基于30°角同心圓環形取樣的室內人員檢測方法

黨小超,鄧琦研,郝占軍

(1.西北師范大學 計算機科學與工程學院,蘭州 730070; 2.甘肅省物聯網工程研究中心,蘭州 730070)

0 概述

隨著無線通信設備的普及,基于指紋的位置服務受到越來越多的關注,其中,基于WiFi的無源檢測和定位方法成為研究的熱點[1-2],但在現實應用中,已有的檢測技術存在許多不足。基于攝像頭[3]的入侵檢測方法受到視距的影響,如果環境有遮擋或光照不足,其很難檢測出人員的入侵行為,并且非法人員通過聯網等對該方法進行操作,容易泄露用戶隱私。基于傳感器[4]的入侵檢測需要在環境中布置傳感器節點,工作量很大。基于紅外[5]的入侵檢測可以在非視距環境下工作,但是其需要特定的設備,而且工作范圍有限。在實際環境中,無需人員攜帶設備的入侵檢測和定位方法更受關注,借助WiFi信號[6-7]實現無源被動檢測和定位,不僅能夠降低成本,還可以提高檢測和定位的精確度。基于信道狀態信息(CSI)[8-9]的人員入侵檢測包含了MAC層不可獲得的信道信息,其通過提供細粒度的信息來提升穩定性,因此,該方法廣泛應用于室內人員檢測任務中[10]。

針對基于CSI的室內無源定位,文獻[11]中的FIFS將CSI數據應用于指紋定位,利用貝葉斯最大概率估計算法進行定位。文獻[12]實現了CSI和MIMO的融合,應用CSI的多樣性并同時考慮其幅值特征進行定位。文獻[13]研究CSI的相位信息問題,將其相位差的特征應用于室內定位。文獻[14]將CSI與深度學習進行結合,進一步提高了定位性能。文獻[15]將測量距離與WiFi位置指紋技術相融合,提高了室內無源定位的精度。上述文獻在選擇取樣點時均將檢測區域進行等間距的網格狀劃分,然后取點取樣,將測試點數據與指紋庫數據進行比較,選取最匹配項的對應位置并作為測試點的位置,但這些點的選擇在一定程度上會影響定位精度。

本文提出一種基于30°角同心圓環形取樣的室內人員檢測方法Wi-Dqy,通過獲取WiFi信號物理層的CSI來實現入侵檢測與定位。感知檢測階段,在無人情況下采集CSI數據,計算數據的相似度閾值α,然后根據Wi-Dqy方法建立樣本點,進行樣本點CSI數據采集。離線階段,采用PCA算法[16-18]對原始CSI數據進行降維和降噪處理,提取差異化特征并建立指紋庫。在線階段,利用陸地移動距離(EMD)算法檢測是否有人員入侵,使用基于高斯核函數的支持向量回歸(SVR)[19]方法與指紋庫進行特征匹配,最終計算得到入侵人員位置。

1 相關理論

1.1 信道狀態信息

信道狀態信息是衡量信道情況的物理層信道屬性,包括子載波信號的相位信息和幅度信息,是細粒度化的物理信息,可對周圍環境進行感知,提供頻域更寬泛的信道信息,并精細地描繪頻率選擇性信道[20-21]。

1.2 陸地移動距離

EMD是一種概率分布距離的度量[22],用以衡量特征圖像分布上的差異性,相較于其他同類型方法,其避免了量化帶來的影響。設P是含有m個元素的集合,其表示無人環境下數據的CFR方差概率直方圖,Q是含有n個元素的集合數據,其表示在線時數據的CFR方差概率直方圖,P={(p1,wp1),(p2,wp2),…,(pm,wpm)},Q={(q1,wq1),(q2,wq2),…,(qm,wqm)},D=[di,j]是距離矩陣,其中,di,j是pi、qj的距離。則P、Q間的EMD定義如式(1)～式(5)所示:

(1)

(2)

約束條件為:

fij≥0,1≤i≤m,1≤j≤n

(3)

(4)

(5)

