黨小超,鄧琦研,郝占軍

(1.西北師范大學(xué) 計算機(jī)科學(xué)與工程學(xué)院,蘭州 730070; 2.甘肅省物聯(lián)網(wǎng)工程研究中心,蘭州 730070)

0 概述

隨著無線通信設(shè)備的普及,基于指紋的位置服務(wù)受到越來越多的關(guān)注,其中,基于WiFi的無源檢測和定位方法成為研究的熱點[1-2],但在現(xiàn)實應(yīng)用中,已有的檢測技術(shù)存在許多不足?；跀z像頭[3]的入侵檢測方法受到視距的影響,如果環(huán)境有遮擋或光照不足,其很難檢測出人員的入侵行為,并且非法人員通過聯(lián)網(wǎng)等對該方法進(jìn)行操作,容易泄露用戶隱私?；趥鞲衅鱗4]的入侵檢測需要在環(huán)境中布置傳感器節(jié)點,工作量很大?；诩t外[5]的入侵檢測可以在非視距環(huán)境下工作,但是其需要特定的設(shè)備,而且工作范圍有限。在實際環(huán)境中,無需人員攜帶設(shè)備的入侵檢測和定位方法更受關(guān)注,借助WiFi信號[6-7]實現(xiàn)無源被動檢測和定位,不僅能夠降低成本,還可以提高檢測和定位的精確度。基于信道狀態(tài)信息(CSI)[8-9]的人員入侵檢測包含了MAC層不可獲得的信道信息,其通過提供細(xì)粒度的信息來提升穩(wěn)定性,因此,該方法廣泛應(yīng)用于室內(nèi)人員檢測任務(wù)中[10]。

針對基于CSI的室內(nèi)無源定位,文獻(xiàn)[11]中的FIFS將CSI數(shù)據(jù)應(yīng)用于指紋定位,利用貝葉斯最大概率估計算法進(jìn)行定位。文獻(xiàn)[12]實現(xiàn)了CSI和MIMO的融合,應(yīng)用CSI的多樣性并同時考慮其幅值特征進(jìn)行定位。文獻(xiàn)[13]研究CSI的相位信息問題,將其相位差的特征應(yīng)用于室內(nèi)定位。文獻(xiàn)[14]將CSI與深度學(xué)習(xí)進(jìn)行結(jié)合,進(jìn)一步提高了定位性能。文獻(xiàn)[15]將測量距離與WiFi位置指紋技術(shù)相融合,提高了室內(nèi)無源定位的精度。上述文獻(xiàn)在選擇取樣點時均將檢測區(qū)域進(jìn)行等間距的網(wǎng)格狀劃分,然后取點取樣,將測試點數(shù)據(jù)與指紋庫數(shù)據(jù)進(jìn)行比較,選取最匹配項的對應(yīng)位置并作為測試點的位置,但這些點的選擇在一定程度上會影響定位精度。

本文提出一種基于30°角同心圓環(huán)形取樣的室內(nèi)人員檢測方法Wi-Dqy,通過獲取WiFi信號物理層的CSI來實現(xiàn)入侵檢測與定位。感知檢測階段,在無人情況下采集CSI數(shù)據(jù),計算數(shù)據(jù)的相似度閾值α,然后根據(jù)Wi-Dqy方法建立樣本點,進(jìn)行樣本點CSI數(shù)據(jù)采集。離線階段,采用PCA算法[16-18]對原始CSI數(shù)據(jù)進(jìn)行降維和降噪處理,提取差異化特征并建立指紋庫。在線階段,利用陸地移動距離(EMD)算法檢測是否有人員入侵,使用基于高斯核函數(shù)的支持向量回歸(SVR)[19]方法與指紋庫進(jìn)行特征匹配,最終計算得到入侵人員位置。

1 相關(guān)理論

1.1 信道狀態(tài)信息

信道狀態(tài)信息是衡量信道情況的物理層信道屬性,包括子載波信號的相位信息和幅度信息,是細(xì)粒度化的物理信息,可對周圍環(huán)境進(jìn)行感知,提供頻域更寬泛的信道信息,并精細(xì)地描繪頻率選擇性信道[20-21]。

