一种基于WLAN的细粒度室内被动入侵检测方法与流程

本发明涉及无线定位技术领域，尤其涉及一种基于WLAN的细粒度室内被动入侵检测方法。

背景技术：

随着科技的进步，室内安防监控技术正在逐步提升，监控系统的技术种类非常多，例如视频监控、红外监控、射频识别、压力感知等技术，但这些技术都有很苛刻的使用环境，例如需要视距路径，如果中间有障碍物会降低监测系统的性能甚至失效，而且这些系统的前期部署成本也比较高，需要专门的基础设施。近几年随着无线网络技术的发展，无线局域网WLAN的普及率正在快速增长，在人口比较密集的公共场所以及家庭中目前已经有很高的覆盖率。WLAN除了能够进行常规上的网络通信，也可以用于被动室内入侵检测。由于其有很高的普适性，基于WLAN的被动室内入侵检测系统能够用于不同的环境中，近几年很多学者在相关研究中付出了大量精力。

RSSI作为MAC层的信号特征，由于其易于获取的特点，使其首先用于室内被动入侵检测。室内被动入侵检测是指被检测人员无需携带任何与检测相关的设备，系统通过分析监测区域内的信号变化进行人体检测。但是RSSI是一种粗粒度的信号特征，为了使检测更加准确，通常的做法都是增加多个发射机和接收机构成多链路，然而这种做法增加了检测系统的硬件开销，使得成本升高。而且RSSI受到环境中多径效应的影响，使得相同环境下的RSSI不稳定。这个缺点限制了室内被动入侵检测系统精度的提高，因此国内外许多学者正在探索利用细粒度的物理层的信道状态信息提高人体检测的精度。

与RSSI相比，物理层的信道状态信息CSI恰好是利用了无线信号的多径传播，无线信号在室内经过反射、散射、绕射等路径从发射机传播到接收机。CSI对于人体的移动更加敏感，而且同样环境下的信号特征更加稳定，是正交频分复用技术下子载波级别的信号特征度量。而且，目前CSI能够从普通商用网卡上提取，使得大量基于CSI的室内被动入侵检测系统问世，并具有很好的检测性能。

与此同时，我们需要注意的是，目前的基于CSI的室内被动入侵检测系统都没有考虑人体走动速度非常慢的情况。然而，由于CSI会受到人体走动速度的影响，走动速度越慢，对CSI的影响越小，因此传统的方法对于监测区域内人体走动特别慢的情况，检测精度会有很大程度的下降。而窃贼进入室内必然会非常小心地走动，行走速度可能会非常慢，这种情况下，传统的方法的检测性能会有所下降。为此，我们进行了大量的相关实验，发现CSI子载波振幅方差的方差对于移动速度的人体都非常敏感，可以将其作为特征使得室内被动入侵检测系统更加有效。

技术实现要素：

本发明的目的是提供一种在各种移动速度下都能保持较高检测性能的基于WLAN的细粒度室内被动入侵检测方法。

实现本发明目的是这样实现的：

一种基于WLAN的细粒度室内被动入侵检测方法，其特征在于，包括在线阶段和离线阶段，有以下几个步骤，在线阶段包括步骤1-5，离线阶段包括步骤1、2、3、6：

步骤1：由发射机发射数据，信号在监测区域内传播，并由接收机接收数据；

步骤2：接收机首先实时将接收到的数据传递给中心服务器作为训练数据，服务器实时提取信道状态信息,计算滑动窗口中子载波振幅方差的方差作为信号特征；

步骤3：在线阶段根据信号特征估计一组阈值，根据这组阈值将信号特征分为不同级别，将这个级别作为最终的特征值；离线阶段直接通过这组阈值计算最终的特征值；

步骤4：分别统计有人和没人状态下每个级别特征的个数，除以对应训练数据窗口总数，得到的概率作为初始混淆概率，并随机初始化状态转移概率；

步骤5：利用隐马尔科夫模型中的Baum-Welch算法计算混淆矩阵和状态转移矩阵；

步骤6：利用隐马尔科夫模型中的Viterbi算法实时计算隐藏状态的概率，从而估计环境中是否有人入侵。

步骤1中，接收机与服务器可以是同一台设备，这台设备同时负责接收数据和处理数据。

步骤2中，训练数据中包括环境中有人走动和没有人时采集的数据，有人走动的数据包括走动速度快、慢与非常慢三种情况，并有相应的标注。

步骤2中，滑动窗口中子载波振幅方差的方差是指先分别对大小为n的滑动窗口中所有子载波H＝[H_k,H_k+1,...,H_k+n-1]计算其振幅的方差，得到方差向量V_w＝[v₁,v₂,...,v₃₀]^T，再对得到的方差向量计算方差V＝var(V_w)。

