[发明专利]基于WIFI和摄像机传感器决策级融合的室内行人检测方法

摘要

本发明涉及一种基于WIFI和摄像机传感器决策级融合的室内行人检测方法，计算动静条件下CSI序列的欧氏距离、马氏距离，动态条件下的方差距离。若三个距离大于各自设置的距离参数，然后对三个距离的结果做或运算，得到WIFI传感器的检测结果Reswifi。其次，进行摄像机视频帧的行人检测；基于CNN卷积神经网络和多尺度特征图融合，采用mobilenet‑SSD深度学习目标检测方法以实现视频帧中的行人检测，从而得到摄像机传感器的检测结果Rescamera。最后，决策级融合策略，使用摄像机采集到的视频帧的平均灰度值α，并归一化到[0,1]之间，采用公式Resfinal＝αRescamera+(1‑α)Reswifi作为融合规则，从而得到最终的检测结果，当结果大于给定的阈值thresh时，判定室内有行人，否则判定室内无行人。

主权项

1.一种基于WIFI和摄像机传感器决策级融合的室内行人检测方法，其特征在于：将摄像机传感器的镜头置于对准入门，检测方法步骤如下：步骤1：对WIFI传感器的CSI信号幅值计算，得到WIFI传感器的检测结果：记动、静态条件下的CSI信号幅值序列分别为其中表示标记为j的离散时间索引为i处的CSI信号幅值，其中i＝{1,2,…,L}，L为滑动窗口的长度；j＝{1,2}，取值为1表示动态条件下的幅值，取值为2表示静态条件下的幅值，动态条件下的CSI信号是WIFI传感器的实时信号，静态条件下的CSI信号是环境干扰较弱条件下采集到的WIFI信号；计算动、静态条件下CSI信号幅值的欧氏距离：计算动、静态条件下CSI信号幅值的马氏距离：其中，μ为S1(t)的均值，C为S2(t)的协方差矩阵；计算动态条件下的CSI信号幅值的方差距离：其中，L为滑动窗口的长度，为滑动窗口中第k时刻的CSI信号幅值，μ为S₁(t)的均值；若三个距离E12、M12、Var大于各自设置的距离参数，则将其各自对应的结果置为1，否则置为0；然后对三个距离的结果做或运算，得到WIFI传感器的检测结果Reswifi，将Reswifi传递至融合模块进行决策；步骤2、摄像机传感器的行人检测：对从摄像机获取的图像进行行人检测，从而得到摄像机传感器的检测结果Rescamera，将Rescamera传递至融合模块进行决策：1、卷积操作提取特征：假定卷积层的输入特征图Fin的参数为Win×Hin×Cin，Win表示特征图的宽度，Hin表示特征图的高度，Cin表示特征图的通道数。卷积层的卷积参数为K,S,P,Stride，K表示卷积核的数目，S表示卷积核的宽度和高度，P表示对输入特征图进行补零操作，例如P＝1表示对输入特征图的周围补一圈0，Stride表示卷积核在输入特征图上的滑动步长。则卷积层的输出特征图Fout的参数为Wout×Hout×Cout，Wout表示特征图的宽度，Hout表示特征图的高度，Cout表示特征图的通道数，其参数计算如下：2、池化层压缩特征：采用最大池化层，即在对特征图进行下采样时，选取2×2格子中值最大的数传递至输出特征图中。池化操作中，输入输出特征层的通道数不变，输出特征图的大小是输入特征图的大小一半；3、相邻尺度的特征融合操作：设相邻尺度特征图的较大的特征图Fbig的参数为Wbig×Hbig×Cbig，较小的特征图Fsmall的参数为Wsmall×Hsmall×Csmall，其中Wbig＝2×Wsmall。对较大尺度的特征图进行卷积操作，则卷积的参数为K＝Csmall，S＝3，P＝1，Stride＝2，则通过公式(4)可以计算出输出的特征图Fout的参数为Wout＝Wsmall，Hout＝Hsmall，Cout＝Csmall，将特征图Fsmall和Fout对应位置的参数进行线性叠加，即可得到相邻尺度的融合特征图；4、行人预测：将多个相邻尺度的融合特征图送入网络的检测层，检测层可以预测图像中行人的目标框和置信度信息，设置置信度的阈值，以抑制一些误检的目标框。若检测到有行人，则Rescamera＝1，否则Rescamera＝0；步骤3、WIFI和和摄像机传感器检测结果的融合：1、计算融合权重α：其中，I是图像对应的二维灰度矩阵，W是图像的像素宽度，H是图像的像素高度，除以255是将图像的灰度均值归一化到区间[0,1]；2、以融合规则进行融合融合规则：Resfinal＝αRescamera+(1‑α)Reswifi其中，Rescamera为摄像机传感器的检测结果，Reswifi为WIFI传感器的检测结果，α为归一化到区间[0,1]的图像灰度值的平均值；步骤4：设定阈值thresh，若Resfinal≥thresh，则判定检测到有行人，否则，无检测结果。