基于移動終端雙模定位的多場景入侵報警方法

許放，歐清海，張暉，艾雪瑞，程方圓

（北京中電飛華通信有限公司，北京 100070）

入侵報警系統（Intruder Alarm System，IAS）是安防領域的研究重點，該系統通常利用各類探測器對防范區域內的非法入侵行為進行威懾和報警，以確保目標防區的安全。入侵報警系統主要由前端各類探測傳感單元、傳輸單元、警報單元與數據分析控制單元等組成，并被廣泛應用于各類安防項目的邊界、入口等場景中。

目前在入侵報警領域，常見的報警系統主要包括脈沖/張力式圍欄系統、定位探測系統、對射/互射式紅外光柵系統、振動光纖報警系統以及激光探測報警系統等。其中定位探測系統的應用較為廣泛且適應性強，可用于多種場景下的入侵檢測。其主要利用傳感器設置安防邊界，通過探測系統采集入侵者的位置信息，并上傳至數據分析控制平臺追蹤入侵者的實時位置，同時發出警報信息。因此對于定位探測報警系統而言，入侵者的檢測以及精確定位算法[1-3]是技術方案的核心。文中面向定位入侵報警系統，設計了一種基于移動終端雙模定位的入侵檢測算法，并將其應用于不同的場景中，證明了算法的可靠性，為入侵報警技術的進一步發展提供了理論支撐。

1 技術理論設計

1.1 系統總體方案

為了實現安全區域的實時入侵監測、無線傳輸以及自動報警等功能，文中構建了如圖1 所示的入侵報警系統。該系統包含傳感器節點網絡構成的監測模塊、移動終端模塊、無線傳輸模塊、中心數據處理模塊、自動報警模塊和客戶平臺等部分。

圖1 系統總體設計框圖

1.2 系統硬件搭建

首先將若干傳感器和移動終端布置在目標區域內形成無線監測網絡，二者的數量由目標區域的大小所決定。當遭遇非法入侵時，檢測網絡通過移動終端定位技術來獲取入侵者的定位信息；同時通過無線傳輸模塊將實時信息發送給中心數據處理模塊；然后該模塊通過入侵檢測算法計算入侵者的定位信息，發出指令控制自動報警模塊，并將入侵者的定位軌跡發送至安保人員和客戶平臺。具體的系統模塊參數如表1 所示。

表1 系統模塊參數信息

1.3 UWB和ZigBee的雙模融合定位

超寬帶技術（Ultra Wide Band，UWB）是一種無載波通信技術[4-6]，其具有較強的抗擾能力，可以使定位誤差降低到極小值。同時，該技術還具有對信號衰落不敏感以及發射信號功率譜密度較低等優點，因此被廣泛應用于高精度定位場景。ZigBee 是一種無線傳輸網絡[7-9]，通過設置若干移動終端傳感單元來劃分特定區域，這些移動終端會對區域中的人員信息進行采集并使用ZigBee 無線網絡傳輸至中央數據處理單元中，進而完成對區域和人員的管理。文中利用UWB 和ZigBee 的特性來實現雙模入侵定位。

當每個UWB 移動終端和ZigBee 網絡均收到傳感器到達信號強度差（Signal Attenuation Difference of Arrival，SADOA）及到達時間差（Time Difference of Arrival，TDOA）等參數時，則每個移動終端模塊均可以得到一個定位結果。然后通過加權處理將SADOA 和TDOA 二者的定位結果進行數據融合來獲得精確的定位信息，以便于后續入侵算法的識別。

2 基于雙模定位的入侵檢測

2.1 SADOA/TDOA定位融合算法

文中采用最速下降法（Steepest Descent Algorithm，SDA）對SADOA 和TDOA 進行數據融合，以此獲得較為準確的定位信息。SDA[10]的核心：根據不同方法的測量參數構建估計誤差函數f(ui)，目的是將誤差降低至最小值，即尋找合適的誤差因子ui，使入侵者與移動終端之間的距離盡可能地接近實際距離ri，則有：

式（1）中，c為光速。而利用TDOA 和SADOA 測量數據得到SDA 的誤差公式分別為：

式中，σ為算法迭代步長；s和j為迭代次數；i及m則分別對應TDOA 與SADOA 測算規則中參與定位的終端數。對式（4）和式（5）進行迭代運算，不斷更新ui值并將其代入式（6）和式（7）中，即可求解矩陣參數H、Yi分別為：

