基于OFDM子载波经验分析的被动式室内入侵检测方法

技术领域

本发明涉及无线感知技术领域，尤其涉及一种基于OFDM子载波经验分析的被动式室内入侵检测方法。

背景技术

目前的入侵检测系统大多使用专用传感器，例如惯性传感器、压力传感器、超声波传感器和红外传感器。这些传感器被提前部署在房间的特定位置，它们可以实时采集运动信息并通过预先设置的阈值发出警报信息。但这些专用传感设备的性能会受到房屋结构、部署的位置及方式、传感器基线漂移的影响。

另一种入侵检测系统使用计算机图像处理技术，通过不断采集室内图像信息并对其进行分析，可以实现实时的入侵检测功能。然而，这种检测方式需要在室内部署多个摄像机，往往会涉及隐私问题。同时，这种方法会受到环境光线强度的影响，并且在室内存在障碍物时检测效果下降。当入侵者未处于摄像机可视范围之内时，系统无法检测到入侵现象。

近年来，无线感知技术引起了学术界的广泛关注。而由于Wi-Fi技术使用广泛、发展迅速、支持多输入多输出(MIMO)和正交频分复用(OFDM)技术，基于Wi-Fi的无线感知系统尤其受到关注。被动式人员检测可以应用在商场人群分布统计、人群计数、交互式体感游戏、健康监测、摔倒监测、涉密区域监控、应急救援等领域。近年来，很多学者基于信道状态信息(CSI)设计了摔倒监测系统、老年人健康监护系统、行为识别系统和手势识别系统等。这种检测方式只需使用商业路由器和个人笔记本电脑即可，无需额外购买专用传感设备或摄像头。

2013年，Adib Fadel等人在ACM SIGCOMM会议上提出了一种名为Wi-Vi的智能检测系统，可以实现穿墙进行目标检测。2015年，Liu Xuefeng等人基于Wi-Fi设备，设计了一种无接触式的呼吸检测系统，用来检测睡眠呼吸暂停的现象。2016年，Wang YuXi等人设计了一个名为Wifall的基于Wi-Fi的摔倒检测系统，系统使用装有商用802.11n无线网卡的笔记本进行CSI数据采集。2017年，Zhou Rui等人提出了一种基于CSI指纹信息的人体存在检测及室内定位算法，可以实现97％的人体存在检测准确率和较高的定位准确率。2018年，QianKun等人提出了一种使用信道状态信息的无接触式人体运动速度测量方法，在移除包含在原始相位中的随机误差后，提取出有意义的CSI相位信息实现了对人体运动速度的测量。

基于CSI的室内入侵检测系统是基于人的存在和运动会影响无线电传播这一原理，当人体运动时，人体无线电反射面出现不断变化，对信号有反射、衍射和散射等作用，信道数据会产生时间延迟、幅度衰减和相位变化。然而，目前基于CSI的被动式检测系统仍存在泛化能力差、对环境及设备部署方式依赖性高等问题。在部署到新环境时，往往需要手动校准甚至重新训练，可见传统的入侵检测方案存在一定的局限性。

发明内容

针对以上问题，本发明提出一种基于OFDM子载波经验分析的被动式室内入侵检测方法，其从CSI中提取的特征具有较强的泛化能力，在部署到多种不同环境时仍能正常工作，可以提取出可有效检测室内入侵行为且与背景环境相关性低、泛化能力强的特征，使得可以通过采集普通Wi-Fi通信设备的信道状态信息，并进行处理、分析、构造机器学习模型，实现被动式室内入侵检测并达到较高的灵敏度和特异度。

