黨小超,張 彤,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)

1 引 言

現(xiàn)如今位置信息的獲取與分析在社會生活中有著重要價值.不同于傳統(tǒng)戶外定位,室內(nèi)定位由于其環(huán)境復(fù)雜,影響因素較多,因此,選擇合適的技術(shù)來實現(xiàn)室內(nèi)區(qū)域監(jiān)測與人員位置感知已成為當(dāng)下研究的熱點[1,2].現(xiàn)今主流室內(nèi)定位技術(shù)包括RFID[3]、UWB[4]和WiFi等.通過提取WiFi信號對室內(nèi)人員的位置信息和行為活動的感知研究已經(jīng)取得了初步成果,并在室內(nèi)定位,人員動作識別,入侵檢測等領(lǐng)域廣泛應(yīng)用.使用WiFi設(shè)備獲取室內(nèi)位置信息,實現(xiàn)室內(nèi)區(qū)域監(jiān)測在多個方面都有良好的發(fā)展前景,可應(yīng)用于銀行金庫、博物館、美術(shù)畫廊、機房等室內(nèi)重點區(qū)域的監(jiān)測.

傳統(tǒng)無設(shè)備定位使用信號接收強度(Received Signal Strength Indication,RSSI)實現(xiàn),文獻[5]中Uises等人利用藍牙信標(biāo)來設(shè)計基于RSSI的室內(nèi)定位系統(tǒng),提高了識別精度,但是需要搭建專用傳感器網(wǎng)絡(luò),增加了額外設(shè)備.文獻[6]中田等人從WiFi設(shè)備中提取RSSI并建立離線指紋庫,提出指紋數(shù)據(jù)分級方法提高匹配效率,但未能良好控制在誤差,且定位精準(zhǔn)度有待提高.文獻[7]中桑等人將支持向量機(Support Vector Machines,SVM)應(yīng)用于基于RSSI的室內(nèi)定位方法,有效地控制了誤差范圍并提高了定位精準(zhǔn)度,但基于RSSI技術(shù)的室內(nèi)定位與識別在傳輸過程中受多徑效應(yīng)影響大,信號易被干擾,導(dǎo)致識別精度下降.

文獻[8]考慮室內(nèi)復(fù)雜環(huán)境對WiFi信號的影響,通過基于CSI的指紋特征定位提高了定位精度,但系統(tǒng)整體穩(wěn)定性不高,對實驗環(huán)境依賴較大.文獻[9,10]中在對室內(nèi)人員行為識別和室內(nèi)精準(zhǔn)定位的研究中,使用主成分分析(principal component analysis,PCA)法提取數(shù)據(jù)特征,分別提出FreeSense和R-TTWD方法,極大提高了特征提取的精準(zhǔn)度,確保了特征劃分的準(zhǔn)確性.文獻[11]提出一種LiFS算法,過將多個無線鏈路的CSI測量建模為一組基于功率衰落的方程來估計位置,并利用受多徑影響的子載波進行定位.以上文獻在對室內(nèi)人員進行定位和進行室內(nèi)區(qū)域劃分的過程中很好地利用了技術(shù)特性,但是系統(tǒng)中還是存在環(huán)境適應(yīng)性差,定位精度不足,區(qū)域監(jiān)測識別率不高等問題.

針對傳統(tǒng)CSI的室內(nèi)定位存在的問題,本文提出一種Wi-KAM(Key Area Monitoring based on WiFi)算法,通過實時獲取室內(nèi)人員定位信息,判斷室內(nèi)重點區(qū)域內(nèi)部人員存在和邊界入侵情況,實現(xiàn)對室內(nèi)重點區(qū)域的監(jiān)測.本文貢獻在于,采用高斯低通濾波和PCA技術(shù)對信號進行處理,極大提高信號特征精準(zhǔn)度,用LSSVM對特征信息進行訓(xùn)練分類,優(yōu)化本地性能,提高了定位精度和識別準(zhǔn)確率.在實驗部分,本文還測試了不同場景和參數(shù)條件下算法性能的區(qū)別,并與其他方法進行比較,實現(xiàn)綜合性能評估.

