況下采集的CSI數(shù)據(jù)振幅波形圖,從圖1中可以明顯看出兩者具有差別,即使用CSI進(jìn)行多人檢測和定位具有可行性。

圖1 CSI幅度圖

1.2 多人檢測方法

方法分為離線訓(xùn)練和在線匹配兩個階段。在離線階段,對被檢測區(qū)域中存在2個人的情況進(jìn)行建模,并采集不同情況下各自的CSI信息,對所采集到的CSI數(shù)據(jù)進(jìn)行降噪預(yù)處理,第一步粗分類對預(yù)處理后的數(shù)據(jù)使用K-means算法進(jìn)行簇類回歸,建立粗指紋庫,在粗分類結(jié)果的基礎(chǔ)上,再使用SoftMax分類算法進(jìn)行每個簇類的細(xì)分類,建立細(xì)指紋庫。在線匹配階段先將采集到的數(shù)據(jù)進(jìn)行與離線階段同樣的預(yù)處理過程,然后將其與粗指紋庫進(jìn)行匹配,得到粗定位結(jié)果,在得到粗定位結(jié)果的基礎(chǔ)上,與細(xì)指紋庫進(jìn)行匹配,得到最終的定位結(jié)果。分兩步進(jìn)行匹配,極大的降低了建立指紋庫和匹配算法的復(fù)雜度,系統(tǒng)的流程圖如圖2所示。

圖2 定位方法流程圖

1.3 箱型圖模型

在CSI數(shù)據(jù)采集的過程中,因設(shè)備自身影響以及室內(nèi)復(fù)雜實驗環(huán)境的干擾,采集的數(shù)據(jù)會存在異常值,而異常值對系統(tǒng)模型的訓(xùn)練和分類具有較大的影響,因此需要對采集的數(shù)據(jù)先進(jìn)行異常值處理。本文使用箱型圖分析的方法來剔除異常值,箱型圖是在采集得到的實際數(shù)據(jù)的基礎(chǔ)上繪制的,能夠真實的反映數(shù)據(jù)的真實情況,因此在異常值處理中具有一定的優(yōu)越性,先將采集到數(shù)據(jù)中的中位數(shù)和上四分位數(shù)Q3和下四分位數(shù)Q1,再繪制成如圖3箱型圖處理示意圖所示矩形圖,取Q3+1.5IQR(IQR=Q3-Q1)處的值畫一條與中位線平行的線段,定義為上內(nèi)限,同理定義下內(nèi)限為在Q1-1.5IQR處的線段。異常值定義為所有上內(nèi)限之上和下內(nèi)限之下的值,預(yù)處理過程完成對異常值的剔除。

圖3 箱型圖處理示意圖

2 算法描述

2.1 K-means粗聚類

本文提出的方法需要通過對采集到的數(shù)據(jù)進(jìn)行K-means聚類回歸,在回歸得到的結(jié)果的基礎(chǔ)上建立粗指紋庫,從而完成粗分類的任務(wù)。因為通過Atheros9380網(wǎng)卡采集到的CSI數(shù)據(jù)都是2×3×56的矩陣,即共有6條子鏈路,為了便于描述,挑選其中的第i條用于本文方法的描述過程,其余子鏈路采用同樣的處理方式。

Step 1 在采集所得的80%數(shù)據(jù)中,對于每一種站位情況提取50組數(shù)據(jù),根據(jù)所選的第i條子鏈路,將50組數(shù)據(jù)中的第i條子鏈路進(jìn)行加權(quán)平均,得到每一種站位情況下的MeanVi(i=1,2,3,…,36)。

Step 2 將上一步得到的36個幅值向量作為輸入,選取k值進(jìn)行K-means回歸。

Step 3 經(jīng)過第2步的回歸,我們已經(jīng)得到了初始36個類別和最終k個類別的映射關(guān)系,在此映射基礎(chǔ)上建立粗指紋庫,即我們得到k個質(zhì)心作為標(biāo)志,粗指紋庫為Fin={F1,F2,F3,…,Fk}

2.2 SoftMax細(xì)分類

在2.1節(jié)建立粗指紋庫的基礎(chǔ)上,對每一個簇類下包含的雙人站位情況,分別進(jìn)行SoftMax分類,建立細(xì)指紋庫fin={f11,f12,f13,…,fkn}其中,f11表示該指紋為第一簇類下的第一種站位情況。過程如下:

Step 1 將F1簇類下的各個數(shù)據(jù)作為分類器的輸入,通過調(diào)整權(quán)值衰減系數(shù)λ的值,得到相應(yīng)概率數(shù)值的輸出。對于一種站位情況,從80%的數(shù)據(jù)中共訓(xùn)練得到m個指紋:Fijk(k=1,2,…,m)

Step 2 對上一步訓(xùn)練得到的m個指紋,取其平均值,得到fij:

(3)

