CN109698724A - 入侵检测方法、装置、设备及存储介质 - Google Patents
入侵检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109698724A CN109698724A CN201711001415.0A CN201711001415A CN109698724A CN 109698724 A CN109698724 A CN 109698724A CN 201711001415 A CN201711001415 A CN 201711001415A CN 109698724 A CN109698724 A CN 109698724A
- Authority
- CN
- China
- Prior art keywords
- phase
- value
- amplitude
- csi data
- characteristic value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000001914 filtration Methods 0.000 claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims description 75
- 230000002159 abnormal effect Effects 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 25
- 238000010606 normalization Methods 0.000 claims description 24
- 230000009466 transformation Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000009545 invasion Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000007477 logistic regression Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/22—Electrical actuation
- G08B13/24—Electrical actuation by interference with electromagnetic field distribution
- G08B13/2491—Intrusion detection systems, i.e. where the body of an intruder causes the interference with the electromagnetic field
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/14—Classification; Matching by matching peak patterns
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Burglar Alarm Systems (AREA)
Abstract
本发明实施例提供了一种入侵检测方法、装置、设备及存储介质,用以提高运动物体入侵检测的准确度。该方法主要包括:获取目标区域当前的信道状态信息CSI数据;对所述当前的CSI数据进行相位处理以及异常值过滤;根据相位处理以及异常值过滤后所得的CSI数据,确定幅度特征值和相位特征值;根据所述幅度特征值和所述相位特征值,判断所述目标区域内是否有运动物体入侵。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种入侵检测方法、装置、设备及存储介质。
背景技术
随着科学技术的不断发展,基于不同原理的室内入侵检测技术也正在不断的提升,而且监控系统的种类也非常多,例如压力感知、红外感知、图像感知等等。但是这些技术对使用的环境要求很高,且整个系统部署成本也比较高。
近几年来,随着无线网络技术的快速发展,以及无线保真(WiFi)技术的日益成熟和广泛部署,基于WiFi的室内人员定位和检测技术得到了广泛关注。传统基于WiFi的室内人员定位和检测的方法通常是基于接收信号强度指示(Received Signal StrengthIndicator,RSSI)信息,具有数据易获取、易处理等特点。然而由于信号的多径传播所引起的小尺度阴影衰落限制了RSSI室内人员检测和定位的性能。为提高室内人员检测的精度,国内外许多学者探索了利用细粒度的物理层信道状态信息来克服多径效应。
与RSSI相比,信道状态信息(Channel State Information,CSI)能够在一定程度上区分多径成分,可基于普通商业设备获得。在主流无线局域网(IEEE 802.22)标准中普遍采用正交频分复用(OFDM)技术,信道被划分为多个不同频率的子载波,信号通过正交的子载波进行传送,每个子载波具有各自独立的振幅和相位。CSI表征了信道中每个子载波的幅度和相位信息,提供了更为丰富的频域信息。不同频率的子载波在经历相似的穿透、反射后,其振幅和相位将发生不同的变化。因而信道状态信息对室内人员定位和检测具有较高的灵敏度和精确度。
目前,基于CSI进行室内人员定位和检测有以下方法:
第一种方法是,收集环境中所有位置的信号特征来建立指纹数据库,将室内人员定位和检测的过程简化为将室内信道状态信息与指纹库中的信息进行对比的过程。该方法采用指纹匹配的方式,实现室内的全向被动式人员感知,可提高室内环境人员检测的准确度。但是,存在以下缺点:1.需要对CSI进行从频域转到时域后进行数据处理,并在处理之后从时域转到频域,处理过程复杂。2.在时域处理数据时,将时域信号分成有限个波段,由于带宽限制时域下很难完整获得所有采集的信号,只能选择部分波段,在一定程度上降低了检测的准确度。
第二种方法是,根据子载波权重和信道状态信息均值计算校准阶段的角度谱,然后对比校准阶段角度谱与检测阶度角度谱的相似度,根据对比结果确定是否有人存在。但是,该方法需要采用子载波权重和信道状态信息均值计算角度谱,未考虑噪声对CSI的影响,且实施过程复杂,需要对普通WiFi设备重新部署。
第三种方法是,通过现场采集数据提取信号特征,服务器实时提取信道状态信息,计算滑动窗口中子载波振幅方差的方差作为信号特征,根据信号特征估计出检测阈值,根据隐马科尔夫模型计算不同窗口中有人或没人的概率,最终确定监测范围是否有人。该方法能够利用较少的前期训练,在人体移动速度非常慢时依然能够以较高的准确率检测出人体移动,适合应用在室内入侵检测中。但是,存在以下缺点:1、未考虑到信道噪声对CSI的影响,降低了检测精度。2、采用子载波振幅方差的方差作为信号特征估计检测阈值,未考虑子载波相位信息对检测阈值的影响。
综上所述,如何提高入侵检测的准确度是需要解决的问题。
发明内容
本发明实施例提供了一种入侵检测方法、装置、设备及存储介质,用以提高运动物体入侵检测的准确度。
第一方面,本发明实施例提供了一种入侵检测方法,包括:
获取目标区域当前的信道状态信息CSI数据;
对所述当前的CSI数据进行相位处理以及异常值过滤;
根据相位处理以及异常值过滤后所得的CSI数据,确定幅度特征值和相位特征值;
根据所述幅度特征值和所述相位特征值,判断所述目标区域内是否有运动物体入侵。
可能的实施方式中,对所述当前的CSI数据进行相位处理,包括:
分别确定每个子载波所对应的当前的CSI数据处理后的相位值;
其中,根据公式确定第i个子载波所对应的当前的CSI数据处理后的相位值;
表示第i个子载波所对应的CSI数据处理后的相位值,θi表示第i个子载波所对应的CSI数据的原始相位值,θn表示第n个子载波所对应的CSI数据的原始相位值,θ1表示第1个子载波所对应的CSI数据的原始相位值,n表示子载波的总数,ki表示第i个子载波对应的权重系数,k1表示第1个子载波对应的权重系数,kn表示第n个子载波对应的权重系数,0<i<n。
可能的实施方式中,对所述当前的CSI数据进行异常值过滤,包括:
将所述当前的CSI数据中超出设定门限值的数据作为异常值滤除。
可能的实施方式中,根据相位处理以及异常值过滤后所得的CSI数据,确定幅度特征值和相位特征值,包括:
根据每个子载波的CSI数据确定幅度归一化协方差矩阵以及相位归一化协方差矩阵;
对所述幅度归一化协方差矩阵进行线性变换得到幅度特征值矩阵,以及对所述相位归一化协方差矩阵进行线性变换得到相位特征值矩阵;
从所述幅度特征值矩阵中选择N个元素分别作为所述幅度特征值,以及从所述相位特征值矩阵中选择M个元素分别作为所述相位特征值,所述N为大于或等于1的整数,所述M为大于或等于1的整数。
可能的实施方式中,从所述幅度特征值矩阵中选择N个元素分别作为所述幅度特征值,以及从所述相位特征值矩阵中选择M个元素分别作为所述相位特征值,所述N为大于或等于1的整数,所述M为大于或等于1的整数,包括:
按照元素值从大到小的顺序依次从所述幅度特征值矩阵中选择N个元素值分别作为所述幅度特征值;以及,
按照元素值从大到小的顺序依次从所述相位特征值矩阵中选择M个元素值分别作为所述相位特征值。
可能的实施方式中,根据所述幅度特征值和所述相位特征值,判断所述目标区域内是否有运动物体入侵,包括:
根据所述幅度特征值和所述相位特征值,确定用于表征当前的CSI的值;
判断所述用于表征当前的CSI的值是否属于阈值范围,若是,确定所述目标区域有运动物体入侵,否则,确定所述目标区域内没有运动物体入侵。
第二方面,本发明实施例提供了一种入侵检测装置,包括:
获取模块,用于获取目标区域当前的信道状态信息CSI数据;
预处理模块,用于对所述当前的CSI数据进行相位处理以及异常值过滤;
提取模块,用于根据相位处理以及异常值过滤后所得的CSI数据,确定幅度特征值和相位特征值;
判断模块,用于根据所述幅度特征值和所述相位特征值,判断所述目标区域内是否有运动物体入侵。
第三方面,本发明实施例提供了一种入侵检测设备,包括处理器和存储器,所述存储器中保存有预设程序,所述处理器读取所述存储器中的预设程序,按照所述预设程序执行以下过程:
获取目标区域当前的信道状态信息CSI数据;
对所述当前的CSI数据进行相位处理以及异常值过滤;
根据相位处理以及异常值过滤后所得的CSI数据,确定幅度特征值和相位特征值;
根据所述幅度特征值和所述相位特征值,判断所述目标区域内是否有运动物体入侵。
可能的实施方式中,所述处理器具体用于:
分别确定每个子载波所对应的当前的CSI数据处理后的相位值;
其中,根据公式确定第i个子载波所对应的当前的CSI数据处理后的相位值;
表示第i个子载波所对应的CSI数据处理后的相位值,θi表示第i个子载波所对应的CSI数据的原始相位值,θn表示第n个子载波所对应的CSI数据的原始相位值,θ1表示第1个子载波所对应的CSI数据的原始相位值,n表示子载波的总数,ki表示第i个子载波对应的权重系数,k1表示第1个子载波对应的权重系数,kn表示第n个子载波对应的权重系数,0<i<n。