2 Wi-KAM室內(nèi)重點區(qū)域監(jiān)測方法

本文提出的室內(nèi)重點區(qū)域監(jiān)測方法基于WiFi定位技術(shù)實現(xiàn)[12],需要獲取人員實時精準(zhǔn)的位置信息,以此判斷各區(qū)域內(nèi)人員狀態(tài)變化,做出進一步反饋.CSI是對信號傳輸中所經(jīng)歷的衰減因子的描述,可以更精準(zhǔn)地反映位置信息與區(qū)域狀態(tài)的變化[13,14](1)http://kns.cnki.net/kcms/detail/11.1826.TP.20181012.1412.002.html.

圖1 不同位置的原始CSI數(shù)據(jù)Fig.1 Raw CSI data at different locations

圖1為人員位于同一實驗場景中不同位置的CSI數(shù)據(jù)圖像,每幅圖包含3條鏈路的CSI幅值信息,不同位置采樣獲得的CSI有明顯區(qū)別,可確定通過CSI數(shù)據(jù)進行位置判別是切實可行的.

本文對重點區(qū)域的定義為室內(nèi)人為規(guī)定界限并賦予特殊存在價值的小面積區(qū)域,其劃分標(biāo)準(zhǔn)根據(jù)實際場景的變化人為指定,重點區(qū)域監(jiān)測旨在判斷區(qū)域內(nèi)人員存在情況與人員實際位置.

圖2 Wi-KAM算法流程圖Fig.2 Algorithm flowchart of Wi-KAM

Wi-KAM方法通過獲取室內(nèi)人員實時位置信息,判斷重點區(qū)域內(nèi)是否有人員存在或者區(qū)域邊界是否有人員入侵.通過判斷區(qū)域內(nèi)部及周邊的人員位置與活動信息,由外部系統(tǒng)提出進一步響應(yīng),進而來完成對室內(nèi)重點區(qū)域的監(jiān)測工作,Wi-KAM方法流程如圖2所示.

在離線階段使用高斯低通濾波對采集到的CSI位置數(shù)據(jù)進行預(yù)處理,隨后在處理信號上使用PCA算法[15]提取特征值,并利用特征數(shù)據(jù)建立位置指紋數(shù)據(jù)庫,在線階段采集測試點的CSI數(shù)據(jù)并使用LSSVM[16]算法與指紋庫信息進行位置匹配,以此來獲取室內(nèi)人員實時位置信息,從而判斷各測試區(qū)域人員狀態(tài),實現(xiàn)對重點區(qū)域狀態(tài)監(jiān)測.

2.1 數(shù)據(jù)預(yù)處理與特征提取

2.1.1 高斯低通濾波處理

原始CSI數(shù)據(jù)受環(huán)境和采樣設(shè)備影響,需要進行預(yù)處理用以降低干擾.人體位置信息反饋回的頻域信號通常需要進行高斯低通濾波處理,針對于高斯噪聲符合正態(tài)分布的特性,在此使用高斯濾波可以對實現(xiàn)對噪聲的良好處理.首先,在室內(nèi)進行區(qū)域劃分,選擇出重點監(jiān)測區(qū)域和普通監(jiān)測區(qū)域,在劃分好的各區(qū)域內(nèi)選定N個位置參考點,各個參考點的位置信息可記為pi=(xi,yi),則其形成的區(qū)域位置信息空間為p=(p1,p2,…,pN).在同一位置點上的取樣次數(shù)記為T,則CSI的樣本位置信息為Ki=(CSIi1,CSIi2,…,CSIiT),其中T維向量Ki為在采樣點i位置獲取的CSI數(shù)據(jù)包,每一個數(shù)據(jù)包為3×2×56的矩陣,則整體可以構(gòu)成T·N維空間K,其中行向量K=(K1,K2,…,KN)T為位置參考Pi的特征信息.在獲得采集的CSI數(shù)據(jù)后,高斯濾波通過對小概率的突變干擾項進行剔除操作來實現(xiàn)信號的平滑處理,其波形函數(shù)模型為:

(1)

φ[CSI(t)]表示t時刻接收端采集到的CSI的概率,其中：

(2)

(3)

T為采樣總次數(shù),μ為t時刻接收端采集的CSI數(shù)據(jù)的均值,σ為標(biāo)準(zhǔn)差.通過對CSI信號進行低通濾波,可有效去除環(huán)境噪聲影響,降低數(shù)據(jù)誤差.