2.3 實時匹配

在線階段首先在采集不同測試點的CSI數(shù)據(jù),首先進(jìn)行同離線階段一樣的數(shù)據(jù)預(yù)處理,記處理后的CSI數(shù)據(jù)為TS。定位過程分為粗定位計算和細(xì)定位計算兩個階段,在粗定位計算階段,通過采集到的CSI數(shù)據(jù)與粗指紋庫Fin匹配,確定屬于哪一種簇類,在粗定位結(jié)果的基礎(chǔ)上,再將測試數(shù)據(jù)與細(xì)指紋庫fin={f11,f12,f13,…,fkn}進(jìn)行匹配,得到最終的定位結(jié)果。

2.3.1 粗定位結(jié)果計算

該過程中,通過計算TS與粗指紋庫中各個指紋的歐幾里得距離,與哪個聚類中心距離最為接近,則屬于哪個聚類,得到粗定位結(jié)果。具體過程如下:

Step 1 計算處理后的CSI數(shù)據(jù)TS與粗指紋庫Fin中每個指紋的歐幾里得距離(同一條子鏈路),可以表示為:

(4)

式中:n表示粗指紋庫的總數(shù),Fi∈Fin,TSj表示采集到的測試CSI值中第j條子鏈路的幅值向量。

Step 2 將dij按值大小升序排序,選取最小的dij,得到對應(yīng)的i值,則該測試數(shù)據(jù)屬于粗指紋庫的第i類,得到粗定位計算結(jié)果。

2.3.2 細(xì)定位結(jié)果的計算

在2.3.1節(jié)得到粗定位結(jié)果的基礎(chǔ)上,繼續(xù)計算TS與上一步已經(jīng)分類得出的細(xì)指紋庫fin的歐氏距離,通過比較,得到最終的定位結(jié)果,過程如下:

Step 1 計算TS與細(xì)指紋的歐幾里得距離dstij如下:

(5)

式中:fij表示細(xì)指紋庫fi中的某一個指紋,n為細(xì)指紋庫的總數(shù)。

Step 2 將dstij的值按大小升序排序,選取最小的dstij,得到對應(yīng)的i、j的值,則該測試數(shù)據(jù)屬于細(xì)指紋庫fij類,得到最終的定位結(jié)果。

3 實驗與分析

3.1 實驗環(huán)境

實驗設(shè)備包括兩個聯(lián)想臺式電腦,分別作為發(fā)射機和接收機,兩臺電腦的操作系統(tǒng)為Ubuntu16.04LTS,CPU型號均為Intel Corei3-4150,提取CSI數(shù)據(jù)使用Atheros9380網(wǎng)卡,且發(fā)射端和接收端代碼均經(jīng)過調(diào)制,能夠調(diào)節(jié)不同的發(fā)包速率。為了驗證本文提出的系統(tǒng)的性能,在實驗室進(jìn)行了驗證實驗。實驗場地為3×3的正方形網(wǎng)格區(qū)域,每個格子的邊長為0.80 m,實驗室場地圖及平面布局圖如圖4、圖5所示。

主成分分析法應(yīng)用于統(tǒng)計中的主成分分析，是將一組原始指標(biāo)轉(zhuǎn)換成具有相同趨勢的新變量，計算出若干個主成分，再根據(jù)各主成分對研究對象的貢獻(xiàn)率進(jìn)行一定的線性組合，構(gòu)造出綜合主成分進(jìn)行綜合評分，然后根據(jù)綜合評分的高低順序進(jìn)行排序，以達(dá)到綜合評價的目的[31]。

在數(shù)據(jù)采集的過程中,兩位被測者分別挑選任意的兩個格子靜止站立。兩位被測者保持靜止10 s,發(fā)包速率分別為20包/s、50包/s、100包/s,因此一個位置共采集200、500、1000個數(shù)據(jù)包,同一位置重復(fù)采集10次。采集到的數(shù)據(jù)80%用于離線階段的訓(xùn)練,20%用來在線階段的測試。

圖4 實驗場地圖

圖5 實驗室平面布局圖

3.2 方法的性能分析

3.2.1 方法的識別率

本文定義方法的識別率為識別正確的樣本數(shù)占總被測樣本數(shù)的比例,正確識別兩人分布站在幾號定位格中且定位誤差在1.20 m以內(nèi)即被定義為識別正確的樣本。

圖6 定位誤差定義圖

3.2.2 定位誤差

因本文是針對于雙人的定位方法,特提出雙人定位方法的定位誤差計算方法,如圖6所示,白色小人為實際的站位點,黑色小人為本文方法計算的位置點,其中r1和r2分別表示兩個被測人員實際站位點跟方法定位點的距離。定義方法的定位誤差為ED:

(6)

3.2.3 雙人間距對識別率的影響

雙人定位實驗中,雙人間距對于定位的誤差必然存在影響,現(xiàn)有研究的定位精度一般都是在1.00 m以上,因此設(shè)定兩人間距分別為0.40 m、0.80 m、1.00 m、1.20 m、1.60 m、2.40 m的不同情況下的對比實驗,來研究雙人間距對于定位誤差的影響,實驗結(jié)果如圖7所示。

