基于Wi-Fi信道狀態(tài)信息的身份識別

張 丹，譚運林，邱嘉煒，徐悅月，田林芳，張連明

(湖南師范大學信息科學與工程學院，中國 長沙 410081)

身份識別在生活中扮演著重要的角色。現有的身份識別方法主要分為兩大類：一類是基于計算機視覺[1，2]的方式，通過攝像頭采集人的行為動作圖像進行特征提取與識別。該方法存在隱私問題，且有遮擋時會影響識別效果。另一類是基于人的生理特征，通過采集人的指紋[3]及虹膜[4]等生理特征信息進行識別。但該方法要求人員與檢測設備有一個較近的距離。本文提出了一種基于Wi-Fi信道狀態(tài)信息(Channel State Information, CSI)的身份識別技術，利用Wi-Fi信號進行身份識別成本低，不泄露隱私，也不要求人與設備之間有很近距離，適合家庭環(huán)境。該方法在智能家居和家庭防盜方面有著廣闊的應用前景。

CSI包含每個子載波的相位、幅度等信息，受組合時延、振幅衰減和相位偏移等多種因素影響。本文利用它所傳輸的這些信息進行識別。每個人的體型、肢體擺動幅度以及行為習慣都會對CSI信息造成不同的影響，本文通過對這些信息的分析和處理來進行識別。

近年來有大量工作致力于利用Wi-Fi來進行環(huán)境感知和行為分析。Bahl[5]等提出利用接收信號強度(Received Signal Strength, RSS)進行室內定位。然而，其檢測結果的精度并不高，主要是因為RSS穩(wěn)定性較差。隨后研究者發(fā)現，相比于RSS，CSI更加穩(wěn)定，CSI是物理層信息，具有更好的細粒度和魯棒性。因此，CSI得到了很快發(fā)展，有了很多研究應用。如行為識別[6-9]、室內定位[10-12]、心跳呼吸檢測[13-14]、跌倒檢測[15-16]、擊鍵檢測[17]、身份識別[18-21]、入侵檢測[22]等。 在身份識別方面，已有多個團隊進行研究。如Zeng等[18]提出WiWho，通過WiFi感知人體運動步態(tài)從而區(qū)分不同人，實現身份識別，相應的識別率為80%～92%。Wii[19]不僅對單個步伐進行提取，還對連續(xù)多個步伐進行特征提取，且分類時利用GMM模型，識別準確率平均為98.7%，當有8個人時，識別準確率為90.9%。WiFi-ID[20]則是直接對整個行走行為進行分析。對于從2～6個人的群體，其識別率為77%～93%。本文加入子載波篩選及行走區(qū)間檢測等算法提出了一種新的身份識別系統(tǒng)，具有較高的識別率。

1 系統(tǒng)工作原理

圖1 系統(tǒng)框圖Fig. 1 System block diagram

本文提出一個基于Wi-Fi信號的身份識別系統(tǒng)。該系統(tǒng)包括數據采集、數據預處理、行走區(qū)間檢測及分類4個階段。系統(tǒng)框架圖如圖1所示。

1.1 CSI數據收集

CSI是物理層信息，反映了信道狀態(tài)特征。每組CSI值包含了正交頻分復用(OFDM)子載波的幅度和相位信息：

H(k)=|H(k)|ej∠H(k)，

(1)

其中，H(k)為第k個子載波的值；|H(k)|代表第k個子載波的幅值，∠H(k)為第k個子載波的相位信息。

IEEE 802.11標準使用OFDM調制信號，將信號通過56個正交子載波進行傳送。通過使用Intel 5300網卡[20]或者Atheros網卡[21]及其相應工具可以實現CSI數據收集，CSI數據為56×Nt×Nr個數據流組成。其中，Nt代表發(fā)送天線個數，Nr代表接收天線個數，可表示為矩陣H：

(2)

Hnm代表第n根發(fā)射天線，第m根接收天線之間的CSI，每個Hnm包含56個載波。

1.2 Butterworth濾波

由圖2可知，商用Wi-Fi網卡中提供的CSI值中存在著固有噪聲。人體活動對信號帶來的影響主要是在頻譜的低頻部分0～40 Hz[16]，噪聲的頻率主要位于頻譜的高頻部分。

圖2 原始CSI波形圖Fig. 2 Original CSI waveform

為了減少噪聲本文采用Butterworth濾波器。其原理如下：

|H(ω)|2=1/[1+(ω/ωc)2n]=1/[1+ε2(ω/ωp)2n]，

(3)

