CN109918994B - 一种基于商用Wi-Fi的暴力行为检测方法 - Google Patents
一种基于商用Wi-Fi的暴力行为检测方法 Download PDFInfo
- Publication number
- CN109918994B CN109918994B CN201910020974.9A CN201910020974A CN109918994B CN 109918994 B CN109918994 B CN 109918994B CN 201910020974 A CN201910020974 A CN 201910020974A CN 109918994 B CN109918994 B CN 109918994B
- Authority
- CN
- China
- Prior art keywords
- csi
- features
- action
- feature
- data
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 206010001488 Aggression Diseases 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 61
- 230000009471 action Effects 0.000 claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012706 support-vector machine Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 26
- 230000000694 effects Effects 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000010009 beating Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 19
- 230000006399 behavior Effects 0.000 abstract description 9
- 238000004422 calculation algorithm Methods 0.000 description 19
- 238000000513 principal component analysis Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 16
- 239000002245 particle Substances 0.000 description 14
- 230000033001 locomotion Effects 0.000 description 12
- 238000005457 optimization Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 9
- 239000000969 carrier Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000013145 classification model Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000007500 overflow downdraw method Methods 0.000 description 4
- 206010010144 Completed suicide Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000006071 cream Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 206010022437 insomnia Diseases 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于商用Wi‑Fi的暴力行为检测方法,包括:利用加权移动平均和巴特沃斯带通滤波器对所有的CSI振幅数据进行去噪处理,利用降噪后的数据采取截取窗口的模式捕获动作的开始和结束;分别提取基于时间序列维度的手动提取的特征和基于计算机视觉维度的自动提取的特征;基于计算机视觉自动的提取特征将CSI振幅转化为图片,然后用GABOR滤波器提取CSI图片的相关性特征;采取基于PCA的方法融合上述两种维度的特征,将融合后的特征输入到带有径向基函数的支持向量机中,进行训练和测试,实现暴力行为的检测。
