Wi-Fi 動作識別在室內(nèi)入侵檢測中的應用

丁曉慧，周 磊

（淮北理工學院，安徽 淮北 235000）

隨著室內(nèi)安全受重視程度不斷提高，室內(nèi)安防設備爆發(fā)式增長，目前室內(nèi)防入侵檢測設備存在安裝成本較高、用戶隱私泄露、隱蔽性等問題。隨著通信感知一體化技術的發(fā)展，眾多學者展開了Wi-Fi 感知功能的研究[1]。使用Wi-Fi 信道狀態(tài)信息（Channel State Information，CSI）作為信號源的智能入侵檢測系統(tǒng)很好地規(guī)避了當前安防設備的缺點。當前，Wi-Fi 的動作識別方法主要有3 類：利用信號特征分類方法[2]、利用機器學習的方法[3]、利用神經(jīng)網(wǎng)絡的方法[4]?，F(xiàn)有的方法大多針對某一種方法進行優(yōu)化，通過改進算法提升動作識別準確度，但只針對單方面的優(yōu)化往往僅能帶來較少的提升效果。對此，提出了一種新的動作識別方法，首先，將收集的CSI 數(shù)據(jù)進行BVP[5]變換，隨后，對得到的BVP 數(shù)據(jù)進一步處理，得到用于作為輸入的動作源數(shù)據(jù)，然后，創(chuàng)新性引入3D-CNN（3D Convolutional Neural Network）深度神經(jīng)網(wǎng)絡模型[6]，改進神經(jīng)網(wǎng)絡，更加充分提取動作源數(shù)據(jù)的特征，提升檢測精度。實驗表明，該方法較現(xiàn)有的Wi-Fi 動作識別方法具有更高的檢測精度。

1 Wi-Fi 動作識別

Wi-Fi 動作識別是指以無線路由器為信號源，通過檢測由人體運動引發(fā)的CSI 信號變化，從而對人體動作進行識別的一種新型感知方法。如圖1 所示，由于人體的電磁特性，處于室內(nèi)Wi-Fi 環(huán)境下，人體會反射無線電信號。部分Wi-Fi 信號經(jīng)過人體反射后，進一步通過墻壁反射和障礙物繞射等，經(jīng)由多個不同路徑到達信號接收端，這些信號會與直接到達接收端的信號形成時延，從而產(chǎn)生多徑效應。而在接收端的多徑信號中，由于人體反射引起的部分多徑信號有著獨特的特征[7]。

令信號源與接收端距離為d，屋頂與地板反射點距離為R。人體對無線電信號產(chǎn)生的影響可由以下公式計算

其中：Ptx為發(fā)射功率，Prx（d）為接收功率，Gtx為發(fā)射增益，Grx為接收增益，λ 為Wi-Fi 信號波長，ε 為信號散射路徑長度，|TxQn|為信號源到第n 層菲涅爾區(qū)的距離，|RxQn|為接收機到第n 層菲涅爾區(qū)的距離，|TxRx|是信號源與接收機的距離。據(jù)以上公式，人體不同的移動方式會引起無線電信號的不同波動，通過使用合適的算法，建立不同動作和不同信號波動之間的聯(lián)系，就能夠完成動作識別。

2 Wi-Fi 室內(nèi)入侵檢測系統(tǒng)

隨著人工智能技術的發(fā)展，深度學習的模型和架構(gòu)逐步更新擴充[8]，在模式識別領域，有著越來越多的神經(jīng)網(wǎng)絡架構(gòu)出現(xiàn)[9]，依靠優(yōu)異的性能表現(xiàn)，卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，CNN）從模式識別領域脫穎而出，逐漸應用到各個領域。Wi-Fi 信號經(jīng)由室內(nèi)傳播后，到達無線網(wǎng)卡的信號包含了諸多環(huán)境和室內(nèi)物體信息。因此，僅依靠信號處理或是深度學習算法對CSI 信號進行分析，其識別正確率都難以達到應用需求，針對此類問題，使用先進的數(shù)據(jù)處理方法對CSI 信號濾波后，得到與人體動作具有高度相關性的信號，進而使用基于3D-CNN 的深度神經(jīng)網(wǎng)絡進行訓練、識別，得到具有較高準確度的模型。

2.1 系統(tǒng)結(jié)構(gòu)

入侵檢測系統(tǒng)由3 部分構(gòu)成：信號收集、數(shù)據(jù)處理、入侵檢測，其結(jié)構(gòu)如圖2 所示。

圖2 系統(tǒng)結(jié)構(gòu)

信號收集部分使用路由器的Wi-Fi 信號作為發(fā)射源，2 塊無線網(wǎng)卡作為接收機，從而完成CSI 信號采集。數(shù)據(jù)處理部分是對采集到的CSI 信號進行相關特征提煉。入侵檢測部分使用基于3D-CNN 的深度神經(jīng)網(wǎng)絡算法，以處理后的數(shù)據(jù)為輸入，并經(jīng)由神經(jīng)網(wǎng)絡輸出檢測結(jié)果。針對CSI 信號高頻波動、低頻擾動、人體動作頻率低的特點，提出了一種與人體動作具有強相關性的信號。