可能的实施方式中,所述处理器具体用于:
将所述当前的CSI数据中超出设定门限值的数据作为异常值滤除。
可能的实施方式中,所述处理器具体用于:
根据每个子载波的CSI数据确定幅度归一化协方差矩阵以及相位归一化协方差矩阵;
对所述幅度归一化协方差矩阵进行线性变换得到幅度特征值矩阵,以及对所述相位归一化协方差矩阵进行线性变换得到相位特征值矩阵;
从所述幅度特征值矩阵中选择N个元素分别作为所述幅度特征值,以及从所述相位特征值矩阵中选择M个元素分别作为所述相位特征值,所述N为大于或等于1的整数,所述M为大于或等于1的整数。
可能的实施方式中,所述处理器具体用于:
按照元素值从大到小的顺序依次从所述幅度特征值矩阵中选择N个元素值分别作为所述幅度特征值;以及,
按照元素值从大到小的顺序依次从所述相位特征值矩阵中选择M个元素值分别作为所述相位特征值。
可能的实施方式中,所述处理器具体用于:
根据所述幅度特征值和所述相位特征值,确定用于表征当前的CSI的值;
判断所述用于表征当前的CSI的值是否属于阈值范围,若是,确定所述目标区域有运动物体入侵,否则,确定所述目标区域内没有运动物体入侵。
第四方面,本发明实施例提供了一种存储介质,所述存储介质中存储有计算机程序,所述计算机程序用于被处理器加载后执行以上所述的入侵检测方法。
基于以上技术方案,本发明实施例中,通过对目标区域当前的CSI数据进行相位处理和异常值过滤,基于相位处理和异常值过滤后所得的CSI数据确定幅度特征值和相位特征值,避免了噪声和异常值对特征值的的影响,保证了确定的幅度特征值和相位特征值的准确度,进而保证了基于确定的幅度特征值和相位特征值判断是否有运动物体入侵的准确度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本发明实施例中入侵检测的主要过程示意图;
图2示出了本发明实施例中入侵检测的具体过程示意图;
图3示出了本发明实施例中入侵检测装置的结构示意图;
图4示出了本发明实施例中入侵检测设备的结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了提高运动物体入侵检测的准确度,尤其是提高室内环境中运动物体入侵检测的准确度,本发明实施例提供了一种入侵检测方法,如图1所示,入侵检测的主要过程为:获取CSI数据;对CSI数据进行预处理(相位处理和异常值过来);根据预处理后的CSI数据确定特征值,该特征值包括幅值特征和相位特征;根据该特征值以及阈值范围进行运动目标检测,并在检测到运动目标后报警。即,在目标区域内,由于运动物体的接入导致信道状态发生变化,通过捕捉CSI的幅频特性和相频特性的变化来判断该目标区域内是否存在运动物体入侵。
需要说明的是,以下各实施例中所指的运动物体包括有生命的运动体和无生命的运动体。
具体地,入侵检测的详细方法流程如图2所示,具体如下:
步骤201:获取目标区域当前的CSI数据。
本发明实施例中,将通信系统中物理层的CSI作为检测运动物体入侵的主要指标。基于的原理为:无线信号传输信道会由于运动物体入侵而发生变化。
具体地,在IEEE802.11n标准中,可以直接通过无线网卡驱动获取正交频分复用子载波的CSI。
一个具体实施方式中,直接通过目标区域内的WiFi设备的网络接口卡(NIC)采集获得原始的CSI数据。
步骤202:对当前的CSI数据进行相位处理以及异常值过滤。
实施中,直接获取的CSI数据会包含显著的随机噪声,为了减少随机噪声对经过正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)技术调制之后的信道状态信息的相位干扰,本发明实施例中,通过相位处理和异常值过滤对直接获得的CSI数据进行过滤。
一个具体实施方式中,进行相位处理的具体过程为:分别确定每个子载波所对应的当前的CSI数据处理后的相位值。
具体地,根据公式1,确定第i个子载波所对应的当前的CSI数据处理后的相位值;
其中,表示第i个子载波所对应的CSI数据处理后的相位值,θi表示第i个子载波所对应的CSI数据的原始相位值,θn表示第n个子载波所对应的CSI数据的原始相位值,θ1表示第1个子载波所对应的CSI数据的原始相位值,n表示子载波的总数,ki表示第i个子载波对应的权重系数,k1表示第1个子载波对应的权重系数,kn表示第n个子载波对应的权重系数,0<i<n。其中,在子载波完全对称的情况下,满足需要说明的是,这并不是说无论在何种情况下都必须满足该条件,在不完全对称的情况下,无此限制。
实施中,由于协议规范和环境噪声影响,不可避免会产生波动较大的异常值,鉴于此,具体实施中,将当前的CSI数据中超出设定门限值的数据作为异常值滤除。例如,采用Hampel identifier(辨识器)判别法将CSI数据中波动大的异常值滤除。需要说明的是,应用中并不限制异常值过滤所采用的算法,只需要能够识别异常值并删除识别到的异常值即可,Hampel identifier判别法仅是作为举例,并不是必须的,不用于限制本发明实施例的保护范围。
应用中,可以是先对当前的CSI数据进行相位处理,然后对相位处理后的CSI数据进行异常值过滤;也可以是先对当前的CSI数据进行异常值过滤,然后对异常值过滤后的CSI数据进行相位处理。也就是说,本发明实施例不限制相位处理和异常值过滤的先后顺序。
其中,公式1的具体推导过程如下:
在无线信道传输系统(IEEE802.11n)中,通常采用OFDM技术将信道分成30个正交子信道,调制后的信道频率响应(CFR)表示为公式2:
H=[H(f1),H(f2),......,H(fn)] (2)。
其中,子载波的信道频率响应表示为公式3:
公式3中,||H(fk)||表示信道频率响应的幅值,∠H(fk)表示信道频率响应的相位。
接收端测量得到的第i个子载波的测量相位表示为公式4:
公式2中,θi表示原始相位,δ表示接收机偏移值,β表示未知的相位偏移,Z表示测量噪声。
由于信道中的随机噪声与发射机和接收机之间时间不同步,对信道频率响应曲线具有一定的影响,为了减少噪声的干扰,对CSI数据的相位进行线性变换,为此引入公式5和公式6:
这里假设子载波的频率对称,即因此公式6可表示为公式7:
接收端获取的测量相位中减去线性项aki+b,即可获得公式1:
步骤203:根据相位处理以及异常值过滤后所得的CSI数据,确定幅度特征值和相位特征值。
鉴于运动物体入侵对信道频率响应曲线的幅值特性和相频特性均有影响,为精确判断运动物体是否入侵,本发明实施例中结合信道频率响应的幅度特性和相频特性确定特征值。
一个具体实施方式中,确定幅度特征值和相位特征值的过程为:根据每个子载波的CSI数据确定幅度归一化协方差矩阵以及相位归一化协方差矩阵;对幅度归一化协方差矩阵进行线性变换得到幅度特征值矩阵,以及对相位归一化协方差矩阵进行线性变换得到相位特征值矩阵;从幅度特征值矩阵中选择N个元素分别作为幅度特征值,以及从相位特征值矩阵中选择M个元素分别作为相位特征值,其中,N为大于或等于1的整数,M为大于或等于1的整数。
其中,幅度归一化协方差矩阵表示为公式8:
相位归一化协方差矩阵表示为公式9:
一个优选的实施方式中,按照元素值从大到小的顺序依次从幅度特征值矩阵中选择N个元素值分别作为幅度特征值;以及,按照元素值从大到小的顺序依次从相位特征值矩阵中选择M个元素值分别作为所述相位特征值。
例如,为了提高检测的准确性,选取幅度归一化协方差矩阵的最大特征值和第二大特征值,以及选取相位归一化协方差矩阵的最大特征值和第二大特征值,采用选取的四个值形成四元组特征函数:F=[α1,α2,ρ1,ρ2],α1表示幅度归一化协方差矩阵的最大特征值,α2表示幅度归一化协方差矩阵的第二大特征值,ρ1表示相位归一化协方差矩阵的最大特征值,ρ2表示相位归一化协方差矩阵的第二大特征值。在后续步骤中基于该四元组特征函数判断是否存在运动物体入侵。应用中,可以选择现有的库函数分别确定幅度归一化协方差矩阵和相位归一化协方差矩阵的最大特征值,如直接调用函数库中eigen函数,则需要说明的是,此处仅为举例说明,应用中并不限制确定的幅度特征值和相位特征值的数量,也不限制确定矩阵中的最大特征值所采用的方法。
步骤204:根据幅度特征值和相位特征值,判断目标区域内是否有运动物体入侵。
一个具体实施方式中,根据幅度特征值和相位特征值,确定用于表征当前的CSI的值;判断所述用于表征当前的CSI的值是否属于阈值范围,若是,确定目标区域有运动物体入侵,否则,确定目标区域内没有运动物体入侵。
实施中,确定阈值范围的过程为:从目标区域的各个方位采集CSI数据,例如,分别在东、西、南、北、东南、东北、西南、西北八个方位在有运动物体存在和无运动物体存在时采集CSI数据,对采集到的CSI数据进行相位处理和异常值过滤后,基于相位处理和异常值过滤后的CSI数据确定幅度特征值和相位特征值,基于确定的幅度特征值和相位特征值对分类模型进行训练,确定能够区分有运动物体存在和无运动物体存在的参考值,基于该参考值确定有运动物体存在的情况下对应的阈值范围,如将0~参考值限定的区间作为该阈值范围。
其中,采集CSI数据的具体方式可以是在目标区域内,以固定的采样频率对连续的CSI数据进行采样,采样数量为K。
例如,在有运动物体存在情况下,将确定的幅度特征值和相位特征值作为逻辑(Logistic)回归算法的输入值,确定逻辑回归算法的输出值;以及在无运动物体存在的情况下,将确定的幅度特征值和相位特征值作为逻辑回归算法的输入值,确定逻辑回归算法的输出值;统计在有运动物体存在情况下和无运动物体存在情况下的输出值的分布,根据统计的输出值的分布情况确定参考值,基于该参考值确定有运动物体存在情况下对应的阈值范围,并将该阈值范围保存至数据库中。该示例中,充分考虑CSI本身的特性、算法的复杂度、可用性以及输出结果的精确度等多方面的要求,选择逻辑回归算法作为入侵检测的算法,以能够满足该多方面的要求。
需要说明的是,确定参考值得过程中所涉及的对CSI数据进行相位处理以及异常值过滤的过程可以参照步骤202描述的处理过程,确定参考值过程中所涉及的幅度特征值和相位特征值的确定方式可以参照步骤203所描述的处理方式,此处不再赘述。
具体实施中,若判断目标区域内存在运动物体,进行报警。需要说明的是,报警处理仅是一个可选操作,而不是必须操作。其中,对于报警的方式也不限于蜂鸣器报警,还可以是直接语音或消息形式通知最近的派出所,或者是直接语音或消息形式通知给指定人员等。
基于以上技术方案,本发明实施例中,通过对目标区域当前的CSI数据进行相位处理和异常值过滤,基于相位处理和异常值过滤后所得的CSI数据确定幅度特征值和相位特征值,避免了噪声和异常值对提取特征值的的影响,保证了确定的幅度特征值和相位特征值的准确度,进而保证了基于确定的幅度特征值和相位特征值判断是否有运动物体入侵的准确度。并且,整个检测过程简单、易于实现、检测准确率高,能够实现全方位、高准确率检测目标区域内是否有运动物体存在并进行报警的功能。