为实现本发明的目的，提供一种基于OFDM子载波经验分析的被动式室内入侵检测方法，包括如下步骤：

S10，部署Wi-Fi通信设备，通过所述Wi-Fi通信设备实时采集CSI时序数据，得到训练时序数据；

S20，对训练时序数据中每条链路的每个子载波进行异常值滤除操作，对滤除异常值后的训练时序数据进行小波变换滤波操作，得到训练去噪数据；

S40，对所述训练去噪数据进行标准化处理，对标准化处理后的训练去噪数据进行链路选择，得到选定链路数据；

S60，采用多个时间窗口对所述选定链路数据进行数据窗口化处理，以确定选定窗口数据，对所述选定窗口数据进行特征提取，得到训练特征数据；

S80，采用所述训练特征数据训练初始检测器，得到入侵检测器；

S90，通过所述Wi-Fi通信设备采集待测时序数据，获取待测时序数据的特征数据，得到待测特征数据，将所述待测特征数据输入所述入侵检测器进行入侵检测。

在一个实施例中，所述Wi-Fi通信设备包括发送端和接收端；所述接收端对信道状态信息进行采集以获得CSI时序数据。

具体地，所述接收端安装信道状态信息采集程序，采用所述信道状态信息采集程序实时采集CSI时序数据。

在一个实施例中，对训练时序数据中每条链路的每个子载波进行异常值滤除操作包括：

计算训练时序数据中每条链路的每个数据点的局部可达密度及其到与它相距最近的k个数据点的最远距离；

根据每个数据点的局部可达密度和对应的最远距离计算每个数据点的局部异常因子，剔除局部异常因子大于因子阈值的数据点。

具体地，第p个数据点与相距最近的k个数据点之间的最远距离包括：

dis

第p个数据点的局部可达密度包括：

第p个数据点的局部异常因子包括：

其中，dis

在一个实施例中，对所述训练去噪数据进行标准化处理包括：

x′＝(x-min x)/(max x-min x)，

其中，x′表示标准化处理后的训练去噪数据，min x表示训练去噪数据中的最小值，min x表示训练去噪数据中的最大值，x表示标准化处理前的训练去噪数据。

在一个实施例中，对标准化处理后的训练去噪数据进行链路选择，得到选定链路数据包括：

S51，分别计算标准化处理后的训练去噪数据中每条链路的子载波距离相关系数矩阵；

S52，提取子载波距离相关系数矩阵的上三角部分，并去除其主对角线原始，之后进行序列化，计算序列化后的数据的序列方差；

S53，若各个序列方差均大于方差阈值，则返回执行步骤S20，若各个序列方差中存在小于或者等于方差阈值的值，则将序列方差最小的链路数据确定为选定链路数据。

在一个实施例中，获取待测时序数据的特征数据，得到待测特征数据包括：

对待测时序数据中每条链路的每个子载波进行异常值滤除操作，得到滤除异常值后的待测时序数据进行小波变换滤波操作，得到待测去噪数据；

对所述待测去噪数据进行标准化处理，对标准化处理后的待测去噪数据进行链路选择，得到待测链路数据；

采用多个时间窗口对所述待测链路数据进行数据窗口化处理，以确定待测窗口数据，对所述待测窗口数据进行特征提取，得到待测特征数据。

在一个实施例中，各个时间窗口具有W

对所述选定窗口数据进行特征提取包括：在完成对一个时间窗口的数据处理之后，得到一个m×m的相关系数矩阵，对相关系数矩阵进行特征提取。

上述基于OFDM子载波经验分析的被动式室内入侵检测方法，可利用现有的Wi-Fi通信设备进行被动式室内入侵检测，无需安装专用传感设备，应用形式更为灵活；使用无线感知技术将感知与通信合二为一，可以做到无传感器、无线、无接触式的检测；相较于目前的检测方法，从OFDM子载波提取的特征具有很强的泛化能力，其与绝对信号强度值相关性不大，与背景环境关联度不高，对部署环境的依赖性不强；当系统部署到新环境时，无需重新采集数据进行训练。

附图说明

图1是一个实施例的基于OFDM子载波经验分析的被动式室内入侵检测方法流程图；

图2是一个实施例中特征提取流程图；

图3是一个实施例中Wi-Fi通信设备的两种摆放示意图；

图4是一个实施例中链路选择流程图；

图5为一个实施例中动态和静态环境下子载波距离相关系数矩阵特征对比图；

图6是一个实施例中静态情况下、低速运动情况下、高速运动情况下两个特征的二维分布图；

图7是一个实施例中不同时间窗口大小下系统检测的精确度示意图；

图8为一个实施例中不同入侵者数量和速度下系统检测的精确度示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

参考图1所示，图1为一个实施例的基于OFDM子载波经验分析的被动式室内入侵检测方法流程图，包括如下步骤：

S10，部署Wi-Fi通信设备，通过所述Wi-Fi通信设备实时采集CSI时序数据，得到训练时序数据。

该步骤可以部署Wi-Fi通信设备，安装信道状态信息采集程序，以F

S20，对训练时序数据中每条链路的每个子载波进行异常值滤除操作，对滤除异常值后的训练时序数据进行小波变换滤波操作，得到训练去噪数据。

该步骤可以对滤除异常值后的训练时序数据这一CSI时序数据进行小波变换滤波操作。由于系统(Wi-Fi通信设备)采集的CSI时序信号数据是典型的非稳态信号，其中包含高斯白噪声和电源干扰，因此采用小波变换滤波算法设计一个可滤除噪声的工具，消除高频噪声，同时保留人体运动的分量。离散小波变换算法对低频信号有很好的频率分辨率，对高频信号有很好的时间分辨率。基于前期研究，与人体运动相关的信号频率分布为0-50Hz。根据采集的信号变化特征，本实施例选用有两个分解等级的db-8(Daubechies)小波对信号进行滤波操作。为了能够尽可能多保留信号的细节，本实施例使用严格阈值与软阈值相结合的方法，使得可以保留更多细节特征。

