馬永濤，高?鑫

?

基于Adaboost的無源RFID射頻層析成像偽目標識別

馬永濤，高?鑫

(天津大學微電子學院，天津 300072)

被動式定位(DFL)中的射頻層析成像(RTI)算法主要運用在無線傳感器網絡(WSN)中．而物聯(lián)網的快速普及使得無線射頻識別(RFID)網絡隨處可見，所以本文提出了在無源RFID網絡下實現(xiàn)RTI的被動式定位算法．針對多目標情況下的偽目標問題，提出了一種基于Adaboost的機器學習算法來去除偽目標，最終在目標數(shù)目未知的前提下實現(xiàn)至少3個目標的準確識別．實驗結果表明提出的方法可行性很高，在定位誤差為0.7,m時目標識別準確度達到86%,．

被動式定位；射頻層析成像；無線射頻識別；機器學習

在今天無處不在的智能技術研究中，一個巨大的挑戰(zhàn)就是獲取用戶在室內環(huán)境的位置估計．目前室外的定位方式主要是依靠衛(wèi)星定位，如美國的GPS全球定位系統(tǒng)，俄羅斯的GLONASS定位系統(tǒng)，歐盟的GALILEO計劃，當然還有我國的北斗衛(wèi)星導航系統(tǒng)．目前衛(wèi)星定位在室外的定位精度基本上可以達到10,m以內．但是這種定位方式有2個缺陷：①在室內GPS的定位精度急劇下降；②這種定位方式需要被定位目標攜帶信號發(fā)射器，如手機、智能手表等．而在某些情景下目標不會主動攜帶這些設備，比如敵人入侵的時候．這時就需要一種不以待定位目標的意志所轉移的方式來實現(xiàn)定位，這就是被動式定位[1]，被動式定位(device-freelocalization，DFL)的概念一經提出就迅速吸引了很多學者的注意，并相繼發(fā)表了大量高水平論文[2-10]，可以預見在未來很長一段時間都是一個研究的熱點．DFL的另一個優(yōu)點是在得到目標位置的同時又實現(xiàn)了對目標隱私的保護功能，不同于攝像頭直接把目標的一舉一動都放在了眼前，而且攝像頭還對光照敏感[11]．

DFL不需要目標攜帶任何無線設備．當目標進入到定位區(qū)域后，不可避免地會遮擋一部分無線通信鏈路，從而造成這些鏈路信號強度上的變化．而目標處在不同的位置遮擋的鏈路是不同的，造成的鏈路的改變也是不同的．因此，基于鏈路的測量信息來推測目標的位置是合理可行的．

實現(xiàn)DFL的方法有很多，其中射頻層析成像(radio tomographic imaging，RTI)是一種新穎的解決方式[12-13]．射頻層析成像的基本思想是把定位區(qū)域劃分成大小相等的網格(像素點)，網絡中每條鏈路的衰減等效成該條鏈路穿過的所有網格的衰減值之和．然后建立數(shù)學模型，通過求解矩陣方程組，反解出每個像素點衰減的像素值．最后以圖像的方式把這些像素值成像出來，在圖像中最亮的區(qū)域即為最終的目標位置．該算法因其具有計算復雜度低、定位精度高、不需要訓練數(shù)據(jù)、實時性好的優(yōu)點而受到了關注，其中尤以美國的猶他大學對此研究得最為深刻. Zhao等[14-15]先后提出用子空間分解法(SubVRT)和方差最小二乘法(LSVRT)來減少基于方差的被動式定位中的噪聲來實現(xiàn)目標的精確定位與跟蹤．另一個研究重點是RTI的權重模型．Inverse Area Elliptical模型[16]，基于衰落水平的空間權重模型[17]和基于幾何學的橢圓權重模型[18]的提出，使得RTI算法更加實用．中山大學的Huang等[19]提出一種數(shù)據(jù)高效的RTI方案，旨在利用鏈路的衰減水平信息以及貝葉斯壓縮感知算法來實現(xiàn)自適應的鏈路選擇．該方案的優(yōu)點是排除了信息量少而且衰落不確定度很高的鏈路，從而高效地利用測量數(shù)據(jù)并提高了定位性能．