1.2 陸地移動距離

EMD是一種概率分布距離的度量[22],用以衡量特征圖像分布上的差異性,相較于其他同類型方法,其避免了量化帶來的影響。設(shè)P是含有m個元素的集合,其表示無人環(huán)境下數(shù)據(jù)的CFR方差概率直方圖,Q是含有n個元素的集合數(shù)據(jù),其表示在線時數(shù)據(jù)的CFR方差概率直方圖,P={(p1,wp1),(p2,wp2),…,(pm,wpm)},Q={(q1,wq1),(q2,wq2),…,(qm,wqm)},D=[di,j]是距離矩陣,其中,di,j是pi、qj的距離。則P、Q間的EMD定義如式(1)～式(5)所示:

(1)

(2)

約束條件為:

fij≥0,1≤i≤m,1≤j≤n

(3)

(4)

(5)

EMD(P,Q)是直方圖之間的距離最小值。

2 Wi-Dqy方法

本文提出一種基于30°角同心圓環(huán)形取樣的室內(nèi)人員檢測方法Wi-Dqy,以對人員進(jìn)行入侵檢測和定位,該方法分為3個階段:

1)感知檢測階段,首先對無人情況下的檢測區(qū)域進(jìn)行CSI數(shù)據(jù)采集,然后根據(jù)30°角同心圓環(huán)形取樣法建立樣本點,進(jìn)行樣本點CSI數(shù)據(jù)采集。

2)離線階段,將感知檢測階段2類原始CSI數(shù)據(jù)進(jìn)行PCA處理,提取差異化特征,然后根據(jù)處理后的CSI數(shù)據(jù)建立2個指紋庫(檢測型指紋庫N1、定位型指紋庫N2),由指紋庫N1得出有人和無人情況時的EMD值。

3)在線階段,將測試點收集到的CSI值與指紋庫N2建立聯(lián)系,計算EMD值,進(jìn)行入侵檢測。若檢測到有人存在,則對其進(jìn)行定位,使用基于高斯核函數(shù)的SVR定位方法將測試點CSI指紋信息代入SVR回歸模型,通過計算可得到人員位置坐標(biāo)。

本文室內(nèi)人員檢測方法流程如圖1所示。

圖1 室內(nèi)人員檢測方法流程Fig.1 Procedure of indoor personnel detection method

2.1 30°角同心圓環(huán)形取樣法

基于CSI的指紋定位方法通常將檢測區(qū)域進(jìn)行網(wǎng)格狀劃分,以人為方式制定長度相等的固定間距并進(jìn)行取點,然后在各樣本點采集原始CSI信號,測試過程中,在隨機(jī)非取樣點處設(shè)置測試點。根據(jù)WiFi信號的傳輸特性和信道的衰落特征,一般發(fā)送端(AP)向外產(chǎn)生以圓形傳播的信號且被接收端(MP)接收,在傳播過程中存在不同原因的衰減,網(wǎng)格狀取樣點并未考慮這些因素對定位精度的影響,并且其樣本點設(shè)置的間距大小、稀疏程度,對后續(xù)測試點與指紋庫特征的匹配以及最終定位精度都會產(chǎn)生一定程度的影響。網(wǎng)格狀樣本點取樣示意圖如圖2(a)所示。

本文Wi-Dqy方法設(shè)計一種30°角同心圓環(huán)形取樣法?；诎l(fā)送端所在的位置,以發(fā)送端到接收端的連線作為x軸,垂直方向為y軸,中點O為圓心,以r,2r,…,kr(k≥1)為半徑繪制同心圓,將待測區(qū)域劃分為環(huán)形,圓環(huán)的半徑每次增加r。然后,以30°角為基準(zhǔn),制作12條射線(包括涉及的坐標(biāo)軸,即6條直線),從x軸正方向(定為0°)開始,逆時針旋轉(zhuǎn)360°,每隔30°以圓心為頂點制作一條射線,與x軸正方向的夾角分別為0°、30°、60°、90°、120°、150°、180°、210°、240°、270°、300°、330°、360°,令各條射線與每一個同心圓的交點為選取的樣本點集合I,則Wi-Dqy方法總樣本點集合為樣本點集合I和圓心O。樣本點的個數(shù)取決于k值,k值的選取與檢測區(qū)域的大小有關(guān)。r值越小,則定位精度越高,同時,構(gòu)建的指紋庫也越復(fù)雜?？紤]實驗環(huán)境、場地大小等因素的影響,Wi-Dqy方法根據(jù)常規(guī)人體臀寬為30 cm～33 cm,將r值選取為1 m,k值選取為3或4。Wi-Dqy方法取樣示意圖如圖2(b)所示。

