基于RSS的人流量监测方法

杨志勇 金磊 刘灿

摘  要： 在风景旅游区、商场、车站、广场等大型公共场所对人流量监测统计有广泛的应用需求，利用人流量监测系统数据的反馈，可以优化资源的分配以获得最大化的社会和经济效益，也可以及时疏导人流以避免发生拥堵甚至踩踏事件。面对这些需求，提出一种基于无线传感器网络射频信号接收强度的人流量检测方法，该方法系统结构简单、成本低廉、监测过程无需直接接触人体且监测精度能够满足应用要求。此方法采用物联网节点构建“门”型的人流量监测无线网络，经过实验获取不同数量行人通过监测“门”时有效无线链路射频信号接收强度的衰减和值区间，以此作为特征值实现在线行人数量的识别和人流量的监测。实验结果表明，该方法能够达到较高的人流量监测准确率。

关键词： 人流量监测; 接收信号强度; 无线传感器网络; 系统设计; 数据处理; 实验验证

中图分类号： TN931+.3?34; TP274               文献标识码： A                       文章编号： 1004?373X（2020）14?0156?05

Method of pedestrian flow monitoring based on received signal strength

YANG Zhiyong， JIN Lei， LIU Can

（School of Software， Nanchang Hangkong University， Nanchang 330063， China）

Abstract： In the large public places such as scenic tourist spots， shopping malls， stations， squares and so on， there are wide demands for the counting and pedestrian flow monitoring. Based on the data feedback from the pedestrian flow monitoring system， the resource allocation can be optimized to obtain the maximized social and economic benefits， and the pedestrian flow can be diverted in real?time to avoid congestion or even stampede events. A method of pedestrian flow monitoring based on the received signal strength （RSS） of wireless sensor networks is proposed for above requirements. This method has the advantages of simple structure， low cost， no direct contact with human body during the monitoring process， and the monitoring accuracy can meet the application requirements. In this method， the Internet of Things nodes are used to construct the pedestrian flow monitoring wireless networks with "gate" type. The range of the RSS attenuation sum value of effective wireless links radiofrequency when different numbers of pedestrians passing through the monitoring "gate" are obtained by the experiments， which can be used as the eigen?value to identify the number of online pedestrians and monitor the traffic flow. The experimental results show that this method can achieve a high accuracy rate of pededtrian flow monitoring.

Keywords： pedestrian flow monitoring; received signal strength; wireless sensor network; system design; data processing; experiment verification

0  引  言

人流量检测是智能监控领域的一个研究热点，也是建设智慧城市和数字景区的客观需求。通过人群密度及其变化的实时准确估计，可以及时对人群进行有效的分流、疏导和控制，以提高道路利用率和游客的游览效率，防止出现景区内大量游客拥堵在个别景点的情况，预防发生踩踏事故，避免不必要的时间及生命财产损失。此外，实现人流量的实时准确监控，对于商业信息采集、公安防控、社会资源合理配置等也具有重要意义[1]。

目前进行人流量监测统计的方法主要有闸机统计、红外检测和机器视觉等技术，这些方法可以分为接触式方法和非接触式方法两大类。

1） 接触式方法：主要有在监测点装置机械闸机或压敏踏板两种方法[2]。机械闸机（栏杆）装置计数方便且计数精确，但此方法的设备安装和运维成本较高，行人通过速度非常缓慢，容易造成拥堵，而且还会给行人带来非常不友好的体验和印象;压敏踏板方法需要在地板下面安装压力传感器，此方法结构简单且有较高的通行效率，但压敏踏板长期使用之后易损坏，且对多人同时通行时有明显的局限性。

2） 非接触式方法[2]：主要包括基于红外的检测统计技术和基于机器视觉的人流量统计技术。红外光电对管的视距路径被人体阻挡后会改变接收端的信号输出状态，据此原理，罗彦铭、徐彬等研究设计了施工升降机轿厢人数统计方案[3?4]，陈磊等人研究了根据教室内人数多少的照明节约电能方案[5]，红外光电对管技术对单人检测准确率非常高，但当有多人或者是行人携带大尺寸行李物品等障碍物通过检测点时，对人数的监测统计精确度就会大大降低。张艺萌设计了基于红外热成像的客车人数统计和超载检测方案[6]，此方法不受室温障碍物的影响，但对有一定温度的物品敏感，并且需要对图像数据进行处理，计算复杂度较高。