然而上述文獻中所提到的RTI算法幾乎都是以傳統(tǒng)的WSN為基礎來實現(xiàn)DFL．本文提出在無源RFID網絡下實現(xiàn)RTI被動式定位算法．RFID技術是物聯(lián)網領域的一項關鍵性技術，近年來受到了廣泛關注，并發(fā)展迅速．由于RFID技術也是一種無線通信技術，并且容易得到標簽和閱讀器天線通信時的接收信號強度(RSS)．由此可以想到，RFID系統(tǒng)也可用于實現(xiàn)被動式定位．與無線傳感器網絡相比，該系統(tǒng)主要有兩方面的優(yōu)勢：① 成本更低：物聯(lián)網的飛速發(fā)展使得RFID的成本不斷降低，特別是無源標簽的成本越來越小，同時定位系統(tǒng)只需要少量的閱讀器天線；② 維護費用低：無源標簽無需電池供能，不怕油漬、灰塵污染等惡劣的環(huán)境，使用壽命長，而且易于布置．

本文研究了在無源RFID場景下的RTI被動式定位方法，并針對在定位區(qū)域出現(xiàn)多個目標時RTI算法定位性能急劇下降問題提出了一種新的解決方案，充分利用成像后圖片的特點，并與機器學習算法相結合，排除偽目標點，精確識別目標的位置和個數(shù)．并對所提出的算法做了實驗驗證．本文的結構如下：第1節(jié)介紹如何在無源RFID場景下實現(xiàn)RTI算法；第2節(jié)提出多個目標出現(xiàn)時的問題模型；第3節(jié)給出多目標問題解決方案；第4節(jié)進行實驗驗證和結果分析；第5節(jié)作出總結并展望未來．

1?無源RFID場景下的RTI

1.1?RTI

RTI算法源于人們所熟悉的雷達掃描和CT成?像[13]．以往對RTI算法的研究都是基于無線傳感器網絡，進入監(jiān)控區(qū)域的目標會引起區(qū)域中無線鏈路RSS的改變，而被影響的鏈路攜帶了目標的位置信息．射頻層析成像算法就是對這種相互關系進行數(shù)學建模，最后用成像的方式顯示定位結果．假設定位區(qū)域被分成個相同大小的網格．當目標進入網格區(qū)域后，某些鏈路因被遮擋而產生了衰減，把該條鏈路的衰減等效成這條鏈路穿過的網格的衰減．用數(shù)學公式表示為[13]

???(1)

式(1)求解的經典方法是最小二乘估計，但這里涉及到矩陣的求逆，從而形成了數(shù)學上的不適定問題．常用的方法是在最小二乘的基礎上使用正則化技術，最后可得[13]

???(2)

???(3)

1.2?無源RFID場景下實現(xiàn)RTI-DFL

RFID系統(tǒng)由閱讀器、標簽、閱讀器天線以及對應的軟件所組成．這里的無源指的是無源標簽，當然還有有源標簽．但無源標簽體積小，成本低，可以實現(xiàn)大規(guī)模地布置在室內各處，比如貼在墻上或放在地毯下面．隨著物聯(lián)網的加速發(fā)展，其核心的RFID技術將會有更大的應用范圍，所以本文研究了如何在無源RFID場景下實現(xiàn)RTI被動式定位．

首先模仿無線傳感器網絡下的定位場景，無源RFID系統(tǒng)的定位場景設置如圖1 所示．本文中把閱讀器天線放置在每條邊的中點，主要是為了使通信鏈路盡量覆蓋全部的定位區(qū)域，并且讓每個網格的鏈路密度最大限度地均勻分布．這里的鏈路密度定義為穿過一個網格的鏈路的總條數(shù)．另一種分布是將閱讀器天線放在4個角落，但仿真結果表明定位效果不如前一種布置方式好．這里需要說明的一點是，在固定大小的定位區(qū)域中應該存在最優(yōu)的布置方式以及最優(yōu)的標簽、閱讀器數(shù)量．這也是今后的一個研究?方向．

