WiFi CSI相位差与SVM在多场景人群计数中的应用

"本文介绍了一种适用于多场景人群计数的支持向量机增量学习方法，主要利用WiFi设备的信道状态信息（CSI）和相位差来构建特征，并结合支持向量机（SVM）进行人群计数。这种方法旨在解决传统方法中的信噪比问题以及对多个WiFi节点的依赖，通过采用两台WiFi设备即可实现室内环境中的精确计数。" 在物联网（IoT）环境中，人群计数是许多应用场景的关键需求，如智能家居的能源管理、零售业的服务优化和紧急情况下的安全管理。WiFi感知技术因其广泛部署和高灵敏度，成为了实现这一目标的有效工具。WiFi设备的信道状态信息，尤其是其相位差，能够敏感地捕捉到人体运动导致的微小变化，优于仅依赖幅度或相位的信息。 传统的WiFi人群计数方法，如GrayVerhulst模型，需要多个节点以提高计数准确性，但这种方法存在不精确性。而Gjengset等人的研究则表明相位差更能反映人体运动，不过直接使用原始CSI数据可能会受到噪声干扰。Domenico等通过主成分分析（PCA）进行特征提取和噪声去除，但也可能丢失部分运动信息。 为克服上述挑战，本文提出的方法采用三步处理策略：首先，对收集的原始CSI数据进行线性变换，以揭示相位信息；其次，计算相位差，进一步强化人体运动的特征；最后，利用Savitzky-Golay滤波器去除异常值，保持相位差序列的运动特征。这些预处理步骤显著提高了相位差的可用性，减少了噪声的影响。 接下来，引入支持向量机（SVM）作为分类模型。SVM以其高效的学习能力和对小样本数据的优秀泛化能力，适合用于处理特征丰富的相位差数据。通过增量学习，SVM能够随着新数据的加入不断优化模型，适应环境变化，从而实现动态人群计数。 这种基于相位差和SVM的增量学习方法降低了对硬件设施的需求，提高了计数的准确性，适应性强，适合各种室内场景。它不仅解决了现有方法的不足，也为未来WiFi感知技术在人群监测领域的应用开辟了新的可能。