臺灣博碩士論文加值系統

隨著無線通訊的科技蓬勃發展，有內建無線區域網路(Wireless LAN，WLAN)的終端裝置以及無線網路基地台(Access Point，AP)裝置的普及化，此項技術已廣泛應用在公司、學校、機場、超級市場等，使得無線網路的使用需求越來越高，要求高速、穩定、省電、涵蓋率高等技術上發展。
目前在人數的計算都還仰賴人工或是紅外線的方式去收集人數的資料，在本文中，我們使用新的Wi-Fi系統CSI (Channel State Information)被稱為通道資訊系統，CSI使用多輸入多輸出(MIMO)系統進行偵測，環境中任何大小或複雜的移動物體都能偵測。
本論文使用Intel 5300 NIC收集空間中人數及Wi-Fi之間訊號傳輸的CSI數據，並且利用Octave轉換訊號數據，提出的演算法是以平均值與標準差的差異進行人數分析，模擬實驗有六種情境(無人環境、1個人、2個人、3個人、4個人、5個人)進行同一種情境與不同的方式的差異比較，平行走的實驗分為有Wi-Fi基地台與無Wi-Fi基地台，結果顯示在同一種實驗比較中，兩種實驗標準差都有越來越高的趨勢，但無Wi-Fi基地台的標準差比較明顯，其表示環境中有無Wi-Fi基地台多少會造成影響；實驗者與發射端跟接收端距離遠近的實驗，結果顯示不管距離的遠近，當環境中有兩個人時，標準差都會落在一樣的數值，但當環境中是三個人、五個人在標準差中卻看不出來，其原因是一個人對數據的影響並不明顯所導致；實驗者朝發射端與接收端前後走，結果顯示環境中的人數增加時，標準差也是越來越高，但比無Wi-Fi基地台的標準差低，其表示實驗者的行走方向也會影響到訊號傳輸；靜態方面的實驗使用站一排與圍一圈的方式，結果顯示標準差有稍微變化但無法看不出人數的估計，其原因可能是實驗者在靜止狀態下，無法擋到訊號的傳輸。總結以上結果可以藉由CSI訊號的數據，得知人體對CSI是會產生影響，計算標準差可以得知環境中有幾個人，進而利用這些數據成為估算人數的參考。

In recent years, due to the popularity of the internet and the development of wireless communication technology, most of the internet-related applications have made great progress.
Currently the data collection for people counting issue relied on infrared imaging or by hands. In this research, the CSI (Channel State Information) collected from Wi-Fi 802.11n was adopted. By using MIMO (Multiple Input Multiple Output), objects with different sizes or even complex shapes are more likely to be detected.
In this thesis, we first applied Intel 5300 NIC to collect Wi-Fi CSI data for people counting. Secondly, we use Octave to transform raw CSI data into numbers in matrix form for further statistically computation, such as average and SD variance analysis. The experiments were under six scenarios from no one to five persons in order to reveal their difference. In the experiment of adjacent walking, AP mode and non-AP mode were set respectively. Both modes show that SD increases with the number of people. However in non-AP mode is more obvious. In the experiment of people walking back and forth between sender and receiver, results also show that SD increases with the number of people. But, in non-AP mode is more obvious. We thus argue the influence of walking direction. In the experiment of people halting side by side or forming a circle around, the results show that SD changes slightly and is unable to differentiate. To sum up, human body is sensible to CSI, that is, by statistically analyzing CSI, the number of people may be estimated.

