本發(fā)明涉及一種無(wú)線目標(biāo)識(shí)別方法，是一種基于無(wú)線接收信號(hào)強(qiáng)度的目標(biāo)識(shí)別方法，屬于無(wú)線網(wǎng)絡(luò)中的無(wú)線目標(biāo)識(shí)別領(lǐng)域。

背景技術(shù)：

目標(biāo)識(shí)別在我們的日常生活中有著很多的作用。比如智能家居中，不同用戶可能對(duì)環(huán)境參數(shù)比如環(huán)境的布局，溫度，濕度等有著不同的偏好，可以利用目標(biāo)識(shí)別技術(shù)自動(dòng)調(diào)整環(huán)境參數(shù)以滿足不同用戶的需求；在家居安全中，目標(biāo)識(shí)別可用于入侵檢測(cè)。

傳統(tǒng)的目標(biāo)識(shí)別方法大多數(shù)是基于生物學(xué)特征比如面部、虹膜，指紋，步態(tài)等。但是基于生物學(xué)特征的識(shí)別方法都有隱私泄露的風(fēng)險(xiǎn)。無(wú)線識(shí)別的方法不會(huì)有此擔(dān)憂，而且無(wú)線信號(hào)具有較好的穿透性。目前，基于無(wú)線信號(hào)的識(shí)別方法得到了廣泛關(guān)注，因?yàn)闊o(wú)線信號(hào)具有泛在性的特點(diǎn)，我們的生活環(huán)境中存在很多無(wú)線設(shè)備，比如無(wú)線電臺(tái)、無(wú)線局域網(wǎng)接入點(diǎn)、藍(lán)牙、無(wú)線傳感器網(wǎng)絡(luò)等等。但目前的研究主要集中在利用無(wú)線信號(hào)對(duì)同一目標(biāo)進(jìn)行手勢(shì)，姿態(tài)以及行為的識(shí)別，沒(méi)有考慮到多目標(biāo)識(shí)別的問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：

為了解決上述技術(shù)問(wèn)題，本發(fā)明提出一種基于無(wú)線接收信號(hào)強(qiáng)度的目標(biāo)識(shí)別方法。由于每個(gè)人的形態(tài)比如身高，腰圍等都存在差異，導(dǎo)致不同目標(biāo)對(duì)無(wú)線信號(hào)的影響是不一樣的，因此不同目標(biāo)位于監(jiān)測(cè)區(qū)域時(shí)無(wú)線測(cè)量節(jié)點(diǎn)觀測(cè)得到的接收信號(hào)強(qiáng)度(RSS)也不一樣，因此本發(fā)明使用RSS作為目標(biāo)識(shí)別的特征。同時(shí)由于目標(biāo)位于監(jiān)測(cè)區(qū)域內(nèi)同一位置上不同朝向時(shí)對(duì)無(wú)線信號(hào)的影響也不相同，因此本發(fā)明考慮目標(biāo)在同一位置上的朝向變化。另外由于在不同信號(hào)頻率下鏈路RSS存在差異，本發(fā)明利用信道分集技術(shù)來(lái)提高基于無(wú)線RSS的目標(biāo)識(shí)別的精度。本發(fā)明基于無(wú)線接收信號(hào)強(qiáng)度的目標(biāo)識(shí)別方法分為兩個(gè)階段，即學(xué)習(xí)階段和識(shí)別階段。學(xué)習(xí)階段通過(guò)記錄不同目標(biāo)位于某個(gè)位置時(shí)無(wú)線鏈路的RSS來(lái)建立指紋數(shù)據(jù)庫(kù)。而識(shí)別階段的目的是利用在線觀測(cè)的無(wú)線鏈路RSS測(cè)量值通過(guò)分類算法進(jìn)行目標(biāo)識(shí)別。本發(fā)明所述的基于無(wú)線接收信號(hào)強(qiáng)度的目標(biāo)識(shí)別方法，包括以下步驟：