其中，n為濾波器階數，ωc為通帶截止頻率，ωp為通頻帶邊緣頻率。圖3是濾波后的波形，可以看出濾波后波形變得更為平整。

圖3 Butterworth濾波Fig. 3 Butterworth filtering

1.3 ADA行走區(qū)間檢測算法

由于發(fā)送端和接收端持續(xù)工作，在沒有人移動的情況下，CSI數據捕捉到的是周圍環(huán)境噪聲的影響(圖4)。這些數據對于身份認證是無用的，需要舍棄。當人穿過視線路徑(LOS)時會引起CSI波形變化，這些數據應被保存用于識別(圖5中藍色部分應被丟棄數據，紅色為保留下來的數據)。因此，本文提出了一種行走區(qū)間檢測算法(ADA)，如下所示。

圖4 無人行走時CSI波形Fig. 4 CSI waveform when no one walks

圖5 ADA異常檢測Fig. 5 ADA anomaly detection

ADA算法：

1)輸入：butter濾波后的CSI載波H(k)，異常持續(xù)時間T

2)輸出：行走引起的異常數據

6)If峰峰值<閾值2 去掉這個中心點。

1.4 載波選取

收到的CSI信息為Nt×Nr對，在實驗中共6對。圖6繪制了不同天線對的不同子載波幅度波形圖。圖6(b)可以看出不是所有天線對接收到的CSI都可以用來識別，經過實驗分析選用了天線對1，3，5。每一對收發(fā)天線均含有56個子載波信息，圖6(a)(c)可以看出并不是所有子載波信息都是有用的，無用子載波在很大程度上影響了分類結果。通過計算每一個子載波的標準偏差，來選取標準偏差大于均值的子載波。

圖6 不同天線對不同子載波波形(a)第一對天線子載波波形；(b)第四對天線子載波波形；(c)第五對天線子載波波形Fig. 6 (a) First pair of antenna subcarrier waveforms, (b) Fourth pair of antenna subcarrier waveforms, (c) Fifth antenna subcarrier waveform

1.5 特征值與分類

經過預處理和異常檢測后，從CSI幅度中提取以下幾個特征作為分類器特征值：均值、標準差、中位數絕對偏差、峰度、信息熵、峰值因子、偏度系數、峰峰值、方差及均方根，其計算方法如表1所示。

表1 特征選取

分類器采用林智仁等開發(fā)設計的LIBSVM[22]進行分類。提取CSI幅度的特征值形成樣本數據。對SVM進行訓練得到身份識別模型。最后對測試數據進行分類。本文從不同天線及不同融合方式等角度進行了識別準確率的對比。

2 實驗結果與分析

2.1 實驗平臺搭建

硬件平臺搭建：使用一臺配備Atheros無線網卡(AR9380)的臺式電腦作為接收器。運行Ubuntu 14.04的操作系統(tǒng)。發(fā)射機采用wdr4310路由器，使其運行在2.4 GHz 802.11n模式下。發(fā)送端與接收端相距1.6 m。

圖7 實驗場景圖Fig. 7 Scene diagram of the experiment

軟件環(huán)境：采用由Xie[21]團隊研發(fā)的開源驅動程序Atheros-CSI-Tool來提取CSI數據。路由器持續(xù)向PC端發(fā)送數據包，PC端提取CSI數據。采樣率為250 包·s-1。實驗場景如圖7所示。

2.2 實驗結果分析

方式1：將兩個往返異常段每一段都提取10個特征值，總共40個特征值。再利用SVM算法構建分類模型進行分類。從圖8可以看出使用不同天線對的識別準確率不同，當同時選取3對天線進行識別時準確率最高，4個人識別率達到82.5%。原因是一對天線僅包含部分信息，而3對天線所包含的信息更全面。圖9是SVM分類所得的混淆矩陣。

圖8 分類結果Fig. 8 Classification results

圖9 混淆矩陣Fig. 9 Confusion matrix

方式2：將兩個往返異常段先進行融合后提取10個特征值，再利用SVM算法構建分類模型進行分類。圖10可以看出該方法同樣是采用3對天線識別準確率最高。對比方式1可以看出此種方式準確率更高，4個人識別率達到87.5%。圖11是SVM分類所得的混淆矩陣。

圖10 融合后的分類結果Fig. 10 Classification results after fusion

圖11 融合后的混淆矩陣Fig. 11 Confusion matrix after fusion

3 結論

本文提出了一種基于Wi-Fi信道狀態(tài)信息的身份識別系統(tǒng)。通過濾波及行走區(qū)間檢測等方法處理CSI數據，進行分類識別。實驗表明該系統(tǒng)具有較高的準確率，2人平均識別率為95%，3人平均識別率為90%，4人平均識別率為87.5%。本文僅對CSI幅值信息進行處理，未來還可能進一步研究同時處理幅值和相位信息，以期得到更高的準確率。