基于机器视觉的人流量监测随着图像处理和机器学习的快速发展，成为一个热点研究分支，近年涌现出大量的研究成果，主要有利用形状、颜色、轮廓等个体特征或人群特征，结合SVM、BP神经网络、CNN等机器学习算法，实现人体识别和人数统计[7?9]。原始图像易于获取、计算机运算速度的大幅提升、众多的机器学习算法可以借鉴都是此类方法的优势，但其高成本、高能耗、涉及行人隐私、易受光照烟雾等环境影响的缺点也不易克服。

近年来，利用通信网信令[10]、接收信号强度（Received Signal Strength，RSS）[11?12]、信道状态信息（Channel State Information，CSI）[13]的无线智能感知技术快速发展，这种无线智能感知技术不需要配置任何传感器，仅仅利用无线设备之间的链路信息进行任务感知。吴松等人通过对用户手机信令数据的分析挖掘，创建区域划分与时间维度数据，实现人流量的监测[12]。Utah大学研究了基于RSS信息的目标定位追踪，文献[11]和文献[13]分别研究了基于CSI的室内人体定位追踪和摔倒检测。本文受上述研究成果的启发，设计实现了一种基于RSS信号衰减和的人流量监测系统，该系统属于非接触式人流量监测方法，在检测过程中不会接触人体，对行人也没有携带设备的要求，不会对人们的出行产生影响，也不会影响监测点的通行效率。因为无需拍摄照片和视频而不会涉及行人的隐私。此系统采用的设备成本低廉，采集和处理的数据量较小，有效克服了传统方法计算繁琐、效率低下等问题。

1  基于RSS的人流量监测原理

本文提出的人流量监测系统是基于人体对射频信号的阴影衰落效应，不同数量的人通过监测 “门”时对不同链路RSS信号的衰落强弱不同，据此实现人流量的监测。本节将详细说明基于RSS的人流量监测原理。

1.1  人体对RSS的影响

当人经过由发射节点和接收节点构成的无线视距链路时，因人体对射频信号的吸收、反射、折射作用，会使接收节点的RSS明显降低。如图1所示，发射节点和接收节点相距2.4 m，无人在视距路径时，接收节点的RSS平均值是-57.5 dBm，一个成年人站在视距路径中间时，RSS平均值为-70.0 dBm，可见，人体对无线链路的RSS会产生明显的衰减影响。

1.2  人流对RSS的影响

在一个“门”型的支架上安装N个无线传感器网络节点，那么这N个节点会构成[N（N-1）2]条无线链路。图2是一个由18个节点构成的检测门及其无线链路的示意图，总共有153条无线链路，除去没有穿过门内的单边节点之间的无线链路，还剩余105条无线链路。

通过实验发现，当不同人数通过检测区域时，各个无线链路的RSS会产生不同的变化。比如，当不同数量的人走过图2所示的监测门时，第70条（由5号和14号节点构成）和第100条（由6号和18号节点构成）无线链路的RSS值如图3所示。通过监测区域人数不同时，各条无线链路的射频信号强度的变化情况也不相同。这验证了基于无线传感器网络的无线链路RSS进行人流量检测的可行性。

1.3  人流量监测原理

基于人体对无线链路RSS的阴影衰落效应和不同数量的行人对多条无线链路RSS有不同的影响，本文研究了利用全部有效无线链路RSS的衰减和值作为特征，经过实验建立不同人数通过时RSS衰减和值的分类识别标准，进而实现时间点上行人个数的判断和时间段上人流量的统计。本文设计的人流量监测系统的原理如图4所示。

2  人流量监测系统设计

2.1  硬件系統设计

本系统的硬件设备为基于TI的CC2530片上系统芯片和CC2592功放芯片自制的物联网节点。18个CC2530节点安装在高2.0 m、宽2.4 m 的“门”型金属框架上，左右“门”框分别均匀安装5个节点，天线方向统一朝上，上“门”框架上均等安装8个节点且天线方向统一朝下。在“门”型框架正前方6 m左右的地方放置通过串口连接到PC机的Sink节点。当接通电源时，18个节点组成一个轮询广播的RSS信号采集网络，Sink节点侦听感知网络的数据包并将各个感知节点数据包中无线链路的RSS值接收并上传到PC进行保存和处理。