圖1?無源RFID場景下的RTI被動式定位示意

在RFID系統(tǒng)中應用RTI算法，首先需要得到定位區(qū)域中每條通信鏈路的RSS變化量．在RFID系統(tǒng)中，一條完整的通信鏈路包括兩部分：由閱讀器天線發(fā)射無線信號到標簽稱為前向鏈路；由標簽把無線信號反射回閱讀器天線稱為后向鏈路．每條鏈路返回的RSS值可以在閱讀器終端直接獲得．那么當目標遮擋了某條鏈路時，RSS會如何變化呢?有學者提出了一種模型來模擬這種變化[20]．

???(4)

???(5)

???(6)

???(7)

2?多目標問題

RTI算法基于兩個前提：①目標的出現(xiàn)會引起定位區(qū)域中特定的無線通信鏈路的RSS衰減；②受影響的鏈路的RSS衰減可以等效為該條鏈路穿過的像素點的衰減之和．那么直觀上的感覺就是多條受影響鏈路的交點形成了最終目標的位置．定位區(qū)域中如果只出現(xiàn)一個目標時，把上述交點作為目標的位置可信度很高．但是當出現(xiàn)兩個以上的目標時，僅僅把不同鏈路的交點當做目標位置就不再可行．因為當出現(xiàn)多個目標時，會隨之出現(xiàn)偽位置點，而這些點也是受影響鏈路的交點，如圖3所示．

RTI算法最終的結果是一幅二維圖像，在圖像中最亮的區(qū)域為目標所在區(qū)域，而這些最亮的區(qū)域是由多條受影響的鏈路相交而成．從圖3中可以發(fā)現(xiàn)，當出現(xiàn)兩個以上的目標時，受影響的鏈路的交點隨之變多，反應到成像結果圖像上就是局部最亮區(qū)域變多．這里把那些多余的交點稱為偽目標點．而在預先不知道目標數(shù)目的情況下，這時的定位結果就顯得毫無意義．那也就意味著RTI算法在無源RFID場景下只能實現(xiàn)單個目標的定位．

圖3?多個目標出現(xiàn)時的RTI算法成像結果

在這種情況下只有2種選擇．①在定位之前想辦法得到目標的個數(shù)，然后再設法排除偽位置．比如用閾值法直接把前幾個最亮的區(qū)域作為真實目標．②直接去除偽目標，在確定目標位置的同時確定目標的個數(shù)．在實際情況下，第2種情形更為常見．

3?基于Adaboost算法的多目標識別

本文的思路是既然RTI算法的結果是一幅圖像，那么就可以直接在圖像上尋求解決問題的方法．那么如何把圖像中的真實目標點和偽目標點分開，即去除偽目標點．定位問題已轉變?yōu)橐粋€二分類問題．需要做的就是想辦法尋找或提取待分類問題的特征，最后用合適的分類算法實現(xiàn)自動分類.

3.1?“熱點”區(qū)域

如圖 4所示，無論是真實目標點還是偽目標點在成像結果上都以局部最亮區(qū)域出現(xiàn)．這些局部最亮區(qū)域被形象地稱為“熱點”區(qū)域．首先需要把成像結果中的所有熱點都找出來．這些熱點也就是本分類問題中的樣本．在圖像中，熱點即在一定范圍內像素值最大的像素點．在數(shù)字圖像處理中有許多方法可以實現(xiàn)區(qū)域提取，本文采取的是最簡單的方法．想要得到局部最亮區(qū)域可以先找到局部最大值點，通過比較每一個像素點與其周圍相鄰的8個或16個像素點的像素值大小來作出判斷．如果該像素點的值最大，則認為其為一個局部最大值點．遍歷圖像中所有的像素點，找出并記錄所有的局部最大值點的坐標．找到了局部最大值點，即找到了局部最大區(qū)域．在本文中局部最大區(qū)域指以局部最大值為中心的24個像素點組成的區(qū)域．

圖4?無源RFID場景下的RTI算法仿真結果

3.2?特征計算

???(8)

3.3?Adaboost分類器

機器學習(machine learning，ML)現(xiàn)在已成為各個領域的學者們爭先研究的一門學問．機器學習算法是一類從數(shù)據(jù)中自動分析獲得規(guī)律，并利用規(guī)律對未知數(shù)據(jù)進行預測的算法．而Adaboost元算法就是其中的一種[21]．

