信息通信INFORMATION&COMMUNICATIONS
2019 (Sum.No200)
2019年第8期
(总第200期)
基于WiFi探针的人密度分析系统的设计与实现
童宇叫蔡嬪雯'，谭敏“
(1.湖南警察学院信息技术(网监)系;2.网络犯罪侦查湖南羽普通高校重点实验室，湖南长沙410138)
摘要：文章设计了一种基于无线保真(Wireless Fidenlity,WiFi)技术对務动智能终端进行定位，从而对室内人會度等数据进冇•分析的系统。该系统不仅可以绘制出一定范围内移动设备携带人的活动轨迹，实现人密度及定位情况的分析和判断，还可以对人密度情况进行预估和异常判断。
关键词:WiFi探针；传感器；评估与预判
中图分类号:TP391.41文献标识码:A文章编号：1673-1131(2019)08-0070-03
0引言
随着用户智能终端的不断增加及移动互联网的快速发展，基于位置的服务(locationbased services,LBS)需求呈爆炸式增长。全球定位系统(Global Positioning System,GPS)是当前位置服务中应用最广泛的一项技术，可以为用户提供室外米级位置服务，解决复杂交通导航定位等问题。然而，人们大约有80%的时间在室内工作生活，由于GPS信号、移动运营网信号被建筑物墙体、室内障碍物阻挡,GPS定位效果较之室外明显降低。目前，国外学者提出了蓝牙、红外线、超声波等室内定位技术及应用系统，综合考虑部署成本和定位精度等因素，本文设计了一种基于无线保真(Wireless Fidenlitj<WiFi)技术对移动智能终端进行定位，从而对室内人密度等数据进行分析的系统。
1WiFi探针技术
WiFi探针技术利用WFi传感器侦察空气中2.4G和5G的无线电波，通删超电波的探知实现移动终端设备(Android 或IOS智能手机、手提电脑、平板等)的査，然后对移动设备中的WiFi协议中的数据进行数据挖掘，并对协议中携带的信息和状态进行分析，从而对设备携带人的行为进行统计分析。
移动终端设备与无线路由器建立连接时，会先向路由器发送Probe Request帧，该帧包含了终端和路由器的MAC地址。WiFi探针设备通过捕获Probe帧获得试图接入该无线网络的移动设备的MAC地址。将WiFi探针设备架设在行人经过的区域，通过获取行人携带的移动终端设备的信息对人的入场、停留
、分布密度等情况进行分析。
2基于WiFi探针的人密度分析系统架构本系统采用Eclipse作为系统的开发工具,Java作为程序设计语言，结合SPRING和MVC框架体系进行总体设计，后台数据库采用MySQL。系统分为采集端、服务器端与客户端，总体架构如图1所示。
手提电脑如何设置wifi⑴采集端主要是利用WiFi探针设备自动识别特定范围内已开启WiFi接收装置的移动终端设备的MAC地址等信息并开始跟踪，在5个探测周期内若没有再次采集到该设备的信息时，则认为该设备已经离开。鉴于移动设备MAC地址的唯一性，系统可以根据不同时间、地点探测到的相同MAC地
异常，随后集开始进行故障转移，选举出新的主节点，本次关闭的是nodsl节点,nod.5节点作为node-1节点的从节点成为新的主节点，最终集状态恢复正常，集主节点故障转移日志如图12所示。
图12集主节点故障转移日志
6结语
便用Docker容器部署Redis集时，只需要根据Docker­file制作一次镜像并编写Docker Compose文件就可以完成集部署的准备工作，并且Dockerfile和Docker Compose文件可以再任意装有Docker服务
的机器上运行，这极大的减化了运维和开发人员部署Redis集的工作步骤，减小部署过程中人工操作出错的概率。通过系统测试也验证了基于Docker容器部署Redis高可用集的可行性。
参考文献：
[1]redis.io/documentatioii [2]docs.docker
[3]Redis设计与实现机械工业出版社.
[4]周智険分信馳信如邮加药.
⑸李浒，刘利娜，刘学敏，张士波.一种高效的Redis Cluster的
分布式缓存系统[J].计算机系统应用,2018,27(10):91-98.
[6]黄裕.基于分布式Redis集的WEB共享管理研究[J]•计
算机与数字工程,2018,46(10):2078-2082+2130.
[7]王伟兵，文伯聪，吴琪.大用户量高并发移动互联网系统的
性能优化[J].信息系统工程,2017(06):28-31.
