0 引言

    入侵檢測(cè)方法包括微波,、紅外、超聲報(bào)警器以及雷達(dá)和視頻監(jiān)控等^[1-5],，這些檢測(cè)方法原理和性能不同,，適用于不同的場(chǎng)所。近年來(lái),，由于WiFi基礎(chǔ)設(shè)施的普及,，基于WiFi信號(hào)的人體行為感知技術(shù)成為研究的熱點(diǎn)^[6]。例如,，龐娜等人^[7]利用CSI進(jìn)行異常用戶(hù)活動(dòng)檢測(cè),，周啟臻等人^[8]利用CSI相位差實(shí)現(xiàn)了人員入侵檢測(cè)，DOMENICO S D等人^[9]從CSI振幅中提取多普勒頻率在穿墻場(chǎng)景下實(shí)現(xiàn)了人數(shù)檢測(cè),，Wang Jie等人^[10]基于經(jīng)驗(yàn)?zāi)Ｊ椒纸鈴腃SI中提取特征實(shí)現(xiàn)了人員身份識(shí)別,，MOORE R等人^[11]利用RSSI平均值和方差檢測(cè)接收機(jī)和發(fā)射機(jī)之間的人員入侵。

    2018年2月，SOBRON I等人公開(kāi)了CSI數(shù)據(jù)集EHUCOUNT^[12],，WiFi信號(hào)檢測(cè)機(jī)理及應(yīng)用研究進(jìn)入了新階段,。本文的主要工作如下：通過(guò)仿真實(shí)驗(yàn)進(jìn)一步驗(yàn)證了子載波的振幅和相位與人行為的關(guān)聯(lián)；采用奇異值分解提取了CSI數(shù)據(jù)集的特征,，并通過(guò)支持向量機(jī)(Support Vector Machine,，SVM)對(duì)特征進(jìn)行分類(lèi)，證明6種典型場(chǎng)景下檢測(cè)率為93.35%～99.23%,；基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,，CNN)得到了6種典型場(chǎng)景下檢測(cè)準(zhǔn)確率為89.17%～99.14%；通過(guò)研制的專(zhuān)用譜傳感節(jié)點(diǎn)采集WiFi信號(hào),，實(shí)驗(yàn)證明檢測(cè)準(zhǔn)確率為98%,。

1 信道狀態(tài)信息及數(shù)據(jù)集

1.1 信道狀態(tài)信息

    在無(wú)線(xiàn)信號(hào)傳輸過(guò)程中，環(huán)境的變化會(huì)使無(wú)線(xiàn)信道呈現(xiàn)出差異化的特點(diǎn),。人體活動(dòng)會(huì)影響無(wú)線(xiàn)信號(hào)的多徑傳輸,。一般用信道沖擊響應(yīng)(CIR)對(duì)信道的多徑效應(yīng)進(jìn)行描述，信道沖擊響應(yīng)可表示為^[12]：

    無(wú)線(xiàn)信號(hào)在開(kāi)放空間傳輸過(guò)程中,，如果有人進(jìn)入,，那么無(wú)線(xiàn)信號(hào)多徑傳輸?shù)穆窂骄蜁?huì)發(fā)生改變，信道沖擊響應(yīng)隨之改變,，因此無(wú)法直接獲得信道沖擊響應(yīng),，但是可以獲得信道狀態(tài)信息Hⁿ，通過(guò)對(duì)信道狀態(tài)信息的測(cè)量可以判斷當(dāng)前空間內(nèi)的信道狀態(tài),，從而實(shí)現(xiàn)入侵檢測(cè),。

1.2 數(shù)據(jù)集CSI數(shù)據(jù)集

    2018年，SOBRON I等人公開(kāi)了CSI數(shù)據(jù)集EHUCOUNT^[12],，該數(shù)據(jù)集是在6種不同場(chǎng)景下采集得到的,，場(chǎng)景類(lèi)型見(jiàn)表1。該文通過(guò)該數(shù)據(jù)集進(jìn)行了場(chǎng)景內(nèi)活動(dòng)人數(shù)識(shí)別,，采用SVM對(duì)場(chǎng)景E內(nèi)活動(dòng)人數(shù)識(shí)別的結(jié)果見(jiàn)表2所示^[12],。

