0 引言

    入侵檢測方法包括微波、紅外、超聲報警器以及雷達和視頻監控等^[1-5]，這些檢測方法原理和性能不同，適用于不同的場所。近年來，由于WiFi基礎設施的普及，基于WiFi信號的人體行為感知技術成為研究的熱點^[6]。例如，龐娜等人^[7]利用CSI進行異常用戶活動檢測，周啟臻等人^[8]利用CSI相位差實現了人員入侵檢測，DOMENICO S D等人^[9]從CSI振幅中提取多普勒頻率在穿墻場景下實現了人數檢測，Wang Jie等人^[10]基于經驗模式分解從CSI中提取特征實現了人員身份識別，MOORE R等人^[11]利用RSSI平均值和方差檢測接收機和發射機之間的人員入侵。

    2018年2月，SOBRON I等人公開了CSI數據集EHUCOUNT^[12]，WiFi信號檢測機理及應用研究進入了新階段。本文的主要工作如下：通過仿真實驗進一步驗證了子載波的振幅和相位與人行為的關聯；采用奇異值分解提取了CSI數據集的特征，并通過支持向量機(Support Vector Machine，SVM)對特征進行分類，證明6種典型場景下檢測率為93.35%～99.23%；基于卷積神經網絡(Convolutional Neural Network，CNN)得到了6種典型場景下檢測準確率為89.17%～99.14%；通過研制的專用譜傳感節點采集WiFi信號，實驗證明檢測準確率為98%。

1 信道狀態信息及數據集

1.1 信道狀態信息

    在無線信號傳輸過程中，環境的變化會使無線信道呈現出差異化的特點。人體活動會影響無線信號的多徑傳輸。一般用信道沖擊響應(CIR)對信道的多徑效應進行描述，信道沖擊響應可表示為^[12]：

    無線信號在開放空間傳輸過程中，如果有人進入，那么無線信號多徑傳輸的路徑就會發生改變，信道沖擊響應隨之改變，因此無法直接獲得信道沖擊響應，但是可以獲得信道狀態信息Hⁿ，通過對信道狀態信息的測量可以判斷當前空間內的信道狀態，從而實現入侵檢測。

1.2 數據集CSI數據集

    2018年，SOBRON I等人公開了CSI數據集EHUCOUNT^[12]，該數據集是在6種不同場景下采集得到的，場景類型見表1。該文通過該數據集進行了場景內活動人數識別，采用SVM對場景E內活動人數識別的結果見表2所示^[12]。

    從表2中可以看出，隨著場景內人數的增加，人數識別準確率開始下降，但是場景內無人時的識別準確率高達99.6%，即在該數據集下使用SVM對室內入侵檢測是一種很好的方法。

2 CSI數據特征及分類識別結果

2.1 數據預處理

    收集數據集時，采樣率為25 sample/s，一個成年人的正常步速約為1 m/s，所以在使用該數據集時選擇的數據窗口長度為2 s，以確保窗口長度內的數據可以記錄到人體活動。無線信道狀態信息的實際采集過程中，由于室內環境復雜以及設備的原因可能會出現隨機的異常值，為了保證CSI數據流對預測結果的準確性和穩定性，排除異常值對訓練模型建立和測試的影響，需要對異常值進行有效的處理。基于3σ準則進行異常值檢測，具體方法是：如果單個子載波樣本值與子載波均值μ的差值在3σ上，則用均值來替換該子載波樣本值，即經過異常值處理后的數據分布在(μ-3σ，μ+3σ)區間內。

    經過異常值處理后發現同一個子載波不同樣本點的數據波動過大，這應該是由于環境中不穩定的噪聲波動所引起的。為了減弱噪聲波動的影響，提高識別的準確性，本文利用MATLAB軟件中的smooth函數作為移動平均濾波器對經過異常值剔除的數據進行平滑。移動平均濾波器是一個低通濾波器，將連續的CSI數據流看成一個長度固定為N的隊列，在一次處理后將隊列第一個數去除，其余N-1個數據依次前移，并將第N+1個CSI數據插入，作為新隊列的尾，然后進行運算，并將運算結果作為本次處理的結果。其計算公式如下：

式中，n為數據包序號；N為移動窗口大小，一般為奇數，N的值決定了移動平均濾波的平滑程度，N的值越大CSI數據會越平滑，但是會造成局部細節信息的丟失；i為天線序列號。

