智能巡檢環(huán)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(wǎng)甘肅省電力公司,甘肅蘭州 730030;2.國網(wǎng)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(shù)的發(fā)展,傳統(tǒng)的人工巡檢技術(shù)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(shè)備無人看管會(huì)導(dǎo)致設(shè)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(tài)下對人員的入侵進(jìn)行檢測成為了智能巡檢系統(tǒng)發(fā)展的重要問題。

傳統(tǒng)的人員入侵檢測主要是基于高精度光學(xué)攝像頭以及傳感器等設(shè)備。如文獻(xiàn)[1]利用多個(gè)固定攝像機(jī)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(yùn)動(dòng)軌跡。文獻(xiàn)[2]首先使用攝像頭采集錄像并將其種的每一幀轉(zhuǎn)換為圖像,之后利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,最后利用訓(xùn)練好的模型來判斷時(shí)候有人員入侵。但是攝像頭存在探測盲區(qū),且在光線不充足的環(huán)境中無法穩(wěn)定工作。文獻(xiàn)[3]提出使用聲學(xué)傳感器感應(yīng)人體腳步的聲音信號(hào)來檢測人員入侵。文獻(xiàn)[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(shè)備都存在易受環(huán)境的影響,當(dāng)有其他聲音或重力干擾時(shí)誤報(bào)率會(huì)大幅上升。由于上述無設(shè)備入侵檢測方法的局限性,發(fā)展迅速的WiFi設(shè)備為上述問題提供了一個(gè)良好的解決方案。首先,WiFi設(shè)備的普適性較強(qiáng),部署成本較低。其次利用WiFi信號(hào)進(jìn)行入侵檢測保護(hù)了其他用戶的隱私。

以往的研究中,研究人員利用接收信號(hào)強(qiáng)度(Received Signal Strength,RSS)來檢測人員的入侵,如文獻(xiàn)[5]提出了RASID系統(tǒng),RASID利用RSS信號(hào)再結(jié)合不同的異常檢測模塊識(shí)別人員的入侵。但是RSS受多徑效應(yīng)影響嚴(yán)重,包含大量的環(huán)境噪音,信號(hào)處理也很難消除噪音影響。相較于RSS,信道狀態(tài)信息(Channel State Information, CSI)對信道具有更細(xì)粒度的描述,更加穩(wěn)定,且受環(huán)境影響較小。如文獻(xiàn)[6]中提出了一種免訓(xùn)練的入侵檢測系統(tǒng),采用多重信號(hào)分類算法對CSI信號(hào)進(jìn)行特征分解,利用分解后的特征值進(jìn)行入侵檢測。文獻(xiàn)[7]提出的AR-Alarm系統(tǒng)利用CSI以及自適應(yīng)學(xué)習(xí)機(jī)制進(jìn)行人員入侵檢測并實(shí)現(xiàn)了對不同環(huán)境與干擾的魯棒性。文獻(xiàn)[8]提出了DeMan系統(tǒng),DeMan系統(tǒng)利用CSI信號(hào)的幅度與相位信息來檢測人體的靜止與運(yùn)動(dòng)從而判斷是否有入侵發(fā)生。

基于上述特點(diǎn),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(shè)備上采集人員入侵信號(hào),利用巴特沃斯低通濾波器去除環(huán)境噪聲,之后將所有數(shù)據(jù)輸入BiLSTM網(wǎng)絡(luò)中進(jìn)行訓(xùn)練,得到最終的分類模型。在線階段,將實(shí)時(shí)采集的數(shù)據(jù)經(jīng)過相同處理后輸入訓(xùn)練好的BiLSTM模型中,得到最終檢測結(jié)果。

1 相關(guān)工作

1.1 信道狀態(tài)信息

CSI描述了信號(hào)如何從發(fā)射端傳播到接收端。信號(hào)的傳播可以建模如下:

其中,y為接收信號(hào),x為發(fā)射信號(hào),H為信道矩陣模型,n為高斯噪聲。利用正交頻分復(fù)用(Orthogonal Frequency Division Multiplexing,OFDM)技術(shù)可以將CSI信號(hào)分解為多個(gè)子載波,每個(gè)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(shù)據(jù),H(k)與 ∠H(k)分別表示第k條子載波的振幅與相位。當(dāng)有人進(jìn)入發(fā)射端與接收端中間時(shí)會(huì)引起CSI振幅與相位信號(hào)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(shù)字濾波器的一種[9]。其特點(diǎn)為通頻帶內(nèi)的信號(hào)頻率響應(yīng)曲線最平滑。巴特沃斯低通濾波器通過衰減信號(hào)中的高頻分量來平滑信號(hào),可以用如下公式表示:

式中,α為濾波器的階數(shù),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(hào)中包含的高頻環(huán)境噪聲,使入侵信號(hào)更加明顯,有效提高了最后的識(shí)別效果。

2 入侵檢測方法

2.1 數(shù)據(jù)獲取及處理

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

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

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

2.2 離線處理階段

長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)是循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)的一種[10]。LSTM非常適合處理具有時(shí)序的數(shù)據(jù),所以本文利用LSTM網(wǎng)絡(luò)的結(jié)構(gòu)來對入侵信號(hào)進(jìn)行處理。LSTM網(wǎng)絡(luò)的結(jié)構(gòu)如圖3所示。

圖3(a)為LSTM網(wǎng)絡(luò),它由多個(gè)單體LSTM細(xì)胞組成。圖3(b)則為單個(gè)LSTM細(xì)胞的結(jié)構(gòu)。我們將入侵信號(hào)按照時(shí)序的方式輸出LSTM網(wǎng)絡(luò)中,通過LSTM網(wǎng)絡(luò)中輸入門-遺忘門-輸入門的結(jié)構(gòu)對有效的CSI入侵信號(hào)進(jìn)行保留,并將無效的信息數(shù)據(jù)通過遺忘門進(jìn)行刪除。LSTM網(wǎng)絡(luò)三個(gè)門結(jié)構(gòu)和其他相關(guān)參數(shù)可以定義為:

圖1 入侵信號(hào)原始數(shù)據(jù)Fig.1 Original data of intrusion signal

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

其中σ為sigmoid函數(shù),i,l,θ分別為輸入門,遺忘門,輸出門,R為權(quán)重矩陣,b為偏置,為t時(shí)刻輸入門單元狀態(tài),ct為輸出門單元狀態(tài),th為t時(shí)刻輸出向量,tanh為雙曲正切函數(shù),o為按照元素進(jìn)行乘積。通過輸入門的數(shù)據(jù)會(huì)經(jīng)過遺忘門,在遺忘門中將決定那些數(shù)據(jù)被刪除,哪些數(shù)據(jù)被保留。被保留的數(shù)據(jù)會(huì)進(jìn)入下一個(gè)輸入門中,并更新當(dāng)前LSTM網(wǎng)絡(luò)的狀態(tài)。

但是LSTM網(wǎng)絡(luò)只能處理一個(gè)時(shí)序方向的數(shù)據(jù),沒有考慮上下文關(guān)系,所以會(huì)丟失一些關(guān)鍵信息。為了解決這個(gè)問題,本文引入了BiLSTM網(wǎng)絡(luò)。BiLSTM網(wǎng)絡(luò)可以同時(shí)處理兩個(gè)方向的時(shí)序數(shù)據(jù),一個(gè)正向時(shí)序,一個(gè)與正向時(shí)序方向相反的時(shí)序數(shù)據(jù)。將一組CSI入侵信號(hào)分別以正向時(shí)序與反向時(shí)序輸入BiLSTM網(wǎng)絡(luò),上層LSTM網(wǎng)絡(luò)處理當(dāng)前時(shí)刻與上文的信息,下層LSTM網(wǎng)絡(luò)則處理當(dāng)前時(shí)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(hào)的上下文信息。這種方法完整的保存了CSI入侵信號(hào)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(yàn)證分析