步驟一：部署無(wú)線測(cè)量節(jié)點(diǎn)，構(gòu)造監(jiān)測(cè)區(qū)域：

將K個(gè)無(wú)線測(cè)量節(jié)點(diǎn)均勻地部署在監(jiān)測(cè)區(qū)域周圍且K≥2，這些測(cè)量節(jié)點(diǎn)具有相同的物理結(jié)構(gòu)，每個(gè)測(cè)量節(jié)點(diǎn)都可以發(fā)送和接收無(wú)線信號(hào)并記錄RSS，K個(gè)測(cè)量節(jié)點(diǎn)共構(gòu)成L＝K×(K-1)/2條無(wú)線鏈路。另外還存在一個(gè)基站節(jié)點(diǎn)，負(fù)責(zé)接收其它測(cè)量節(jié)點(diǎn)采集的RSS數(shù)據(jù)，并將接收到的RSS數(shù)據(jù)傳送到與其相連的本地計(jì)算機(jī)做后續(xù)處理。由于本發(fā)明采用信道分集技術(shù)，測(cè)量節(jié)點(diǎn)需要分別測(cè)量F個(gè)不同的頻率下的RSS值；

步驟二：建立離線目標(biāo)特征數(shù)據(jù)庫(kù)：方法如下：

步驟2.1：記錄目標(biāo)在監(jiān)測(cè)區(qū)域中位于識(shí)別位置上且不同朝向時(shí)的RSS；

假設(shè)我們?cè)诒O(jiān)測(cè)區(qū)域D內(nèi)選擇一個(gè)識(shí)別位置。每個(gè)目標(biāo)在識(shí)別位置上站立一段時(shí)間并隨機(jī)改變自己的朝向，與此同時(shí)節(jié)點(diǎn)分別測(cè)量鏈路在F個(gè)不同信道下的RSS，記第m個(gè)目標(biāo)位于識(shí)別位置時(shí)并且朝向?yàn)閛時(shí)，鏈路l在信道f上的RSS為

步驟2.2：根據(jù)步驟2.1記錄的數(shù)據(jù)得到每個(gè)目標(biāo)位于識(shí)別位置上且不同朝向時(shí)的RSS，并建立離線RSS指紋數(shù)據(jù)庫(kù)：

假設(shè)目標(biāo)集合定義為其中M為目標(biāo)的個(gè)數(shù)。第m個(gè)目標(biāo)位于識(shí)別位置并且朝向?yàn)閛時(shí)，鏈路l在信道f上的RSS為將此時(shí)目標(biāo)m在F個(gè)信道下分別測(cè)量的L×F個(gè)RSS排成一個(gè)列向量可以表示為

本發(fā)明中用的是未標(biāo)記的觀測(cè)量，也就是說(shuō)訓(xùn)練樣本中目標(biāo)的實(shí)際朝向是未知的。假設(shè)總共測(cè)量了O個(gè)不同朝向下的RSS，那么目標(biāo)m的指紋可以表示為

r[m]＝[r¹[m],r²[m],...,r^o[m],...,r^O[m]]；

其中r[m]為L(zhǎng)F×O大小的矩陣，o＝1,2,...,O；

將所有M個(gè)目標(biāo)得到的RSS指紋構(gòu)成指紋數(shù)據(jù)庫(kù)R，表示為

R＝[r[1],r[2],...,r[m],...,r(M)]；

其中R為L(zhǎng)F×OM大小的矩陣。令x_[(m-1)×O+o]＝r^o[m]，則指紋數(shù)據(jù)庫(kù)R可以簡(jiǎn)化為以下形式

R＝[x₁,x₂,....,x_OM]；

其中R中每一列x_i,i＝1,2,...,OM稱為特征向量；

步驟三：在線觀測(cè)目標(biāo)，獲得在線RSS觀測(cè)量：方法如下：

t時(shí)刻當(dāng)某一目標(biāo)進(jìn)入監(jiān)測(cè)區(qū)域并靜立于識(shí)別位置時(shí)，所有測(cè)量節(jié)點(diǎn)重新測(cè)量L條鏈路在所有F個(gè)信道下的RSS，得到t時(shí)刻的RSS觀測(cè)量作為觀測(cè)目標(biāo)的特征向量，表示為x_t＝[r_1,1(t),r_2,1(t),...,r_L,1(t),r_1,2(t),r_2,2(t),...,r_L,F(t)]^T；