EMD(P,Q)是直方圖之間的距離最小值。

2 Wi-Dqy方法

本文提出一種基于30°角同心圓環形取樣的室內人員檢測方法Wi-Dqy,以對人員進行入侵檢測和定位,該方法分為3個階段:

1)感知檢測階段,首先對無人情況下的檢測區域進行CSI數據采集,然后根據30°角同心圓環形取樣法建立樣本點,進行樣本點CSI數據采集。

2)離線階段,將感知檢測階段2類原始CSI數據進行PCA處理,提取差異化特征,然后根據處理后的CSI數據建立2個指紋庫(檢測型指紋庫N1、定位型指紋庫N2),由指紋庫N1得出有人和無人情況時的EMD值。

3)在線階段,將測試點收集到的CSI值與指紋庫N2建立聯系,計算EMD值,進行入侵檢測。若檢測到有人存在,則對其進行定位,使用基于高斯核函數的SVR定位方法將測試點CSI指紋信息代入SVR回歸模型,通過計算可得到人員位置坐標。

本文室內人員檢測方法流程如圖1所示。

圖1 室內人員檢測方法流程Fig.1 Procedure of indoor personnel detection method

2.1 30°角同心圓環形取樣法

基于CSI的指紋定位方法通常將檢測區域進行網格狀劃分,以人為方式制定長度相等的固定間距并進行取點,然后在各樣本點采集原始CSI信號,測試過程中,在隨機非取樣點處設置測試點。根據WiFi信號的傳輸特性和信道的衰落特征,一般發送端(AP)向外產生以圓形傳播的信號且被接收端(MP)接收,在傳播過程中存在不同原因的衰減,網格狀取樣點并未考慮這些因素對定位精度的影響,并且其樣本點設置的間距大小、稀疏程度,對后續測試點與指紋庫特征的匹配以及最終定位精度都會產生一定程度的影響。網格狀樣本點取樣示意圖如圖2(a)所示。

本文Wi-Dqy方法設計一種30°角同心圓環形取樣法。基于發送端所在的位置,以發送端到接收端的連線作為x軸,垂直方向為y軸,中點O為圓心,以r,2r,…,kr(k≥1)為半徑繪制同心圓,將待測區域劃分為環形,圓環的半徑每次增加r。然后,以30°角為基準,制作12條射線(包括涉及的坐標軸,即6條直線),從x軸正方向(定為0°)開始,逆時針旋轉360°,每隔30°以圓心為頂點制作一條射線,與x軸正方向的夾角分別為0°、30°、60°、90°、120°、150°、180°、210°、240°、270°、300°、330°、360°,令各條射線與每一個同心圓的交點為選取的樣本點集合I,則Wi-Dqy方法總樣本點集合為樣本點集合I和圓心O。樣本點的個數取決于k值,k值的選取與檢測區域的大小有關。r值越小,則定位精度越高,同時,構建的指紋庫也越復雜。考慮實驗環境、場地大小等因素的影響,Wi-Dqy方法根據常規人體臀寬為30 cm～33 cm,將r值選取為1 m,k值選取為3或4。Wi-Dqy方法取樣示意圖如圖2(b)所示。

圖2 2種方法樣本點示意圖Fig.2 Schematic diagram of sampling points oftwo methods

按照30°取樣方法,點與點間相對位置易于通過公式進行推導和計算,如勾股定理。與30°取樣相比,60°取樣點過少,15°取樣點間隔過于緊密。從取樣點間距、個數等方面考慮,相比其他角度,30°取樣更合適。

Wi-Dqy方法的特點是在圖形顯示上,樣本點的選取具有隨機性,兩點之間距離遠近不等,且多個點之間連線并非都為線性,這符合未來室內定位對樣本點的要求。根據上述分析可以得知,點之間的距離具有內在聯系,距離和半徑呈現倍數關系,可以通過簡單計算得到,而且距離不再是人為指定的等距,增加了樣本點的復雜性,這使得測試點與指紋庫的特征匹配更易于選擇。而根據信號的傳播波形特征,采取環狀取樣法更為合理。Wi-Dqy方法為樣本點選取提供了一種新思路,使樣本點的選取方法不再單一。Wi-Dqy方法的樣本點特點如圖3所示。