本发明实施例所提供的技术方案中,充分考虑到相位信息和异常值对检测结果的影响,通过对CSI数据进行相位处理和异常值过滤,以提高检测结果的准确性。并且,同时确定幅度特征值和相位特征值的方式,也保证了检测结果的准确性,提高检测准确率。
基于同一发明构思,本发明实施例中还提供了一种入侵检测装置,该装置的具体实施可参见方法实施例部分的描述,重复之处不再赘述,如图3所示,该装置主要包括:
获取模块301,用于获取目标区域当前的信道状态信息CSI数据;
预处理模块302,用于对当前的CSI数据进行相位处理以及异常值过滤;
提取模块303,用于根据相位处理以及异常值过滤后所得的CSI数据,确定幅度特征值和相位特征值;
判断模块304,用于根据幅度特征值和相位特征值,判断目标区域内是否有运动物体入侵。
基于同一发明构思,本发明实施例中还提供了一种入侵检测设备,该入侵检测设备的具体实施可参见方法实施例部分的描述,重复之处不再赘述,如图4所示,该设备主要包括处理器401和存储器402,存储器402中保存有预设程序,处理器401读取存储器402中的预设程序,按照该预设程序执行以下过程:
获取目标区域当前的信道状态信息CSI数据;
对该当前的CSI数据进行相位处理以及异常值过滤;
根据相位处理以及异常值过滤后所得的CSI数据,确定幅度特征值和相位特征值;
根据该幅度特征值和该相位特征值,判断目标区域内是否有运动物体入侵。
具体实施中,处理器401具体用于:
分别确定每个子载波所对应的当前的CSI数据处理后的相位值;
其中,根据公式确定第i个子载波所对应的当前的CSI数据处理后的相位值;
表示第i个子载波所对应的CSI数据处理后的相位值,θi表示第i个子载波所对应的CSI数据的原始相位值,θn表示第n个子载波所对应的CSI数据的原始相位值,θ1表示第1个子载波所对应的CSI数据的原始相位值,n表示子载波的总数,ki表示第i个子载波对应的权重系数,k1表示第1个子载波对应的权重系数,kn表示第n个子载波对应的权重系数,0<i<n。
具体实施中,处理器401具体用于:
将所述当前的CSI数据中超出设定门限值的数据作为异常值滤除。
具体实施中,处理器401具体用于:
根据每个子载波的CSI数据确定幅度归一化协方差矩阵以及相位归一化协方差矩阵;
对所述幅度归一化协方差矩阵进行线性变换得到幅度特征值矩阵,以及对所述相位归一化协方差矩阵进行线性变换得到相位特征值矩阵;
从所述幅度特征值矩阵中选择N个元素分别作为所述幅度特征值,以及从所述相位特征值矩阵中选择M个元素分别作为所述相位特征值,所述N为大于或等于1的整数,所述M为大于或等于1的整数。
优选地,处理器具体用于:
按照元素值从大到小的顺序依次从所述幅度特征值矩阵中选择N个元素值分别作为所述幅度特征值;以及,
按照元素值从大到小的顺序依次从所述相位特征值矩阵中选择M个元素值分别作为所述相位特征值。
具体实施中,处理器具体用于:
根据所述幅度特征值和所述相位特征值,确定用于表征当前的CSI的值;
判断所述用于表征当前的CSI的值是否属于阈值范围,若是,确定所述目标区域有运动物体入侵,否则,确定所述目标区域内没有运动物体入侵。
具体实施中,存储器和处理器采用总线方式连接,总线可以包括任意数量的互联的总线和桥,总线将包括由处理器代表的一个或多个处理器和存储器代表的存储器的各种电路链接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。
处理器负责管理总线和通常的处理,还可以提供各种功能,包括定时,外围接口,电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。
可选的,处理器可以是CPU(中央处埋器)、ASIC(Application SpecificIntegrated Circuit,专用集成电路)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)或PLD(Complex Programmable Logic Device,复杂可编程逻辑器件)。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
以上所述,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (14)
1.一种入侵检测方法,其特征在于,所述方法包括:
获取目标区域当前的信道状态信息CSI数据;
对所述当前的CSI数据进行相位处理以及异常值过滤;
根据相位处理以及异常值过滤后所得的CSI数据,确定幅度特征值和相位特征值;
根据所述幅度特征值和所述相位特征值,判断所述目标区域内是否有运动物体入侵。
2.根据权利要求1所述的入侵检测方法,其特征在于,对所述当前的CSI数据进行相位处理,包括:
分别确定每个子载波所对应的当前的CSI数据处理后的相位值;
其中,根据公式确定第i个子载波所对应的当前的CSI数据处理后的相位值;
表示第i个子载波所对应的CSI数据处理后的相位值,θi表示第i个子载波所对应的CSI数据的原始相位值,θn表示第n个子载波所对应的CSI数据的原始相位值,θ1表示第1个子载波所对应的CSI数据的原始相位值,n表示子载波的总数,ki表示第i个子载波对应的权重系数,k1表示第1个子载波对应的权重系数,kn表示第n个子载波对应的权重系数,0<i<n。
3.根据权利要求1所述的入侵检测方法,其特征在于,对所述当前的CSI数据进行异常值过滤,包括:
将所述当前的CSI数据中超出设定门限值的数据作为异常值滤除。