步驟四：用由步驟二得到的特征向量作為訓(xùn)練樣本來(lái)訓(xùn)練分類算法，并對(duì)目標(biāo)進(jìn)行識(shí)別：方法如下：

步驟4.1：構(gòu)造多目標(biāo)分類的分類函數(shù)，利用步驟二得到的特征向量作為訓(xùn)練樣本來(lái)訓(xùn)練分類函數(shù)：

每一個(gè)目標(biāo)作為一個(gè)類，則共M個(gè)類。選擇一種多類分類算法，并根據(jù)M個(gè)類構(gòu)造分類函數(shù)。利用步驟二得到的相應(yīng)類的特征向量作為訓(xùn)練樣本來(lái)訓(xùn)練分類函數(shù)；

步驟4.2：根據(jù)步驟三得到的在線RSS觀測(cè)量，對(duì)目標(biāo)進(jìn)行識(shí)別：

將在線測(cè)量的特征向量x_t代入訓(xùn)練好的分類函數(shù)，得到特征向量所屬的類，完成目標(biāo)的識(shí)別。

進(jìn)一步地，

作為優(yōu)選，在步驟4.1中，采用一對(duì)一擴(kuò)展的多類支持向量機(jī)(multi-class SVM)分類算法：方法如下：

每一個(gè)目標(biāo)作為一個(gè)類，將M個(gè)類任意兩兩組合，比如第i類和第j類，構(gòu)造共M(M-1)/2個(gè)二元SVM分類函數(shù)y^ij(x)，i＝1,2,...,M；j＝1,2,...,M；i≠j；，每一個(gè)分類函數(shù)稱為一個(gè)分類器；分別用屬于第i和第j類的2×O個(gè)特征向量r[i]＝[x_(i-1)×O+1,....,x_i×O]和r[j]＝[x_(j-1)×O+1,....,x_j×O]作為訓(xùn)練樣本來(lái)訓(xùn)練對(duì)應(yīng)的分類函數(shù)y^ij(x)，i＝1,2,...,M；j＝1,2,...,M；i≠j；重復(fù)本步驟直到所有M(M-1)/2個(gè)分類函數(shù)完成訓(xùn)練；二元支持向量機(jī)分類函數(shù)的構(gòu)造和訓(xùn)練方法詳見(jiàn)"byTrevorHastie,RobertTibshirani,JeromeFriedman.The Elements of Statistical Learning[M].世界圖書出版公司北京公司,2008."，P417-P421。

作為優(yōu)選，在步驟4.2中，將在線測(cè)量的特征向量x_t分別代入訓(xùn)練好的M(M-1)/2個(gè)分類器，分類結(jié)果采用投票制，每個(gè)分類器的分類結(jié)果作為選票，最后得票最多的類被識(shí)別為特征向量所屬的類。

作為優(yōu)選，步驟一所述無(wú)線測(cè)量節(jié)點(diǎn)、基站節(jié)點(diǎn)均支持IEEE802.14.5協(xié)議。進(jìn)一步地，步驟1所述無(wú)線測(cè)量節(jié)點(diǎn)、基站節(jié)點(diǎn)采用TICC2530節(jié)點(diǎn)，各節(jié)點(diǎn)工作在2.4GHz的ISM頻段，并且每個(gè)節(jié)點(diǎn)都安裝有全向天線，每個(gè)信道中心頻率間隔為5MHz。

作為優(yōu)選，在步驟2.1中，利用信道分集技術(shù)來(lái)提高目標(biāo)識(shí)別精度；采用多信道測(cè)量協(xié)議，在該協(xié)議中，所有節(jié)點(diǎn)首先工作于某一個(gè)信道；當(dāng)所有節(jié)點(diǎn)完成該信道的測(cè)量后，所有節(jié)點(diǎn)自動(dòng)切換到下一個(gè)信道，繼續(xù)下一個(gè)信道的測(cè)量直到所有信道的測(cè)量都完成。

