技术领域
[0001] 本
发明涉及
模式识别技术领域，尤其涉及一种基于WiFi的船舶驾驶室人员值班行为识别方法及系统，主要适用于实现全天候的对驾驶室人员值班行为进行无死
角的识别，且避免侵犯驾驶室人员的隐私。
背景技术
[0002] 船舶航行安全一直以来都是人们关注的热点问题，研究表明许多航行事故的发生都是由于船舶驾驶员没有认真履行驾驶员值班规则，疲劳驾驶、疏忽驾驶所造成的。因此，有必要采取一些措施来规范船舶驾驶员的值班行为。
[0003] 现有的大多数方法是应用
计算机视觉布设监控摄像头，但这种方法有几个缺点：首先，监控摄像头不能在黑暗或弱光下有效工作；其次，监控摄像头的部署不当会造成监控
盲点，虽然可以通过增加摄像头的部署来解决，但
硬件成本和部署复杂性会增加；最后，也是最大的问题：监控会造成隐私侵犯。由于基于摄像机技术的各种
缺陷，近年来基于WiFi的人体行为识别技术应运而生。
发明内容
[0004] 本发明的目的是克服
现有技术中存在的对驾驶室人员值班行为监控效果差、且侵犯驾驶室人员隐私的缺陷与问题，提供一种实现全天候的对驾驶室人员值班行为进行无死角的识别，且避免侵犯驾驶室人员的隐私的基于WiFi的船舶驾驶室人员值班行为识别方法及系统。
[0005] 为实现以上目的，本发明的技术解决方案是：一种基于WiFi的船舶驾驶室人员值班行为识别方法，该方法包括以下步骤：
[0006] A、部署设备采集整个船舶驾驶室内的CSI
信号；
[0007] B、对采集的CSI信号进行滤波处理；
[0008] C、对滤波后的CSI信号进行多径去除；
[0009] D、利用主成分分析对去除多径后的CSI信号进行
降维处理；
[0010] E、提取一个滑动窗口W内连续的CSI信号，分析其时域和频域信息，计算出在该信息下每种行为的统计特征；
[0011] F、对计算所得的行为统计特征，利用隐
马尔可夫模型进行分类判别，识别其状态行为；
[0012] G、构建异常状态检测器，检测出驾驶室人员值班异常状态行为。
[0013] 步骤A具体包括以下步骤：
[0014] A1、采集船舶驾驶室静态状态下的信号作为基准数据；
[0015] A2、采集人体在设备周围行走、坐着原地活动时的信号作为动态数据。
[0016] 步骤E具体包括以下步骤：
[0017] E1、若滑动窗口W包含T个测量值，则时频域中CSI矩阵M表示为：
[0018]
[0019] 上式中，Hi为滑动窗口内第i次
采样时采集的CSI值，Sj为第j个
子载波的CSI序列；
[0020] E2、在时域中，计算不同滑动窗口时刻下每一对CSI的互相关值，其中，滑动窗口W设置为30，具体计算公式如下：
[0021]
[0022] 上式中，t1、t2为滑动窗口内的两个不同时刻；
[0023] 在频域中，计算CSI的30个子载波之间的互相关值，具体计算公式如下：
[0024]
[0025] 上式中，f1、f2为30个子载波中的序号；
[0026] E3、对上述计算的所有时域下不同滑动窗口时刻下每一对CSI的互相关值取中位数，得到
[0027]
[0028] 对上述计算的所有频域下的30个CSI子载波互相关值取中位数，得到
[0029]
[0030] 根据 统计分析计算出运动指数MI：
[0031]
[0032] 步骤F具体包括以下步骤：
[0033] F1、定义三种行为状态，包括静态状态、人员行走状态和其他活动状态；
[0034] F2、为每一种状态训练一个
隐马尔可夫模型；
[0035] F3、将计算所得的运动指数MI输入到每一个模型中与每一个模型进行匹配，计算生成概率最大的模型所对应的状态为该时刻所属的行为状态。
[0036] 步骤G中，驾驶室人员值班异常状态行为检测方法如下：
