(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111632643.4 (22)申请日 2021.12.2 9 (71)申请人 浙江工业大 学 地址 310014 浙江省杭州市拱 墅区潮王路 18号 (72)发明人 吴哲夫　吕晓哲　龚树凤　 (74)专利代理 机构 浙江千克知识产权代理有限 公司 33246 代理人 赵芳 (51)Int.Cl. G06K 9/00(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) (54)发明名称 一种基于信道状态信息的室内人群计数方 法 (57)摘要 一种基于信道状态信息的室内人群计数方 法， 对原始 CSI信号数据进行滤波和平滑预处理， 最小化噪声影响， 并通过PCA降维来降低数据复 杂度， 然后通过滑动窗口将无线时间序列信号转 换为热图图像， 并设计了一个卷积神经网络CNN 对热图进行特征提取， 用以映射相应环境下的不 同人数。 本发 明解决了传统基于视觉图像方法部 署成本高， 受视线遮挡严重的问题， 并且避免了 隐私纠纷问题。 本发明基于CSI转换后的图像， 使 用CNN网络进行预测， 一方面突出了信号特征， 另 一方面更好的获得了同一类别之间的相关性， 可 以有效提升室内人群 计数的性能。 权利要求书1页 说明书4页 附图4页 CN 114330443 A 2022.04.12 CN 114330443 A 1.一种基于信道状态信息的室内人群 计数方法， 其特 征在于， 所述方法包括如下步骤： 步骤1： 以配备 无线网卡的计算机为基础构建CSI数据采集平台； 步骤2： 利用CSI数据采集平台收集 提取CSI信号， 并进行 滤波去噪和平 滑处理； 步骤3： 对滤波平 滑后的数据采用PCA算法降维； 步骤4： 通过滑动窗口将CSI时间序列信号 转换为热图 图像， 建立数据集； 步骤5： 设计了一个CN N网络， 离线阶段在数据集上训练以获得一个预测模型； 步骤6： 在线阶段利用训练生成的预测模型对CSI信号转换后得到的热图进行预测， 获 得预测结果。 2.根据权利 要求1所述的方法， 其特征在于， 所述步骤1中， 计算机配备了Ubuntu操作系 统安装了CSI  Tool工具， 设置发射天线Nr个数和接收天线Nt个数都为3， CSI  Tool工作在监 控模式下。 3.根据权利要求1或2所述的方法， 其特征在于， 所述步骤2中， 使用巴特沃斯低通滤波 器对系统采集到的CSI信号进行 滤波， 并对滤波后的信号继续采用五点 三次平滑算法处 理。 4.根据权利 要求1或2所述的方法， 其特征在于， 所述步骤3中， 系统采集到的CSI原始数 据包含了3×3×30个子载波样本， 采用主成分 分析法PCA降维提取 出30个子载波样本 。 5.根据权利要求4所述的方法， 其特征在于， 所述步骤4中， 经过预处理后的CSI信号具 有30个子载波， 这些子载波在每个时间点上都有一个对应的幅值， 可以转换为图像上 的一 个像素值， 因此首先将预 处理后的CSI数据转换为热图； 使用一个滑动窗口在时间维度上对 其进行分割， 并设置窗口长度为50， 以获得多个不同时间段内的样本数据； 直接转换的热图 分辨率为 1192×1282， 包含了许多与特征不相关的无用区域， 因此将 每个热图进行再处理， 提取出主要 特征区域， 重新转换为新的图像， 并且将图像统一至相同尺寸大小， 由这些热图 组成了数据集， 并划分为训练集和 测试集。 6.根据权利要求1或2所述的方法， 其特征在于， 所述步骤5中， 使用卷积神经网络CNN， 系统设计的CNN网络使用ReLU作为每一层的激活函数， 并在卷积层之间交替连接了最大池 化层； 此外， 在主干卷积网络尾端连接了全连接层， 引入Dropout作为正则化方法， 选择 softmax作为最终输出层的激活函数， 并使用交叉熵作为损失函数来衡量真实人数和预测 人数之间的差异性， 通过均方根优化器更新网络 权重， 交叉熵损失函数如下式所示： 其中， s表示样本类数量， ti表示每一类的预测分布概率， 表示每一类 的真实分布概 率。权　利　要　求　书 1/1 页 2 CN 114330443 A 2一种基于信 道状态信息的室内人群计数方 法 技术领域 [0001]本发明涉及无线感知技术领域和信号处理技术， 以及深度学习领域， 尤其涉及一 种基于信道状态信息的室内人群计数方法， 在人员位置相对固定的静态环境和走动频繁的 动态环境下都适用。 背景技术 [0002]人群计数是人类活动感知应用的重要技术之一， 因此在许多应用 场景下， 估计室 内人数对于室内空间公共安全管理、 建筑节 能优化等都具有重大 的价值， 商场也可以根据 人数信息进行商品推荐和流 量调控。 [0003]在计算机视觉领域内， 人群计数主要通过 图像分析技术， 可以分为基于检测框或 基于密度图回归两种方法。 基于检测框的方法首先利用预测框检测人体， 根据预测框数量 求和得到人数信息， 但在较为严重遮挡时会大幅度降低准确 率。 基于密度图回归的方法将 输入图像映射成密度图， 并对密度图积分求和获得 人数。 [0004]图像中不 同人的尺度大小经常呈显著变化， 为了获取尺度特征信息， 基于图像进 行密度图回归的算法往往会设计多分支的具有不同感受野大小的网络模型结构 。 虽然这样 做确实能获得一定性能的提升， 但尺度的多样性也受到了 分支列数的 限制。 另一方面， 列数 越多模型复杂度越高， 计算时间扩大的同时可能会导致效果变差。 除了模型方面的问题外， 由于基于图像的预测方式需要依靠视频或图像采集技术， 因此设备成本高昂， 并且还会带 来大量的处理要求， 同时可能给人们带来极大的 隐私侵犯困扰。 除此以外， 不管是基于检测 框的还是基于密度图回归的方式， 在遇到严重遮挡情况时， 性能都会大打折扣。 因此， 这些 传统基于 视觉的方法并不 适用于一些室内场所。 发明内容 [0005]为了克服现有技术的不足， 本发明提供一种基于信道状态信息的室内人群计数方 法， 对原始CSI信号数据进行预处理， 最小化噪声并降低数据复杂度， 然后通过滑动窗口将 无线时间序列信号转换为热图图像， 并设计了一个卷积神经网络CNN对 热图进行特征提取， 用以映射相应环境下 的不同人数； 本发明解决了传统基于视觉图像方法部署成本高， 受视 线遮挡严重的问题， 并且避免了隐私纠纷问题。 本发 明基于CSI转换后的图像， 使用CNN网络 进行预测， 一方面突出了信号特征， 另一方面更好的获得了同一类别之间的相关性， 可以有 效提升室内人群 计数的性能。 [0006]为实现上述的目标， 本专利采用的技 术方案为： [0007]一种基于信道状态信息的室内人群 计数方法， 包括以下步骤： [0008]步骤1： 以配备 无线网卡的计算机为基础构建CSI数据采集平台； [0009]步骤2： 利用CSI数据采集平台收集 提取CSI信号， 并进行 滤波去噪和平 滑处理； [0010]步骤3： 对滤波平 滑后的数据采用PCA算法降维； [0011]步骤4： 通过滑动窗口将CSI时间序列信号 转换为热图 图像， 建立数据集；说　明　书 1/4 页 3 CN 114330443 A 3