计算机研究与发展

作者：杨志勇,卢超,王俊杰,

关键词：信道状态信息, 人流量监测, 连续性人流, 相位校正, 深度学习,

随着人们对人数统计需求的不断增长，基于信道状态信息（channelstateinformation，CSI）的人流量监测技术因其易于部署、保护隐私和适用性强等优势而备受关注.然而，在现有的人流量监测工作中，人数识别的准确率容易受到人群密集程度的影响.为了保证监测精度，通常只能在人群稀疏的情况下进行监测，这导致了基于CSI的人流量监测技术缺乏实用性.为了解决这一问题，提出了一种能够识别连续性人流的监测方法.该方法首先利用解卷绕和线性相位校正算法，对原始数据进行相位补偿并消除随机相位偏移；然后通过标准差和方差提取连续性人流数据中的有效数据包；最后将时域上的相位差信息作为特征信号输入到深度学习的CLDNN（convolutional，longshort-termmemory，deepneuralnetwork）中进行人数识别.经过实验测试,该方法在前后排行人距离不小于1m的情况下，分别实现了室外96.7%和室内94.1%的准确率，优于现有的人流量监测方法.

来源：2025年第3期

《计算机研究与发展》期刊编辑部

查看计算机研究与发展杂志2025年第3期