Adaboost是adaptive boosting的縮寫．其核心思想是利用弱分類器和多個實例來構建一個強分類器．這里的弱指的是分類器的性能比隨機猜測稍好，但不會好很多．在本文中筆者使用簡單的單層決策樹作為弱分類器．單層決策樹就是一種最簡單的決策樹，僅基于單個特征來做決策．

???(9)

??(10)

本文之所以采用Adaboost算法來進行偽目標的識別，有兩點原因：①Adaboost算法適用于大部分的分類問題，尤其在數(shù)據(jù)集的特征類別不多的情況下也能實現(xiàn)很好的分類性能，并且不需要手動調整參數(shù)；②在訓練的時候只需要少量的樣本就可以達到訓練效果，因為它可以重復利用樣本，算法原理相對簡單，易編程實現(xiàn)．Adaboost算法的示意如圖5所示.

圖5?Adaboost算法示意

圖5中，左邊是輸入的樣本數(shù)據(jù)，直方圖的不同長度代表不同樣本的權重大小，每迭代一次各個樣本的權重都要重新計算，迭代次后把個弱分類器加權相加，經判決函數(shù)判決后輸出類別結果．

圖6?無源RFID場景下的RTI被動式定位流程

4?實驗仿真

4.1?實驗設置

為了對本文所提出的方法進行驗證，筆者在真實場景下做了實驗，并用MATLAB對實驗數(shù)據(jù)進行了仿真．本實驗室從美國英頻杰公司引進了一套完整的無源超高頻RFID系統(tǒng)，包括閱讀器R420，4個閱讀器天線以及大量的無源標簽，如圖7所示．

圖7中，實驗區(qū)域大小為4.8,m×4.8,m．每個標簽相距0.3,m，共40個標簽．定位區(qū)域劃分為40×40個正方形網格，每個網格邊長為0.1,m．實驗開始時，需要先選擇樣本點進行訓練．該方法不需要輸入大量的樣本，本實驗只是讓目標站在幾個預先設定好的位置來測量數(shù)據(jù)，而且把不同數(shù)量的目標出現(xiàn)時的數(shù)據(jù)一起進行訓練．由于RSS值比較容易受周圍環(huán)境的干擾，所以在每次記錄時至少測10組數(shù)據(jù)求其均值作為后續(xù)的數(shù)據(jù)使用．分類器訓練好之后，隨機地讓不同數(shù)目的目標隨機站在定位區(qū)域中進行定位驗證．這里有一個要求是，多個目標出現(xiàn)時，彼此的距離不能小于1,m．因為如果不滿足這個條件，在成像結果中兩個目標只有一個熱點，這種情況就變成了另一個需要研究的問題，即在多個目標離得很近時如何判斷目標的數(shù)目．

圖7?無源RFID場景下的具體實驗布置

4.2?實驗結果

正如第2節(jié)所述一樣，直接在無源RFID系統(tǒng)中應用RTI算法會出現(xiàn)很大的問題，當兩個以上的目標出現(xiàn)在定位區(qū)域中后，會在定位結果中出現(xiàn)偽目標，如圖8所示．在事先不知道目標數(shù)目的情況下，定位就變得更加困難．而在經過本文所提方法的處理后，可以準確輕易地獲得目標的數(shù)目和位置．

圖8 無源RFID場景下3個目標的RTI與本文算法的定位結果

4.3?結果分析

大量數(shù)據(jù)仿真后的定位誤差累積分布函數(shù)(cu-mulative distribution function，CDF)曲線如圖9所示.

