面向智能巡檢場景下的人員感知模型

宋曦 尚為良 張磊 王瓊

(1.國網甘肅省電力公司,甘肅蘭州 730030;2.甘肅同興智能科技發展有限責任公司,甘肅蘭州 730050;3.國網甘肅省電力公司信息通信公司,甘肅蘭州 730050)

0 引言

隨著人工智能的發展,在電網環境中智能巡檢系統逐漸取代了人工巡檢。雖然利用智能巡檢系統可以提高巡檢效率,但是人員的減少導致設備無人看管,設備的安全性無法得到保證,因此如何對侵入設備范圍的人員進行檢測與定位成為了亟需解決的問題。

早期的研究中,主要是使用傳感器與攝像頭對室內人員進行定位。文獻[1]利用智能手機內置的聲波傳感器結合行人航跡推算(Pedestrian Dead Reckoning,PDR)算法對室內人員進行定位,文獻[2]中提出了Flash-Loc系統,利用攝像頭捕捉用戶手機閃光燈發出的亮光從而對人員進行定位。利用傳感器進行室內定位雖然精度很高,但是單個傳感器造價昂貴,在大規模部署時成本太高。而攝像頭在存在視線盲區且黑暗環境中無法穩定工作。所以需要一種高精度,低成本的設備解決上述問題。

WiFi技術的發展與無線設備的普及使其在眾多室內定位技術中脫穎而出。基于WiFi信號的室內定位系統也被廣泛研究。傳統的WiFi定位主要依靠分析接收信號強度(Received Signal Strength,RSS)的變化來判斷人員位置。如文獻[3]提出了RADAR系統,利用接收信號強度進行室內人員定位,文獻[4]中利用高斯濾波處理RSS信號,再利用三角形質心算法得出人員位置。但是由于RSS是粗粒度信號,且受環境影響時波動太大,影響了定位的精確性與穩定性。

不同于RSS信號,CSI信號是一種粒度更細分辨率更高的無線信道屬性,且具有較強的抗多徑干擾能力。基于CSI信號的室內定位已有了一定的研究成果。文獻[5]利用一種融合粒子濾波與隱馬爾科夫的粒子群優化—隱馬爾科夫(PSO-HMM)算法對CSI信信號進行識別從而判斷人員位置。文獻[6]提出了Spotfi系統,利用CSI信號計算多徑分量的到達角(Angle of Arrival,AOA)從而得出人員的位置信息。文獻[7]提出的LiFS系統通過將多個無線鏈路的CSI測量建模為一組基于功率衰減的方程式來確定目標人員的位置。

基于上述特點,本文提出了一種基于CSI的室內人員感知模型。離線階段,在商用無線設備上獲取人員的CSI信號,之利用高斯濾波對初始CSI數據進行降噪處理,再使用PCA算法提取貢獻最高的數據包并計算6個相關特征,利用提取的特征訓練隨機森林作為CSI位置數據的分類器。在線階段,實時采集CSI信號后經過相同處理,通過對處理后的信號進行快速傅里葉變換構建能量指示器可以判斷是否有人員入侵,通過隨機森林模型對位置數據進行訓練,最后輸出定位結果。

1 相關理論

1.1 信道狀態信息

信道狀態信息是從物理層提取的信道特征,具有更細粒度的信息可以捕獲附近環境的無線特征[8]。所以為了表現信號的傳播過程,可以對其進行建模:

其中,Y為接收信號,X為發射信號,Noise為環境噪聲。H為信道矩陣模型,可以表示為CSI,H的結構可以表示為:

其中,H(k)為第n條子載波上的CSI。H(kn)中都包含了子載波的振幅與相位,其公式為:

式中,||H(kn)||為第n個子載波的振幅,ejsinθn為相位信息。當WiFi信號穿過不同位置的人體時,CSI的振幅就會發生不同的變化。利用這一原理,本文利用振幅測量每個人員的位置。