Description
技术领域
本发明涉及行为检测领域,尤其涉及一种基于商用Wi-Fi的暴力行为检测方法。
背景技术
学校欺凌已成为严重影响全世界青少年身心健康的主要问题。根据美国国家教育统计中心的统计,在6-12岁的学生中,有28%的学生遭受过欺凌。欺凌通常涉及暴力,伤害青少年的身体健康。还有研究统计显示,32.4%的中学生经历过欺凌,其中29.2%经历过拳打,推挤或被踢踹。欺凌也可能导致情绪损失和失眠,甚至抑郁和自杀等问题。研究表明受害者遭受欺凌和自杀的可能性是普通人的4.8倍和18.5倍。鉴于欺凌的严重影响,许多国家颁布了反欺凌法。然而,由于担心遭到报复,被欺凌的受害者很少向学校报告。因此,迫切需要及时自动的暴力欺凌检测方法来防止青少年遭受欺凌。
然而,检测暴力欺凌并非易事,因为它可以随时随地发生。监督管理员(如安保人员和教师)只能在非常有限的时间内覆盖非常有限的区域。随着视频分析技术的发展和监控视频的广泛使用,提出了基于计算机视觉技术的活动识别方法来检测暴力事件。然而,由于成本和隐私问题,视频监督有很多盲点。基于可穿戴传感器的传感技术是暴力检测的另一个解决方案,但它需要用户的配合。对于这种方法,获取学生设备的传感数据是非常重要的。但是,欺负他人的学生可以通过在欺凌期间取下可穿戴设备轻松逃避检查。而且,一直携带着这种设备,也会给用户带来很多的不方便。
基于环境的传感器技术可以通过分析声音和温度等周围环境信息来检测暴力行为。但由于等环境传感器的感应范围有限,必须密集部署专用传感器来构建特殊基础设施,这就需要很大的花费,而且容易被干扰。
发明内容
本发明提供了一种基于商用Wi-Fi的暴力行为检测方法,本发明使用一系列的数据挖掘与信号处理技术来处理Wi-Fi信号,实现了使用商用Wi-Fi设备即可检测暴力行为,详见下文描述:
一种基于商用Wi-Fi的暴力行为检测方法,所述方法包括以下步骤:
利用加权移动平均和巴特沃斯带通滤波器对所有的CSI振幅数据进行去噪处理,利用降噪后的数据采取截取窗口的模式捕获动作的开始和结束;
分别提取基于时间序列维度的手动提取的特征和基于计算机视觉维度的自动提取的特征;
基于计算机视觉自动的提取特征将CSI振幅转化为图片,然后用GABOR滤波器提取CSI图片的相关性特征;
采取基于PCA的方法融合上述两种维度的特征,将融合后的特征输入到带有径向基函数的支持向量机中,进行训练和测试,实现暴力行为的检测。
其中,所述利用降噪后的数据采取截取窗口的模式捕获动作的开始和结束具体为:
采用动态阈值来记录噪声级别,并采用数移动平均来更新噪声级别Lt:Lt=(1-τ)Lt-1+τ×vart
其中,τ为系数;vart表示在第二个主成分中第t个滑动窗口的数据方差;
若在某个滑动窗口中,vart大于4倍的噪声级别Lt,则动作开始点将被检测;相反,当vart在连续多个滑动窗口中总是小于4倍的噪声级别Lt时,动作结束点也将被检测。
进一步地,所述采取基于PCA的方法融合上述两种维度的特征具体为:
将特征矩阵转换到变换域上,得到不同维度间维度较小且按照各列方差降序排列的矩阵H=F·A,H为n行α列,则特征f转换为主成分h={h1,h2,...,hα};F为多个样本的训练集的特征集,F={f1,f2,...,fα};
将H的前d维主成分共n行d列的矩阵作为得到的特征,d通过交叉验证的方式来确定;转换矩阵A通过训练过程得到。
本发明提供的技术方案的有益效果是:
1、本发明使用常规的Wi-Fi设备即可实现暴力行为动作的检测,而且本发明提出了相关性特征,即采用GABOR滤波器可以提取得到CSI子载波间的特征;
2、本发明基于商用的Wi-Fi设备,价格低廉便宜,无需投入大量资金。由于Wi-Fi设备已被广泛部署,所以无需增添额外的硬件,可以在现有的硬件基础上实施,节约成本;