對原有位置參考點的指紋信息進行低通濾波處理后,可得到降噪后的數(shù)據(jù)矩陣向量如式(4)所示：

(4)

圖3 高斯低通濾波處理前后對比Fig.3 Comparison before and after Gaussian low-pass filtering

圖3為第20號位置第2天線30個數(shù)據(jù)包的單條天線CSI原始數(shù)據(jù)和經(jīng)過高斯低通濾波處理的圖像.

由圖3可以看到,原始CSI信號波形存在高頻毛刺,數(shù)據(jù)在某些區(qū)域會呈現(xiàn)過度緊密地堆積,此類異常會影響后續(xù)實驗的精度,經(jīng)過濾波處理后,高頻異常被剔除,整體信號曲線走勢平緩光滑.

2.1.2 CSI位置特征的提取

考慮到CSI數(shù)據(jù)集本身為高維度信息,其高維度會導(dǎo)致算法時間復(fù)雜性提升,且各個維度對區(qū)域人員存在檢測和定位的貢獻度不同,則使用PCA算法提取最高貢獻度的特征成分,以此為依據(jù)建立離線指紋庫,主要處理步驟如下:

Step 1.獲得式(4)所示的低通濾波預(yù)處理后數(shù)據(jù)矩陣向量.

(5)

Step 3.使用矩陣K′列向量減去μ,實現(xiàn)中心化處理,得到矩陣δ,計算的δ協(xié)方差矩陣如下式:

(6)

(7)

Step 4.計算F的特征值,解‖F(xiàn)-λI‖=0,若λi為V的一個特征值,則存在特征向量xi滿足Vxi=λixi,解得xi為F對于λi的特征向量,N個特征值與特征向量組成矩陣φ=[x1,x2,…,xN].

Step 6.將前h個主成分依照大小輸出,定義第i個主成分的特征貢獻率wi,由此計算累計貢獻率Ci,如下式:

(8)

Step 7.取特征值的累計貢獻率超過門限值Cc的對應(yīng)特征向量,使其組成主成分矩陣D=(D1,D2,…,DN)T,進而對其中向量Di進行加權(quán)平均,獲得向量d=(d1,d2,…,dn)做為位置指紋的特征數(shù)據(jù),建立離線指紋數(shù)據(jù)庫.

根據(jù)上述步驟,PCA處理效果如圖4所示.

圖4 PCA算法處理前后圖像Fig.4 PCA algorithm processing before and after images

圖4(a)為圖3(b)為使用PCA處理后的得分矩陣特征波形,圖4(b)為PCA得分矩陣進行加權(quán)平均后得到的特征波形.圖像結(jié)果表明低通濾波數(shù)據(jù)經(jīng)過PCA處理后,波形收束相比之前更加緊密,提取得到的新波形在保留原有數(shù)據(jù)特征的情況下,自身幅值細節(jié)信息更加明顯,在對多條特征數(shù)據(jù)進行加權(quán)平均后,可將單個位置點的一次采樣信息凝練為一組有效特征波形,以提高后續(xù)樣本訓(xùn)練與分類的效率和精度.

2.2 離線訓(xùn)練與在線分類

2.2.1 LSSVM離線訓(xùn)練

對同一位置多次采樣后,獲得足夠特征指紋,建立離線位置指紋庫,其描述了指定環(huán)境中CSI信息與采樣位置的關(guān)系.使用LSSVM算法訓(xùn)練樣本,建立特征位置關(guān)系的映射.