摘要 i
Abstract iii
誌謝 v
目錄 vi
圖目錄 ix
表目錄 xiv
一、緒論 1
1.1 研究背景 1
1.2 研究動機 2
1.3 研究目的 3
1.4 研究流程 3
二、文獻探討 5
2.1 關於計算人數的技術 5
2.1.1 紅外線感測器 5
2.1.2 超音波感測器 6
2.1.3 無線射頻辨識感測器 7
2.1.4 Wi-Fi感測器 7
2.1.5 人數統計技術比較 7
2.2 Wi-Fi標準 8
2.2.1 MIMO(Multi-Input Multi-Output) 9
2.2.2 CSI(Channel State Information) 10
2.2.3 正交分頻多工(OFDM) 11
2.3 RSSI相關計算人數的應用 12
2.3.1 傅氏頻譜 12
2.3.2 變動序列-標準差法 13
2.3.3 變動序列-EMD法 16
2.4 隨機決策森林 18
2.4.1 隨機採樣 19
2.4.2 完全分裂 20
三、研究方法 21
3.1 實驗裝置 21
3.2 環境架設 22
3.3 工具 23
3.3.1 Octave 23
3.3.2 WeKa 24
3.4 實驗步驟 24
四、資料分析與模擬實驗 32
4.1 模擬實驗 32
4.2 動態實驗 32
4.2.1 實驗者以平行的方式行走 32
4.2.2 實驗者以距離30cm的方式並排走 46
4.2.3 實驗者以距離5m的方式並排走 50
4.2.4 實驗者朝發射端與接收端前後走 55
4.3 靜態實驗 61
4.3.1 實驗者以平行的方式站在中間 61
4.3.2 實驗者以圍一圈的方式站在中間 67
4.4 Random Forest實驗分析 71
4.5 實驗結果 71
五、結論與建議 75
結論 75
建議 75
參考文獻 77

[1]楊錚，劉云浩(民國103)，wi-fi雷達:從RSSI到CSI，中國計算機學會通訊，第10卷第11期。
[2]林尚一(民國98)，基於異質攝影機整合之智慧型監控系統，國立交通大學多媒體工程研究所碩士論文。
[3]Hazas, M., & Hopper, A. (2006). “Broadband Ultrasonic Location System for Improved Indoor Positioning”, IEEE Transactions on mobile Computing, vol. 5, no. 5, pp. 536-547.
[4]陳又銘(民國102)，基於RFID與視覺技術之出入口人員追蹤識別系統，朝陽科技大學資訊工程系碩士論文。
[5]Abbasi, Q, H., Sallabi, H, E., Serpedin, E., Qaraqe, K., Alomainy, A., & Hao, Yang. (2016). “Ellipticity statistics of ultra wideband MIMO channels for body centric wireless communication”, European Association of Antennas and Propagation.
[6]Sen, S., Choudhury, R.R., Radunovic, B., & Minka, T. (2011). “Precise indoor localization using PHY layer information”, in: Proceedings of the 10th ACM Workshop on Hot Topics in Networks, HotNets-X, ACM, New York, NY, pp. 18:1–18:6.
[7]Xiao, J., Wu, K., Yi, Y., & Ni, L. (2012) “FIFS: Fine-Grained Indoor Fingerprinting System”, in: 21st International Conference on Computer Communications and Networks, ICCCN, pp. 1–7.
[8]Yogita, C., Aleksandar. I., Aruna, S., & Sanjay, J. (2015). “CSI-MIMO: An efficient Wi-Fi fingerprinting using Channel State Information with MIMO”, pp.89-103.
[9]Muthukrishnan, K., Lijding, M., Meratnia, N., & Havinga, P. (2007). “Sensing motion using spectral and spatial analysis of WLAN RSSI”.
[10]Lin, W.C., Seah, W.K.G., & Wei Li. (2011). “Exploiting Radio Irregularity in the Internet of Things for Automated People Counting”.
[11]Doong, S.H., & Tsi, S.H. (2014). “A Preliminary Study of Crowd Counting with RSSI and EMD”.
[12]Breiman, L., & Cutler, A. (2011). “Random Forests, Machine Learning”, Vol. 45, pp. 5-32.
[13]Ho, T, K., (1995). “Random Decision Forests”, Proc. of the 3rd Int''l Conf. on Document Analysis and Recognition, Montreal, Canada, August 14-18, 278-282.
[14]Ho, T, K., (2002). “A Data Complexity Analysis of Comparative Advantages of Decision Forest Constructors”, Pattern Analysis and Applications 5, pp. 102-112.
[15]Daniel Halperin. (2011). Linux 802.11n CSI Tool, from
http://dhalperi.github.io/linux-80211n-csitool/
[16]John W. Eaton. (1998). About GNU Octave, from
https://www.gnu.org/software/octave/about.html.
[17]Mark Hall. (2009). “The WEKA data mining software: an update”, pp. 10-18.