3、与可穿戴设备相比,基于Wi-Fi的暴力行为检测方法采用非侵入式,不要求受试者穿戴任何设备;与基于摄像头的暴力行为检测方法相比,本发明不受光线明暗的约束,也不会侵犯人的隐私;
4、本发明适用于厕所,监狱,角落,客厅,实验室等人数空间较小的地方;本发明提出的数据处理方法可用于其他领域,有很好的通用性。
附图说明
图1为一种基于商用Wi-Fi的暴力行为识别方法的流程图;
图2为CSI振幅在数据清洗前后对比示意图;
其中,(a)为原始CSI振幅数据,(b)为加权移动平均处理后的数据,(c)为巴特沃斯滤波器处理后的数据。
图3为同一系列的动作在同一个流下不同子载波的模式示意图。
图4为同一个流中子载波的相关性示意图。
图5为实验的三个场景图。
其中,(a)为实验室;(b)为办公室;(c)为宿舍。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。
近年来,广泛部署的Wi-Fi设备和基于商用Wi-Fi的传感技术的发展,为基于商用Wi-Fi的人类活动识别提供了强有力的支持。商用Wi-Fi设备上的物理层信道状态信息(Channel State Information,简称CSI)揭示了子载波更细粒度的特征。利用信号处理技术,如果在动作或手势期间存在可区分的信号变化模式,可以通过识别相应的模式来识别人类活动。无处不在的无线信号揭示了使用Wi-Fi传感技术来检测暴力行为的可能性。本发明实施例基于商用Wi-Fi,采用监督的学习模式来训练一些具有攻击性动作的模型,最后预测动作,达到检测暴力行为的目的。
本发明实施例主要用于解决以下问题:
1、首先,大多数现有的工作集中于利用从几个振幅变化剧烈的子载波的CSI时间序列中来提取特征识别预定义的动作和手势。并且在特定情况下通过时间序列处理技术手动定义或选择特征。然而,暴力欺凌是一项涉及整个身体的更复杂的活动,并且不会在几个子载波上留下可区分的模式。因此,依赖于时间序列提取特征的现有方法不能实现较高的识别精度。如何识别没有明显时间序列特征的暴力活动仍然是一个悬而未决的问题。
本发明实施例认为CSI未被现有方法充分利用,这些方法将不同子载波的CSI视为单独的时间序列,并使用信号处理技术来提取时间序列特征。实际上,本方法可以从组合的子载波中提取更多的特征,这些特征被认为是本方法中的相关性特征。对于像暴力欺凌这样复杂的活动,所有的子载波都会受到影响,但是经历了截然不同的模式,因为人体的许多部分会影响不同的子载波。相关性特征可以捕获不同子载波的变化模式之间的关系,然后提供比单独考虑各个子载波更多的信息。
因此,本方法利用了从各个CSI子载波提取的时间序列特征和从不同子载波的组合提取的相关性特征。受计算机视觉领域特征提取的启发,本方法提出了一种基于Gabor滤波器的特征提取方法,从组合子载波中提取相关特征。
2、其次,在现有方法中,通常关注于相对稳定的操作场景,其中离线训练和在线识别处于类似环境中。然而,暴力欺凌可能发生在校园的任何地方。如何在不同环境中选择和融合不同纬度的特征仍然是个问题。此外,当操作环境发生变化时,模型如何以在线方式适应新环境仍需要解决。为了在不同环境中自动融合时间序列特征和相关性特征,本发明实施例提出了基于PCA的特征融合方法,该方法利用主成分分析(PCA)技术自动选择有效特征。为了实现环境变化的在线适应,本发明实施例设计了一种反馈调整方法,可以在系统性能降低到用户定义的阈值时调整模型参数甚至重新训练模型。
实施例1
一种基于商用Wi-Fi的暴力行为检测方法,参见图1,该暴力行为检测方法将会对具有暴力行为的动作和一些其他日常动进行分类识别,从而检测暴力行为的动作。该方法包括以下步骤:
101:受试者在检测的范围区域内做一些动作;
其中,该动作包括:走路,跑步,跳,坐,蹲,踢,用拳猛击,拍打八个动作。本发明实施例通过商用Wi-Fi设备采集受试者的CSI信号。
102:利用加权移动平均和巴特沃斯带通滤波器对所有的CSI振幅数据进行去噪处理,利用降噪后的数据采取截取窗口的模式捕获动作的开始和结束,即得到了动作的活动区间。
103:分别提取两种维度的特征,即分别基于时间序列维度的手动提取的特征和基于计算机视觉维度的自动提取的特征。