對指紋庫中人員位置樣本進行訓(xùn)練,設(shè)q為訓(xùn)練樣本數(shù),構(gòu)建訓(xùn)練樣本(di,gi),其中di=(di1,di2,…,diq)為經(jīng)過PCA處理后的各個采樣位置點的特征樣本數(shù)據(jù)集,gi∈(+1,-1)為樣本分類標(biāo)簽,+1表示位置點人員存在,-1表示位置無人.訓(xùn)練模型使用數(shù)據(jù)集{(di,gi)|i=1,2,…,q}為樣本,目的是確定gi的值,從而判斷各個位置是否有人員存在,通過比對分類,從而獲得人員實時位置,判斷重點區(qū)域內(nèi)部及周邊人員存在情況.LSSVM處理過程為:

已知樣本集(di,gi),基于最小化原則,建立優(yōu)化函數(shù)如下:

s.t.gi=wT·φ(di)+b+ηi,i=1,2,…,q

(9)

(10)

公式(14)中,w為分離超平面的方向向量,b為超平面位置常數(shù),C為懲罰參數(shù),ηi為誤差,這里引入拉格朗日函數(shù)將原問題轉(zhuǎn)化為對偶問題進行優(yōu)化,函數(shù)式為:

(11)

公式(11)中αi為拉格朗日乘子,利用拉格朗日優(yōu)化條件,將公式(11)轉(zhuǎn)化為如下線性方程組:

(12)

其中K(di,dj)是將CSI指紋映射到更高維度的核函數(shù),選擇徑向基函數(shù)作為核函數(shù),則K(di,dj)=exp(-‖di-dj‖2/2δ2),其中δ為核參數(shù).

將指紋庫中的位置數(shù)據(jù)作為訓(xùn)練樣本輸入,對公式(12)進行線性求解,獲得αi=(α1,α2,…αq)T與b,為在線匹配所使用決策函數(shù)提供參數(shù)支持.

2.2.2 在線匹配

在本方法的在線階段旨在判斷區(qū)域內(nèi)人員存在并估計人員具體位置.通過設(shè)備將對室內(nèi)每個測試點的實時人員活動情況的CSI數(shù)據(jù)進行采集,獲得測試點的CSI信息,發(fā)送給接收設(shè)備,進行數(shù)據(jù)預(yù)處理操作,提取出有效數(shù)據(jù)特征,使用LSSVM算法線數(shù)據(jù)信息實時匹配與分類決策.根據(jù)分類結(jié)果判斷人員所處真實位置,并將與重點區(qū)域所在相對位置進行對比,判斷人員存在情況并實現(xiàn)定位.

實現(xiàn)在線分類的關(guān)鍵在于利用公式(12)求解獲得的參數(shù),構(gòu)建決策函數(shù)如公式(13)所示:

(13)

其中,di和d分別為訓(xùn)練樣本數(shù)據(jù)與測試樣本數(shù)據(jù),且當(dāng)f(d)>0時,人員在對應(yīng)位置存在,當(dāng)f(d)<0時,對應(yīng)位置無人存在.以此為依據(jù),則在線階段步驟如下:

Step 1.實時獲取人員在測試位置的CSI數(shù)據(jù),并進行數(shù)據(jù)預(yù)處理提取特征信息;

Step 2.構(gòu)建測試樣本集(dh,gh),h為測試位置編號,dh為已提取特征信息的測試集;

Step 3.使用LSSVM進行分類處理,按位置點序號順序使用式(17)決策函數(shù)根據(jù)指紋數(shù)據(jù)庫對當(dāng)前位置點人員存在情況判斷;

Step 4.根據(jù)決策信息,若位置匹配成功,則輸出當(dāng)前人員真實位置,否則返回Step 3繼續(xù)進行分類.

根據(jù)獲得的位置坐標(biāo)與重點區(qū)域位置信息進行比對判斷重點區(qū)域內(nèi)部人員存在情況及人員準(zhǔn)確位置,判斷存在情況,獲得人員真實位置,實現(xiàn)對重點區(qū)域人員位置的監(jiān)測.

3 實驗驗證與性能分析

3.1 實驗環(huán)境

為驗證本文中算法可行性及性能,選擇在實際場景中進行實驗,實驗場地分別為兩部分,通過不同實驗環(huán)境對比,測試算法的精確性與魯棒性.