圖3 Wi-Dqy方法樣本點示意圖Fig.3 Schematic diagram of sampling points of Wi-Dqymethod

2.2 指紋庫建立

Wi-Dqy方法需要建立2個指紋庫,分別為檢測型指紋庫N1和定位型指紋庫N2。檢測型指紋庫N1用來檢測區域是否有人員存在,當檢測區域內無人存在時,發送端連續向接收端發送數據包,提取接收端CSI數據構建N1。定位型指紋庫N2用來定位室內人員所在的位置,構建N2時,讓測試員分別站在事先部署好的n個樣本點處,在每個樣本點處提取接收端CSI數據并作為該樣本點的指紋,采集每個樣本點處的數據構建N2。Wi-Dqy方法提取CSI特征值的過程如下:

1)輸入待提取特征的CSI矩陣N。

2)去中心化:計算N的每列得到均值,組成向量η,再用N的每列減去η,最終得到去中心化后的矩陣M。

3)用矩陣M計算得到矩陣V,V=M′M/T。V為M的協方差矩陣。

4)通過解‖V-λI‖=0計算V的特征值。T個特性向量和特征值分別組成矩陣φ和α,如式(6)、式(7)所示:

(6)

(7)

6)從大到小依次輸出前k個主成分[λ1λ2…λk]。

PCA提取k個主特征值[λ1λ2…λk]后,得到CSI的指紋庫N1和N2。N1中每個信號特征表示為n1j,n1j=(j,csij),則指紋庫表示為N1={n11,n12,…,n1j},其中,j表示子載波索引,(j,csij)表示第j個子載波的CSI值。N2中每個樣本點的信號特征記為n2i,n2i={(xi,yi),csii},則指紋庫表示為N2={n21,n22,…,n2i,…,n2m},其中,i

圖4 經PCA處理后的CSI曲線Fig.4 CSI curve after PCA disposal

2.3 人員入侵檢測

入侵檢測階段先選取方差距離方法對CSI幅值進行建模,再采用EMD法來對比各CFR采樣序列的差異化特征,以判斷檢測區域是否存在人員。

2.3.1 CSI幅值建模

選取方差距離方法對CSI幅值進行建模,利用方差的性質判斷檢測區域是否有人員存在。在無人的環境下,CSI的幅值分布要比有人時更為聚集[21]。本文使用一個長度為M的滑動窗捕獲這些CSI幅值信息,計算得到均方差,如下:

(8)

經過計算得到CFR序列方差概率直方圖，在無人環境下，大部分的采樣方差值較為集中，概率密度趨于1，而在有人的環境下，采樣方差較為分散。

2.3.2 EMD方法

通過EMD法對比采樣序列的特征差異,以判斷檢測區域是否存在人員。使用EMD方法的步驟如下:

1)在無人狀態下采集多組數據,根據數據計算無人時的相似度EMD,將每組相似度累加求取平均值,將該值設為閾值α,實驗計算得到α為4.3。

2)根據上述過程計算無人情況和實時情況下數據的方差概率直方圖。

3)通過1.4節所述方法計算得出CFR方差概率直方圖的EMD距離。

4)當EMD<α時,判斷為無人環境;當EMD≥α時,判斷為有人入侵環境,進行后續的人員定位。

2.4 人員定位

因為室內環境復雜,本文在定位階段采用基于高斯核函數的SVR來建立CSI的幅度(或相位)信息和位置間的非線性回歸關系。通過回歸原理,利用映射的非線性方法[23]在立體空間中找到一個最優超平面,將其替代原始空間的非線性關系。在數值上,維度不同的指紋數量級差別較大,與高數量級相比,低數量級的指紋特征對回歸模型的影響權重非常小。因此,在建立回歸模型前,先進行歸一化處理[24]。

