Wi-Fi-gebaseerd passieve radar voor menigte bewaking

Dit proefschrift heeft tot doel crowd-monitoring uit te voeren door opportunistisch gebruik te maken van signalen van bestaande Wi-Fi-toegangspunten om een passieve radar te bouwen. Met behulp van radar signaalverwerking wordt een range-Doppler map (RDM) verkregen met de afstands- en snelheidsinformatie van de doelen, evenals een schatting van de richting (van de MUSIC-methode) van de signalen die op doelen reflecteerden. Experimenten zullen worden uitgevoerd om personen te detecteren met signalen gemeten door Universal Software Radio Peripherals (USRPs) die een snelle prototype voor de nieuwste Wi-Fi-standaarden (802.11ac, 802.11ax) mogelijk maken, zodat we de nauwkeurigheid voor persoondetectie met deze technologieen kunnen beoordelen. Na detectie van de personen zullen volgalgoritmen worden voorgesteld op metingen van de USRPs-opstelling. Aangezien de relatie tussen de metingen en de personen in cartesische coördinaten niet-lineaire vergelijkingen omvat, zal een Unscented Kalman Filter (UKF) worden onderzocht om die niet-lineariteiten aan te pakken. Tracking met één doelwit wordt eerst bekeken en vervolgens uitgebreid naar tracking met meerdere doelen en groepstracering. Voor het volgen van groepen worden clusteringalgoritmen zoals Density-based spatial clustering of applications with noise (DBSCAN) toegepast om de signaalreacties van verschillende doelen die dicht bij elkaar liggen te combineren in één te volgen cluster. Data associatietechnieken zoals het Probabilistic Data Association Filter (PDAF), de Joint-PDAF en mogelijk Multiple Hypothesis Tracking (MHT) zullen worden onderzocht om de signalen van doelsignalen te koppelen aan de huidige sporen van de UKF. Machine learning-gebaseerde algoritmen zullen ook worden ontwikkeld om het aantal mensen in een groep te tellen op basis van de radar RDM en het hoekspectrum, door gebruik te maken van de hoge bandbreedte die wordt geboden door de nieuwste Wi-Fi-standaard en de signalen van meerdere antennes op de ontvanger. Dit omvat de studie van Bayes-classificatoren, Support Vector Machines (SVM) en Neurale netwerken. De output van die algoritmen zal daarna gecombineerd zijn met de groep tracking algoritmen om tegelijkertijd groepen in de ruimte te volgen en het aantal mensen in die groepen te kennen.