    從表2中可以看出，隨著場(chǎng)景內(nèi)人數(shù)的增加,，人數(shù)識(shí)別準(zhǔn)確率開(kāi)始下降，但是場(chǎng)景內(nèi)無(wú)人時(shí)的識(shí)別準(zhǔn)確率高達(dá)99.6%,，即在該數(shù)據(jù)集下使用SVM對(duì)室內(nèi)入侵檢測(cè)是一種很好的方法,。

2 CSI數(shù)據(jù)特征及分類(lèi)識(shí)別結(jié)果

2.1 數(shù)據(jù)預(yù)處理

    收集數(shù)據(jù)集時(shí)，采樣率為25 sample/s,，一個(gè)成年人的正常步速約為1 m/s,，所以在使用該數(shù)據(jù)集時(shí)選擇的數(shù)據(jù)窗口長(zhǎng)度為2 s，以確保窗口長(zhǎng)度內(nèi)的數(shù)據(jù)可以記錄到人體活動(dòng)。無(wú)線(xiàn)信道狀態(tài)信息的實(shí)際采集過(guò)程中,，由于室內(nèi)環(huán)境復(fù)雜以及設(shè)備的原因可能會(huì)出現(xiàn)隨機(jī)的異常值,，為了保證CSI數(shù)據(jù)流對(duì)預(yù)測(cè)結(jié)果的準(zhǔn)確性和穩(wěn)定性，排除異常值對(duì)訓(xùn)練模型建立和測(cè)試的影響,，需要對(duì)異常值進(jìn)行有效的處理,。基于3σ準(zhǔn)則進(jìn)行異常值檢測(cè),，具體方法是：如果單個(gè)子載波樣本值與子載波均值μ的差值在3σ上,，則用均值來(lái)替換該子載波樣本值，即經(jīng)過(guò)異常值處理后的數(shù)據(jù)分布在(μ-3σ,，μ+3σ)區(qū)間內(nèi),。

    經(jīng)過(guò)異常值處理后發(fā)現(xiàn)同一個(gè)子載波不同樣本點(diǎn)的數(shù)據(jù)波動(dòng)過(guò)大，這應(yīng)該是由于環(huán)境中不穩(wěn)定的噪聲波動(dòng)所引起的,。為了減弱噪聲波動(dòng)的影響,，提高識(shí)別的準(zhǔn)確性，本文利用MATLAB軟件中的smooth函數(shù)作為移動(dòng)平均濾波器對(duì)經(jīng)過(guò)異常值剔除的數(shù)據(jù)進(jìn)行平滑,。移動(dòng)平均濾波器是一個(gè)低通濾波器,，將連續(xù)的CSI數(shù)據(jù)流看成一個(gè)長(zhǎng)度固定為N的隊(duì)列，在一次處理后將隊(duì)列第一個(gè)數(shù)去除,，其余N-1個(gè)數(shù)據(jù)依次前移,，并將第N+1個(gè)CSI數(shù)據(jù)插入，作為新隊(duì)列的尾,，然后進(jìn)行運(yùn)算,，并將運(yùn)算結(jié)果作為本次處理的結(jié)果。其計(jì)算公式如下：

式中,，n為數(shù)據(jù)包序號(hào),；N為移動(dòng)窗口大小，一般為奇數(shù),，N的值決定了移動(dòng)平均濾波的平滑程度,，N的值越大CSI數(shù)據(jù)會(huì)越平滑，但是會(huì)造成局部細(xì)節(jié)信息的丟失,；i為天線(xiàn)序列號(hào),。

2.2 特征提取

    從能量的角度對(duì)預(yù)處理后的數(shù)據(jù)使用權(quán)重歸一化奇異值分解算法^[15]分別對(duì)振幅和相位矩陣進(jìn)行特征提取。奇異值分解的目的是提取矩陣重要的特征,，可以從含有噪聲的數(shù)據(jù)中提取主要特征,。特征提取流程如圖1所示。

