1.一种基于被动式WiFi感知的大规模人群计数方法，其特征在于，包括以下步骤： 设定监测区域并进行WiFi嗅探，获取嗅探感知数据； 通过滑动窗口机制进行滑动窗口采样，对每个滑动窗口内的嗅探感知数据进行WiFi指纹定位，得到所述监测区域内的指纹定位信息； 将多个窗口下的所述定位信息构建为对应的多个WiFi时空信息矩阵，并将所有所述WiFi时空信息矩阵堆叠为WiFi时空信息矩阵序列，步骤包括： 初始化维度为M×N的一个时间窗口内的WiFi时空信息矩阵；将尺寸为H×W的嗅探范围区域划分为M×N个等尺寸网格；遍历单个时间窗口下的所述指纹定位信息和所有网格根据每个检测目标的所述指纹定位信息，更新其定位网格对应的所述WiFi时空信息矩阵元素； 若且则对连续l个时间窗口的定位集合LΔt进行遍历，对应得到l个连续的WiFi时空信息矩阵； 将所述WiFi时空信息矩阵堆叠，得到WiFi时空信息矩阵序列 对所述WiFi时空信息矩阵序列进行有监督学习并进行人数预测，得到所述监测区域内的人数，步骤包括： 构建RNN深度学习模型，所述RNN深度学习模型包括4个隐藏层，由输入到输出的每个所述隐藏层分别由512、256、128、64个RNN单元构成，每层的所述RNN单元之间使用全连接权重相互连接，每个所述RNN单元使用ReLU作为非线性激活函数； 构建第二模型训练数据集；通过所述第二模型训练数据集采用Adam优化算法和MSE损失函数对预先构建的所述RNN深度学习模型以学习率lr＝2e-5进行迭代训练；将所述WiFi时空信息矩阵序列按行拉平构成多个长度为网格划分细粒度的向量序列，输入至训练好的所述RNN深度学习模型，得到对应时刻监测区域的人数。

2.根据权利要求1所述的一种基于被动式WiFi感知的大规模人群计数方法，其特征在于，设定监测区域并进行WiFi嗅探，步骤包括： 在所述监测区域内均匀设置至少3个不共线的WiFi嗅探感知点； 基于每个所述WiFi嗅探感知点，进行嗅探，其中，嗅探范围覆盖所述监测区域。

3.根据权利要求1所述的一种基于被动式WiFi感知的大规模人群计数方法，其特征在于，所述WiFi指纹定位，步骤包括： 对单个滑动窗口内的所述嗅探感知数据进行预处理，得到检测目标的指纹向量； 通过预先训练好的KNN分类器对所述指纹向量进行区域识别并保留所述监测区域内指纹向量； 根据所述指纹向量进行标准化处理，并通过KNN定位算法对每个所述指纹向量进行定位，得到每个检测目标所对应的定位信息。

4.根据权利要求3所述的一种基于被动式WiFi感知的大规模人群计数方法，其特征在于，在进行WiFi指纹定位之前，通过离线调查生成第一模型训练数据，并对所述KNN分类器进行训练： 所述离线调查步骤包括： 建立二维笛卡尔坐标系，基于所述二维笛卡尔坐标系在所述监测区域内外分别设置多个参考位置点；在每个参位置点设置至少1台参考设备持续发送WiFi探测请求帧； 分别对所述监测区域内外的每个参考位置点进行WiFi嗅探，根据嗅探到的所述WiFi探测请求帧信号强度，得到所述监测区域内、外各个参考位置点的参考向量；将所述参考向量与其对应的区域内外标记拼接，生成第一模型训练数据； 通过所述第一模型训练数据对KNN分类器进行训练。

5.根据权利要求3所述的一种基于被动式WiFi感知的大规模人群计数方法，其特征在于，所述预处理步骤包括： 通过所述嗅探感知数据的时间戳过滤出对应滑动窗口内的嗅探感知数据； 清理所述嗅探感知数据中具有缺失值和非探测请求帧的WiFi帧，并利用MAC地址过滤掉所述监测区域内基础设备的WiFi探测请求帧； 基于清理后的所述嗅探感知数据，求取检测目标在每个嗅探感知点所嗅探到的WiFi探测请求帧信号强度的均值，构建所述检测目标对应的所述指纹向量。

6.根据权利要求4所述的一种基于被动式WiFi感知的大规模人群计数方法，其特征在于，根据所述指纹向量进行标准化处理，并通过KNN定位算法对每个所述区域内的指纹向量进行定位，得到每个检测目标所对应的定位信息，步骤包括： 通过所述离线调查，获取指纹库数据：将所述监测区域内各个参考位置点的参考向量与对应参考位置点的坐标拼接后得到指纹库数据； 对所述指纹向量和所述指纹库数据进行标准化处理，得到标准化指纹集合和标准化指纹库； 计算所述标准化指纹集合中每个检测目标指纹与标准化指纹库中各个参考目标指纹的欧氏距离，根据所述欧氏距离自小到大选取至少一个参考点指纹，并计算选取的所述参考点指纹的物理坐标均值，得到每个检测目标的指纹定位信息。

7.根据权利要求1所述的一种基于被动式WiFi感知的大规模人群计数方法，其特征在于，构建第二模型训练数据集，步骤包括： 将监测区域划分为多个被单独图像采集装置覆盖的子区域； 通过预先部署的图像采集装置对每个所述子区域进行图像采集； 根据所述图像采集结果，按指定帧率，对采集的每帧图像中的每个子区域进行人数标注，求和后得到监测区域总人数标签；将所述总人数标签与对应生成的第二模型WiFi时空信息序列关联后，构成第二模型训练数据集。

8.根据权利要求1所述的一种基于被动式WiFi感知的大规模人群计数方法，其特征在于，所述RNN深度学习模型的传播过程为： 其中，和分别为第i层、第t时间步的隐状态向量和输入向量，B(i)为第i层的偏置，U、V、W分别为对应权重参数向量； 将所述RNN深度学习模型输出的区域人数值序列最后值作为当前时刻监测区域的人数估计值。

请联系平台

请联系平台