S40，对所述训练去噪数据进行标准化处理，对标准化处理后的训练去噪数据进行链路选择，得到选定链路数据。

S60，采用多个时间窗口对所述选定链路数据进行数据窗口化处理，以确定选定窗口数据，对所述选定窗口数据进行特征提取，得到训练特征数据。

上述步骤S60对时间序列的CSI(选定链路数据)进行数据窗口化处理。具体是对于实时监测系统，选择合适的时间窗口大小和步长是极其重要的。当窗口比较小，样本的特征集合会更大，系统检测的灵敏度会更高，但同时模型的泛化能力会下降，使得过拟合现象会更常见。当窗口比较大时，模型的泛化能力会更强，过拟合现象会减少，但会丢失一些特征，使得模型会欠拟合。因此，选择合适的窗口大小和步长可以极大提高模型的检测效果。经过大量实验和经验分析，本实施例选用的窗口大小为2秒，步长为0.1秒。其数据叠加率为95％，可在2秒内检测出入侵行为。

在一个示例中，对选定窗口数据进行特征提取的过程可以参考图2所示，包括如下过程：获取经前期数据预处理、链路选择后的CSI数据(选定链路数据)，计算选择出的链路的一个时间窗口内30个子载波(选定窗口数据)的距离相关系数矩阵，分别计算特征1和特征2，确定计算得到的两个特征，确定所需提取的特征。其中计算特征1包括：计算相邻子载波距离相关系数之和；计算特征2包括：计算距离相关系数矩阵元素之和。

S80，采用训练特征数据训练初始检测器(如SVM二元分类器)，得到入侵检测器。

在一个示例中，室内入侵检测系统实质是一个二元分类器，同时本实施例已从原始CSI数据中提取了精炼的特征(训练特征数据)。经过前期实验验证，在数据量较少，特征维数较低的情况下，SVM分类器表现最好。所以本实施例选用SVM二元分类器进行检测。SVM使用一系列的超平面，在高维空间对数据点进行分隔，使得边界最大化，同时使用核函数对线性不可分的数据进行划分。其公式为：

T＝(f

其中，T为训练集，f

S90，通过所述Wi-Fi通信设备采集待测时序数据，获取待测时序数据的特征数据，得到待测特征数据，将所述待测特征数据输入所述入侵检测器进行入侵检测。

上述步骤中，获取待测时序数据的特征数据可以参考前述步骤S20至S60获取训练特征数据的过程。

在一个实施例中，获取待测时序数据的特征数据，得到待测特征数据包括：

对待测时序数据中每条链路的每个子载波进行异常值滤除操作，得到滤除异常值后的待测时序数据进行小波变换滤波操作，得到待测去噪数据；

对所述待测去噪数据进行标准化处理，对标准化处理后的待测去噪数据进行链路选择，得到待测链路数据；

采用多个时间窗口对所述待测链路数据进行数据窗口化处理，以确定待测窗口数据，对所述待测窗口数据进行特征提取，得到待测特征数据。

在一个示例中，对待测窗口数据进行特征提取的过程也可以参考图2所示。

上述基于OFDM子载波经验分析的被动式室内入侵检测方法，通过部署Wi-Fi通信设备，实时采集CSI时序数据，得到训练时序数据，对训练时序数据中每条链路的每个子载波进行异常值滤除操作，对滤除异常值后的训练时序数据进行小波变换滤波操作，得到训练去噪数据，对训练去噪数据进行标准化处理，对标准化处理后的训练去噪数据进行链路选择，得到选定链路数据，对选定链路数据进行数据窗口化处理，以确定选定窗口数据，对所述选定窗口数据进行特征提取，得到训练特征数据，采用所述训练特征数据训练初始检测器，得到入侵检测器，通过Wi-Fi通信设备采集待测时序数据，获取待测时序数据的特征数据，得到待测特征数据，将待测特征数据输入入侵检测器进行入侵检测，以提升相应入侵检测方案的灵活性，使该入侵检测方案能够适用于各类新环境，无需手动校准或者在新环境中进行重新训练，具有较高的检测准确性。