步骤3中，这组阈值的个数及大小是通过多次反复实验，根据检测效果，选出一组效果最好的阈值。

本发明的有益效果在于：

本发明提出一种基于WLAN的细粒度室内被动入侵检测方法，此方法包括6个步骤。通过现场采集数据，利用计算的信号特征估计出检测阈值，最后根据隐马尔科夫模型计算不同窗口中有人或没人的概率，最终确定监测范围是否有人。该方法能够利用较少的前期训练，在人体移动速度非常慢时依然能够以较高的准确率检测出人体移动，适合应用在室内入侵检测中。

本发明仅适用一组发射机和接收机，能够适应不同面积的室内环境。而且本发明也可以利用多组发射机和接收机部署在面积更大的室内环境实现人体检测，有良好的可扩展性。

附图说明

图1是本发明的基于WLAN的细粒度室内被动入侵检测方法的流程图。

图2是本方法分类器的示意图。

具体实施方式

下面将结合附图对本发明做进一步详细说明。

本发明公开了一种基于WLAN的细粒度室内被动入侵检测方法。本发明包括：(1)特征提取；(2)人体检测。本发明提出一个细粒度室内被动入侵检测方法，该方法可利用细粒度的信道状态信息来计算方差特征，通过概率的方法将不同的特征与是否有人进行映射，从而判断环境中是否有人。对于相同环境来说，本方法对慢速移动的人体更加敏感，能够有效检测出环境中以非常慢的速度移动的人体，从而提高室内入侵检测系统的有效性及可用性。

本发明提出一种基于WLAN的细粒度室内被动入侵检测方法，将人体移动检测问题转换为概率的问题，能够在人体移动速度特别慢的情况下依然有很高的检测精度，提高室内入侵检测系统的可用性。

为了达到上述目的，本发明提出一种基于WLAN的细粒度室内被动入侵检测方法，包括以下步骤：

目前，可以通过商用无线网卡Intel 5300上利用修改的固件获取到包括30个子载波的CFR，并能以信道状态信息的形式提交到用户态进行处理。

方法包括离线阶段和在线阶段，离线阶段包括步骤101-105，在线阶段包括步骤101、102、103和106。

在步骤101中，在室内部署一对发射机和接收机实时采集数据，部署位置可以是任意的，并提取信道状态信息。可以利用一台普通商用无线路由器作为发射机，利用一台装有Intel5300无线网卡的计算机作为接收机，接收机向发射机发送ICMP包，发射机会给接收机返回相应的数据包，将返回的数据包作为采集的数据。

在无线信号传播过程中，时间域上无线通信可以简单建模为：

其中t是时间，y是接收信号，x是发送信号，h是信道响应，其为一个复数，代表信号振幅与相位信息，z为高斯白噪音。

但是由于无线信号在室内环境中会受到多径效应的影响，包括信号的反射等，接收端接收到的信号是由不同路径叠加形成的，导致不同的传播长度、路径损失、不同的时延、振幅衰减和相位偏移。多径环境可以通过时间线性过滤器h(τ)特征化，即信道脉冲响应(Channel Impulse Response，CIR)：

其中，a_i、θ_i和τ_i分别代表第i个路径的振幅、相位和时延，i＝1,2,...,N，N表示路径数。

在频率域中，OFDM系统提供OFDM子载波粒度上的信道频率响应(Channel Frequency Response,CFR)为：

H＝[H(f₁),H(f₂),...,H(f₃₀)]

其中每个子载波的CFR包含振幅信息和相位信息：

H(f_k)＝||H(f_k)||e^jsin(∠H)