[8]柳纲，何晶.一种高性能WEB集的方案设计[J].电力信
息与通信技术,2017,15(03):95-100.
[9]王张夫.基于nginx和redis架构的高并发框架的设计与
研究[J].信息通信,2017(02):145-146.
[10]赖歆.基于Redis的分布式锁的实现方案[J]•信息通信2016
(10):83-84.
[11]王健.Docker技术将引爆容器生态系统[J].软件和集成电
路,2O16(Z1).
[12]徐欣威.基于Docker、Nginx及服务器虚拟化融合技术的
镇江科技创新服务平台设计[J].科技与创新,2017(17). [13]周俊威.Docker技术在软件开发过程中的具体运用[J].电
子技术与软件工程,2018(14).
[14]刘国乐，余彦峰•浅析Docker容器技术[J]•保密科学技术,
2017(10).
70
信息通信童宇等：基于WiFi探针的人密度分析系统的设计与实现
址绘制出移动终端设备携带人在该区域的活动轨迹图，釆集端捕获数据流程如图2所示。
(2)服务器端主要负责处理、存储釆集端的数据并对客户端提供查询服务的响应。服务器可以将处理好
的数据(如人员密集度、来访周期、来访时间)以图表等形式发送至客户端，数据传输过程如图3所示。
图2采集端捕获数据流程图3数据传输至客户端流程
(3)客户端主要是向服务器发送查询请求并向用户展示查询结果。
3室验仿真以及评估
通过判断WiFi探针收集的终端设备的数量来评价是否达到预期效果。评价过程中对一些已知的点进行定位，采用计算真实值和预测值之间的平均误差作为WiFi人密度测量的衡量标准，平均误差计算公式如式(1)所示。
R=J(d—d)2(1)
在式(4-1)中d，表示在A点WiFi探针设备所得到的设备数量;d表示在A点应测得的设备数量。
3.1实验环境
选取学校图书馆一楼作为室验场地(如图4所示)。将图书馆的左下方作为坐标原点，同时对图书馆区域进行网格化，建立平面直角坐标系。本次实验一共部署6个WiFi探针设备。在釆集数据过程中，为尽量减少人体遮挡所带来的影响，分别在参考点4个方向上每次釆样20次，共计80次，釆样间隔设为30s。
☆wiFiautatg*
图4图书馆轮廓图
3.2实验结果分析与结果
由于图书馆室内环境相对简单，墙体结构并不复杂，所以WiFi信号在传输和收集过程中收到的环境干扰相对较小，大部分的WiFi信号在传输过程中存在强度和距离的变化不大。本实验将数据进行平均计算，表1为实验数据处理结果。
表1WiFi采集设备测试准确性与静止状态数据收集
区域时间/min携带手机数量实测手机数量准确率
北门1065064098.46%
自修室11065063798.00%
自修室21065063497.53%图书阅览室1065062095.38%
报刊亭1065064298.77%
甫门106506459923%
随机选取10名学生作为实验对象，实验对象携带着智能终端设备进入实验区域随机活动，选取6个随机点进行测量，将选取的6个随机点的静态状态数据进行对比，并将真实测量数据和静态状态数据进行平方差计算，表2列出相关数据的计算结果。
表2WiFi采集设备采集数据一览表
区域时何/min携带手机数■实测手机数■准确睾
北门3605591.67%
自修室13605896.67%
自修宣23605490.00%图书阅览室3605693.33%
报刊亭3605591.67%
南门3605998.33%
表1中显示智能终端设备在静止状态时，WiFi釆集设备的准确率为97.85%~99.70%；表2中显示智能终
端设备在移动状态时,WiFi釆集设备的准确率为81.82%~93.64%，准确率较设备静止时有所降低。
4结语
随着无线网络技术的快速发展，基于WiFi探针技术获取室内位置服务将成为研究的热点。WiFi探针的工作原理为在每个频道内定时监听无线网络信息，抓取数据包、识别移动设备，在移动设备没有接入到网络热点的情况下就可以直接获
71
2019年第8期信息通信2019
(总第200期)INFORMATION&COMMUNICATIONS(Sum.No200)
室外监控下特定目标人员的判别
王保平
(南阳师范学院软件学院，河南南阳473061)
摘要：城市流动人口激增，给城市社区的治安和犯罪的治理带来一个新的挑战。为了更好在监控视频中识别目标嫌疑人员，利用深度学习的方法对目标进行判别。基于卷积神经网络的深度学习是主流方法，包含人脸检测和人脸辨识两个步骤。对图片采用卷积神经网络进行训练，得到模型参数，然后根据区域卷积神经网络在监控中判别出目标。具体采用卷积层、激活■层、池化层、全连接层联合的深度学习方法，结果显示，该方法具有不错的效果，识别精度可以达到90%以上。
关键词：人脸识别；卷积层；神经网络；激活函数；池化
中图分类号:TP3文献标识码:A文章编号：1673-1131(2019)08-0072-02
Discrimination of specific target under outdoor monitoring
Wang Baoping
(College of Software,Nanyang Normal University,Nanyang473061,China) Abstract:The surge of urban floating population has brought a new challenge to the public security of urban communities and the governance of crime.In order to identify the target suspects in the surveillance video,the deep learning method is used to discriminate the target.Deep learning based on convolutional neural network is the mainstream technology,including face de­tection and face recognition.The image is trained by convolution neural network,and the model parameters are obtained.Then the target is identified in the monitoring based on the regional convolution neural network.The convolution layer,activation lay­er,pooling layer and full connection layer are combined in depth learning method.The results show that the method has good effect and the recognition accuracy can reach more than90%.