104:基于时间序列维度手动的选取一些时间序列的特征统计量,如:方差,均值,中位数绝对偏差,最大值等等。
105:基于计算机视觉自动的提取特征是采用图像处理领域常用的GABOR滤波器,把CSI振幅转化为图片,然后用GABOR滤波器提取CSI图片的相关性特征;
106:采取基于PCA的方法融合上述两种维度的特征,能够最后的调整特征量的维度;将融合后的特征输入到带有径向基函数的支持向量机中,进行训练和测试,实现暴力行为的检测。
综上所述,本发明实施例依靠提取两种维度的特征,得到动作不同层次的特征量,有相互弥补的作用,更加准确的刻画出动作。可以提高动作的识别率,然后采用融合特征量的方法自适应的调整最后特征量的维度。通过多方面的提取特征量维度,更加准确的刻画了动作,为分类器提供的特征量越好,得到的分类准确率就越高,误识率就越低,从而保证了本方法的可行性。
实施例2
下面结合具体的实例、计算公式对实施例1中的方案进行进一步地介绍,详见下文描述:
一、利用商用Wi-Fi采集CSI信号模块
该暴力行为检测方法将会在接收端收集CSI信息。对于每一组发射和接收天线,都可通过IEEE 802.11n协议获得30个正交频分复用的子载波。由于暴力行为检测方法使用1根天线作为发射端,3根天线作为接收端,所以一共会有90个子载波被收集。本方法采用1000Hz采样率,对每个子载波,一秒钟将会收集1000个CSI值。本方法使用所收集数据的振幅信息进行下一步处理。收集动作信息时,设定在5s内做一个相关动作,其中包括,走路,跑步,跳,坐,蹲,踢,用拳猛击,拍打八个动作。每个动作分别让八个志愿者在三个场景中各做100次,所以一共得到的数据有10×8×8×3个,用这些数据来做训练和预测。
二、数据预处理模块
为实现动作的细粒度识别,信号处理不可或缺。
1、数据校准
上述获得的CSI数据含有:静态成分、低频干扰和脉冲噪音,一是由时钟异步,无线电波干扰和发射端发射功率变化造成;二是在数据采集时,周围人微小的运动,受试者的呼吸等微弱动作以及环境温度的变化等,都会使CSI数据中混入不同程度的低频和高频噪音,为步态特征的提取增加了难度。这要求不仅要有效地去除噪音,而且去噪后要尽可能维持波形不被改变,同时由于CSI数据中脉冲噪音带宽大,能量高,所以单一滤波器不能有效地去除噪音。
为了解决这些问题,本发明实施例使用加权移动平均和巴特沃斯带通滤波器对CSI振幅数据中每个子载波进行数据清洗,具体可分为两步:
1)加权移动平均算法
为去除带内噪声,可采用加权移动平均算法。举例来说,对于子载波的CSI值有{C1,C2,,Ct},其表达的意思是在ti时刻的CSI值由前面的n个值取平均所求得。除去前n个值,后面的CSI值都有着最高的权重n,计算公式如下:
其中,Ct表示在ti时刻所求对应的CSI值,n决定了当前值与前面值的相关程度,m为子载波的个数。为实现更好的去噪效果,该暴力行为检查方法中n被设置为20。处理后结果如图2(b)所示,可看到带内噪声已被较好的去除。
2)使用巴特沃斯带通滤波器对CSI数据中每个子载波进行去噪;
为了进一步去除信号的噪声,利用了巴特沃斯滤波器来去除噪声,设置截止频率5~80Hz,阶数设置为3阶。处理结果如图2(c)所示。
2、动作检测
为精确的提取动作特征,需要先检测出动作所发生的区间。本发明实施例首先采用PCA(Principal Component Analysis主成分分析)方法得到子载波的主成分,然后使用一种基于动态阈值方法和指数移动平均算法来检测动作区间。
1)主成分分析
本发明实施例采用1根天线作为发射端,3根天线作为接收端,所以一共可以获取到90个子载波的CSI值。
为了实现动作检测,所采用的核心思想是:当没有任何动作发生时,CSI包含的噪声是随机的;当有动作发生时,CSI值将会变的相关。为准确检测动作区间,该暴力行为检测方法使用PCA方法得到可以反映所有子载波特征的主成分。类似于CARM(基于CSI的人类动作识别和监测系统),该暴力行为检测方法使用第二个主成分来提取特征。这是因为第一个主成分虽然包含动作信息,但也具有很多噪声,而其他主成分噪声很少,却仍包含有相关的动作信息。
2)动作探测