在本實驗中,主要依靠人為劃分手段事先在室內(nèi)規(guī)劃出特定區(qū)域作為重點區(qū)域,以此進行后續(xù)實驗驗證.第一個實驗場景是的規(guī)格為8m×12m的實驗室,場地中事先布置好5×5規(guī)格的網(wǎng)格,每個網(wǎng)格長寬尺寸為0.8m×0.8m,共計設(shè)計25個采樣點,實驗室內(nèi)置多個實驗設(shè)備和辦公用具,布局緊湊,測試多徑效應(yīng)對實驗影響.實驗室平面圖和實景圖如圖5所示.

圖5 實驗室平面布置圖和環(huán)境Fig.5 Laboratory floor plan and environment

第二個實驗場地是規(guī)模為11m*16m的大廳,其布局較為空曠,沒有明顯的障礙物干擾,其布局圖和實景圖如圖6所示.

圖6 大廳平面布置圖和環(huán)境Fig.6 Hall floor plan and environment

實驗通過兩套安裝了Atheros AR9380 型號網(wǎng)卡的設(shè)備采集CSI數(shù)據(jù),機器使用Intel Core i3-4150型號CPU和Ubuntu11.04操作系統(tǒng),將其中一臺設(shè)為發(fā)射機MP,另一臺設(shè)為接收機AP,天線觸點使用6DB高增益天線接出,高度設(shè)為1.2m,其中三根發(fā)射天線,兩根接收天線.

3.2 性能分析

3.2.1 不同實驗場景的定位精度分析

在本節(jié)實驗中,通過設(shè)計兩個不同實驗場景進行對比實驗,分析算法執(zhí)行情況.在擁有障礙物的擁擠實驗環(huán)境中,多徑效應(yīng)會直接影響CSI信號的傳播路徑,提升CSI數(shù)據(jù)空間分布的復(fù)雜度,影響數(shù)據(jù)的進一步處理工作.每個場景分別選擇25個位置采樣點,采用第x條天線的鏈路的CSI幅值信息作為特征成分,通過對Wi-KAM算法分別對兩個實驗場景中的采樣數(shù)據(jù)進行在線分類處理,將識別分類結(jié)果進行可視化匯總分析,使用獲得的分類位置匹配情況得混淆矩陣來進一步驗證實驗效果.

圖7為在實驗室場景中和在大廳場景中的位置分類匹配情況.

圖7 兩種場景下定位效果混淆矩陣圖Fig.7 Positioning effect confusion matrix diagram in two scenarios

由圖7可知,在障礙物較多,場地相對擁擠的實驗環(huán)境中,位置點的識別效果相對于大廳空曠環(huán)境較為不佳,在此環(huán)境下某些位置點如9,11,12等易與相鄰位置點混淆,使得在易混淆點附近設(shè)置重點區(qū)域時,算法對重點區(qū)域內(nèi)是否有人員活動的情況產(chǎn)生不準(zhǔn)確判斷.而在大廳實驗場景中,由于環(huán)境條件較為理想,干擾因素小,因而算法的在線分類匹配效果較為精確.綜合對比,環(huán)境的復(fù)雜程度會對定位精度產(chǎn)生一定影響,環(huán)境復(fù)雜度越低,定位效果越好.

3.2.2 重點區(qū)域劃分對定位精度的影響

在實現(xiàn)了室內(nèi)人員定位的基礎(chǔ)上,可以進一步考慮重點區(qū)域與整體室內(nèi)區(qū)域相對位置因素對區(qū)域監(jiān)測和識別分類的影響.本文使用以下性能指標(biāo)來評估識別精度:

1)假陰率(false negative,FN).表示在實際監(jiān)測時,重點區(qū)域內(nèi)有人員存在,而系統(tǒng)誤判為區(qū)域內(nèi)無人的情況.

2)真陽率(True Positive,TP).表示正確判別出重點監(jiān)測區(qū)域內(nèi)有人員存在的情況.

3)檢測率(Detection Rat,DR).表示系統(tǒng)正確判斷了所監(jiān)測的重點區(qū)域內(nèi)外的人員位置情況,其數(shù)值上等于真陽率比上假陰率與真陽率之和.

在實驗場景一中,通過控制變量法,保證實驗人員和設(shè)備參數(shù)等環(huán)境因素不變,分別設(shè)置等面積但位置不同的重點區(qū)域進行對比實驗.