4.根据权利要求1至3任一项所述的入侵检测方法,其特征在于,根据相位处理以及异常值过滤后所得的CSI数据,确定幅度特征值和相位特征值,包括:
根据每个子载波的CSI数据确定幅度归一化协方差矩阵以及相位归一化协方差矩阵;
对所述幅度归一化协方差矩阵进行线性变换得到幅度特征值矩阵,以及对所述相位归一化协方差矩阵进行线性变换得到相位特征值矩阵;
从所述幅度特征值矩阵中选择N个元素分别作为所述幅度特征值,以及从所述相位特征值矩阵中选择M个元素分别作为所述相位特征值,所述N为大于或等于1的整数,所述M为大于或等于1的整数。
5.根据权利要求4所述的入侵检测方法,其特征在于,从所述幅度特征值矩阵中选择N个元素分别作为所述幅度特征值,以及从所述相位特征值矩阵中选择M个元素分别作为所述相位特征值,包括:
按照元素值从大到小的顺序依次从所述幅度特征值矩阵中选择N个元素值分别作为所述幅度特征值;以及,
按照元素值从大到小的顺序依次从所述相位特征值矩阵中选择M个元素值分别作为所述相位特征值。
6.根据权利要求4所述的入侵检测方法,其特征在于,根据所述幅度特征值和所述相位特征值,判断所述目标区域内是否有运动物体入侵,包括:
根据所述幅度特征值和所述相位特征值,确定用于表征当前的CSI的值;
判断所述用于表征当前的CSI的值是否属于阈值范围,若是,确定所述目标区域有运动物体入侵,否则,确定所述目标区域内没有运动物体入侵。
7.一种入侵检测装置,其特征在于,包括:
获取模块,用于获取目标区域当前的信道状态信息CSI数据;
预处理模块,用于对所述当前的CSI数据进行相位处理以及异常值过滤;
提取模块,用于根据相位处理以及异常值过滤后所得的CSI数据,确定幅度特征值和相位特征值;
判断模块,用于根据所述幅度特征值和所述相位特征值,判断所述目标区域内是否有运动物体入侵。
8.一种入侵检测设备,其特征在于,包括处理器和存储器,所述存储器中保存有预设程序,所述处理器读取所述存储器中的预设程序,按照所述预设程序执行以下过程:
获取目标区域当前的信道状态信息CSI数据;
对所述当前的CSI数据进行相位处理以及异常值过滤;
根据相位处理以及异常值过滤后所得的CSI数据,确定幅度特征值和相位特征值;
根据所述幅度特征值和所述相位特征值,判断所述目标区域内是否有运动物体入侵。
9.根据权利要求8所述的入侵检测设备,其特征在于,所述处理器具体用于:
分别确定每个子载波所对应的当前的CSI数据处理后的相位值;
其中,根据公式确定第i个子载波所对应的当前的CSI数据处理后的相位值;
表示第i个子载波所对应的CSI数据处理后的相位值,θi表示第i个子载波所对应的CSI数据的原始相位值,θn表示第n个子载波所对应的CSI数据的原始相位值,θ1表示第1个子载波所对应的CSI数据的原始相位值,n表示子载波的总数,ki表示第i个子载波对应的权重系数,k1表示第1个子载波对应的权重系数,kn表示第n个子载波对应的权重系数,0<i<n。
10.根据权利要求8所述的入侵检测设备,其特征在于,所述处理器具体用于:
将所述当前的CSI数据中超出设定门限值的数据作为异常值滤除。
11.根据权利要求8至10任一项所述的入侵检测设备,其特征在于,所述处理器具体用于:
根据每个子载波的CSI数据确定幅度归一化协方差矩阵以及相位归一化协方差矩阵;
对所述幅度归一化协方差矩阵进行线性变换得到幅度特征值矩阵,以及对所述相位归一化协方差矩阵进行线性变换得到相位特征值矩阵;
从所述幅度特征值矩阵中选择N个元素分别作为所述幅度特征值,以及从所述相位特征值矩阵中选择M个元素分别作为所述相位特征值,所述N为大于或等于1的整数,所述M为大于或等于1的整数。
12.根据权利要求11所述的入侵检测设备,其特征在于,所述处理器具体用于:
按照元素值从大到小的顺序依次从所述幅度特征值矩阵中选择N个元素值分别作为所述幅度特征值;以及,
按照元素值从大到小的顺序依次从所述相位特征值矩阵中选择M个元素值分别作为所述相位特征值。
13.根据权利要求11所述的入侵检测设备,其特征在于,所述处理器具体用于:
根据所述幅度特征值和所述相位特征值,确定用于表征当前的CSI的值;
判断所述用于表征当前的CSI的值是否属于阈值范围,若是,确定所述目标区域有运动物体入侵,否则,确定所述目标区域内没有运动物体入侵。
14.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,所述计算机程序用于被处理器加载后执行权利要求1至6任一项的入侵检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711001415.0A CN109698724A (zh) | 2017-10-24 | 2017-10-24 | 入侵检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711001415.0A CN109698724A (zh) | 2017-10-24 | 2017-10-24 | 入侵检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109698724A true CN109698724A (zh) | 2019-04-30 |
Family