2.2 特征提取

    從能量的角度對預處理后的數據使用權重歸一化奇異值分解算法^[15]分別對振幅和相位矩陣進行特征提取。奇異值分解的目的是提取矩陣重要的特征，可以從含有噪聲的數據中提取主要特征。特征提取流程如圖1所示。

    權重歸一化奇異值分解保留原始數據中90%的能量，將主要特征從原始數據中提取出來，并去除冗余信息。在某個奇異值(例如第r個奇異值)之后，其他奇異值都很小，這意味著數據中只有r個重要特征，其余特征都是噪聲或者次要特征，因此在實際使用中通常選擇保留前r個奇異值。本文在使用奇異值分解提取特征后又提取了子載波振幅均值和相位最大奇異值，特征分別如圖2、圖3所示。圖2展示了1個子載波的均值，圖3展示了相位最大奇異值，從圖中可以看出有人和無人時的特征存在明顯區別，進一步證明了前述的入侵檢測機理。

    支持向量機(SVM)是一種基于統計學理論的機器學習算法^[16]。它通過尋求結構化風險最小來提高泛化能力并實現經驗風險和置信范圍的最小化，從而在統計樣本量較少的情況下也能獲得良好統計規律。SVM是一種二分類模型，其基本模型定義為特征空間上間隔最大的線性分類器，即支持向量機的學習策略是間隔最大化，最終可轉換為一個凸二次規劃問題的求解問題^[16]。因此，將提取到的特征送入SVM中進行分類識別，流程如圖4所示。

    本文還使用CNN自動提取特征進行入侵檢測實驗，在VGGNet的基礎上結合實際情況建立網絡架構。VGGNet由多個卷積層、3層全連接層和Softmax輸出層構成，所有激活單元都采用ReLU函數^[17]。小卷積核是VGGNet的一個重要特點，整個網絡都使用大小為3×3的卷積核和2×2的最大池化層，使用3×3的卷積層堆疊在一起來增加深度, 使用最大池化層下采樣，每一次的輸出大小為輸入大小的一半。每一個卷積層獲取到的有用信息隨著尺寸增加而變得粗糙^[17]。VGGNet展示了卷積神經網絡的深度與性能之間的關系，同時具有很強的拓展性，可以遷移到其他數據上。

    使用CNN的入侵檢測模型如圖5所示，首先場景內一個窗口長度的CSI數據被采集到，在CSI實際采集過程中，由于室內環境復雜以及設備的原因，可能會出現隨機的異常值，為了保證CSI數據流對預測結果的準確性和穩定性，本實驗對數據進行預處理，處理后的數據被送入CNN網絡中自動提取特征。在CNN中數據經過不同卷積核局部感知后進入池化層下采樣，輸出多個特征面，組成同一個特征面的神經元與上一輸入層的相同區域相連，權值共享，但不同輸出特征面的神經元權值不共享^[17]，部分神經元隨機關閉，用于減少出現過擬合的情況。數據經過多個卷積層后到全連接層，通過分類識別得到最終的輸出結果，判別場景內是否有人。

2.3 仿真實驗結果

    對數據集中6種場景使用SVM和CNN分別進行入侵檢測，得到的實驗結果如表3所示。

    從表3中可以看出，通過SVM在6種典型場景下進行入侵檢測仿真實驗，場景A和場景E的入侵檢測準確率高達99%，場景B、C、F的入侵檢測準確率在98%左右，場景D的準確率也達到93.35%，使用CNN自動提取特征進行入侵檢測在場景D的情況下識別準確率高于使用SVM的方法。實驗結果表明上述入侵檢測方法是有效的。

3 基于WiFi信道的入侵檢測實驗

    為了進一步驗證上述入侵檢測方法，在實驗室中通過部署譜傳感節點采集WiFi信號，兩臺譜傳感節點組成一條收發鏈路，即一臺發送設備，一臺接收設備，實驗志愿者在實驗室內隨機走動，模擬室內入侵情況發生。用上述實驗中提出的SVM和CNN模型進行入侵檢測實驗。

    本實驗提取了振幅奇異值、相位奇異值、振幅均值、振幅方差、振幅頻偏、振幅峰度、振幅四分位距、多普勒均值、多普勒方差、能量的標準差系數等特征，部分特征提取結果如圖6所示，圖6(a)展示了1個載波的振幅均值，圖6(b)展示了相位最大奇異值。實際場景入侵檢測結果如表4所示，進一步證明了上述方法的可行性。