[0037] 统计静态状态中序列数目，记为Cm；设置一个船舶值班异常行为预警值，记为Ck；若Cm≥Ck，则认为船舶驾驶室人员值班行为存在异常；
[0038] 统计人员处于行走状态的序列数目，记为Cn；在全体序列CT中所占的比例，定义为值班行为异常度，记为η＝Cn/CT；设置一个认为值班行为正常的最高容忍度，记为λ；若η≤λ，则认为船舶驾驶室人员值班行为存在异常。
[0039] 一种基于WiFi的船舶驾驶室人员值班行为识别系统，包括
数据采集模
块、数据预处理模块、特征提取模块、行为识别分类模块和异常状态检测模块；
[0040] 所述数据采集模块，用于采集驾驶室内无线信号，获取信道状态信息；
[0041] 所述数据预处理模块，用于对数据采集模块获取的CSI数据依次进行滤波、多径去除以及降维处理；
[0042] 所述特征提取模块，用于提取经数据预处理模块处理后的CSI信号，并分析其时域和频域信息，计算出在该信息下每种行为的统计特征；
[0043] 所述行为识别分类模块，用于通过隐马尔可夫模型对特征提取模块计算所得的行为统计特征进行分类，识别驾驶室人员状态行为；
[0044] 所述异常状态检测模块，用于检测出驾驶室人员值班异常状态行为。
[0045] 与现有技术相比，本发明的有益效果为：
[0046] 本发明一种基于WiFi的船舶驾驶室人员值班行为识别方法及系统中采用廉价的商用WiFi设备实现了对船舶驾驶室人员的行为识别，通过数据采集模块、数据预处理模块、特征提取模块、行为识别分类模块和异常状态检测模块来完成，具有非侵入、保护个人隐私的优点，而且可以实时观测到驾驶室的人员行为，为智能航运监管、船舶航行安全提供了保障。因此，本发明不仅可以实现全天候的对驾驶室人员值班行为进行无死角的识别，而且也避免了侵犯驾驶室人员的隐私。
附图说明
[0047] 图1是本发明中基于WiFi的船舶驾驶室人员值班行为识别方法的整体
流程图。
[0048] 图2是本发明的
实施例中船舶驾驶室时域情况下静态状态时CSI子载波之间相关性结果示意图。
[0049] 图3是本发明的实施例中船舶驾驶室时域情况下人员处于行走状态时CSI子载波之间相关性结果示意图。
[0050] 图4是本发明的实施例中船舶驾驶室频域情况下静态状态与人员处于行走状态时CSI子载波之间相关性结果示意图。
[0051] 图5是本发明的实施例中在某一段时间内计算所得的船舶驾驶室内运动指数MI结果示意图。
[0052] 图6是本发明中基于WiFi的船舶驾驶室人员值班行为识别系统的结构示意图。
具体实施方式
[0053] 以下结合附图说明和具体实施方式对本发明作进一步详细的说明。
[0054] 参见图1，一种基于WiFi的船舶驾驶室人员值班行为识别方法，该方法包括以下步骤：
[0055] A、部署设备采集整个船舶驾驶室内的CSI信号；
[0056] B、对采集的CSI信号进行滤波处理；
[0057] C、对滤波后的CSI信号进行多径去除；
[0058] D、利用主成分分析对去除多径后的CSI信号进行降维处理；
[0059] E、提取一个滑动窗口W内连续的CSI信号，分析其时域和频域信息，计算出在该信息下每种行为的统计特征；
[0060] F、对计算所得的行为统计特征，利用隐马尔可夫模型进行分类判别，识别其状态行为；
[0061] G、构建异常状态检测器，检测出驾驶室人员值班异常状态行为。
[0062] 步骤A具体包括以下步骤：
[0063] A1、采集船舶驾驶室静态状态下的信号作为基准数据；
[0064] A2、采集人体在设备周围行走、坐着原地活动时的信号作为动态数据。
[0065] 步骤E具体包括以下步骤：
[0066] E1、若滑动窗口W包含T个测量值，则时频域中CSI矩阵M表示为：
[0067]
[0068] 上式中，Hi为滑动窗口内第i次采样时采集的CSI值，Sj为第j个子载波的CSI序列；