ID=66228053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711001415.0A Pending CN109698724A (zh) | 2017-10-24 | 2017-10-24 | 入侵检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109698724A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110596769A (zh) * | 2019-09-29 | 2019-12-20 | 长沙理工大学 | 一种轨道异物检测方法、装置、设备及介质 |
CN111563428A (zh) * | 2020-04-23 | 2020-08-21 | 杭州云视通互联网科技有限公司 | 一种机场停机位入侵检测方法及其系统 |
CN111915830A (zh) * | 2020-07-24 | 2020-11-10 | 辽宁工程技术大学 | 一种基于csi信号稀疏表示的室内入侵检测方法 |
CN112464848A (zh) * | 2020-12-07 | 2021-03-09 | 国网四川省电力公司电力科学研究院 | 一种基于密度空间聚类的信息流异常数据监测方法及装置 |
CN112907860A (zh) * | 2021-01-18 | 2021-06-04 | 南京大学 | 一种光纤周界安防系统入侵点检测的方法、系统及其装置 |
CN114302058A (zh) * | 2021-12-27 | 2022-04-08 | 浙江大华技术股份有限公司 | 提高摄像机唤醒准确度的方法、装置及可读存储介质 |
CN115586581A (zh) * | 2022-12-02 | 2023-01-10 | 荣耀终端有限公司 | 一种人员检测的方法和电子设备 |
CN117676758A (zh) * | 2024-02-02 | 2024-03-08 | 厦门拾聚科技有限公司 | 一种通信安防一体化路由系统、方法、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5351274A (en) * | 1993-08-20 | 1994-09-27 | General Electric Company | Post detection selection combining diversity receivers for mobile and indoor radio channels |
CN101500100A (zh) * | 2008-01-30 | 2009-08-05 | 卓胜微电子(上海)有限公司 | 全国标数字电视地面广播解调器融合实现架构 |
CN104502894A (zh) * | 2014-11-28 | 2015-04-08 | 无锡儒安科技有限公司 | 基于物理层信息的运动物体被动检测方法 |
CN104502982A (zh) * | 2014-12-11 | 2015-04-08 | 哈尔滨工程大学 | 一种细粒度免校验的室内被动人体检测方法 |
CN105490763A (zh) * | 2015-12-04 | 2016-04-13 | 南京航空航天大学 | 一种端到端的宽带移动mimo传播信道模型及建模方法 |
-
2017
- 2017-10-24 CN CN201711001415.0A patent/CN109698724A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5351274A (en) * | 1993-08-20 | 1994-09-27 | General Electric Company | Post detection selection combining diversity receivers for mobile and indoor radio channels |
CN101500100A (zh) * | 2008-01-30 | 2009-08-05 | 卓胜微电子(上海)有限公司 | 全国标数字电视地面广播解调器融合实现架构 |
CN104502894A (zh) * | 2014-11-28 | 2015-04-08 | 无锡儒安科技有限公司 | 基于物理层信息的运动物体被动检测方法 |
CN104502982A (zh) * | 2014-12-11 | 2015-04-08 | 哈尔滨工程大学 | 一种细粒度免校验的室内被动人体检测方法 |
CN105490763A (zh) * | 2015-12-04 | 2016-04-13 | 南京航空航天大学 | 一种端到端的宽带移动mimo传播信道模型及建模方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110596769A (zh) * | 2019-09-29 | 2019-12-20 | 长沙理工大学 | 一种轨道异物检测方法、装置、设备及介质 |
CN111563428A (zh) * | 2020-04-23 | 2020-08-21 | 杭州云视通互联网科技有限公司 | 一种机场停机位入侵检测方法及其系统 |
CN111563428B (zh) * | 2020-04-23 | 2023-10-17 | 杭州云视通互联网科技有限公司 | 一种机场停机位入侵检测方法及其系统 |
CN111915830B (zh) * | 2020-07-24 | 2022-01-25 | 辽宁工程技术大学 | 一种基于csi信号稀疏表示的室内入侵检测方法 |