再將上述參數代入式（8）中分別求解對應的位置精確值ZSADOA和ZTDOA：

然后將ZSADOA和ZTDOA進行誤差運算，代入式（9）中，并取i=m,k=l，確保在相同迭代條件下完成坐標定位。

通過上式確定誤差ε后，即可由算法迭代反演運算得到精確的位置坐標。

2.2 改進的入侵檢測算法

改進的入侵檢測算法框架如圖2 所示。

圖2 計算流程圖

通過對入侵者定位信息進行預處理，再使用改進的卷積神經網絡算法（Convolutional Neural Networks，CNN）實現特征提取和分類識別[11-13]，具體流程如下：

1）讀取融合處理后的定位信息，并在遺傳算法（Genetic Algorithm，GA）的基礎上采用粒子濾波（Genetic Particle Filter，GPF）算法[14]進行處理，以便于計算機完成預測運算。

利用GPF 算法，根據入侵者雙模定位的精確坐標數據信息建立狀態方程，并選取狀態變量：

基于上述參數，便可確定系統狀態方程如下：

式中，p(x)為先驗概率，q(x)是重要性概率密度函數，至此定位信息處理完成。

2）將上述得到的定位信息輸入如圖3 所示的改進CNN 卷積神經網絡中進行識別，當識別到入侵信息時，系統將實時標記并觸發警報。

圖3 改進的CNN結構

改進的CNN 結構在原始算法的基礎上引入了殘差結構（Residual Network，ResNet），用以提升神經網絡的性能，而卷積層則由Squeeze 和Expand 兩部分構成。其中，H1和H2均表示定位數據的坐標；L、M分別表示卷積核的大小與個數；S1為Squeeze 層中1×1 卷積核的數量；E1和E2分別為Expand 層中1×1、2×2 卷積核的數量。ResNet[15-16]能夠在對網絡模型體積、單張推理時間僅產生較小影響的前提下，提升分類模型的準確率。然而在Module 增加至三個后，其準確率的提升也會達到峰值。因此，文中采用如圖4所示的3Module 殘差結構。

圖4 基于CNN的3Module殘差結構

3 實驗仿真驗證

該文以OpenCV 和Tensorflow 深度學習框架為基礎搭建測試平臺。通過傳感器模塊和移動終端劃定特定區域，進而設置無線監測網絡，并將一定時間內的行人作為入侵對象進行檢測實驗，且劃定了四塊不同的區域完成場景測試。此外，在測試的同時還提取了樣本進行學習訓練以優化入侵算法，并將其與文獻[1-3]的同類入侵報警算法進行對比。文中通過誤檢率和漏檢率來判斷所提入侵檢測算法的精確度。若雙模定位檢測到非人入侵時，將定義為誤檢；而當入侵對象高速入侵區域并迅速離開，定位信息與算法并未及時識別入侵信息時，則將該種情況定義為漏檢。與此同時，不同場景的入侵實驗在相同的軟硬件條件下進行。圖5、圖6 分別列舉了在特定住宅安防和公園場景下，不同入侵算法的誤檢率，且所有實驗數據均以入侵報警器的觸發為準。

圖5 住宅區域誤檢率對比

圖6 公園場景誤檢率對比

根據上述實驗數據得出，隨著安防區域的增大，各類算法的誤檢率均在逐步提升。但相較于同類型算法，文中算法的誤檢率始終較低，且在背景相對單一的住宅安防場景下，其誤檢率可低至4%以下。而隨著檢測次數的持續增加，樣本量也在逐漸提升并會促進算法進行訓練，使得入侵識別越發精確。同時，文中還通過對比住宅和公園兩種場景下的漏檢率，進一步驗證該算法的性能，具體結果如圖7 和圖8 所示。

圖7 住宅漏檢率對比

圖8 公園漏檢率對比

由圖8 可知，隨著安防區域的擴大，漏檢率也逐漸上升；而隨著檢測次數的增加，漏檢率則基本保持不變。但在公園安防場景下，文中算法的漏檢率隨著檢測次數的增加顯著降低，而在住宅場景下基本不變。原因在于公園場景下的不確定因素偏多，可訓練的樣本種類也較多。此外，由于文中算法融合了遺傳算法粒子濾波和基于CNN 的3Module 殘差結構，使得其具有精確的識別率以及快速的響應能力。綜上所述，文中算法各方面性能均優于同類算法，且適用于多種不同場景下的入侵檢測。

4 結束語

為了優化定位探測入侵報警技術，文中提出了一種基于移動終端雙模定位的入侵檢測算法。利用UWB 和ZigBee 的雙模技術優化定位策略，設計了改進入侵識別算法，以精確識別入侵者且進行實時報警反饋。經對比實驗驗證，該算法的性能優于同類型方法，在大小場景下也具有較低的誤檢率與漏檢率，說明其入侵檢測速度和精確識別率均能得到保障。