2.2  感知网络节点软件设计

为了保证各条无线链路RSS值的采集频率，节点软件设计没有采用TinyOS和OSAL的物联网操作系统，而是基于IAR设计了节点根据ID依次广播消息的RSS采集程序。

感知节点CC2530芯片的射频模块内设置了一个接收信号强度的指示器（Received Signal Strength Indication，RSSI），芯片接收数据时会根据8个符号周期内的平均值计算得到一个8位的RSS数字值并写入寄存器，需要从寄存器将此值读出并减去偏移量（OFFSET）得到链路真实的RSS值，无线链路RSS真实值（单位为dBm）的计算方法为：

[RealRSS=RSS-OFFSET]    （1）

感知节点每接收一个消息包时，都需要获取源节点ID，读取计算本次通信无线链路的真实RSS值，并将RSS值写入到RSS数组中源节点ID对应的元素位置，等到该节点的发送消息轮次时，将保存的RSS值数组放入消息包广播出去。感知网络节点的数据包格式定义如下：

typedef struct {

uint8 nodeid;                                                //节点ID

uint8 RSS[Node_Number];                     //存放RSS的数组

} RSS_Packet_t;

2.3  数据处理与算法设计

PC收集到感知节点的RSS数据包后，首先获取感知节点的ID;然后将RSS数据转换为十进制数据;其次，根据节点ID组建从第一个感知节点到最后一个感知节点的RSS测量矩阵，此矩阵包含了任意两个节点之间无线链路的RSS值;再次，将RSS测量矩阵与无人通过时采集的基准RSS矩阵对应元素做差，得到无线链路的RSS衰减矩阵;最后，提取视距路径通过监测“门”洞的有效链路的RSS衰减值并计算其和值作为特征量。

本文设计的系统需要通过一个离线的实验阶段构建不同个数的行人通过监测“门”时有效链路RSS衰减和值的特征识别模型，确定识别行人个数的RSS衰减和值区间，以供在线监测阶段识别行人个数，进而进行人流量统计。

从第一个感知网络节点发送数据包开始到最后一个节点发送数据包完毕为一个采样周期，Sink节点侦听感知节点的数据包并通过USB连接线传给PC，由于环境的动态改变、行人的干扰等因素，可能导致PC收集的数据不完整，即个别采样周期可能缺失某个感知节点的数据。本文设计的算法，用上个采样周期节点的数据来填补当前采样周期缺失的数据，以提高系统在实时人流量监测时算法的鲁棒性。图5给出了该系统算法的基本流程。

3  实验与结果

为了验证提出的基于RSS值的流量监测系统的效果，搭建实验系统，进行离线阶段的实验，建立RSS衰减和值的识别区间，并进行在线人流量识别和统计的验证。

3.1  实验设置

18个CC2530节点安装在高2.0 m、宽2.4 m 的“门”型金属框架上组成一个人流量监测断面，“门”内以60 cm宽度划分虚拟行人通道，防止实验时行人拥挤碰撞。Sink节点连接电脑，侦听并上传RSS数据，电脑上运行串口助手软件，接收RSS数据并保存为txt文件，以便后续用Matlab软件进行处理分析。

3.2  离线阶段

离线阶段进行的实验主要包括：

1） 在无人通过时，采集30组数据，每组数据大概采集5 s，用来构建无线链路的基本RSS值;

2） 一个人通过时，10个人分别参与实验，每个人依次在“门”內不同通道以正常步速通过，共采集30组数据;

3） 两个人同时通过时，10个两人组分别参与实验，每个实验参与人员行走在不同的通道上，共收集30组数据;

4） 三个人通过时，10个三人组分别参与实验，同样收集30组数据。

按照上文提出的方法，经过实验数据的处理，得到不同个数行人通过监测“门”时有效链路的衰减和范围如表1所示。

3.3  在线阶段

在线阶段的验证实验包括两个部分：静态人数识别实验和动态人数统计实验。静态人数识别指当行人静止站立在检测“门”框内时的人数识别情况，动态人数统计指行人连续正常通过检测“门”时的行人个数识别和统计情况。