作為優(yōu)選，在步驟2.1中，節(jié)點(diǎn)測(cè)量的信道數(shù)目為4。

作為優(yōu)選，所述目標(biāo)是站立的人。

對(duì)比傳統(tǒng)目標(biāo)識(shí)別的方法，本發(fā)明有益效果在于，本發(fā)明提出的基于無(wú)線接收信號(hào)強(qiáng)度的目標(biāo)識(shí)別方法，具有保護(hù)隱私以及在嚴(yán)重遮擋環(huán)境也可以工作的優(yōu)點(diǎn)。無(wú)線方法的挑戰(zhàn)在于目標(biāo)的不同朝向?qū)SS有不同的影響，本發(fā)明中通過(guò)隨機(jī)的測(cè)量用戶不同朝向下的RSS來(lái)緩解這一問(wèn)題，同時(shí)使用空間分集技術(shù)來(lái)提高識(shí)別精度。

附圖說(shuō)明

圖1：基于無(wú)線接收信號(hào)強(qiáng)度的目標(biāo)識(shí)別方法的結(jié)構(gòu)框圖；

圖2：實(shí)驗(yàn)場(chǎng)景辦公室環(huán)境下節(jié)點(diǎn)分布及測(cè)試點(diǎn)設(shè)置示意圖；

圖3：實(shí)驗(yàn)中目標(biāo)的身體參數(shù)表格；

圖4：辦公室環(huán)境下的目標(biāo)識(shí)別結(jié)果概率表格。

具體實(shí)施方式

下面將結(jié)合附圖和實(shí)施例對(duì)本發(fā)明加以詳細(xì)說(shuō)明，同時(shí)也敘述了本發(fā)明技術(shù)方案解決的技術(shù)問(wèn)題及有益效果。本發(fā)明提出了一種基于無(wú)線接收信號(hào)強(qiáng)度的目標(biāo)識(shí)別方法，本方法的結(jié)構(gòu)框圖如圖1所示，具體包括如下實(shí)施步驟：

步驟一：部署無(wú)線測(cè)量節(jié)點(diǎn)，構(gòu)造監(jiān)測(cè)區(qū)域：

將K個(gè)無(wú)線測(cè)量節(jié)點(diǎn)均勻地部署在監(jiān)測(cè)區(qū)域周圍且K≥2，這些測(cè)量節(jié)點(diǎn)具有相同的物理結(jié)構(gòu)，每個(gè)測(cè)量節(jié)點(diǎn)都可以發(fā)送和接收無(wú)線信號(hào)并記錄RSS，K個(gè)節(jié)點(diǎn)共構(gòu)成L＝K×(K-1)/2條無(wú)線鏈路。另外還存在一個(gè)基站節(jié)點(diǎn)，負(fù)責(zé)接收其它測(cè)量節(jié)點(diǎn)采集的RSS數(shù)據(jù)，并將接收到的RSS數(shù)據(jù)傳送到與其相連的本地計(jì)算機(jī)做后續(xù)處理。由于本發(fā)明采用信道分集技術(shù)，測(cè)量節(jié)點(diǎn)需要分別測(cè)量F個(gè)不同的頻率下的RSS值；

本發(fā)明中采用多信道測(cè)量協(xié)議，在該協(xié)議中，所有節(jié)點(diǎn)首先工作于某一個(gè)信道。當(dāng)所有節(jié)點(diǎn)完成該信道的測(cè)量后，所有節(jié)點(diǎn)自動(dòng)切換到下一個(gè)信道，繼續(xù)下一個(gè)信道的測(cè)量直到所有信道的測(cè)量都完成；

需要說(shuō)明的是，在本發(fā)明的實(shí)驗(yàn)中使用的是基于CC2530芯片開(kāi)發(fā)的ZigBee節(jié)點(diǎn)。CC2530芯片由TI公司推出，能夠完全兼容IEEE802.15.4協(xié)議。節(jié)點(diǎn)安裝有全向天線且發(fā)射功率設(shè)置為4.5dBm，工作于2.4GHz的ISM頻段。IEEEE502.15.4在2.4GHz上劃分了16個(gè)信道，每個(gè)信道中心頻率間隔為5MHz，實(shí)驗(yàn)選取其中四個(gè)信道。實(shí)驗(yàn)中共使用13個(gè)節(jié)點(diǎn)，其中12個(gè)作為測(cè)量節(jié)點(diǎn)，1個(gè)作為基站節(jié)點(diǎn)，基站節(jié)點(diǎn)負(fù)責(zé)接收來(lái)自測(cè)量節(jié)點(diǎn)的RSS數(shù)據(jù)并將數(shù)據(jù)通過(guò)串口傳送到本地PC上做后處理。本地PC上運(yùn)行分類算法并最終給出當(dāng)前的目標(biāo)識(shí)別結(jié)果；