Key words:Face recognition;Convolutional layer;Neural network；Activation function;pooling
近年，中国城镇化程度发展迅速，大城市不断扩大。我国人口基数大，城市流动人口增多，给城市社区的治安和犯罪的治理带来一个新的挑战。现在犯罪的高智商化，不仅需要警方或刑法的威慑，还需要很高的犯罪识别能力。在一些的城市，警察局密度不能达到人口比例的要求。各城市地区经济发展不平衡，地方政府难以启用更多的协警和相关工作人员。目前许多地区，基层警力不足。除了加强部署警力外，还需要提高对可疑目标人员的监测。在有视频监控的重要场所，对人们进行判断识别，从
而到目标人员具有重要意义。以增强众安全感为重点，加快案件侦破，加强对社会秩序的控制。有利于积极推进民主法制建设，有利于巩固社会和谐的局面，对于优化社会法治环境有重要作用。多层深度学习网络是近来重要的一门技术叫下面，介绍基于深度学习的监控人脸标识过程。深度学习的具体实现涉及卷积层，激活层，池化层，全连接层等叫然后根据学习到的模型特征，釆用RCNN (Regions with Convolutional Neural Network)方法识别目标人脸。1卷积层
卷积层°」做的运算一般是二维卷积运算，它所起到的作用是获得传入图片的各种特征，如图1，其中左边2x2部分为输入数据，右边2x2部分是一个卷积核。经过一个卷积核与输入数据的卷积之后，会获得特定的特征值，这个特征值如图1中最右侧所示。把卷积核的移动步长设置为1，也就是卷积核每次扫描之后移动一个单位。让图像大部分扫描进来，这样操作也避免了漏掉扫描图片中的某些重要特征。二维卷积的运算过程是，右边二维矩阵反转180度，然后左右矩阵对应相乘,3*3+2*1+4*2+0*5=19。图1是用了1个卷积核提取到特征，为了得到更深层次的特征图，通常会选用多层多个卷积来处理图像。
取其MAC地址、帧数据等信息。本文设计的基于WiFi探针的人密度分析系统，不仅可以绘制出一定范围内移动设备携带人的活动轨迹，实现人密度及定位情况的分析和判断，还可以对人密度情瞇行预估及异常判断，有很大的应用市场。
参考文献：
[1]徐畅.基于WiFi的人流量监控系统的设计与实现[D]，北
京：北京邮电大学,2017.
[2]李凯雷，赵海武，王国中，范涛.基于WiFi探针的人流量异常
自动预警系统设计[J]电子测量技术2018,41(17),138-141.[3]谢泽亮.基于Wi Fi室内定位系统的研究[D].长春：长春工
业大学,201&6.
[4]张志恒.基于WiFi定位的商场客流分析系统设计与实现
[D].西安电子科技大学,2017
[5]夏青.节假日铁路客流波动规律分析及其在客流预测中的
应用研究[D].北京交通大学2011
作者简介：童宇(1980-)，女，讲师，主要研究方向和关注领域：网络和图像识别；蔡嬪雯(1997-)，女，信息安全专业；谭敏(1971-)，女，副教授；主要研究方向和关注领域：网络与信息安全。
72