圖2 2種方法樣本點示意圖Fig.2 Schematic diagram of sampling points oftwo methods

按照30°取樣方法,點與點間相對位置易于通過公式進(jìn)行推導(dǎo)和計算,如勾股定理。與30°取樣相比,60°取樣點過少,15°取樣點間隔過于緊密。從取樣點間距、個數(shù)等方面考慮,相比其他角度,30°取樣更合適。

Wi-Dqy方法的特點是在圖形顯示上,樣本點的選取具有隨機(jī)性,兩點之間距離遠(yuǎn)近不等,且多個點之間連線并非都為線性,這符合未來室內(nèi)定位對樣本點的要求。根據(jù)上述分析可以得知,點之間的距離具有內(nèi)在聯(lián)系,距離和半徑呈現(xiàn)倍數(shù)關(guān)系,可以通過簡單計算得到,而且距離不再是人為指定的等距,增加了樣本點的復(fù)雜性,這使得測試點與指紋庫的特征匹配更易于選擇。而根據(jù)信號的傳播波形特征,采取環(huán)狀取樣法更為合理。Wi-Dqy方法為樣本點選取提供了一種新思路,使樣本點的選取方法不再單一。Wi-Dqy方法的樣本點特點如圖3所示。

圖3 Wi-Dqy方法樣本點示意圖Fig.3 Schematic diagram of sampling points of Wi-Dqymethod

2.2 指紋庫建立

Wi-Dqy方法需要建立2個指紋庫,分別為檢測型指紋庫N1和定位型指紋庫N2。檢測型指紋庫N1用來檢測區(qū)域是否有人員存在,當(dāng)檢測區(qū)域內(nèi)無人存在時,發(fā)送端連續(xù)向接收端發(fā)送數(shù)據(jù)包,提取接收端CSI數(shù)據(jù)構(gòu)建N1。定位型指紋庫N2用來定位室內(nèi)人員所在的位置,構(gòu)建N2時,讓測試員分別站在事先部署好的n個樣本點處,在每個樣本點處提取接收端CSI數(shù)據(jù)并作為該樣本點的指紋,采集每個樣本點處的數(shù)據(jù)構(gòu)建N2。Wi-Dqy方法提取CSI特征值的過程如下:

1)輸入待提取特征的CSI矩陣N。

2)去中心化:計算N的每列得到均值,組成向量η,再用N的每列減去η,最終得到去中心化后的矩陣M。

3)用矩陣M計算得到矩陣V,V=M′M/T。V為M的協(xié)方差矩陣。

4)通過解‖V-λI‖=0計算V的特征值。T個特性向量和特征值分別組成矩陣φ和α,如式(6)、式(7)所示:

(6)

(7)

6)從大到小依次輸出前k個主成分[λ1λ2…λk]。

PCA提取k個主特征值[λ1λ2…λk]后,得到CSI的指紋庫N1和N2。N1中每個信號特征表示為n1j,n1j=(j,csij),則指紋庫表示為N1={n11,n12,…,n1j},其中,j表示子載波索引,(j,csij)表示第j個子載波的CSI值。N2中每個樣本點的信號特征記為n2i,n2i={(xi,yi),csii},則指紋庫表示為N2={n21,n22,…,n2i,…,n2m},其中,i