步驟二：建立離線目標(biāo)特征數(shù)據(jù)庫(kù)：方法如下：

步驟2.1：記錄目標(biāo)在監(jiān)測(cè)區(qū)域中位于識(shí)別位置上且不同朝向時(shí)的RSS：

假設(shè)我們?cè)诒O(jiān)測(cè)區(qū)域D內(nèi)選擇一個(gè)識(shí)別位置。每個(gè)目標(biāo)在識(shí)別位置上站立一段時(shí)間并隨機(jī)改變自己的朝向，與此同時(shí)節(jié)點(diǎn)測(cè)量鏈路在4個(gè)不同信道下的RSS，記第m個(gè)目標(biāo)位于識(shí)別位置時(shí)并且朝向?yàn)閛時(shí)，鏈路l在信道f上的RSS為

步驟2.2：根據(jù)步驟2.1記錄的數(shù)據(jù)得到每個(gè)目標(biāo)在識(shí)別位置上且不同朝向時(shí)的RSS，并建立離線RSS指紋數(shù)據(jù)庫(kù)：

假設(shè)目標(biāo)集合定義為其中M為目標(biāo)的個(gè)數(shù)。第m個(gè)目標(biāo)位于識(shí)別位置并且朝向?yàn)閛時(shí)，鏈路l在信道f上的RSS為將此時(shí)目標(biāo)m在F個(gè)信道下分別測(cè)量的L×F個(gè)RSS排成一個(gè)列向量可以表示為

本發(fā)明中用的是未標(biāo)記的觀測(cè)量，也就是說(shuō)訓(xùn)練樣本中目標(biāo)的實(shí)際朝向是未知的。假設(shè)總共測(cè)量了O個(gè)不同朝向下的RSS，那么目標(biāo)m的指紋可以表示為

r[m]＝[r¹[m],r²[m],...,r^o[m],...,r^O[m]]；

其中r[m]為L(zhǎng)F×O大小的矩陣，其中o＝1,2,...,O；

將所有M個(gè)目標(biāo)得到的RSS指紋構(gòu)成指紋數(shù)據(jù)庫(kù)R，表示為

R＝[r[1],r[2],...,r[m],...,r(M)]；

其中R為L(zhǎng)F×OM大小的矩陣。令x_[(m-1)×O+o]＝r^o[m]，則指紋數(shù)據(jù)庫(kù)R可以簡(jiǎn)化為以下形式

R＝[x₁,x₂,....,x_OM]；

其中R中每一列x_i,i＝1,2,...,OM稱為特征向量；

需要說(shuō)明的是，本發(fā)明在一個(gè)典型的室內(nèi)會(huì)議室環(huán)境下進(jìn)行了無(wú)線目標(biāo)識(shí)別的實(shí)驗(yàn)，除了四周墻壁之外，室內(nèi)有很多物體包括桌子、椅子、柜子等物體，這些東西都可以反射無(wú)線信號(hào)，節(jié)點(diǎn)被固定在墻上，距地面高度約為1.2m。實(shí)驗(yàn)中監(jiān)測(cè)區(qū)域節(jié)點(diǎn)分布如圖2所示(圖中測(cè)量節(jié)點(diǎn)1～12)，整個(gè)監(jiān)測(cè)區(qū)域的面積為5.4m*3.9m。在實(shí)驗(yàn)中我們選擇5個(gè)不同身高范圍在1.60m-1.75m之間的成年人作為目標(biāo)來(lái)測(cè)試識(shí)別精度，實(shí)驗(yàn)中5個(gè)目標(biāo)的身體參數(shù)如圖3的表格所示。目標(biāo)分別在每個(gè)識(shí)別位置上隨機(jī)改變自己的朝向，時(shí)間持續(xù)一分鐘，測(cè)試數(shù)據(jù)作為指紋數(shù)據(jù)庫(kù)用于訓(xùn)練分類函數(shù)。我們?cè)诒O(jiān)測(cè)區(qū)域內(nèi)選擇了5個(gè)識(shí)別位置，如圖中的三角所示(記為P1～P5)，在每個(gè)識(shí)別位置上重復(fù)本發(fā)明的實(shí)驗(yàn)步驟，以驗(yàn)證本發(fā)明方法的目標(biāo)識(shí)別效果；