根據已經建立好的指紋庫數據，使用數據集{(ri,xi)|i=1,2,…,n}和{(ri,yi)|i=1,2,…,n}，其中，ri表示對應(xi,yi)位置處的CSI指紋信息。通過SVR算法，建立CSI特征信息與x軸坐標xi、y軸坐標yi的非線性關系fx、fy，從而建立每組CSI特征信息對應的位置坐標，最終通過計算預測測試點的位置坐標。基于高斯核函數的SVR定位主要步驟為:

1)選取模型回歸自變量和因變量。構造回歸的線性估計函數,得到位置坐標的計算函數,以x軸為例,如式(9)所示:

(9)

2)歸一化處理,如式(10)所示:

(10)

其中,rmax表示最大值數據,rmin表示最小值數據,rnorm表示最終計算所得數據。

3)引入高斯核函數m(xi,yj),將目標函數進行修正和改寫,得到函數function,如式(11)所示:

(11)

4)利用得到的參數訓練模型。

5)將測試點數據代入回歸模型,分別計算得到x軸與y軸的位置坐標,預測人員位置。

3 實驗結果與分析

3.1 實驗環境

本文在WiFi無線網絡環境中進行實驗,采集設備為2臺安裝Atherors 9380網卡的機器,使用距地1.0 m的1.5 m長外接天線。選定2個不同場地進行實驗,一個場地是10×8 m2的大廳,如圖5所示,另一個場地是7×6 m2的實驗室,如圖6所示。2個實驗場地相比,實驗室空間較小,物品擺放較多,易產生多徑效應,是非視距場景;大廳空間開闊,無其他堆放物品,是比較理想的實驗場景。

圖5 大廳場景布局Fig.5 Layout of hall environment

圖6 實驗室場景布局Fig.6 Layout of laboratory environment

3.2 實驗設計

離線階段,在不同的時間段采集數據進行訓練,為了減少由人體的不同朝向引起的偏差,實驗時讓測試者在樣本點處面向不同方向收集多組CSI數據;測試階段,由一名測試者以任意朝向站在測試點(測試點設置在樣本點附近),在接收端讀取CSI測量值,然后通過本文方法進行檢測和定位。本文采取3條鏈路進行實驗,為提高方法的魯棒性,在數據采集的過程中,每一個樣本點處進行多次采樣。為了減少外界因素對WiFi信號的影響,測試者和其他操作員在實驗場地內均保持靜止,為了避免手機等電子設備產生的信號對實驗結果的影響,在實驗場地內斷開其他網絡連接及信號,由此來提高實驗的可靠性。

3.3 系統性能分析

3.3.1 入侵檢測分析

本文引入4個指標對入侵檢測性能進行分析:1)假陽率(FPR),指環境內無人存在但判斷為有人入侵的情況;2)假陰率(FNR),指將有人入侵判定為無人的情況;3)真陽率(TPR),指準確判斷出有人入侵的情況;4)檢測率(DR),指有人入侵時判斷為入侵的概率。DR用式(12)表示:

(12)

由圖7可知,本文方法在2種實驗環境下,檢測率均在96%以上。通過比較可知,實驗室環境的檢測精度低于大廳,原因是大廳的空間較大,環境較為簡單,而實驗室空間較小,設備較多,易產生多徑效應。實驗結果表明,利用EMD方法和CSI進行室內人員入侵檢測具有可行性。

圖7 本文方法的檢測率與假陽率結果Fig.7 Results of detection rate and false positive rate ofthe proposed method

3.3.2 定位性能分析

本文引入累積分布函數(CDF)來分析定位性能,將本文方法與CSI指紋定位方法CSI-MIMO[11]、采用貝葉斯概率法進行定位的方法FIFS[10]進行對比,2種環境下的定位誤差CDF結果如圖8、圖9所示。

圖8 大廳場景中3種方法的定位性能比較Fig.8 Comparison of positioning performance in hallenvironment of three methods

圖9 實驗室場景中3種方法的定位性能比較Fig.9 Comparison of positioning performance in laboratoryenvironment of three methods

從圖8可以看出,在大廳場景中,本文方法總平均誤差為1.41 m,在x軸上的定位誤差為0.94 m,在y軸上的定位誤差為0.98 m。本文方法的定位誤差CDF較FIFS方法提高了18.2%,較CSI-MIMO方法提高了7.0%。