圖7 人員間距對定位誤差影響圖

從圖7可以看到,當(dāng)人員間距在1.00 m以內(nèi)時,定位誤差平均在1.60 m以上,即定位誤差較大。當(dāng)雙人間距為1.20 m時,定位誤差為1.18 m。隨著人員間距持續(xù)增大,定位誤差并沒有顯著的減少。為了研究人員間距對站位關(guān)系識別率的影響,在同上所述的間距分布情況下進(jìn)行了識別率的統(tǒng)計,統(tǒng)計結(jié)果如圖8所示。

圖8 人員間距對識別率的影響

從圖 8可以得出,當(dāng)雙人間距小于1.00 m時,方法的識別率維持在50%左右,當(dāng)雙人間距在1.00 m以上時,方法的識別率平均在80%以上,隨著人員間距的增大,識別率有少量的提高,最高達(dá)到91%?？紤]到實驗的可實施性以及均衡性,本文后續(xù)的實驗,均是在雙人站立間距為1.20 m的情況下進(jìn)行的。

3.2.4 被測人員對系統(tǒng)的影響

因為基于CSI運用指紋庫進(jìn)行定位方法固有的局限性,當(dāng)被測人員不同時,定位的精度和準(zhǔn)確率有著明顯的差別,因此為了研究被測人員固有的體型特征對本文提出的方法的定位精度和識別率的影響,特挑選不同的人員進(jìn)行實驗,實驗人員有:

男1:身高185 cm 體重65 kg

男2:身高180 cm 體重68 kg

女1:身高170 cm 體重52 kg

女2:身高163 cm 體重45 kg

不同的組合分別有:A(男1,男2)、B(男1,女1)、C(男1,女2)、D(男2,女1)、E(男2,女2)、F(女1,女2)。

圖9 被測人員實驗圖

圖10 被測人員對識別率影響圖

由圖10可以看出,在被測人員體型較為相似的情況下,來研究雙人定位,識別率是較為好的,因為相似的體型相比于體型相差較大,減少了所測數(shù)據(jù)的復(fù)雜度,因此當(dāng)數(shù)據(jù)用于特征提取和分類時,具有更好的效果。所以本文后續(xù)實驗,均采取(男1,男2)組合。特此說明。

3.2.5 設(shè)備高度對于定位的影響

在基于CSI的定位中,發(fā)包的速率以及發(fā)射機和接收機的高度均對于定位的精度存在影響,因此對于接收機和發(fā)射機高度分別為0.50 m、1.00 m、1.50 m的情況下分別進(jìn)行定位實驗,研究設(shè)備高度對于定位誤差和方法識別率的影響。設(shè)備高度對于定位誤差的影響如表1所示。

分析表1可以得出,不同的設(shè)備高度對于定位誤差存在較大的影響,當(dāng)設(shè)備高度為1.0 m時,平均定位誤差最小,達(dá)到1.08 m。統(tǒng)計不同設(shè)備高度下的識別率如圖11所示。

表1 設(shè)備高度與定位誤差關(guān)系表 單位:m

圖11 設(shè)備高度對識別率影響圖

從圖11可以看出,設(shè)備高度對于雙人定位的識別率存在一定的影響,當(dāng)設(shè)備高度為1.00 m時,本文提出方法的識別率最高,可以達(dá)到90%左右。

3.2.6 發(fā)包速率和設(shè)備間距對識別率的影響

不同的設(shè)備間距對于雙人定位問題可能存在不同的影響,為了研究得出最佳適合本文方法以及實驗場景的設(shè)備間距,特在設(shè)備間距分別為3.00 m、4.00 m和5.00 m三種情況下進(jìn)行實驗。在不同的設(shè)備間距和不同的發(fā)包速率下,分別研究方法的定位誤差和方法的識別率,表1為在測試樣本為100個時,在不同發(fā)包速率以及不同設(shè)備間距下的識別率。

從表2中可以看出,設(shè)備之間的間距會影響定位識別的準(zhǔn)確率,因為本實驗場景設(shè)置的特殊性,在本文描述的實驗場景下,當(dāng)設(shè)備間距為3.00 m時系統(tǒng)的識別率高于其他情況,不同的發(fā)包速率對準(zhǔn)確率具有一定的影響,當(dāng)發(fā)包速率為100包/s,設(shè)備間距為3.00 m時,得到方法的最佳識別率91%。

表2 設(shè)備間距與定位誤差關(guān)系表

4 總結(jié)

本文提出了一種基于CSI的雙人分階段定位方法,通過粗定位和細(xì)定位兩個過程確定了雙人的站立點和站位關(guān)系。提出的方法經(jīng)過實驗驗證后,最終的定位誤差在1.00 m～1.20 m之間,站位關(guān)系識別率最佳為91%,較好的解決了基于CSI的定位隨著人數(shù)上升引起的指紋庫建立和匹配算法復(fù)雜的問題,本文將來會致力于研究更多人數(shù)的并發(fā)感知和并發(fā)檢測方面。