[0069] E2、在时域中，计算不同滑动窗口时刻下每一对CSI的互相关值，其中，滑动窗口W设置为30，具体计算公式如下：
[0070]
[0071] 上式中，t1、t2为滑动窗口内的两个不同时刻；
[0072] 在频域中，计算CSI的30个子载波之间的互相关值，具体计算公式如下：
[0073]
[0074] 上式中，f1、f2为30个子载波中的序号；
[0075] E3、对上述计算的所有时域下不同滑动窗口时刻下每一对CSI的互相关值取中位数，得到
[0076]
[0077] 对上述计算的所有频域下的30个CSI子载波互相关值取中位数，得到
[0078]
[0079] 根据 统计分析计算出运动指数MI：
[0080]
[0081] 步骤F具体包括以下步骤：
[0082] F1、定义三种行为状态，包括静态状态、人员行走状态和其他活动状态；
[0083] F2、为每一种状态训练一个隐马尔可夫模型；
[0084] F3、将计算所得的运动指数MI输入到每一个模型中与每一个模型进行匹配，计算生成概率最大的模型所对应的状态为该时刻所属的行为状态。
[0085] 步骤G中，驾驶室人员值班异常状态行为检测方法如下：
[0086] 统计静态状态中序列数目，记为Cm；设置一个船舶值班异常行为预警值，记为Ck；若Cm≥Ck，则认为船舶驾驶室人员值班行为存在异常；
[0087] 统计人员处于行走状态的序列数目，记为Cn；在全体序列CT中所占的比例，定义为值班行为异常度，记为η＝Cn/CT；设置一个认为值班行为正常的最高容忍度，记为λ；若η≤λ，则认为船舶驾驶室人员值班行为存在异常。
[0088] 参见图6，一种基于WiFi的船舶驾驶室人员值班行为识别系统，包括数据采集模块、数据预处理模块、特征提取模块、行为识别分类模块和异常状态检测模块；
[0089] 所述数据采集模块，用于采集驾驶室内无线信号，获取信道状态信息；
[0090] 所述数据预处理模块，用于对数据采集模块获取的CSI数据依次进行滤波、多径去除以及降维处理；
[0091] 所述特征提取模块，用于提取经数据预处理模块处理后的CSI信号，并分析其时域和频域信息，计算出在该信息下每种行为的统计特征；
[0092] 所述行为识别分类模块，用于通过隐马尔可夫模型对特征提取模块计算所得的行为统计特征进行分类，识别驾驶室人员状态行为；
[0093] 所述异常状态检测模块，用于检测出驾驶室人员值班异常状态行为。
[0094] 本发明的原理说明如下：
[0095] 人体行为检测的核心思想是对CSI的变化进行量化，在没有人体运动的情况下，不同子载波的CSI值包含随机噪声，相关性很小，而随着人体开始运动，不同子载波之间的相关性随着活动的剧烈程度其相关性逐渐增大。
[0096] 实施例：
[0097] 参见图1，一种基于WiFi的船舶驾驶室人员值班行为识别方法，该方法包括以下步骤：
[0098] A、部署设备，利用
笔记本电脑、商用WiFi设备以及Inter5300网卡采集整个船舶驾驶室内的CSI信号；具体包括以下步骤：
[0099] A1、采集船舶驾驶室静态状态下的信号作为基准数据；
[0100] A2、采集人体在设备周围行走、坐着原地活动时的信号作为动态数据；
[0102]
[0103] 上式中，H(fk)为中心频率为fk的第k个子载波的CSI信息，||H(fk)||为子载波的幅度信息，∠H(fk)为子载波的
相位信息；
[0104] B、对采集的CSI信号进行滤波处理，消除由于船舶
钢铁环境以及动态环境所引起的噪声；
[0105] C、对滤波后的CSI信号进行多径去除，消除船舶密闭狭窄环境所引起的其他路径，如反射、散射等非视距传播对信号的影响；具体地，利用反傅里叶变换，将CSI信号的信道频率响应转换成信道冲击响应，去除掉时延在0.5ms之后的成分，在通过傅里叶变换转回成信道频率响应；