其中||H(f_k)||为子载波的振幅，∠H为子载波的相位。

对于给定的一个带宽，CIR可以通过快速傅里叶变换转换成CFR：

H＝FFT(h(τ))

在步骤102中，利用101中采集的数据计算信道状态信息数据，根据适当大小的滑动窗口计算子载波振幅方差的方差，作为信号特征。具体计算方法如下：

首先，从H_k开始的大小为n的数据窗口内的CSI可以表示为：

H＝[H_k,H_k+1,...,H_k+n-1]

其中H为一个30×n的矩阵，对窗口内每个子载波的振幅求方差：

v_i＝var(|H_i,k|,|H_i,k+1|,...,|H_i,k+n-1|)

其中|H_i,k|为从H_k开始的窗口内第i个子载波第1个CSI的振幅，v_i为第i个子载波的振幅在这个窗口内的方差，所有子载波振幅的方差表示为：

V_w＝[v₁,v₂,...,v₃₀]^T

所有子载波振幅方差的方差表示为：

V＝var(V_w)

将V作为信号特征，当监测区域内有人移动时，V会比区域内没人时更大。

在步骤103中，离线阶段需要根据从训练数据中计算的信号特征估计一组阈值，这组阈值将信号特征的大小分级，将这个级别作为最终的特征值。在线阶段直接利用这组阈值将信号特征分级，求出特征值。

级别的个数一般在4到7之间，信号特征落在不同级别中的数量是不均匀的，环境中没人的信号特征主要落在第一级，少数落在第二级，而环境中有人的信号特征在各个级别都会有所分布。

在步骤104中，如图2所示，使用隐马尔科夫模型作为分类器，其中监测环境中是否有人作为模型中的两个隐藏状态，特征值为模型中的显式状态。

分别统计有人和没人状态下每个级别特征的个数，除以对应训练数据窗口总数，得到的概率作为初始混淆概率，并随机初始化状态转移概率。

这里混淆概率是指每个特征值对应于有人或没人的概率，混淆概率构成混淆矩阵，维度为2×nf，其中nf为特征值的个数，状态转移概率是指有人与没人这两个状态之间互相转移的概率，状态转移概率构成状态转移矩阵，维度为2×2。

在步骤105中，将104中的混淆概率和状态转移概率带入到计算隐马尔科夫模型的Baum-Welch算法学习得到相应的隐马尔科夫模型。

Baum-Welch算法是隐马尔科夫模型三个基本问题中的学习算法，能够利用初始估计的混淆矩阵和状态转移矩阵以及相应的观察序列计算出局部最优的隐马尔科夫模型。

在步骤106中，利用105中计算隐马尔科夫模型，将实时采集的测试数据输入进隐马尔科夫模型中的Viterbi算法中，计算有人走动及没人的概率，概率大的状态即为最终结果。

Viterbi算法是隐马尔科夫模型中计算隐藏状态概率的算法，利用隐马尔科夫模型中的状态转移概率和混淆概率以及观察序列计算出隐藏状态的概率，概率大的隐藏状态即为最终结果，从而判断室内是否有人入侵。

系统的部署分为两个阶段：离线阶段和在线阶段。在离线阶段中，摆放好发射机和接收机，普通的商用无线路由器作为发射机，装有Intel 5300网卡的计算机作为接收机，接收机以一定的频率(例如20Hz)向发射机发射ICMP包，然后接收机利用Linux CSI Tool驱动从信号发射机的应答包中获取CSI信息，测试人员应首先对系统参数进行设置，包括ICMP包发送速率、发射机IP地址参数等相应信息。当设备部署完成后，测试人员分别采集室内有人和没人时的数据，并做好标记有人或没人，有人走动的情况需要采集各种走路速度的数据，每组数据的采集2-3分钟即可。系统将会利用这些数据按照离线阶段中的步骤计算得到一个合适的隐马尔可夫模型。

在在线阶段中，发射机和接收机位置不变，系统开启在线检测功能，接收机依然按照离线阶段的频率向发射机发射ICMP包，并从网卡中获取信道信息，系统按照在线阶段的步骤利用从离线阶段计算得到的隐马尔可夫模型计算出有人及没人的概率，当有人的概率更大时即判断为有人入侵，没人的概率更大时判断为没人。