1.2 高斯濾波

高斯低通濾波器是一種平滑線性濾波器,對于服從正態分布的高頻噪聲具有良好的抑制效果[9]。高斯濾波器是基于高斯公式計算出來的,所以本文設計的高斯低通濾波器可以表示為:

式中,δ是標準差,在式中被稱為高斯半徑。δ2表示方差。η是均值。由于環境中的噪聲為大部分都是高斯白噪聲和高頻多徑噪聲,所以利用高斯濾波器可以對其具有良好的過濾效果。

2 人員感知模型

2.1 數據獲取及降噪

本文利用商用WiFi設備進行數據的傳輸與收發。實驗設備配置了2條發射天線與3條接收天線,總共形成6條信道鏈路。采集到CSI一條信道的位置信息如圖1所示。

圖中可以看出,原始的CSI信息包含了大量的環境噪聲,掩蓋了人體了位置信息。所以本文利用高斯低通濾波器對原始的CSI位置信息進行過濾,過濾后的結果如圖2所示。

圖1 原始CSI人體信號Fig.1 Original CSI human body signal

從過濾后的結果可以看出,經過高斯濾波過濾后的位置信號有效去除了環境噪聲,使人體的CSI位置信息更加明顯,方便進行位置特征的提取。

2.2 特征提取

由于過濾后的數據包含很多數據包,數據量龐大,如果都用來當成樣本的話計算復雜度太高,所以本文使用主成分分析(Principal Component Analysis,PCA)算法提取位置數據貢獻度最高的一包數據作為該位置的代表信息。使用PCA算法提取的特征如圖3所示。

從圖中可以看出,利用PCA算法可以有效降低樣本的復雜度,并將最具代表性的一包數據提取出來。之后計算該包數據的均值,中位數,方差,自相關系數,標準差,極差六個系數作為該位置的特征。這些特征都可以在一定程度上代表當前位置的信息,使最后的訓練結果更加準確。

2.3 隨機森林模型

Breiman提出的隨機森林算法[10]通過對樣本構建多棵決策樹來對樣本進行分類。其核心思想為每次構建的樣本均為隨機提取,最后每棵決策樹均輸出一個結果,通過投票的方式決定最終的分類結果,即票數最多的。隨機森林的結構如圖4所示。

圖2 經過高斯濾波過濾后的CSI信號Fig.2 CSI signal after Gaussian filtering

圖3 PCA算法提取的代表信息Fig.3 Representative information extracted by PCA algorithm

決策樹的構建依賴于樣本的基尼指數,基尼指數是指樣本集的混亂程度,基尼指數越高,樣本包含的類別就越復雜,構建的決策樹就越準確。基尼指數的計算公式如下所示:

式中,N為樣本的個數,ki為樣本屬于第i類的概率。本文使用CART決策樹,對于給定的樣本集M,其基尼指數計算如下:

圖4 隨機森林模型結構圖Fig.4 Structure diagram of random forest model

其中Di為第i個樣本值。若給定一個特征ω,可以將樣本集M分M1與M2兩部分,所以計算特征ω的基尼指數為:

通過上述公式計算所有特征的基尼指數,并從大到小排列,選取排名前四的特征構建決策樹。根據計算結果,本文選取標準差,方差,均值以及自相關系數四個特征。由于不需要剪枝,所以每棵決策樹完全生長,通過構建大量的位置決策樹后集成為隨機森林模型,用于對位置信息的訓練和分類。

2.4 FFT入侵能量指標

人體存在會對無線通信鏈路的傳播路徑產生影響,具體的來說,無線通信鏈路產生的影響表現為信道頻域上的能量變化,入侵檢測的核心問題是感知人體是否在入侵區域存在內。基于此,本文利用人員入侵時會改變信道的能量變化狀態,將入侵時產生的CSI數據輸入通過FFT處理,依據入侵和未入侵的信道能量變化建立一個能量閾值指標判斷被檢測區域內是否有人員存在。利用FFT對入侵狀態和無人狀態的CSI數據進行處理,多次采樣,獲得不同狀態下的FFT曲線函數。存在人員入侵時和無入侵時的FFT曲線如圖5所示。