圖4 經(jīng)PCA處理后的CSI曲線Fig.4 CSI curve after PCA disposal

2.3 人員入侵檢測

入侵檢測階段先選取方差距離方法對CSI幅值進(jìn)行建模,再采用EMD法來對比各CFR采樣序列的差異化特征,以判斷檢測區(qū)域是否存在人員。

2.3.1 CSI幅值建模

選取方差距離方法對CSI幅值進(jìn)行建模,利用方差的性質(zhì)判斷檢測區(qū)域是否有人員存在。在無人的環(huán)境下,CSI的幅值分布要比有人時更為聚集[21]。本文使用一個長度為M的滑動窗捕獲這些CSI幅值信息,計算得到均方差,如下:

(8)

經(jīng)過計算得到CFR序列方差概率直方圖，在無人環(huán)境下，大部分的采樣方差值較為集中，概率密度趨于1，而在有人的環(huán)境下，采樣方差較為分散。

2.3.2 EMD方法

通過EMD法對比采樣序列的特征差異,以判斷檢測區(qū)域是否存在人員。使用EMD方法的步驟如下:

1)在無人狀態(tài)下采集多組數(shù)據(jù),根據(jù)數(shù)據(jù)計算無人時的相似度EMD,將每組相似度累加求取平均值,將該值設(shè)為閾值α,實驗計算得到α為4.3。

2)根據(jù)上述過程計算無人情況和實時情況下數(shù)據(jù)的方差概率直方圖。

3)通過1.4節(jié)所述方法計算得出CFR方差概率直方圖的EMD距離。

4)當(dāng)EMD<α?xí)r,判斷為無人環(huán)境;當(dāng)EMD≥α?xí)r,判斷為有人入侵環(huán)境,進(jìn)行后續(xù)的人員定位。

2.4 人員定位

因為室內(nèi)環(huán)境復(fù)雜,本文在定位階段采用基于高斯核函數(shù)的SVR來建立CSI的幅度(或相位)信息和位置間的非線性回歸關(guān)系。通過回歸原理,利用映射的非線性方法[23]在立體空間中找到一個最優(yōu)超平面,將其替代原始空間的非線性關(guān)系。在數(shù)值上,維度不同的指紋數(shù)量級差別較大,與高數(shù)量級相比,低數(shù)量級的指紋特征對回歸模型的影響權(quán)重非常小。因此,在建立回歸模型前,先進(jìn)行歸一化處理[24]。

根據(jù)已經(jīng)建立好的指紋庫數(shù)據(jù)，使用數(shù)據(jù)集{(ri,xi)|i=1,2,…,n}和{(ri,yi)|i=1,2,…,n}，其中，ri表示對應(yīng)(xi,yi)位置處的CSI指紋信息。通過SVR算法，建立CSI特征信息與x軸坐標(biāo)xi、y軸坐標(biāo)yi的非線性關(guān)系fx、fy，從而建立每組CSI特征信息對應(yīng)的位置坐標(biāo)，最終通過計算預(yù)測測試點的位置坐標(biāo)。基于高斯核函數(shù)的SVR定位主要步驟為:

1)選取模型回歸自變量和因變量。構(gòu)造回歸的線性估計函數(shù),得到位置坐標(biāo)的計算函數(shù),以x軸為例,如式(9)所示:

(9)

2)歸一化處理,如式(10)所示:

(10)

其中,rmax表示最大值數(shù)據(jù),rmin表示最小值數(shù)據(jù),rnorm表示最終計算所得數(shù)據(jù)。

3)引入高斯核函數(shù)m(xi,yj),將目標(biāo)函數(shù)進(jìn)行修正和改寫,得到函數(shù)function,如式(11)所示:

(11)

4)利用得到的參數(shù)訓(xùn)練模型。

5)將測試點數(shù)據(jù)代入回歸模型,分別計算得到x軸與y軸的位置坐標(biāo),預(yù)測人員位置。

3 實驗結(jié)果與分析

3.1 實驗環(huán)境

本文在WiFi無線網(wǎng)絡(luò)環(huán)境中進(jìn)行實驗,采集設(shè)備為2臺安裝Atherors 9380網(wǎng)卡的機(jī)器,使用距地1.0 m的1.5 m長外接天線。選定2個不同場地進(jìn)行實驗,一個場地是10×8 m2的大廳,如圖5所示,另一個場地是7×6 m2的實驗室,如圖6所示。2個實驗場地相比,實驗室空間較小,物品擺放較多,易產(chǎn)生多徑效應(yīng),是非視距場景;大廳空間開闊,無其他堆放物品,是比較理想的實驗場景。

