智能巡檢環境中的無源人員入侵檢測方法

宋曦 王瓊 李文輝 劉高鶴

(1.國網甘肅省電力公司,甘肅蘭州 730030;2.國網甘肅省電力公司信息通信公司,甘肅蘭州 730050)

0 引言

隨著信息巡檢技術的發展,傳統的人工巡檢技術逐漸被新興的智能巡檢所取代,雖然利用智能巡檢可以有效降低人工成本,但是工作設備無人看管會導致設備遭到外部的破壞,如不法分子或兒童。所以如何在無人狀態下對人員的入侵進行檢測成為了智能巡檢系統發展的重要問題。

傳統的人員入侵檢測主要是基于高精度光學攝像頭以及傳感器等設備。如文獻[1]利用多個固定攝像機在捕獲到人員的入侵后,通過分析圖像及視頻序列追蹤入侵人員的運動軌跡。文獻[2]首先使用攝像頭采集錄像并將其種的每一幀轉換為圖像,之后利用卷積神經網絡進行訓練,最后利用訓練好的模型來判斷時候有人員入侵。但是攝像頭存在探測盲區,且在光線不充足的環境中無法穩定工作。文獻[3]提出使用聲學傳感器感應人體腳步的聲音信號來檢測人員入侵。文獻[4]采用壓力傳感器檢測人體的腳步力量,以此來判斷是否有人員入侵。但是這兩種傳感器設備都存在易受環境的影響,當有其他聲音或重力干擾時誤報率會大幅上升。由于上述無設備入侵檢測方法的局限性,發展迅速的WiFi設備為上述問題提供了一個良好的解決方案。首先,WiFi設備的普適性較強,部署成本較低。其次利用WiFi信號進行入侵檢測保護了其他用戶的隱私。

以往的研究中,研究人員利用接收信號強度(Received Signal Strength,RSS)來檢測人員的入侵,如文獻[5]提出了RASID系統,RASID利用RSS信號再結合不同的異常檢測模塊識別人員的入侵。但是RSS受多徑效應影響嚴重,包含大量的環境噪音,信號處理也很難消除噪音影響。相較于RSS,信道狀態信息(Channel State Information, CSI)對信道具有更細粒度的描述,更加穩定,且受環境影響較小。如文獻[6]中提出了一種免訓練的入侵檢測系統,采用多重信號分類算法對CSI信號進行特征分解,利用分解后的特征值進行入侵檢測。文獻[7]提出的AR-Alarm系統利用CSI以及自適應學習機制進行人員入侵檢測并實現了對不同環境與干擾的魯棒性。文獻[8]提出了DeMan系統,DeMan系統利用CSI信號的幅度與相位信息來檢測人體的靜止與運動從而判斷是否有入侵發生。

基于上述特點,本文提出了一種基于CSI的人員入侵檢測方法。離線階段在商用WiFi設備上采集人員入侵信號,利用巴特沃斯低通濾波器去除環境噪聲,之后將所有數據輸入BiLSTM網絡中進行訓練,得到最終的分類模型。在線階段,將實時采集的數據經過相同處理后輸入訓練好的BiLSTM模型中,得到最終檢測結果。

1 相關工作

1.1 信道狀態信息

CSI描述了信號如何從發射端傳播到接收端。信號的傳播可以建模如下:

其中,y為接收信號,x為發射信號,H為信道矩陣模型,n為高斯噪聲。利用正交頻分復用(Orthogonal Frequency Division Multiplexing,OFDM)技術可以將CSI信號分解為多個子載波,每個子載波都包含振幅與相位信息。在40MHz帶寬和5.7GHz中心頻率條件下,CSI可以分解為114條子載波,每條子載波可以表示為:

式中,Hk為第k條子載波的CSI數據,H(k)與 ∠H(k)分別表示第k條子載波的振幅與相位。當有人進入發射端與接收端中間時會引起CSI振幅與相位信號的變化,由于振幅變化更為明顯,所以本文利用CSI振幅的變化感知人員入侵。

1.2 巴特沃斯低通濾波器

巴特沃斯低通濾波器是IIR數字濾波器的一種[9]。其特點為通頻帶內的信號頻率響應曲線最平滑。巴特沃斯低通濾波器通過衰減信號中的高頻分量來平滑信號,可以用如下公式表示:

式中,α為濾波器的階數,cρ為截止頻率。利用巴特沃斯低通濾波器可以有效去除CSI信號中包含的高頻環境噪聲,使入侵信號更加明顯,有效提高了最后的識別效果。

2 入侵檢測方法

2.1 數據獲取及處理

本文從商用WiFi設備中提取人員入侵信號,其中發射端(Transmit, Tx)設置2根天線發送信號,接收端(Receive,Rx)設置3根天線接收信號,總共6條信道。其中一條信道的入侵信號如圖1所示。

從圖中可以看出,原始CSI信號包含大量的環境噪聲,所以需要對這些環境噪聲進行過濾,使真實的入侵信號顯示出來。所以利用巴特沃斯低通濾波器進行降噪,降噪后的信號如圖2所示。

從處理結果可以看出,巴特沃斯低通濾波器有效去除了信號的中的環境噪聲,使真實的入侵信號更加明顯。從圖中可以看出,入侵發生在3s左右,并且人員的入侵使CSI的振幅發生了明顯變化。入侵前后的振幅信號十分平滑且無明顯變化。

2.2 離線處理階段

長短期記憶網絡(Long Short-Term Memory,LSTM)是循環神經網絡(Recurrent Neural Network,RNN)的一種[10]。LSTM非常適合處理具有時序的數據,所以本文利用LSTM網絡的結構來對入侵信號進行處理。LSTM網絡的結構如圖3所示。