本實驗中重點區(qū)域的劃分標(biāo)準(zhǔn)為邊長為0.8m×1.6m的矩形,設(shè)置5組對照試驗,進行多次位置采樣,使用上述Wi-KAM算法進行在線數(shù)據(jù)處理,分別對識別結(jié)果進行分類討論.在25等劃分方格內(nèi)標(biāo)記出1號和2號方格記為1號重點監(jiān)測區(qū)域,同理順次標(biāo)記5號和10號,12號和13號,16號和21號,24號和25號,設(shè)置共計5組重點區(qū)域,圖8為人員位于3號重點區(qū)域內(nèi)進行實驗測試的實景圖.針對不同位置的定位情況進行統(tǒng)計,分析重點區(qū)域劃分位置對實驗效能的影響.

圖8 不同位置重點區(qū)域檢測率Fig.8 Detection rate of key areas in different locations

圖8反映出不同監(jiān)測區(qū)域匹配結(jié)果假陰率和檢測率的關(guān)系,其中靠近整體區(qū)域中心的3號重點區(qū)域平均識別率較高,可以達到92%左右,分析可得當(dāng)區(qū)域面積一定時,重點區(qū)域位置越靠近總監(jiān)測區(qū)域中心位置時,由接收機和發(fā)射機所形成的傳輸路徑所受多徑效應(yīng)影響越小,則使整體系統(tǒng)的識別精度的更高.

3.2.3 采樣數(shù)與鏈路數(shù)對定位精度的影響

CSI數(shù)據(jù)的采樣數(shù)量和鏈路數(shù)量會直接影響特征指紋庫的構(gòu)建質(zhì)量和算法運行效率,為了判別和分析采樣數(shù)量對實時定位準(zhǔn)確性和區(qū)域監(jiān)測性能的影響,在兩個實驗環(huán)境中,在不同場景下設(shè)置對照試驗,通過改變參數(shù)判斷實驗效能,并根據(jù)實驗結(jié)果評估方法的計算復(fù)雜度.

分別進行10、20、40、50、70個數(shù)據(jù)包的采樣和1到6條鏈路數(shù)量的實驗,對重點區(qū)域人員活動識別率和算法執(zhí)行時間情況進行統(tǒng)計分析,采樣數(shù)實驗和鏈路數(shù)實驗結(jié)果如圖9和圖10所示.

圖9 采樣數(shù)對算法的影響Fig.9 Effect of the number of samples on the algorithm

分析圖9可知,在兩種環(huán)境中采樣數(shù)量增加會提升定位精準(zhǔn)度,同時增加算法執(zhí)行時間,影響算法執(zhí)行效率.在空曠大廳環(huán)境中算法執(zhí)行速度和識別率均略高于實驗室環(huán)境,且隨著采樣數(shù)量提升,兩種環(huán)境下數(shù)值差距降低.當(dāng)采樣數(shù)量處于10到50包之間時,區(qū)域人員位置識別率與算法時間持續(xù)上升;當(dāng)采樣數(shù)量處于50到70包之間時,識別率基本保持在同一水準(zhǔn),趨于穩(wěn)定,但執(zhí)行時間依舊保持上升,綜合上述結(jié)果,可以推斷選取50包采樣數(shù)量可以在維持較高定位精度的情況下保持算法效率.

如圖10所示,兩種環(huán)境下實驗效能相近,選取提取特征樣本的鏈路數(shù)量增加會提升算法執(zhí)行時間和匹配復(fù)雜度.根據(jù)區(qū)域人員識別效果分析,僅選擇一條鏈路作為特征標(biāo)準(zhǔn)時,識別率低于20%,鏈路數(shù)量為6條時,識別率可達到90%以上,由此可得鏈路數(shù)量對識別率的影響顯著且兩者數(shù)值呈正相關(guān)趨勢.本方法為了在盡可能短的時間內(nèi)提高定位精度和識別準(zhǔn)確率,需要合適數(shù)量的采樣包數(shù)和盡可能多的鏈路數(shù)量作為分類匹配的樣本支撐.