在一个实施例中，所述Wi-Fi通信设备包括发送端和接收端；所述接收端对信道状态信息进行采集以获得CSI时序数据。

具体地，所述接收端安装信道状态信息采集程序，采用所述信道状态信息采集程序实时采集CSI时序数据。

在实际应用时，发送端(记为MP)可以每隔25毫秒向接收端(记为AP)发送一个长度为100字节的数据包；MP与AP的间距通常大于5米。在一个应用示例中，LOS(存在可视线路)和NLOS(不存在可视线路)情况下室内Wi-Fi设备摆放位置示意图可以参考图3所示，图3为本实施例Wi-Fi通信设备的两种摆放示意图，分别对应AP与MP之间存在可视线路(LOS)和不存在可视线路(NLOS)两种情况。当室内无人或者有人在卧室休息时，此时AP与MP之间的链路是相对稳定的，对应一条链路的子载波相关系数矩阵也具有较稳定的特征。当有入侵者从门、阳台或卧室的窗户闯入室内时，AP与MP之间的稳定链路会被人体的运动破坏，多径效应明显，对应一条链路的子载波相关系数矩阵呈现出不同于静态时期的特征。经过大量实验验证，AP与MP的摆放方式为LOS和NLOS情况下，系统均具有较高的准确率，但LOS情况下系统准确率更高。

在一个实施例中，对训练时序数据中每条链路的每个子载波进行异常值滤除操作包括：

计算训练时序数据中每条链路的每个数据点的局部可达密度及其到与它相距最近的k个数据点的最远距离；

根据每个数据点的局部可达密度和对应的最远距离计算每个数据点的局部异常因子，剔除局部异常因子大于因子阈值的数据点(当局部异常因子大于因子阈值时，相应数据点将被滤除)。

具体地，第p个数据点与相距最近的k个数据点之间的最远距离包括：

dis

第p个数据点的局部可达密度包括：

第p个数据点的局部异常因子包括：

其中，dis

在一个实施例中，对所述训练去噪数据进行标准化处理包括：

x′＝(x-min x)/(maxx-min x)，

其中，x′表示标准化处理后的训练去噪数据，min x表示训练去噪数据中的最小值，min x表示训练去噪数据中的最大值，x表示标准化处理前的训练去噪数据。

由于发射功率的调节和以服务质量(QoS)为中心的机制，原始的CSI幅值在不同环境和场景下会有较大差异。因此CSI的幅值数据需要进行标准化处理，以便之后进行相关性分析和特征提取。由于前期对异常值进行了滤除操作，本实施例选用min-max标准化方法，将数据线性映射到[0，1]的范围内。

在一个实施例中，对标准化处理后的训练去噪数据进行链路选择，得到选定链路数据包括：

S51，分别计算标准化处理后的训练去噪数据中每条链路的子载波距离相关系数矩阵；

S52，提取子载波距离相关系数矩阵的上三角部分，并去除其主对角线原始，之后进行序列化，计算序列化后的数据的序列方差；

S53，若各个序列方差均大于方差阈值，则返回执行步骤S20，若各个序列方差中存在小于或者等于方差阈值的值，则将序列方差最小的链路数据确定为选定链路数据。

由于采用MIMO技术的Wi-Fi通信协议支持多输入多输出天线，在发送端和接收端之间存在多条链路。基于前期实验分析，由于在静态环境下，不同链路的稳定状态不同会导致子载波相关系数的差异，随机选择链路进行特征提取是不合适的。

在一个示例中，链路选择的过程可以参考图4所示，其通过对OFDM子载波相关系数矩阵的经验分析，发现某些链路即便在静态情况下也存在较为不稳定的现象，因此需要对链路进行选择，还可以具体表述为如下过程：

步骤1：获取经过前期异常值处理、小波变换滤波后的CSI时间序列(训练去噪数据)。

步骤2：分别计算每条链路的子载波距离相关系数矩阵，其公式如下：

其中，H

步骤3：本实施例使用以下方法分析了K条链路的稳定性：

其中A

步骤4：如果K

进一步地，图5展示了动态和静态环境下子载波距离相关系数矩阵特征对比图，其中，明亮程度代表距离相关系数的大小，颜色越明亮代表相关系数越大。可以看出，在不同情况下，子载波相关系数矩阵具有较为明显的特征差异。在相同情况下，不同的时间窗口内，子载波相关系数矩阵的特征具有很强的相似性。在动态情况下，相邻子载波相关系数的值较大(对角线附近)，且右下角部分相关系数也较大，而在静态情况下，相邻子载波相关系数的值较小，且矩阵整体的平均相关系数较小。因此，可以通过对相关系数矩阵进行特征提取实现对静态情况和动态情况的区分。