對比圖5(a)和圖5(b),我們可以看出存在人員入侵時比人員未入侵時的信道能量變化更加頻繁,未入侵時信道由于環境中的多徑影響產生的能量變化微弱。因此,可以使用FFT建立一個來檢測人體入侵的能量指示指標:

其中U是計算出的信道能量,L是給定的時間窗口大小,mag是每200ms條件下的歸一化FFT系數,通過持續監視兩個連續窗口的運動能量變化判斷被檢測區域是否存在入侵情況。

圖5 無人狀態與人員入侵時FFT能量指示Fig.5 FFT energy indication when no one is in a state and when people invade

3 實驗與評估

3.1 實驗設置

本文設置了兩種實驗環境,分別為實驗室與機房。機房是模擬電力設備存在環境所布置的場景。實驗場景平面結構如圖6所示。

除此之外,本文設置了4名實驗人員,在兩種環境中采集了1200組位置信息作為樣本集。

3.2 不同環境

本文在兩種環境中對本文提出的方法進行測試,以此來驗證本方法對環境的魯棒性。圖7為實驗室和機房兩種環境下的定位誤差累積分布情況。

圖6 實驗場景平面結構圖Fig.6 Plane structure diagram of experimental scene

從圖7中可以看出,在實驗室環境中,有90%以上的概率定位誤差在1.5m以內,在機房環境中也有75%以上的概率達到1.5m的誤差。而在兩種環境中,都有90%以上的概率達到2m以內的定位誤差。實驗結果證明本方法在不同環境中表現出較強的魯棒性和較好定位性能。

3.3 不同樣本數的影響

不同的樣本數也會對定位結果產生影響,所以我們也對比了利用不同數量樣本構成的訓練集對最終定位結果的影響。對比結果如圖8所示。

從對比結果可以看出,隨著樣本數量逐漸上升,定位的誤差也在逐漸降低。當樣本集的數量達到600的時候定位誤差到達最低點,當高于600時,定位誤差逐漸穩定。所以本文選取600個樣本做為訓練集,既能達到最佳定位精度,也有效降低了訓練的時間與復雜度。

圖7 兩種環境下定位誤差累積分布對比Fig.7 Comparison of the cumulative distribution of positioning errors in the two environments

圖8 不同訓練樣本個數對定位誤差的影響Fig.8 The influence of the number of different training samples on the positioning error

表1 不同分類方法的定位誤差Tab.1 Positioning errors of different classification methods

3.4 分類器效能評估

為了評估本文中設計的隨機森林模型的分類效能,本文與分別與K近鄰(k-Nearest Neighbor,KNN)算法,樸素貝葉斯算法以及支持向量機(Support Vector Machines,SVM)算法進行了對比,對比結果如表1所示。

表1分別對比了利用四種分類訓練算法進行定位時的最大誤差距離,最小誤差距離以及平均誤差距離。從對比結果可以看出,kNN算法和樸素貝葉斯算法的定位誤差遠高于另外兩種算法。雖然SVM算法的最大誤差距離要小于隨機森林算法,但是從整體情況來看,本文利用的隨機森林算法具有更好的定位表現。

4 總結

本文針對電力設備的安全保護問題提出了一種基于信道狀態信息的室內人員感知模型,用于判斷人員入侵并對入侵人員進行定位。離線階段在商用WiFi設備上采集人員的數據,經過高斯濾波后利用PCA算法提取主要成分計算六種特征。之后使用所有特征數據構成隨機森林模型并對其進行訓練。在線階段,實時采集人員的CSI數據,經過相同處理后先對其進行快速傅里葉變換做為能量指示器以判斷是否存在人員入侵,處理后的數據輸出隨機森林模型中進行識別,最后輸出定位結果。經實驗證明,本文提出的模型對環境具有較強的魯棒性,并具有較高的定位精度。在未來的研究中,本文將以進一步降低定位誤差,增強系統的泛化能力做為研究目標。