步驟三：在線觀測(cè)目標(biāo)，獲得在線RSS觀測(cè)量：方法如下：

t時(shí)刻當(dāng)某一目標(biāo)進(jìn)入監(jiān)測(cè)區(qū)域并位于識(shí)別位置時(shí)，所有節(jié)點(diǎn)重新測(cè)量鏈路在所有F個(gè)信道下的RSS，得到t時(shí)刻的RSS觀測(cè)量作為觀測(cè)目標(biāo)的特征向量，表示為x_t＝[r_1,1(t),r_2,1(t),...,r_L,1(t),r_1,2(t),r_2,2(t),...,r_L,F(t)]^T；

步驟四：用由步驟二得到的特征向量作為訓(xùn)練樣本來(lái)訓(xùn)練分類算法，并對(duì)目標(biāo)進(jìn)行識(shí)別：方法如下：

步驟4.1：構(gòu)造多目標(biāo)分類的分類函數(shù)，并利用步驟二得到的特征向量作為訓(xùn)練樣本來(lái)訓(xùn)練M(M-1)/2個(gè)分類函數(shù)：

本發(fā)明使用的分類算法是一對(duì)一擴(kuò)展的多類支持向量機(jī)(multi-class SVM)方法。每一個(gè)目標(biāo)作為一個(gè)類，將M個(gè)類任意兩兩組合，比如第i類和第j類，構(gòu)造共M(M-1)/2個(gè)二元SVM分類函數(shù)y^ij(x),i＝1,2,...,M；j＝1,2,...,M；i≠j；，每一個(gè)分類函數(shù)稱為一個(gè)分類器；用屬于第i和第j類的2×O個(gè)特征向量r[i]＝[x_(i-1)×O+1,....,x_i×O]和r[j]＝[x_(j-1)×O+1,....,x_j×O]作為訓(xùn)練樣本來(lái)訓(xùn)練對(duì)應(yīng)的分類函數(shù)y^ij(x)，i＝1,2,...,M；j＝1,2,...,M；i≠j；

重復(fù)本步驟直到所有M(M-1)/2個(gè)分類函數(shù)完成訓(xùn)練；二元支持向量機(jī)分類函數(shù)的構(gòu)造和訓(xùn)練方法詳見(jiàn)"byTrevorHastie,RobertTibshirani,JeromeFriedman.The Elements of Statistical Learning[M].世界圖書出版公司北京公司,2008."，P417-P421；

步驟4.2：根據(jù)步驟三得到的在線RSS觀測(cè)量，對(duì)目標(biāo)進(jìn)行識(shí)別：

將在線測(cè)量的特征向量x_t分別代入訓(xùn)練好的M(M-1)/2個(gè)分類器，分類結(jié)果采用投票制，每個(gè)分類器的分類結(jié)果作為選票，最后得票最多的類被識(shí)別為特征向量所屬的類。

實(shí)驗(yàn)結(jié)果表明基于無(wú)線接收信號(hào)強(qiáng)度的目標(biāo)識(shí)別方法在實(shí)驗(yàn)中的識(shí)別準(zhǔn)確度可以達(dá)到95％。基于無(wú)線接收信號(hào)強(qiáng)度的目標(biāo)識(shí)別結(jié)果概率如圖4的表格所示。相比傳統(tǒng)的目標(biāo)識(shí)別方法，本發(fā)明能夠達(dá)到相當(dāng)?shù)淖R(shí)別精度，而且具有保護(hù)隱私和在嚴(yán)重遮擋環(huán)境也可以工作的優(yōu)點(diǎn)。

以上所述，僅為本發(fā)明的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉該技術(shù)的人在本發(fā)明所揭露的技術(shù)范圍內(nèi)，可理解想到的變換和替換，都應(yīng)涵蓋在本發(fā)明的包含范圍之內(nèi)，因此，本發(fā)明的保護(hù)范圍應(yīng)該以權(quán)利要求書的保護(hù)范圍為準(zhǔn)。