從圖9可以看出,在實驗室場景中,本文方法總平均誤差為1.53 m,在x軸上的定位誤差為1.03 m,在y軸上的定位誤差為1.09 m。本文方法誤差CDF較FIFS方法提高了23.4%,較CSI-MIMO方法提高了24.3%。

通過這組實驗對比可以得出,本文方法在一定程度上提高了室內定位的精確率,原因是:指紋特征采用CSI,包含更多的信號特征,細粒度更高;離線階段對采集的指紋進行預處理,能夠保留數據主要特征;定位階段,核函數的使用提高了算法定位性能并減小了計算量。

3.4 Wi-Dqy方法對定位精度的影響

由2.1節得知,Wi-Dqy方法將r值選取為1 m,k值選取為3(實驗室)或4(大廳)。將本文Wi-Dqy方法與網格狀劃分取樣法CSI-MIMO和FIFS在大廳中進行實驗對比。在后續離線和在線處理過程中,Wi-Dqy方法中的r=1.0 m,k=4,則一共有49個樣本點,而在網格狀取樣方法中,將檢測區域劃分成7×7的網格,取49個等間距樣本點,然后在檢測區域不同的方位隨機設置10個測試點,使用這2種方式分別采集CSI信號并建立指紋庫。

由圖10可知,Wi-Dqy方法總的平均誤差為1.39 m,網格狀取樣方法總的平均誤差為1.50 m,Wi-Dqy方法定位精度提高了7.3%。Wi-Dqy方法誤差累積分布函數在0.9處對應的距離誤差為2.06 m,而網格狀取樣方法為2.31 m,兩者相差0.25 m。上述數據表明,Wi-Dqy方法能夠減小定位誤差,提高定位精度。

圖10 3種方法定位性能比較Fig.10 Comparison of positioning performance of threemethods

3.5 Wi-Dqy方法半徑取值對定位精度的影響

在進行指紋庫構建時,將半徑r依次設置為1.0 m、1.5 m、2.0 m,計算不同半徑對定位準確性的影響。由圖11(a)、圖11(b)可知,r值越小,則定位精度越高。例如,當半徑為1.0 m時,Wi-Dqy方法誤差累積分布函數在0.9處對應的距離誤差在1.2 m以內,而半徑為2.0 m時,誤差在1.5 m以內,兩者相差0.3 m。當r值越小時,樣本點越多,則指紋庫需要對比的數據就越多,工作量越大,雖然定位準確性有所增加,但是在一定程度上會使系統的時間復雜度增大,因此,需要選擇合適的r值。實驗結果表明,在實驗室和大廳中r值取1 m左右可以取得較理想的綜合性能,因此,本文實驗將r值取為1 m。

圖11 2種場景下取不同半徑時的定位性能比較Fig.11 Comparison of positioning performance of two scenes with different radii

3.6 Wi-Dqy方法30°角度選擇驗證

分別在大廳和實驗室場景中,依次將取樣角度設置為15°、30°、60°進行取樣,并觀察不同角度值對定位精度的影響。由圖12(a)、圖12(b)可知,角度過大,定位精度降低,因為隨著角度的增加,樣本點間距增大,匹配指紋庫內數據減少;角度過小,樣本點間隔越小,容易產生誤判。實驗結果表明,角度選取30°時能使得結果精度最高。

圖12 2種場景中不同角度取樣時檢測率與假陽率比較Fig.12 Comparison of detection rate and false positiverate in two scenes with different angle sampling

4 結束語

本文提出一種基于30°角同心圓環形取樣的室內人員檢測方法。使用PCA、EMD、SVR算法對CSI中的振幅信息進行處理,用30°角同心圓環形取樣法建立指紋庫,采集測試點數據并與指紋庫進行特征匹配,從而實現入侵人員的檢測與定位。實驗結果表明,與CSI-MIMO和FIFS方法相比,該方法定位誤差更低,精度更高。下一步將對信號傳輸波形進行研究,并利用同心圓環形取樣法實現室內多人員的檢測與定位。