4 結論

    本文針對入侵檢測問題，使用權重歸一化奇異值分解方法提取CSI中的奇異值特征以及其他特征，在給定數據集上通過SVM對特征進行分類，得到6種典型場景下檢測率為93.35%～99.23%，通過CNN自動提取特征得到了6種典型場景下檢測率為89.17%～99.14%；在實際場景中通過研制的專用譜傳感節點在有人和無人情況下分別采集WiFi信號。采用仿真實驗中的SVM和CNN模型，得到的識別準確率分別為98.99%和98.33%。實驗證明本文使用的入侵檢測方法是可行的。

    本文提出的方法僅在數據集數據和實驗室采集的數據中進行驗證，可能不適合其他室外場景。此外，本文使用的權重歸一化奇異值分解方法提取出的奇異值個數不同，在本實驗中僅使用了最大奇異值作為特征，可能會損失部分有效信息。如何更有效地利用CSI信息，并推動其實際應用是下一步研究工作的重點。

參考文獻

[1] 段瑋倩，胡岸勇，苗俊剛.射頻與微波技術在安防領域的應用[J].電子技術應用，2017，43(7)：4-7，15.

[2] 蔡彬彬，包亞萍，陶卉，等.基于ZigBee協議的紅外入侵檢測系統的設計[J].電子技術應用，2007，33(11)：97-99，103.

[3] GHOSH A，CHAKRABORTY D，PRASAD D，et al.Can we recognize multiple human group activities using ultrasonic sensors[C].2018 10th International Conference on Communication Systems & Networks(COMSNETS)，Bengaluru，2018：557-560.

[4] 王俊，鄭彤，雷鵬，等.深度學習在雷達中的研究綜述[J].雷達學報，2018，7(4)：395-411.

[5] 黃凱奇，陳曉棠，康運鋒，等.智能視頻監控技術綜述[J].計算機學報，2015，20(6)：1093-1118.

[6] 魯勇，呂紹和，王曉東，等.基于WiFi信號的人體行為感知技術研究綜述[J/OL].計算機學報，2018，41(27)：1-22.[2018-11-06].http：//kns.cnki.net/kcms/detail/11.1826.TP.20180303.1407.018.html.

[7] 龐娜.基于WiFi的非入侵式異常用戶活動檢測[J].信息安全研究，2018，4(8)：711-714.

[8] 周啟臻，邢建春，楊啟亮.基于信道狀態信息相位差的人員入侵檢測方法[J].傳感技術學報，2018(1)：103-109.

[9] DOMENICO S D，SANCTIS M D，CIANCA E，et al.WiFi-based through-the-wall presence detection of stationary and moving humans analyzing the doppler spectrum[J].IEEE Aerospace and Electronic Systems Magazine，2018，33(5-6)：14-19.

[10] Wang Jie，Zhao Yunong，Fan Xinxin，et al.Device-free identification using intrinsic CSI features[J].IEEE Transactions on Vehicular Technology，2018，PP(99)：1.

[11] MOORE R，HOWARD R，KUKSA P，et al.A geometric approach to device-free motion localization using signal strength[OL].(2010-xx-xx)[2018-11-06].https：//doi.org/doi:10.7282/T3PC35T2.

[12] SOBRON I，SER J D，EIZMENDI I，et al.Device-free people counting in IoT environments: new insights, results and open challenges[J].IEEE Internet of Things Journal，2018，PP(99)：1.

[13] HAN C，TAN Q，SUN L，et al.CSI frequency domain fingerprint-based passive indoor human detection[J].Information，2018，9(4)：95.

[14] DOMENICO S D，PECORARO G，CIANCA E，et al.Trained-once device-free crowd counting and occupancy estimation using WiFi：a Doppler spectrum based approach[C].2016 IEEE 12th International Conference on Wireless and Mobile Computing，Networking and Communications(WiMob).IEEE，2016：1-8.

[15] 苑霸，姚萍，鄭天垚.基于權重歸一化奇異值分解的輻射源信號識別研究[J/OL].雷達學報，2018，7：1-10[2018-11-06].http：//radars.ie.ac.cn/fileup/HTML/R18053.htm.

[16] 周明快，黃巍，陳濱，等.基于無線信道狀態相位信息優化的定位算法[J].傳感技術學報，2018，31(6)：957-962.

[17] 張松龍，謝林柏.基于全部卷積特征融合的顯著性檢測[J].激光與光電子學進展，2018，55(10)：232-238.

作者信息:

曾  正1，張  六1，陳俊昌2，黃  銘1，楊晶晶1

（1.云南大學 信息學院，云南 昆明650091；2.國家無線電監測中心云南省無線電監測站，云南 昆明650031）