圖10 鏈路數(shù)量對算法的影響Fig.10 Number of links affects the algorithm

通過分析上述實驗,可以明確采樣數(shù)量和鏈路數(shù)量直接影響計算復(fù)雜度,且Wi-KAM方法以LSSVM作為分類匹配工具,所以其訓(xùn)練過程復(fù)雜度為O(dn2),其中d為維度數(shù),n為樣本數(shù)量.

3.3 定位誤差分析

由上述三組對比實驗可以獲得Wi-KAM算法的綜合實驗效能,為對本算法進行綜合評估,在搭建的實驗環(huán)境中,分別對Wi-KAM算法,R-TTWD算法和本實驗采用的Wi-KAM算法在實驗室環(huán)境中進行實驗驗證,構(gòu)建CDF圖來進行對比分析,討論各個算法的誤差累計分布函數(shù).

圖11 定位誤差累積分布Fig.11 Cumulative distribution of positioning error

由圖11可以發(fā)現(xiàn)定位誤差在1米范圍內(nèi),R-TTWD方法優(yōu)于其他兩種方法;定位誤差在1～1.5米的范圍內(nèi)三種方法的累計誤差分布接近,同時Wi-KAM方法開始超越R-TTWD方法并優(yōu)于LiFS方法;在超過1.5米的定位誤差后,Wi-KAM方法相較于其他兩種方法有明顯優(yōu)勢,表現(xiàn)出更好的定位優(yōu)勢.

對比過三種方法在同一環(huán)境下的定位誤差累積分布函數(shù)后,將三種方法在兩個實驗環(huán)境中的平局誤差、標(biāo)準(zhǔn)誤差及定位精度進行對比,結(jié)果如表1所示.

分析表1中數(shù)據(jù),三種算法在大廳這種空曠環(huán)境中的定位精度略微高于擁擠環(huán)境,且Wi-KAM方法的定位標(biāo)準(zhǔn)誤差控制在1.13m左右,定位精度為76.1%至77.3%.相較于R-TTWD直接使用PCA處理數(shù)據(jù),本文選擇低通濾波與PCA相結(jié)合的方式對數(shù)據(jù)進行預(yù)處理操作,有效過濾了噪聲,降低環(huán)境干擾,使得系統(tǒng)整體的穩(wěn)定性與后期處理的精準(zhǔn)性得到了提升;其次R-TTWD方法側(cè)重于區(qū)域內(nèi)移動目標(biāo)的監(jiān)測,而本所提出的重點區(qū)域監(jiān)測方法在考慮移動目標(biāo)監(jiān)測的同時兼顧了對靜態(tài)目標(biāo)進行精準(zhǔn)定位,整體環(huán)境適應(yīng)性更好,方法的可應(yīng)用功能和場景更豐富.對比LiFS方法的離線處理階段,本方法在降低算法復(fù)雜度的同時提高了定位與識別效.綜上所述,本方法綜合性能優(yōu)于其他兩種方法.

表1 三種定位方法在兩種環(huán)境下的性能比較
Table 1 Performance comparison of three positioning methods in two environments

定位方法測試場景平均誤差標(biāo)準(zhǔn)誤差定位精度Wi-KAM實驗室1.30m1.13m76.1%大廳1.22m1.01m77.3%R-TTWD實驗室1.39m1.23m74.8%大廳1.25m1.10m76.6%LiFS室1.44m1.27m72.0%廳1.31m1.16m69.7%

4 結(jié)束語

本文提出一種基于CSI的室內(nèi)重點區(qū)域監(jiān)測方法,使用位置信息獲取手段,對重點區(qū)域內(nèi)部和周邊人員活動情況進行判別.首先,本算法在數(shù)據(jù)預(yù)處理階段使用高斯濾波進行降噪處理,其次使用PCA提取過濾后波形主要特征信息,并建立離線特征信息指紋庫.在線階段,對實時獲取的CSI位置數(shù)據(jù)使用LSSVM進行分類匹配處理,判定重點區(qū)域內(nèi)人員活動情況.在實驗驗證中,本文方法在實驗的定位精度可達到76.1%至77.3%之間,對于面積約為1.28平方米的重點區(qū)域內(nèi)部及附近的人員活動情況的識別準(zhǔn)確率可以到92%以上,下一步計劃研究重點區(qū)域內(nèi)人員動作信息的獲取與匹配.