[0106] D、利用主成分分析对去除多径后的CSI信号进行降维处理；
[0107] E、提取一个滑动窗口W内连续的CSI信号，分析其时域和频域信息，计算出在该信息下每种行为的统计特征；具体包括以下步骤：
[0108] E1、若滑动窗口W在特定采样率下包含T个测量值，则时频域中CSI矩阵M表示为：
[0109]
[0110] 上式中，Hi为滑动窗口内第i次采样时采集的CSI值，Sj为第j个子载波的CSI序列；
[0111] E2、在时域中，计算不同滑动窗口时刻下每一对CSI的互相关值，其中，滑动窗口W设置为30，具体计算公式如下：
[0112]
[0113] 上式中，t1、t2为滑动窗口内的两个不同时刻；
[0114] 驾驶室静态状态与存在人员行走状态时的不同结果参见图2、图3，由图中可见，驾驶室人员处于行走状态时的CSI子载波相关性要明显大于静态状态时的CSI子载波相关性；
[0115] 在频域中，计算CSI的30个子载波之间的互相关值，具体计算公式如下：
[0116]
[0117] 上式中，f1、f2为30个子载波中的序号；
[0118] 图4包括驾驶室静态状态时的CSI30个子载波之间的相关性示意图与驾驶室人员处于行走状态时的CSI30个子载波之间的相关性示意图，由图4可以明显看出，驾驶室人员处于行走状态时的子载波相关系数在0.7到0.8之间
波动，而静态状态时子载波相关系数明显降低到0.1以下；
[0119] E3、对上述计算的所有时域下不同滑动窗口时刻下每一对CSI的互相关值取中位数，得到
[0120]
[0121] 对上述计算的所有频域下的30个CSI子载波互相关值取中位数，得到
[0122]
[0123] 根据 统计分析计算出运动指数MI：
[0124]
[0125] 图5为某一段时间内，计算所得的驾驶室内运动指数MI的示意图，由此可以作为不同行为状态的特征；
[0126] F、对计算所得的行为统计特征，利用隐马尔可夫模型进行分类判别，识别其状态行为；具体包括以下步骤：
[0127] F1、定义三种行为状态，包括静态状态、人员行走状态和其他活动状态；
[0128] F2、为每一种状态训练一个隐马尔可夫模型；
[0129] F3、将计算所得的运动指数MI输入到每一个模型中与每一个模型进行匹配，计算生成概率最大的模型所对应的状态为该时刻所属的行为状态；
[0130] G、构建异常状态检测器，检测出驾驶室人员值班异常状态行为；
[0131] 驾驶室人员值班异常状态行为检测方法如下：
[0132] 统计静态状态中序列数目，记为Cm；设置一个船舶值班异常行为预警值，记为Ck；若Cm≥Ck，则认为船舶驾驶室人员值班行为存在异常；
[0133] 统计人员处于行走状态的序列数目，记为Cn；在全体序列CT中所占的比例，定义为值班行为异常度，记为η＝Cn/CT；设置一个认为值班行为正常的最高容忍度，记为λ；若η≤λ，则认为船舶驾驶室人员值班行为存在异常。
[0134] 参见图6，一种基于WiFi的船舶驾驶室人员值班行为识别系统，包括数据采集模块、数据预处理模块、特征提取模块、行为识别分类模块和异常状态检测模块；
[0135] 所述数据采集模块，用于采集驾驶室内无线信号，获取信道状态信息；
[0136] 所述数据预处理模块，用于对数据采集模块获取的CSI数据依次进行滤波、多径去除以及降维处理；
[0137] 所述特征提取模块，用于提取经数据预处理模块处理后的CSI信号，并分析其时域和频域信息，计算出在该信息下每种行为的统计特征；
[0138] 所述行为识别分类模块，用于通过隐马尔可夫模型对特征提取模块计算所得的行为统计特征进行分类，识别驾驶室人员状态行为；
[0139] 所述异常状态检测模块，用于检测出驾驶室人员值班异常状态行为。