3.1 實(shí)驗(yàn)設(shè)置

本文設(shè)置了兩種實(shí)驗(yàn)場景,分別為機(jī)房與大廳。實(shí)驗(yàn)場景平面結(jié)構(gòu)圖如圖4所示。

本文共設(shè)置4名實(shí)驗(yàn)人員進(jìn)行入侵活動(dòng),除此之外,本文引入了兩個(gè)評估指標(biāo):

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

(2)誤報(bào)率(False Positive Rate,FPR):當(dāng)沒有人員入侵時(shí)發(fā)出警報(bào)的比例。

3.2 不同實(shí)驗(yàn)環(huán)境的影響

為了驗(yàn)證本方法對不同環(huán)境的魯棒性,本文選擇了機(jī)房與大廳兩個(gè)環(huán)境進(jìn)行驗(yàn)證。其中機(jī)房為復(fù)雜環(huán)境,有大量的干擾物。大廳為空曠環(huán)境,干擾物較少。讓4名實(shí)驗(yàn)人員分別入侵兩種環(huán)境并進(jìn)行檢測,實(shí)驗(yàn)結(jié)果如圖5所示。

從實(shí)驗(yàn)結(jié)果可以看出,在大廳環(huán)境下的TDR為96.7%,在大廳環(huán)境下的TDR為95.2%。在大廳環(huán)境中的TDR要高于機(jī)房環(huán)境,這是由于機(jī)房環(huán)境更為復(fù)雜,導(dǎo)致信道產(chǎn)生大量的多徑效應(yīng),產(chǎn)生大量的干擾信息,所以TDR會(huì)有所下降。而大廳環(huán)境較為空曠,多徑效應(yīng)相對較少,所以TDR也相對較高。不過總體結(jié)果來看,本方法對環(huán)境具有較高的魯棒性。

圖3 LSTM網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 LSTM network structure

圖4 實(shí)驗(yàn)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(huì)引起CSI信號(hào)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(shí)驗(yàn)人員靜止站立,并將掉落物品提前拿在手中,以確保實(shí)驗(yàn)人員在物品掉落過程中盡可能少地進(jìn)行運(yùn)動(dòng)。本文按照物品地體積大小選取了乒乓球,手機(jī),水瓶,書本四種物品,并在機(jī)房環(huán)境下進(jìn)行驗(yàn)證。實(shí)驗(yàn)結(jié)果如圖6所示。

從圖中結(jié)果可以看出,當(dāng)物品掉落時(shí),隨著物品體積的增大,觸發(fā)入侵檢測的概率也逐漸增加。而且通過實(shí)驗(yàn)發(fā)現(xiàn),當(dāng)物品掉落后進(jìn)行水平運(yùn)動(dòng)時(shí)造成的誤報(bào)率最高。但是從整體結(jié)果來看,當(dāng)物品掉落時(shí),不觸發(fā)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(qiáng)的抗干擾性。

3.4 實(shí)驗(yàn)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(shí)觸發(fā)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(huán)神經(jīng)網(wǎng)絡(luò)(Bidirectional recurrent neural network,Bi-RNN),決策樹算法進(jìn)行了比較。對比結(jié)果如表1所示。

從對比結(jié)果可以看出,使用BiLSTM的TDR最高,達(dá)到了95.95%,使用Bi-RNN與LSTM的識(shí)別率分別為93.74%與91.37%,結(jié)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(jié)

本文提出了一種針對于智能巡檢環(huán)境下利用CSI信號(hào)檢測人員入侵的方法。離線階段在商用WiFi設(shè)備上采集人員入侵的CSI信號(hào),經(jīng)過巴特沃斯低通濾波器進(jìn)行去噪后輸出BiLSTM網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。在線階段實(shí)時(shí)采集人員入侵信號(hào),利用相同方法去噪后輸入BiLSTM網(wǎng)絡(luò)中進(jìn)行識(shí)別,最后輸出識(shí)別結(jié)果。實(shí)驗(yàn)結(jié)果證明,本方法對于不同環(huán)境具有較好的適應(yīng)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(jìn)一步提高系統(tǒng)的抗干擾性以及檢測成功率為目標(biāo)。