在探测动作前,需要知道当动作发生时,第二个主成分有较大的方差;而没有动作时,第二个主成分方差较小,较小原因是由背景噪声造成的,如果环境相对稳定,噪声级别便不会轻易变化。由此该暴力行为检测方法采用一种基于动态阈值的算法来记录噪声级别,并采用一种指数移动平均算法来更新噪声级别Lt,计算公式如下:Lt=(1-τ)Lt-1+τ×vart(2)
其中,系数τ设置为0.06。vart表示在第二个主成分中第t个滑动窗口的数据方差,每个窗口包含100个样本点。如果在某个滑动窗口中,vart大于4倍的噪声级别Lt,则动作开始点将被检测;相反,当vart在连续多个滑动窗口中总是小于4倍的噪声级别Lt时,动作结束点也将被检测。
三、特征提取模块。
对于暴力欺凌行为的检测,特征提取是实现高精度检测的关键环节。对于复杂的暴力行为,现有的仅具有时间序列特征的方法不具有较高的检测精度。为了从CSI流中充分提取信息以进行准确的暴力行为检测,本方法从两种维度出发:即时间序列和相关子载波中提取特征。时间序列特征像现有的工作一样手动的提取。在受计算机视觉领域的自动特征提取方法的启发下,本方法应用了GABOR滤波器从CSI流中提取相关性特征。然后,设计了基于主成分分析的特征融合方法,对两个维度的特征进行融合,选择出有效的特征。
1)手动特征提取
预处理模块得到了动作的开始和结束。手动特征提取部分提取的是时间序列特征。与现有大部分工作类似,该暴力行为检测方法使用的时间序列特征是1)活动持续时间、2)标准差、3)中位数绝对偏差、4)平均绝对偏差、5)四分位数、6)均值、7)最大值和8)最小值等。
手动特征提取的缺点可以归纳如下。首先,现有的工作通常分别从几个显著的子载波中选择时间序列特征。手动选择的特征是基于人类经验的,不能充分利用CSI流。第二,环境的变化可以导致有效特征的变化,而这些变化不能预先决定。因此,有必要找到相应的方法来弥补这些缺陷。
2)自动特征提取
对于像暴力欺凌这样的复杂行为,一个流中的所有子载波都会受到影响,但是由于人体的不同部位会影响不同的子载波,所以可能会经历完全不同的模式。因此,揭示不同子载波的变化模式之间的关系的相关特征可以提供比从单个子载波提取的时间序列特征更多的信息。例如,在图3(a)和(b)中,当连续执行四个动作时,在两个子载波上呈现CSI流。可以发现,两个子载波#7、#15和#6、#20在动作期间经历的幅度变化是不相同的。因此,仅从单个时间序列中提取特征可能丢失信息,甚至推断出相互矛盾的结果。图4显示了一个CSI流中所有子载波的相关性。可以发现,当子载波相距较远时,它们的正相关性降低。这表明对于同一动作的同一流,存在不同模式的子载波。基于时间序列的方法不能很好地处理这种情况,但相关特征可以。
为了从多个CSI流中提取相关特征,应用了一种基于Gabor滤波器的特征提取方法。Gabor滤波器是计算机视觉技术中用于边缘提取的线性滤波器。它的频率和方向表达式与人类视觉系统相似。因此,它具有良好的方向选择和尺度选择特性,在纹理分析中具有优势。因为多个子载波之间的关系与纹理相似,本方法利用Gabor滤波器提取相关特征。首先将整个CSI流的振幅矩阵变换为图像,然后利用Gabor滤波器从图像中提取特征。
本方法使用二维Gabor滤波器矩阵从CSI图像中提取特征。二维Gabor小波滤波器定义如下:
上式可以划分为实部和虚部为:
其中,
式中,x,y为矩阵中个像素的坐标。Gabor小波滤波器的具体形态由5个参数决定:波长λ,旋转角度θ,相位ψ,纵横比σ以及带宽γ。
传统的Gabor滤波器在处理图像时速度较慢。为了提供快速的响应,本方法使用Memetic算法改进了Gabor滤波器:M-Gabor。Memetic算法是一种混合计算智能优化方法框架。通过结合种群的全局搜索与个体的局部寻优,Memetic算法可有效改善迭代过程,提升寻优效率,避免陷入早熟收敛。该方法的M-Gabor算法借鉴了Memetic算法,采用了全局搜索性能良好的综合学习粒子群优化算法和自适应智能单粒子优化算法。M-Gabor算法具有协同进化的局部优化能力,可以在较短的时间内获得更具代表性的特征数据,有效地提高了特征提取效率。
在M-Gabor算法中,每个用于特征提取的Gabor小波滤波器可由其10位参数唯一定义,故滤波器组的设计过程亦即其参数的优化选择过程。设滤波器矩阵大小为m×n像素,其作用于图像位置坐标为(u,v),提取特征的权重因子为w。则在M-Gabor中用于图像提取的Gabor小波可由10位参数唯一确定:λ,θ,ψ,σ,γ,m,n,u,v,w。