    權(quán)重歸一化奇異值分解保留原始數(shù)據(jù)中90%的能量,，將主要特征從原始數(shù)據(jù)中提取出來(lái),，并去除冗余信息,。在某個(gè)奇異值(例如第r個(gè)奇異值)之后，其他奇異值都很小,，這意味著數(shù)據(jù)中只有r個(gè)重要特征,，其余特征都是噪聲或者次要特征，因此在實(shí)際使用中通常選擇保留前r個(gè)奇異值,。本文在使用奇異值分解提取特征后又提取了子載波振幅均值和相位最大奇異值,，特征分別如圖2、圖3所示,。圖2展示了1個(gè)子載波的均值,，圖3展示了相位最大奇異值，從圖中可以看出有人和無(wú)人時(shí)的特征存在明顯區(qū)別,，進(jìn)一步證明了前述的入侵檢測(cè)機(jī)理,。

    支持向量機(jī)(SVM)是一種基于統(tǒng)計(jì)學(xué)理論的機(jī)器學(xué)習(xí)算法^[16]。它通過(guò)尋求結(jié)構(gòu)化風(fēng)險(xiǎn)最小來(lái)提高泛化能力并實(shí)現(xiàn)經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍的最小化,，從而在統(tǒng)計(jì)樣本量較少的情況下也能獲得良好統(tǒng)計(jì)規(guī)律,。SVM是一種二分類(lèi)模型，其基本模型定義為特征空間上間隔最大的線(xiàn)性分類(lèi)器,，即支持向量機(jī)的學(xué)習(xí)策略是間隔最大化,，最終可轉(zhuǎn)換為一個(gè)凸二次規(guī)劃問(wèn)題的求解問(wèn)題^[16]。因此,，將提取到的特征送入SVM中進(jìn)行分類(lèi)識(shí)別,，流程如圖4所示。

    本文還使用CNN自動(dòng)提取特征進(jìn)行入侵檢測(cè)實(shí)驗(yàn),，在VGGNet的基礎(chǔ)上結(jié)合實(shí)際情況建立網(wǎng)絡(luò)架構(gòu),。VGGNet由多個(gè)卷積層、3層全連接層和Softmax輸出層構(gòu)成,，所有激活單元都采用ReLU函數(shù)^[17],。小卷積核是VGGNet的一個(gè)重要特點(diǎn)，整個(gè)網(wǎng)絡(luò)都使用大小為3×3的卷積核和2×2的最大池化層,，使用3×3的卷積層堆疊在一起來(lái)增加深度, 使用最大池化層下采樣,，每一次的輸出大小為輸入大小的一半。每一個(gè)卷積層獲取到的有用信息隨著尺寸增加而變得粗糙^[17],。VGGNet展示了卷積神經(jīng)網(wǎng)絡(luò)的深度與性能之間的關(guān)系,，同時(shí)具有很強(qiáng)的拓展性，可以遷移到其他數(shù)據(jù)上,。

    使用CNN的入侵檢測(cè)模型如圖5所示,，首先場(chǎng)景內(nèi)一個(gè)窗口長(zhǎng)度的CSI數(shù)據(jù)被采集到，在CSI實(shí)際采集過(guò)程中,，由于室內(nèi)環(huán)境復(fù)雜以及設(shè)備的原因，可能會(huì)出現(xiàn)隨機(jī)的異常值，為了保證CSI數(shù)據(jù)流對(duì)預(yù)測(cè)結(jié)果的準(zhǔn)確性和穩(wěn)定性,，本實(shí)驗(yàn)對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,，處理后的數(shù)據(jù)被送入CNN網(wǎng)絡(luò)中自動(dòng)提取特征。在CNN中數(shù)據(jù)經(jīng)過(guò)不同卷積核局部感知后進(jìn)入池化層下采樣,，輸出多個(gè)特征面,，組成同一個(gè)特征面的神經(jīng)元與上一輸入層的相同區(qū)域相連，權(quán)值共享,，但不同輸出特征面的神經(jīng)元權(quán)值不共享^[17],，部分神經(jīng)元隨機(jī)關(guān)閉，用于減少出現(xiàn)過(guò)擬合的情況,。數(shù)據(jù)經(jīng)過(guò)多個(gè)卷積層后到全連接層,，通過(guò)分類(lèi)識(shí)別得到最終的輸出結(jié)果，判別場(chǎng)景內(nèi)是否有人,。

2.3 仿真實(shí)驗(yàn)結(jié)果

    對(duì)數(shù)據(jù)集中6種場(chǎng)景使用SVM和CNN分別進(jìn)行入侵檢測(cè),，得到的實(shí)驗(yàn)結(jié)果如表3所示。