2.2 特征提取

為了剔除CSI 數(shù)據(jù)中與檢測目標無關的雜波信號，對收集到的CSI 數(shù)據(jù)作多重信號處理。使用DFS的方法提取出信號的頻域特征，進一步過濾高頻分量。由于環(huán)境噪聲干擾造成Wi-Fi 數(shù)據(jù)包的丟失，且Wi-Fi 信號受到頻率選擇性衰落的影響，因此不同子載波具有不同的信噪比（SNR）。令x（t）和y（t）分別為時間t的傳輸信號和接收信號，那么CSI 信號可以表示為H（f，t）=Y（f，t）/X（f，t），其中Y（f，t）和X（f，t）是x（t）和y（t）的頻域表示方法。

式中：N 是各個傳播路徑的數(shù)量，αn（f，t）和τn（f，t）分別是第n 條路徑的復衰減和傳播延遲，ejε（f，t）則是由定時對準偏移、采樣頻率偏移和載頻偏移引起的相位偏移。通過對公式（3）進行變換，可以得到

式中：Hs（f）是CSI 信號各個靜態(tài)路徑的和（不包含多普勒頻偏），Pd是由目標移動影響CSI 信號產(chǎn)生的動態(tài)路徑（包含多普勒頻偏）。通過這樣的變換，再加上低通濾波、主成分分析等進一步處理，得到了處理后的包含人體移動特征的信號，如圖3 所示。

圖3 CSI 信號

2.3 深度神經(jīng)網(wǎng)絡

使用數(shù)據(jù)為具有時間相關的二維數(shù)據(jù)，考慮到數(shù)據(jù)的時間連續(xù)性，使用3D-CNN 作為基礎算法，并依此搭建深度神經(jīng)網(wǎng)絡，神經(jīng)網(wǎng)絡結(jié)構(gòu)如圖4 所示。

圖4 深度神經(jīng)網(wǎng)絡結(jié)構(gòu)

為了使數(shù)據(jù)能夠匹配模型，將2.2 中所得數(shù)據(jù)進一步處理，將輸入數(shù)據(jù)格式統(tǒng)一為20*20*30 的多維數(shù)組，輸出是7 維的矩陣（使用one-hot 編碼），模型使用了3 個卷積層，編號為1—3，其filter 的尺寸分別為：10、20、40，卷積核的大小為（3，3，3）。有3 個池化層，分別位于3 個卷積層之后。

3 實驗驗證

實驗采用的軟件配置：Ubuntu16.04+Anaconda3+Keras，硬件環(huán)境為路由器+Intel5300 網(wǎng)卡，搭建的實驗平臺設置在一個真實辦公場景的房間中，路由器位于房間一角，2 個接收網(wǎng)卡位于房間2 個對角。其中，數(shù)據(jù)速率約為2 000 個/s CSI 數(shù)據(jù)包，工作頻率為5.25 GHz，實驗人員在空曠位置模擬室內(nèi)入侵行為。為了驗證方案的可行性，在實驗房間中放置了無線鼠標、無線鍵盤、藍牙耳機等干擾項。

實驗對3 種不同的入侵行為進行了檢測，包含：推門、跳窗、室內(nèi)走動。測得系統(tǒng)入侵檢測準確率100%。入侵行為分類準確率平均達到98.7%。為了驗證所提模型的可移植性，使用Widar 的開源數(shù)據(jù)集進一步驗證，依然得到了一致的實驗結(jié)果。

WiAct[10]使用人體動作和CSI 信號中的振幅信息之間的相關性來對不同的動作進行鑒別，使用機器學習及逆行動作數(shù)據(jù)分類。Wi-Motion[11]從CSI 序列中分別提取振幅信息和相位信息，并對二者分別構(gòu)造分類器，通過后驗概率的組合策略對分類器的輸出進行組合。Wi-Multi[12]組合策略使用動態(tài)時間規(guī)整與支持向量機提取樣本，并使用深度神經(jīng)網(wǎng)絡對人體動作進行識別。將平均識別準確率和最優(yōu)識別準確率作為評價4 種模型的指標，表1 給出了所提方法與當前方法的對比。

表1 分類準確率比較

觀察表1 可知，5 種識別模型中，該方法的動作分類準確率顯著高于其他4 種模型，相對而言，前4 種模型在局部動作的識別上更有優(yōu)勢，但在室內(nèi)入侵檢測場景下，該方法具有更加出色的表現(xiàn)。這是由于該方法使用了更為契合人體整體動作的特征提取方法和深度神經(jīng)網(wǎng)絡模型。該方法在辦公環(huán)境下進行試驗，可知，該方法能夠適用于大多數(shù)室內(nèi)環(huán)境中的入侵檢測，并且能夠提供優(yōu)秀的識別精準率和較高的魯棒性。

4 結(jié)束語

本文提出了一種使用Wi-Fi 為信號源，利用信道狀態(tài)信息的入侵檢測方法。對人在不同室內(nèi)場景下的入侵行為檢測具有較高的識別率。同時，盡可能剔除了信號的無關量。創(chuàng)新性地將3D-CNN 深度神經(jīng)網(wǎng)絡模型應用到室內(nèi)入侵檢測領域，增加了入侵檢測的新方法。實驗結(jié)果顯示，在3 種不同入侵場景下，平均識別準確率能夠達到98.7%，同時驗證了所提出模型在開源數(shù)據(jù)集的有效性。在以后的研究中，將研究新的特征提取方法，旨在學習每個人的行為姿態(tài)特點，從而實現(xiàn)身份識別。未來的工作還會進一步探索基于Wi-Fi 的入侵檢測，以增強檢測準確率。