通过将传统有趋向的随机搜索过程作为全局优化策略,并在每次迭代中加入具有明确目的性的局部寻优运算,对每个粒子的位置矢量进行微调搜索。在M-Gabor中,为优化Gabor小波滤波器组的参数设置,将每个Gabor小波的参数顺序排列并首尾连接,构造Memetic算法寻优粒子的位置矢量如下表1所示:
表1
优化时,Memetic算法采用CLPSO(综合学习粒子群优化算法)作为全局搜索策略,其更新公式为:
其中,V为粒子速度矢量,P为位置矢量。变量i为当前更新粒子序号,k为迭代系数,参数ω为加速度因子,c为设定的参数。r为服从[0,1]上均匀分布的随机值,pbest为粒子个体的最优位置。通过引入创新的学习策略用于粒子速度矢量更新,CLPSO可以获得比传统粒子群改进方法更强的全局搜索能力。
对于局部搜索,M-Gabor利用了快速收敛的AdpISPO(自适应智能单粒子优化算法)。AdpISPO将输入参数构造为最优粒子,组成小尺度粒子群。从而能够自适应地调整优化过程,加快粒子优化的收敛速度。
3)特征融合
对时间序列特征和相关特征进行适当的融合,可以自动获得有效的特征并且减少特征的维度。该暴力行为检测方法采用基于PCA的特征融合方法。主成分分析是信号处理中常用的变换方法之一。令x={x1,x2,,xn}为nx维输入样本向量。PCA处理的目的即是生成y=ATx,满足E[yiyj]=0,i≠j。如果x是归一化后的矩阵,即E[x]=0,则E[y]=0,从而可得协方差矩阵:
Ry≡E[yyT]=E[ATxxTA]=ATRxA (8)
其中,Rx表示协方差矩阵。对于多个训练集训练集协方差矩阵为:
由于Rx是对称的,其本征向量互为正交。将Rx的正交本征向量组成转化矩阵A,则Ry是对角矩阵,即满足最优不相关的要求。一般地,对y中的维度按方差降序排列,其中,相对靠前的维度方差较大,成为主成分。
基于PCA的特征融合步骤如下:
(1)特征合并:将提取的特征按顺序组合为特征集f={f1,f2,...,fα},对于多个样本的训练集X={x1,x2,...,xn}得到n行α列的矩阵F={f1,f2,...,fα},其中fi为n个不同的训练样本第i维特征值组成的向量,fi={fi,1,fi,2,...,fi,n}T;
(2)归一化处理:对给定的n个训练样本,对每个特征维度求期望值μ={μ1,μ2,...,μα}和标准差s={s1,s2,...,sα},其中,对每个i∈{1,2,...,α},有:
然后,按下式进行归一化:
得到归一化后的特征矩阵G={g1,g2,...,gα}。
(3)特征变换(PCA处理):利用上述方法得到转化矩阵A,将特征矩阵G转换到变换域上,得到不同维度间维度较小且按照各列方差降序排列的矩阵H=F·A,H为n行α列,则特征f转换为主成分h={h1,h2,...,hα}。合适的转换矩阵A可以通过训练过程得到。
(4)降维:将H的前d维主成分共n行d列的矩阵作为本方法得到的特征,其中,d可以通过交叉验证的方式来确定具体的值。
四、分类模块
依据上述提取的手动特征和自动特征,训练分类模型。本发明采实施例用带有径向基函数的支持向量机进行分类训练。通过网格搜索选择RBF内核的参数ν和γ的最佳值。同时,利用十折交叉验证对训练好的分类模型进行精度检验。
本发明实施例是基于监督的训练模型,对于信息收集模块定义的八个动作用上述的方法提取特征,然后放到分类器中得到训练好的分类模型,预定义的八个动作中包括日常动作和暴力行为动作。本发明实施例的目标是检测出这些暴力行为动作,即用训练好的模型来检测人们的动作,当检测目标的动作是训练集的暴力行为动作时,可以让系统发出警报,从而提醒人们有暴力行为的发生。检测的训练集是可以根据需求来变动的。
为了使在线功能能够适应环境变化,本方法提出了一个在线反馈机制。当系统性能下降到低于用户定义的阈值时,基于最近收集的数据重新训练分类模型以适应新的环境。
在模型更新过程中,在连续捕获的Wi-Fi无线信号流中检测并标记暴力行为,活动如:踢,用拳猛击,拍打等和日常行为活动,如:走,跑,蹲,跳等。然后将融合的特征和相应的标签一起输入到SVM分类器中,建立分类模型。在实际检测暴力欺负事件时,SVM分类器根据观察到的CSI流进行决策。如果发现任何暴力欺凌事件,可以使本系统向保安人员发出警报。