    從表3中可以看出,，通過(guò)SVM在6種典型場(chǎng)景下進(jìn)行入侵檢測(cè)仿真實(shí)驗(yàn),，場(chǎng)景A和場(chǎng)景E的入侵檢測(cè)準(zhǔn)確率高達(dá)99%，場(chǎng)景B,、C,、F的入侵檢測(cè)準(zhǔn)確率在98%左右，場(chǎng)景D的準(zhǔn)確率也達(dá)到93.35%,，使用CNN自動(dòng)提取特征進(jìn)行入侵檢測(cè)在場(chǎng)景D的情況下識(shí)別準(zhǔn)確率高于使用SVM的方法,。實(shí)驗(yàn)結(jié)果表明上述入侵檢測(cè)方法是有效的。

3 基于WiFi信道的入侵檢測(cè)實(shí)驗(yàn)

    為了進(jìn)一步驗(yàn)證上述入侵檢測(cè)方法,，在實(shí)驗(yàn)室中通過(guò)部署譜傳感節(jié)點(diǎn)采集WiFi信號(hào),，兩臺(tái)譜傳感節(jié)點(diǎn)組成一條收發(fā)鏈路，即一臺(tái)發(fā)送設(shè)備,，一臺(tái)接收設(shè)備,，實(shí)驗(yàn)志愿者在實(shí)驗(yàn)室內(nèi)隨機(jī)走動(dòng)，模擬室內(nèi)入侵情況發(fā)生,。用上述實(shí)驗(yàn)中提出的SVM和CNN模型進(jìn)行入侵檢測(cè)實(shí)驗(yàn),。

    本實(shí)驗(yàn)提取了振幅奇異值、相位奇異值,、振幅均值,、振幅方差、振幅頻偏,、振幅峰度,、振幅四分位距,、多普勒均值、多普勒方差,、能量的標(biāo)準(zhǔn)差系數(shù)等特征,，部分特征提取結(jié)果如圖6所示，圖6(a)展示了1個(gè)載波的振幅均值,，圖6(b)展示了相位最大奇異值,。實(shí)際場(chǎng)景入侵檢測(cè)結(jié)果如表4所示，進(jìn)一步證明了上述方法的可行性,。

4 結(jié)論

    本文針對(duì)入侵檢測(cè)問(wèn)題,，使用權(quán)重歸一化奇異值分解方法提取CSI中的奇異值特征以及其他特征，在給定數(shù)據(jù)集上通過(guò)SVM對(duì)特征進(jìn)行分類(lèi),，得到6種典型場(chǎng)景下檢測(cè)率為93.35%～99.23%,，通過(guò)CNN自動(dòng)提取特征得到了6種典型場(chǎng)景下檢測(cè)率為89.17%～99.14%；在實(shí)際場(chǎng)景中通過(guò)研制的專(zhuān)用譜傳感節(jié)點(diǎn)在有人和無(wú)人情況下分別采集WiFi信號(hào),。采用仿真實(shí)驗(yàn)中的SVM和CNN模型,，得到的識(shí)別準(zhǔn)確率分別為98.99%和98.33%。實(shí)驗(yàn)證明本文使用的入侵檢測(cè)方法是可行的,。

    本文提出的方法僅在數(shù)據(jù)集數(shù)據(jù)和實(shí)驗(yàn)室采集的數(shù)據(jù)中進(jìn)行驗(yàn)證,，可能不適合其他室外場(chǎng)景。此外,，本文使用的權(quán)重歸一化奇異值分解方法提取出的奇異值個(gè)數(shù)不同,，在本實(shí)驗(yàn)中僅使用了最大奇異值作為特征，可能會(huì)損失部分有效信息,。如何更有效地利用CSI信息,，并推動(dòng)其實(shí)際應(yīng)用是下一步研究工作的重點(diǎn)。

參考文獻(xiàn)

[1] 段瑋倩,，胡岸勇,，苗俊剛.射頻與微波技術(shù)在安防領(lǐng)域的應(yīng)用[J].電子技術(shù)應(yīng)用，2017,，43(7)：4-7,，15.