從圖9中可以看出，在1個目標、2個目標和3個目標場景下，本文所提出的方法可以分別以97%,、87%,和86%,的概率使得定位誤差小于1,m．將本文算法與Wagner等[22]提出的PDE(polygon distance estimation)方法作出比較．PDE算法的思想是構造一個虛擬的多邊形，這個多邊形的頂點由成像結果中的熱點組成．首先計算每對頂點的歐式距離，然后把距離最大的兩個頂點作為真實目標點．原文中該方法其實只適用于2個目標情況，而且對2個目標的相對位置依賴性很大，如果是3個目標情況則基本失去了識別能力．本文在仿真過程中筆者根據(jù)上述算法的思路，在3個目標情形下，先按照上述方法確定距離最大的兩個目標，然后把與前2個目標距離最大的熱點作為第3個目標．實驗結果如圖9所示，相比于PDE方法，本文所提出的方法即使在3個目標情況下也能保持相對高的定位精度．

圖9?無源RFID場景下的RTI定位性能曲線

此外，在本實驗場景下經過多次重復實驗后，經過統(tǒng)計計算分別得到本算法在本實驗條件下1個目標的平均定位誤差為0.57,m，2個目標為0.72,m，3個目標時為0.78,m．對于本文所提出的方法來說，定位性能固然重要，但更重要的是分類器的性能，因為筆者需要先準確分類真實目標和偽目標，才能確定真實目標的位置和個數(shù)．所以還需要對分類器的性能作出評價．在一個二分類問題中，如果一個正例被判為正例，就認為產生了一個真正例(TP)；如果一個反例正確判為反例，就認為產生一個真反例(TN)，相應地，另外兩種情況分別稱為偽反例(FN)和偽正例(FP)．圖10直接給出本方法下的ROC曲線[23]．

圖10利用20個單層決策樹的Adaboost-RTI定位系統(tǒng)的ROC曲線

在圖10的ROC曲線中，橫軸是偽正率(偽正率＝FP/(FP＋TN))，縱軸是真正率(真正率＝TP/(TP＋FN))．圖中的曲線是隨機猜測的結果曲線，左下角對應著把所有樣例判為反例的情形，右上角則是都判為正例的情況．在理想情況下，最佳的分類器應盡可能的位于左上角，這就意味著在偽正率很低的同時得到了很高的真正率．本文的問題中就是把偽目標全部排除而剩下了真實目標.

對不同的ROC曲線進行比較的一個指標是曲線下的面積AUC(area unser the curve)，表示分類器的平均性能值．完美分類器的AUC值為1，隨機猜測為0.5．圖10中從上往下分別是1個目標、2個目標和3個目標時的ROC曲線，對應的AUC值分別為0.97、0.92、0.86．

5?結?語

本文提出了在無源RFID場景下實現(xiàn)RTI被動式定位，并針對RFID場景下多個目標出現(xiàn)時的偽目標問題，提出了基于Adaboost分類器的一套完整方法來實現(xiàn)偽目標的識別，最終在目標數(shù)目未知前提下準確識別真實目標的數(shù)目與位置，并做了大量的仿真實驗來驗證所提方法的可行性．結果表明該方法有一定的研究應用價值．由于實驗場地以及實驗設備的局限性，只做到了3個目標的識別．但隨著物聯(lián)網技術的進一步發(fā)展，RFID系統(tǒng)的通信距離和抗干擾能力必定會大大提升，到時就可以實現(xiàn)更大范圍更多目標的被動式定位，比如在大型商場布置大量的無源RFID標簽實現(xiàn)定位．

［1］ Youssef M，Mah M，Agrawala A. Challenges：Device-free passive localization for wireless environments[C]//. New York，USA，2007：222-229.

［2］ Zhou Zimu，Yang Zheng，Wu Chenshu，et al. Omnidirectional coverage for device-free passive human detection[J].，2014，25(7)：1819-1829.

［3］ Wang Jie，Gao Qinhua，Pan Miao，et al. Towards accurate device-free wireless localization with a saddle surface model[J].，2016，65(8)：6665-6677.

［4］ Hong J，Ohtsuki T. Signal eigenvector-based device-free passive localization using srray sensor[J].，2015，64(4)：1354-1363.

［5］ Brad M，Philip L，Neal P. Fingerprint-based device-free localization performance in changing environments [J].，2015，33(11)：2429-2438.

［6］ Wang Ju，Chen Xiaojiang，F(xiàn)ang Dingyi，et al. Transferring compressive sensing based device-free localization across target diversity[J].，2015，62(4)：2397-2409.

［7］ Wang Jie，Gao Qinghua，Wang Hongyu，et al. Device-free localization with multidimensional wireless link information[J].，2015，64(1)：356-366.