在一个示例中，图2为特征提取流程图。在无线通信中，MIMO-OFDM技术结合了多输入多输出(MIMO)技术和正交频分复用技术(OFDM)。其中，OFDM技术使用了大量在频域上紧密相邻的子信道传输信息，而信道状态信息描述了一个信号从发送端传输到接收端的过程中经过了哪些变化。每个CSI的元素都描述了信道的频率响应，可以被描述为：

其中，a

其中，H

如图2所示，本示例的特征提取流程可以包括：

步骤1：获取经过前期数据预处理、链路选择、窗口化处理的CSI数据

步骤2：根据以下公式计算一个窗口内子载波相关系数矩阵

其中，H

令矩阵A为一个时间窗口内的相关系数矩阵。

步骤3：根据以下公式计算特征1和特征2：

D

G

其中，m为子载波的个数，A[i，j]是相关系数矩阵的第i行，第j列的元素。D和G分别指代特征1和特征2，Dw和Gw分别为特征1和特征2组成的序列。

步骤4：将两个特征序列输出，以便进行后续学习、训练。

进一步地，图6为静态情况下、低速运动情况下、高速运动情况下两个特征的二维分布图，其中蓝色圆形为静态情况下两个特征的分布，红色菱形为低速运动情况下两个特征的分布，红色星形为高速运动情况下两个特征的分布。可见，不同情况下两个特征的分布较为分散，具有较高的区分度。图7为不同时间窗口大小下系统的检测精确度。其中，横坐标为时间窗口大小，纵坐标为精确度，其计算公式为：

Precision＝TP/(TP+FP)，

其中，TP代表真阳数，FP代表假阳数。

由图7可知，当窗口大小大于2秒时，系统的检测精确度几乎不再上升，所以，本实施例选用的窗口大小为2秒。

图8为不同入侵者数量和速度情况下系统检测精确度柱状图，可见单入侵者、低速情况下系统检测准确率约为97.8％，而多入侵者、低速情况下系统检测准确率约为98.5％，可见在多人入侵的情况下系统检测准确率更高。而单入侵者、高速情况下和多入侵者、高速情况下，系统的表现均略好于相应低速情况下的系统表现。

在一个实施例中，各个时间窗口具有W

对所述选定窗口数据进行特征提取包括：在完成对一个时间窗口的数据处理之后，得到一个m×m的相关系数矩阵，对相关系数矩阵进行特征提取，以得到训练特征数据。

相应地，对所述待测窗口数据进行特征提取包括：在完成对一个时间窗口的数据处理之后，得到一个m×m的相关系数矩阵，对相关系数矩阵进行特征提取，以得到待测特征数据。

具体地，本实施例可以选择的特征1为相邻子载波相关系数之和，其表达式为

在一个示例中，可以首先在室内部署两台安装有特定程序的Wi-Fi通信设备，使两台设备之间直线距离大于5米，设置其通信协议为802.11n。发送端每隔25毫秒向接收端发送一个长度为100字节的数据包，在接收端对信道状态信息进行采集，其采样频率F

然后，将采集的信道状态信息输入OFDM子载波特征提取模块。在对信道状态信息进行异常值滤除、滤波去噪、标准化处理之后，设置时间窗口大小为W

最后，在多种不同的室内布局、建筑样式下采集信道状态信息，提取的OFDM子载波特征并输入机器学习模型进行参数训练，得到可进行室内入侵识别的入侵检测器，以在各个场景中进行入侵检测。

下面对本实施例的一个应用场景进行举例说明：在家中一端放置一台无线路由器/其他Wi-Fi通信设备，在另一端放置一台无线路由器/其他Wi-Fi通信设备。之后在这两台设备上部署特定的程序，至少应有一台设备处于联网状态。设置Wi-Fi通信协议为802.11n，使两台设备建立通信连接。其中，两台设备之间的距离应大于5米，之间可存在障碍物也可以不存在。用户应在手机或其他具有通信功能的智能终端设备上安装特定的监控程序。当家中无人时，若系统检测到家中有人处于运动状态，则向用户的终端设备发送警报信息，之后用户可选择打开家中的报警设备或扬声设备，达到语音驱离的目的。

本实施例可利用现有的Wi-Fi通信设备进行被动式室内入侵检测，无需安装专用传感设备，应用形式更为灵活；使用无线感知技术将感知与通信合二为一，可以做到无传感器、无线、无接触式的检测；相较于目前的检测方法，从OFDM子载波提取的特征具有很强的泛化能力，其与绝对信号强度值相关性不大，与背景环境关联度不高，对部署环境的依赖性不强；当系统部署到新环境时，无需重新采集数据进行训练。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。

本申请实施例的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块，而是可选地还包括没有列出的步骤或模块，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。