综上所述,本发明实施例通过采用一系列信号处理和数据挖掘技术来处理Wi-Fi信号,实现了使用商用Wi-Fi设备对暴力行为活动的检测。
实施例3
下面结合附图对上述实施例1和2中的作用和效果进行展示。
本示例以CSI数据处理为例给出具体的实施方式,具体步骤如下:
该暴力行为检测方法使用了两台联想ThinkPad T系列笔记本电脑,其中一台作为Wi-Fi接入点,即发射端,另一台作为接收端。接受端和发射端的距离大约是两米。两台笔记本电脑均安装了Intel 5300NIC和Ubuntu 14.04 LTS桌面版系统,其中发射端有1根天线,接收端有3根天线,且3根天线之间的距离为一个波长(5.2cm),一共可收集90个子载波。数据采样率设为1000Hz,传输链路工作在基于IEEE 802.11n协议,频段为5.825GHz的165信道上。
本发明实施例选择5GHz的频段而不用2.4GHz的频段的原因是5GHz频段的波长短,短波长对运动速度有较高的分辨率。在接收端使用Linux CSI tool收集CSI数据后,通过TCP/IP协议将数据发送到配置为Intel i7-5600U 2.6GHz电脑上,通过MATLAB处理CSI数据。
该暴力行为检测方法一旦监测到动作发生,便首先使用巴特沃斯滤波器和加权移动平均算法对所收集到的CSI数据进行降噪处理,然后采用PCA方法提取第二个主成分,再基于动态阈值方法和指数移动平均算法提取出动作区间,便可对动作手动提取特征和自动提取特征。
两种提取特征的方法相互弥补之间的不足,可以达到用特征量更加精确的刻画出动作的特点,使得到的模型更好,分类的结果更加准确。其中自动特征提取更是提出了一种用Gabor滤波器提取相关性特征的方法。
最后采用支持向量机来对融合后的特征进行分类。经实验结果表明,该暴力行为检测方法的召回率和特异性分别可以达到93.46%和93.57%。
本发明实施例对各器件的型号除做特殊说明的以外,其他器件的型号不做限制,只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于商用Wi-Fi的暴力行为检测方法,其特征在于,所述方法包括以下步骤:
利用加权移动平均和巴特沃斯带通滤波器对所有的CSI振幅数据进行去噪处理,利用降噪后的数据采取截取窗口的模式捕获动作的开始和结束;
分别提取基于时间序列维度的手动提取的特征和基于计算机视觉维度的自动提取的特征;
基于自动提取的特征将CSI振幅转化为图片,然后用GABOR滤波器提取CSI图片的相关性特征;
采取基于PCA的方法融合相关性特征和手动提取的特征,将融合后的特征输入到带有径向基函数的支持向量机中,进行训练和测试,实现暴力行为的检测;
其中,CSI振幅数据为:在5s内做一个相关动作,从商用Wi-Fi设备采集受试者的CSI信号,动作包括,走路,跑步,跳,坐,蹲,踢,用拳猛击,拍打;每个动作分别让八个志愿者在三个场景中各做100次;
其中,手动提取的特征是1)活动持续时间、2)标准差、3)中位数绝对偏差、4)平均绝对偏差、5)四分位数、6)均值、7)最大值和8)最小值;
其中,相关性特征为:捕获不同子载波的变化模式之间的关系,提供比单独考虑各个子载波更多的信息,多个子载波之间的关系与纹理相似,利用Gabor滤波器提取相关性特征;
其中,基于PCA的方法融合相关性特征和手动提取的特征为:
(1)特征合并:将提取的特征按顺序组合为特征集f={f1,f2,...,fα},对于多个样本的训练集X={x1,x2,...,xn}得到n行α列的矩阵F={f1,f2,...,fα},其中fi为n个不同的训练样本第i维特征值组成的向量,fi={fi,1,fi,2,...,fi,n}T;
(2)归一化处理:对给定的n个训练样本,对每个特征维度求期望值μ={μ1,μ2,...,μα}和标准差s={s1,s2,...,sα},其中,对每个i∈{1,2,...,α},有:
然后,按下式进行归一化:
得到归一化后的特征矩阵G={g1,g2,...,gα};
(3)特征变换:将特征矩阵G转换到变换域上,得到不同维度间维度较小且按照各列方差降序排列的矩阵H=F·A,H为n行α列,则特征f转换为主成分h={h1,h2,...,hα};