圖3(a)為LSTM網絡,它由多個單體LSTM細胞組成。圖3(b)則為單個LSTM細胞的結構。我們將入侵信號按照時序的方式輸出LSTM網絡中,通過LSTM網絡中輸入門-遺忘門-輸入門的結構對有效的CSI入侵信號進行保留,并將無效的信息數據通過遺忘門進行刪除。LSTM網絡三個門結構和其他相關參數可以定義為:

圖1 入侵信號原始數據Fig.1 Original data of intrusion signal

圖2 經過巴特沃斯低通濾波器降噪后的入侵信號Fig.2 Intrusion signal after noise reduction by Butterworth low-pass filter

其中σ為sigmoid函數,i,l,θ分別為輸入門,遺忘門,輸出門,R為權重矩陣,b為偏置,為t時刻輸入門單元狀態,ct為輸出門單元狀態,th為t時刻輸出向量,tanh為雙曲正切函數,o為按照元素進行乘積。通過輸入門的數據會經過遺忘門,在遺忘門中將決定那些數據被刪除,哪些數據被保留。被保留的數據會進入下一個輸入門中,并更新當前LSTM網絡的狀態。

但是LSTM網絡只能處理一個時序方向的數據,沒有考慮上下文關系,所以會丟失一些關鍵信息。為了解決這個問題,本文引入了BiLSTM網絡。BiLSTM網絡可以同時處理兩個方向的時序數據,一個正向時序,一個與正向時序方向相反的時序數據。將一組CSI入侵信號分別以正向時序與反向時序輸入BiLSTM網絡,上層LSTM網絡處理當前時刻與上文的信息,下層LSTM網絡則處理當前時刻與下文的信息。最后輸出的信息則包含完整的CSI入侵信號的上下文信息。這種方法完整的保存了CSI入侵信號中所有的重要信息,并且可以讓這些重要信息得到充分的利用,有效提高了入侵檢測的概率。

3 驗證分析

3.1 實驗設置

本文設置了兩種實驗場景,分別為機房與大廳。實驗場景平面結構圖如圖4所示。

本文共設置4名實驗人員進行入侵活動,除此之外,本文引入了兩個評估指標:

(1)真實檢測率(True Detection Rate,TDR):可以檢測到人員入侵的概率。

(2)誤報率(False Positive Rate,FPR):當沒有人員入侵時發出警報的比例。

3.2 不同實驗環境的影響

為了驗證本方法對不同環境的魯棒性,本文選擇了機房與大廳兩個環境進行驗證。其中機房為復雜環境,有大量的干擾物。大廳為空曠環境,干擾物較少。讓4名實驗人員分別入侵兩種環境并進行檢測,實驗結果如圖5所示。

從實驗結果可以看出,在大廳環境下的TDR為96.7%,在大廳環境下的TDR為95.2%。在大廳環境中的TDR要高于機房環境,這是由于機房環境更為復雜,導致信道產生大量的多徑效應,產生大量的干擾信息,所以TDR會有所下降。而大廳環境較為空曠,多徑效應相對較少,所以TDR也相對較高。不過總體結果來看,本方法對環境具有較高的魯棒性。

圖3 LSTM網絡結構Fig.3 LSTM network structure

圖4 實驗場景平面圖Fig.4 The floor plan of the experimental scene

3.3 掉落物品的影響

物品的掉落也會引起CSI信號的變化,為了探究本方法對不同掉落物品的影響。為了屏蔽人員影響,實驗人員靜止站立,并將掉落物品提前拿在手中,以確保實驗人員在物品掉落過程中盡可能少地進行運動。本文按照物品地體積大小選取了乒乓球,手機,水瓶,書本四種物品,并在機房環境下進行驗證。實驗結果如圖6所示。

從圖中結果可以看出,當物品掉落時,隨著物品體積的增大,觸發入侵檢測的概率也逐漸增加。而且通過實驗發現,當物品掉落后進行水平運動時造成的誤報率最高。但是從整體結果來看,當物品掉落時,不觸發入侵檢測的概率均在93%以上,說明本方法對掉落物具有較強的抗干擾性。

3.4 實驗性能分析

圖5 不同場景下入侵檢測率Fig.5 Intrusion detection rate in different scenarios

圖6 不同物體掉落時觸發檢測的概率Fig.6 Probability of triggering detection when different objects fall

表1 不同分類算法對比Tab.1 Comparison of different classification algorithms

為了評估本文的分類器效能,本文分別跟LSTM,雙向循環神經網絡(Bidirectional recurrent neural network,Bi-RNN),決策樹算法進行了比較。對比結果如表1所示。

從對比結果可以看出,使用BiLSTM的TDR最高,達到了95.95%,使用Bi-RNN與LSTM的識別率分別為93.74%與91.37%,結果略低于BiLSTM。而使用決策樹的TDR只有89.68%,在所有方法中最低。從總體來看,本文使用的BiLSTM算法的效果最好。

4 總結

本文提出了一種針對于智能巡檢環境下利用CSI信號檢測人員入侵的方法。離線階段在商用WiFi設備上采集人員入侵的CSI信號,經過巴特沃斯低通濾波器進行去噪后輸出BiLSTM網絡中進行訓練。在線階段實時采集人員入侵信號,利用相同方法去噪后輸入BiLSTM網絡中進行識別,最后輸出識別結果。實驗結果證明,本方法對于不同環境具有較好的適應性,并對掉落物體也有很高的抗干擾性。在下一步的研究中,本文將以進一步提高系統的抗干擾性以及檢測成功率為目標。