[2] 蔡彬彬，包亞萍,，陶卉,，等.基于ZigBee協(xié)議的紅外入侵檢測(cè)系統(tǒng)的設(shè)計(jì)[J].電子技術(shù)應(yīng)用，2007,，33(11)：97-99,，103.

[3] GHOSH A，CHAKRABORTY D,，PRASAD D,，et al.Can we recognize multiple human group activities using ultrasonic sensors[C].2018 10th International Conference on Communication Systems & Networks(COMSNETS),，Bengaluru，2018：557-560.

[4] 王俊,，鄭彤,，雷鵬,，等.深度學(xué)習(xí)在雷達(dá)中的研究綜述[J].雷達(dá)學(xué)報(bào),，2018，7(4)：395-411.

[5] 黃凱奇,，陳曉棠,，康運(yùn)鋒，等.智能視頻監(jiān)控技術(shù)綜述[J].計(jì)算機(jī)學(xué)報(bào),，2015,，20(6)：1093-1118.

[6] 魯勇，呂紹和,，王曉東,，等.基于WiFi信號(hào)的人體行為感知技術(shù)研究綜述[J/OL].計(jì)算機(jī)學(xué)報(bào)，2018,，41(27)：1-22.[2018-11-06].http：//kns.cnki.net/kcms/detail/11.1826.TP.20180303.1407.018.html.

[7] 龐娜.基于WiFi的非入侵式異常用戶(hù)活動(dòng)檢測(cè)[J].信息安全研究,，2018，4(8)：711-714.

[8] 周啟臻,，邢建春,，楊啟亮.基于信道狀態(tài)信息相位差的人員入侵檢測(cè)方法[J].傳感技術(shù)學(xué)報(bào)，2018(1)：103-109.

[9] DOMENICO S D,，SANCTIS M D,，CIANCA E，et al.WiFi-based through-the-wall presence detection of stationary and moving humans analyzing the doppler spectrum[J].IEEE Aerospace and Electronic Systems Magazine,，2018,，33(5-6)：14-19.

[10] Wang Jie，Zhao Yunong,，F(xiàn)an Xinxin,，et al.Device-free identification using intrinsic CSI features[J].IEEE Transactions on Vehicular Technology，2018,，PP(99)：1.

[11] MOORE R,，HOWARD R，KUKSA P,，et al.A geometric approach to device-free motion localization using signal strength[OL].(2010-xx-xx)[2018-11-06].https：//doi.org/doi:10.7282/T3PC35T2.

[12] SOBRON I,，SER J D，EIZMENDI I,，et al.Device-free people counting in IoT environments: new insights, results and open challenges[J].IEEE Internet of Things Journal,，2018,，PP(99)：1.

[13] HAN C，TAN Q,，SUN L,，et al.CSI frequency domain fingerprint-based passive indoor human detection[J].Information，2018,，9(4)：95.

[14] DOMENICO S D,，PECORARO G，CIANCA E,，et al.Trained-once device-free crowd counting and occupancy estimation using WiFi：a Doppler spectrum based approach[C].2016 IEEE 12th International Conference on Wireless and Mobile Computing,，Networking and Communications(WiMob).IEEE，2016：1-8.

[15] 苑霸,，姚萍,，鄭天垚.基于權(quán)重歸一化奇異值分解的輻射源信號(hào)識(shí)別研究[J/OL].雷達(dá)學(xué)報(bào)，2018,，7：1-10[2018-11-06].http：//radars.ie.ac.cn/fileup/HTML/R18053.htm.

[16] 周明快,，黃巍，陳濱,，等.基于無(wú)線(xiàn)信道狀態(tài)相位信息優(yōu)化的定位算法[J].傳感技術(shù)學(xué)報(bào),，2018，31(6)：957-962.

[17] 張松龍,，謝林柏.基于全部卷積特征融合的顯著性檢測(cè)[J].激光與光電子學(xué)進(jìn)展,，2018，55(10)：232-238.

作者信息:

曾  正1,，張  六1,，陳俊昌2，黃  銘1,，楊晶晶1

（1.云南大學(xué) 信息學(xué)院,，云南 昆明650091；2.國(guó)家無(wú)線(xiàn)電監(jiān)測(cè)中心云南省無(wú)線(xiàn)電監(jiān)測(cè)站,，云南 昆明650031）