［8］ 劉?凱，夏?然，柴?柯. 結合菲涅爾理論的免攜帶設備定位研究[J]. 傳感技術學報，2015，28(2)：297-302.

Liu Kai，Xia Ran，Chai Ke. The study of device free localization with wireless networks based on fresnel theory[J].，2015，28(2)：297-302(in Chinese).

［9］ Wang Jie，Gao Qinghua，Yu Yan，et al. Time and energy efficient TOF-based device-free wireless localization[J].，2016，12(1)：158-168.

［10］ Talampas M C R，Low K S. A geometric filter algorithm for robust device-free localization in wireless networks [J].，2016，12(5)：1670-1678.

［11］ Wang Jie，Zhang Xiao，Gao Qinghua，et al. Device-free wireless localization and activity recognition：A deep learning approach[J].，2017，66(7)：6258-6267.

［12］ Neal Patwari，Piyush Agrawal. Effects of correlated shadowing：Connectivity，localization，and RF tomo-graphy[C]//New York，USA，2008：82-93.

［13］ Joey Wilson，Neal Patwari. Radio tomographic imaging with wireless networks[J].，2010，9(5)：621-632.

［14］ Zhao Yang，Neal Patwari. Noise reduction for variance-based device-free localization and tracking[C]//，Salt Lake City，USA，2011：179-187.

［15］ Zhao Yang，Neal Patwari. Robust estimators for variance-based device-free localization and tracking[J].，2015，14(10)：2116-2129.

［16］ Hamilton B R，Ma X L，Baxley R J，et al. Propagation modeling for radio frequency tomography in wireless networks[J].，2014，8(1)：55-65.

［17］ Ossi K，Maurizio B，Neal P. A fade level-based spatial model for radio tomographic imaging[J].，2014，13(6)：1159-1172.

［18］ Lei Qian，Zhang Haijian，Sun Hong，et al. A new elliptical model for device-free localization[J].，2016，16(4)：577.

［19］ Huang Kaide，Luo Yubin，Guo Xuemei，et al. Data-efficient radio tomographic imaging with adaptive bayesian compressive sensing[C]//. Lijiang，

China，2015：1859-1864.

［20］ Lieckfeldt Dominik，You Jiaxi，Timmermann Dirk. Characterizing the Influence of human presence on bistatic passive RFID-System[C]//，. Marrakech，Morocco，2009：338-343.

［21］ Canovas O，Lopez-De-Teruel P E，Ruiz A. Detecting indoor/outdoor places using WiFi signals and adaBoost [J].，2017，17(5)：1443-1453.

［22］ Wagner B，Timmermann D. Approaches for device-free multi-user localization with passive RFID[C]//New York，USA，2013：1-6.

［23］ Wunderlich A，Goossens B，Abbey C K. Optimal joint detection and estimation that maximizes ROC-type curves[J].，2016，35(9)：2164-2173.

(責任編輯：王曉燕)

Adaboost-Based Radio Frequency Tomography for False Target Recognition in Passive RFID

Ma Yongtao，Gao Xin

(School of Microelectronics，Tianjin University，Tianjin 300072，China)

The radio tomographic imaging(RTI)algorithm in device-free localization(DFL)was mainly used in wireless sensor network(WSN)．While with the rapid development of the internet of things，the wireless radio frequency identification devices(RFID)network can be seen everywhere．So the idea of realizing the RTI algorithm in passive RFID network is proposed．The Adaboost-based machine learning algorithm was presented to remove the false goal for multiple target situations．Finally，the accurate identification of at least three targets was realized on the premise that the target number was unknown．Experimental results show the feasibility of the proposed method is very high，and the target recognition accuracy reaches 86%, when the position error is 0.7,m.

device-free localization；radio tomographic imaging；wireless radio frequency identification devices；machine learning

10.11784/tdxbz201703015

TN911.7

A

0493-2137(2018)02-0135-08

2017-03-09；

2017-05-02.

馬永濤（1979—??），男，博士，副教授.

馬永濤，mayongtao@tju.edu.cn.

國家自然科學基金資助項目(61671318).

the National Natural Science Foundation of China(No.,61671318).