圖5 大廳場景布局Fig.5 Layout of hall environment

圖6 實驗室場景布局Fig.6 Layout of laboratory environment

3.2 實驗設(shè)計

離線階段,在不同的時間段采集數(shù)據(jù)進(jìn)行訓(xùn)練,為了減少由人體的不同朝向引起的偏差,實驗時讓測試者在樣本點處面向不同方向收集多組CSI數(shù)據(jù);測試階段,由一名測試者以任意朝向站在測試點(測試點設(shè)置在樣本點附近),在接收端讀取CSI測量值,然后通過本文方法進(jìn)行檢測和定位。本文采取3條鏈路進(jìn)行實驗,為提高方法的魯棒性,在數(shù)據(jù)采集的過程中,每一個樣本點處進(jìn)行多次采樣。為了減少外界因素對WiFi信號的影響,測試者和其他操作員在實驗場地內(nèi)均保持靜止,為了避免手機(jī)等電子設(shè)備產(chǎn)生的信號對實驗結(jié)果的影響,在實驗場地內(nèi)斷開其他網(wǎng)絡(luò)連接及信號,由此來提高實驗的可靠性。

3.3 系統(tǒng)性能分析

3.3.1 入侵檢測分析

本文引入4個指標(biāo)對入侵檢測性能進(jìn)行分析:1)假陽率(FPR),指環(huán)境內(nèi)無人存在但判斷為有人入侵的情況;2)假陰率(FNR),指將有人入侵判定為無人的情況;3)真陽率(TPR),指準(zhǔn)確判斷出有人入侵的情況;4)檢測率(DR),指有人入侵時判斷為入侵的概率。DR用式(12)表示:

(12)

由圖7可知,本文方法在2種實驗環(huán)境下,檢測率均在96%以上。通過比較可知,實驗室環(huán)境的檢測精度低于大廳,原因是大廳的空間較大,環(huán)境較為簡單,而實驗室空間較小,設(shè)備較多,易產(chǎn)生多徑效應(yīng)。實驗結(jié)果表明,利用EMD方法和CSI進(jìn)行室內(nèi)人員入侵檢測具有可行性。

圖7 本文方法的檢測率與假陽率結(jié)果Fig.7 Results of detection rate and false positive rate ofthe proposed method

3.3.2 定位性能分析

本文引入累積分布函數(shù)(CDF)來分析定位性能,將本文方法與CSI指紋定位方法CSI-MIMO[11]、采用貝葉斯概率法進(jìn)行定位的方法FIFS[10]進(jìn)行對比,2種環(huán)境下的定位誤差CDF結(jié)果如圖8、圖9所示。

圖8 大廳場景中3種方法的定位性能比較Fig.8 Comparison of positioning performance in hallenvironment of three methods

圖9 實驗室場景中3種方法的定位性能比較Fig.9 Comparison of positioning performance in laboratoryenvironment of three methods

從圖8可以看出,在大廳場景中,本文方法總平均誤差為1.41 m,在x軸上的定位誤差為0.94 m,在y軸上的定位誤差為0.98 m。本文方法的定位誤差CDF較FIFS方法提高了18.2%,較CSI-MIMO方法提高了7.0%。

從圖9可以看出,在實驗室場景中,本文方法總平均誤差為1.53 m,在x軸上的定位誤差為1.03 m,在y軸上的定位誤差為1.09 m。本文方法誤差CDF較FIFS方法提高了23.4%,較CSI-MIMO方法提高了24.3%。

通過這組實驗對比可以得出,本文方法在一定程度上提高了室內(nèi)定位的精確率,原因是:指紋特征采用CSI,包含更多的信號特征,細(xì)粒度更高;離線階段對采集的指紋進(jìn)行預(yù)處理,能夠保留數(shù)據(jù)主要特征;定位階段,核函數(shù)的使用提高了算法定位性能并減小了計算量。