CN111915830A (zh) * | 2020-07-24 | 2020-11-10 | 辽宁工程技术大学 | 一种基于csi信号稀疏表示的室内入侵检测方法 |
CN112464848B (zh) * | 2020-12-07 | 2023-04-07 | 国网四川省电力公司电力科学研究院 | 一种基于密度空间聚类的信息流异常数据监测方法及装置 |
CN112464848A (zh) * | 2020-12-07 | 2021-03-09 | 国网四川省电力公司电力科学研究院 | 一种基于密度空间聚类的信息流异常数据监测方法及装置 |
CN112907860B (zh) * | 2021-01-18 | 2022-03-18 | 南京大学 | 一种光纤周界安防系统入侵点检测的方法、系统及其装置 |
CN112907860A (zh) * | 2021-01-18 | 2021-06-04 | 南京大学 | 一种光纤周界安防系统入侵点检测的方法、系统及其装置 |
CN114302058A (zh) * | 2021-12-27 | 2022-04-08 | 浙江大华技术股份有限公司 | 提高摄像机唤醒准确度的方法、装置及可读存储介质 |
CN115586581A (zh) * | 2022-12-02 | 2023-01-10 | 荣耀终端有限公司 | 一种人员检测的方法和电子设备 |
CN117676758A (zh) * | 2024-02-02 | 2024-03-08 | 厦门拾聚科技有限公司 | 一种通信安防一体化路由系统、方法、设备及存储介质 |
CN117676758B (zh) * | 2024-02-02 | 2024-05-07 | 厦门拾聚科技有限公司 | 一种通信安防一体化路由系统、方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109698724A (zh) | 入侵检测方法、装置、设备及存储介质 | |
CN109672485B (zh) | 基于信道状态信息室内人员实时入侵及运动速度检测方法 | |
Ramadan et al. | NLOS identification for indoor localization using random forest algorithm | |
CN110072186B (zh) | 基于属性独立的加权朴素贝叶斯室内定位方法 | |
CN104502894A (zh) | 基于物理层信息的运动物体被动检测方法 | |
WO2022109712A1 (en) | Filtering channel responses for motion detection | |
Zhuravchak et al. | Human activity recognition based on wi-fi csi data-a deep neural network approach | |
JP4784976B2 (ja) | 電波到来方向推定装置、電波到来方向推定プログラム、および記録媒体 | |
EP4113174A1 (en) | Estimation device, estimation method, and program | |
CN106170139B (zh) | 一种频谱检测方法及系统 | |
CN111901028B (zh) | 一种基于多天线上csi的人体行为识别方法 | |
CN114781463A (zh) | 一种跨场景鲁棒的室内摔倒无线检测方法及相关设备 | |
CN112949487A (zh) | 一种基于WiFi的船舶驾驶室人员数量检测方法及系统 | |
Fan et al. | Single-site indoor fingerprint localization based on MIMO-CSI | |
CN113300986B (zh) | 无人机图传信号与热点信号识别方法、介质、计算机设备 | |
CN112954791B (zh) | 一种基于子载波筛选的信道状态信息csi定位方法 | |
CN108399391B (zh) | 一种基于信号带宽特征的无人机信号识别的方法及装置 | |
CN111934797B (zh) | 基于协方差特征值和均值漂移聚类的协作频谱感知方法 | |
CN107071897B (zh) | 一种基于环型的Wi-Fi室内定位方法 | |
Yi et al. | LoRa Signal Monitoring System of Multi-Node Software Define Radio | |
CN115499912A (zh) | 一种基于Wi-Fi信道状态信息的视距识别方法 | |
CN116707675A (zh) | 无线电信号的检测、无线电信号的异常检测方法及装置 | |
Wang et al. | Indoor fingerprinting localization based on fine-grained CSI using principal component analysis | |
CN116680597A (zh) | 基于Wi-Fi的全方向手势感知与识别方法 | |
CN115002703A (zh) | 一种基于Wi-Fi信道状态信息的被动式室内人数检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190430 |