3.3.1  静态人数识别实验

本实验主要验证单个时间点上系统对行人个数的识别情况，分别测试了1人、2人和3人的情况，每种类型的实验做15组，1人、2人和3人的识别准确率分别是87%，87%和73%，总体平均准确率为82%。详细数据如图6所示。

3.3.2  动态人流量监测实验

在南昌航空大学D栋教学楼二层楼梯口放置本文设计的人流量监测系统，分别在学生上课期间（行人稀少）与下课期间（行人较多）两种情况下进行了实验验证。在两种情况下监测了五个时间段（每个时间段约4 min）的人流量情况，人流量监测统计的结果与人工统计的真实人流量数据对比如表2所示，两种情况的统计误差率分别是4.9%和6.4%，即总体平均准确率为94.35%。误差率计算方法为：

[系统估计人数-人工统计真实人数人工统计的真实人数×100%]

从表2可以看到，当行人密度稀疏时系统的人员统计比较准确，但当行人较密集时系统的人数统计存在一定误差，可能是监测“门”前后的行人和墙壁对人数识别统计存在一定的干扰。

通过实时静态人数识别实验和动态人流量监测实验可以看出，本文时间的人流量监测系统虽然存在一定的误差，但也达到了较高的准确率，能够满足大多数人流量监测应用的需求。

4  结  论

本文提出一种基于物联网节点之间无线链路接收信号强度的人流量监测方法，该方法主要利用行人对射频信号的阴影衰落效应，选取穿过监测“门”洞的无线射频链路作为有效链路，以有效链路的RSS衰减和值作为特征值，通过实验建立不同个数行人通过时的特征值区间，进而实现在线行人个数的识别与在线人流量的监测。实验结果表明，该方法能够达到平均92.9%的人流量监测准确率，验证了提出的基于RSS的人流量监测方法的有效性。本文创新性地将RSS用于人流量监测，是对传统闸机、机器视觉方法的有益补充，具有通行效率高、不涉及行人隐私、低成本、低计算复杂度等特点。本文提出的人流量监测方法的不足之处在于无法判断人们行走的方向，人流量监测的准确率还需要后续研究来提升。

参考文献

[1] 郭继昌，李翔鹏.基于卷积神经网络和密度分布特征的人数统计方法[J].电子科技大学学报，2018，47（6）：806?813.

[2] 赵倩.基于视频分析的公交客流统计技术研究与实现[D].重庆：重庆大学，2016.

[3] 罗彦铭.施工升降机综合监控系统研究与开发[D].济南：山东大学，2017.

[4] XU B， YANG J， XU F， et al. Study of multiscale detection in near distance image for numbers of people in elevator car [C]// Proceedings of the 6th International Conference on Manufacturing Science and Engineering. Lisbon： IEEE， 2015： 322?328.

[5] 陈磊，李志军，王飞，等.基于光伏检测的节电教室电源智能控制研究[J].现代电子技术，2018，41（14）：114?117.

[6] 张艺萌.客车超载控制系统的研究[D].新乡：河南师范大学，2017.

[7] 孙万春.基于视频的公共场所人数统计研究[D].重庆：重庆理工大学，2018.

[8] GAO C Q， LI P， ZHANG Y J， et al. People counting based on head detection combining Adaboost and CNN in crowded surveillance environment [J]. Neurocomputing， 2016， 208： 108?116.

[9] SAM D B， SURYA S， BABU R V. Switching convolutional neural network for crowd counting [C]// 2017 IEEE Conference on Computer Vision and Pattern Recognition. Honolulu： IEEE， 2017： 4031?4039.

[10] 吴松，雒江涛，周云峰，等.基于移动网络信令数据的实时人流量统计方法[J].计算机应用研究，2014，31（3）：776?779.

[11] 党小超，李彩霞，郝占军.一种RSS和CSI融合的二阶段室内定位方法[J].传感技术学报，2018，31（8）：1258?1265.

[12] YIGITLER H， JANTTI R， KALTIOKALLIO O， et al. Detector based radio tomographic imaging [J]. IEEE transactions on mobile computing， 2018， 17（1）： 58?71.

[13] RAMEZANI R， XIAO Y， NAEIM A. Sensing?Fi： WiFi CSI and accelerometer fusion system for fall detection [C]// 2018 IEEE EMBS International Conference on Biomedical & Health Informatics. Las Vegas： IEEE， 2018： 402?405.