3.4 Wi-Dqy方法對定位精度的影響

由2.1節(jié)得知,Wi-Dqy方法將r值選取為1 m,k值選取為3(實驗室)或4(大廳)。將本文Wi-Dqy方法與網(wǎng)格狀劃分取樣法CSI-MIMO和FIFS在大廳中進(jìn)行實驗對比。在后續(xù)離線和在線處理過程中,Wi-Dqy方法中的r=1.0 m,k=4,則一共有49個樣本點,而在網(wǎng)格狀取樣方法中,將檢測區(qū)域劃分成7×7的網(wǎng)格,取49個等間距樣本點,然后在檢測區(qū)域不同的方位隨機(jī)設(shè)置10個測試點,使用這2種方式分別采集CSI信號并建立指紋庫。

由圖10可知,Wi-Dqy方法總的平均誤差為1.39 m,網(wǎng)格狀取樣方法總的平均誤差為1.50 m,Wi-Dqy方法定位精度提高了7.3%。Wi-Dqy方法誤差累積分布函數(shù)在0.9處對應(yīng)的距離誤差為2.06 m,而網(wǎng)格狀取樣方法為2.31 m,兩者相差0.25 m。上述數(shù)據(jù)表明,Wi-Dqy方法能夠減小定位誤差,提高定位精度。

圖10 3種方法定位性能比較Fig.10 Comparison of positioning performance of threemethods

3.5 Wi-Dqy方法半徑取值對定位精度的影響

在進(jìn)行指紋庫構(gòu)建時,將半徑r依次設(shè)置為1.0 m、1.5 m、2.0 m,計算不同半徑對定位準(zhǔn)確性的影響。由圖11(a)、圖11(b)可知,r值越小,則定位精度越高。例如,當(dāng)半徑為1.0 m時,Wi-Dqy方法誤差累積分布函數(shù)在0.9處對應(yīng)的距離誤差在1.2 m以內(nèi),而半徑為2.0 m時,誤差在1.5 m以內(nèi),兩者相差0.3 m。當(dāng)r值越小時,樣本點越多,則指紋庫需要對比的數(shù)據(jù)就越多,工作量越大,雖然定位準(zhǔn)確性有所增加,但是在一定程度上會使系統(tǒng)的時間復(fù)雜度增大,因此,需要選擇合適的r值。實驗結(jié)果表明,在實驗室和大廳中r值取1 m左右可以取得較理想的綜合性能,因此,本文實驗將r值取為1 m。

圖11 2種場景下取不同半徑時的定位性能比較Fig.11 Comparison of positioning performance of two scenes with different radii

3.6 Wi-Dqy方法30°角度選擇驗證

分別在大廳和實驗室場景中,依次將取樣角度設(shè)置為15°、30°、60°進(jìn)行取樣,并觀察不同角度值對定位精度的影響。由圖12(a)、圖12(b)可知,角度過大,定位精度降低,因為隨著角度的增加,樣本點間距增大,匹配指紋庫內(nèi)數(shù)據(jù)減少;角度過小,樣本點間隔越小,容易產(chǎn)生誤判。實驗結(jié)果表明,角度選取30°時能使得結(jié)果精度最高。

圖12 2種場景中不同角度取樣時檢測率與假陽率比較Fig.12 Comparison of detection rate and false positiverate in two scenes with different angle sampling

4 結(jié)束語

本文提出一種基于30°角同心圓環(huán)形取樣的室內(nèi)人員檢測方法。使用PCA、EMD、SVR算法對CSI中的振幅信息進(jìn)行處理,用30°角同心圓環(huán)形取樣法建立指紋庫,采集測試點數(shù)據(jù)并與指紋庫進(jìn)行特征匹配,從而實現(xiàn)入侵人員的檢測與定位。實驗結(jié)果表明,與CSI-MIMO和FIFS方法相比,該方法定位誤差更低,精度更高。下一步將對信號傳輸波形進(jìn)行研究,并利用同心圓環(huán)形取樣法實現(xiàn)室內(nèi)多人員的檢測與定位。