(4)降维:将H的前d维主成分共n行d列的矩阵作为得到的特征。
2.根据权利要求1所述的一种基于商用Wi-Fi的暴力行为检测方法,其特征在于,所述利用降噪后的数据采取截取窗口的模式捕获动作的开始和结束具体为:
采用动态阈值来记录噪声级别,并采用数移动平均来更新噪声级别Lt:Lt=(1-τ)Lt-1+τ×vart
其中,τ为系数;vart表示在第二个主成分中第t个滑动窗口的数据方差;
若在某个滑动窗口中,vart大于4倍的噪声级别Lt,则动作开始点将被检测;相反,当vart在连续多个滑动窗口中总是小于4倍的噪声级别Lt时,动作结束点也将被检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910020974.9A CN109918994B (zh) | 2019-01-09 | 2019-01-09 | 一种基于商用Wi-Fi的暴力行为检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910020974.9A CN109918994B (zh) | 2019-01-09 | 2019-01-09 | 一种基于商用Wi-Fi的暴力行为检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109918994A CN109918994A (zh) | 2019-06-21 |
CN109918994B true CN109918994B (zh) | 2023-09-15 |
Family
ID=66960180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910020974.9A Active CN109918994B (zh) | 2019-01-09 | 2019-01-09 | 一种基于商用Wi-Fi的暴力行为检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109918994B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110274590B (zh) * | 2019-07-08 | 2022-10-28 | 哈尔滨工业大学 | 一种基于决策树的暴力动作检测方法及系统 |
CN110659688A (zh) * | 2019-09-24 | 2020-01-07 | 江西慧识智能科技有限公司 | 一种基于机器学习的监控视频暴恐行为识别方法 |
CN110958568B (zh) * | 2019-11-25 | 2020-11-13 | 武汉理工大学 | 基于WiFi的船舶驾驶室人员值班行为识别方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799856A (zh) * | 2012-06-15 | 2012-11-28 | 天津大学 | 基于双通道红外信息融合的人体动作识别方法 |
CN103714660A (zh) * | 2013-12-26 | 2014-04-09 | 苏州清研微视电子科技有限公司 | 基于图像处理融合心率特征与表情特征实现疲劳驾驶判别的系统 |
CN106056135A (zh) * | 2016-05-20 | 2016-10-26 | 北京九艺同兴科技有限公司 | 一种基于压缩感知的人体动作分类方法 |
CN106407905A (zh) * | 2016-08-31 | 2017-02-15 | 电子科技大学 | 基于机器学习的无线感知动作识别方法 |
CN106709447A (zh) * | 2016-12-21 | 2017-05-24 | 华南理工大学 | 基于目标定位与特征融合的视频中异常行为检测方法 |
CN108520199A (zh) * | 2018-03-04 | 2018-09-11 | 天津大学 | 基于雷达图像与生成对抗模型的人体动作开集识别方法 |
-
2019
- 2019-01-09 CN CN201910020974.9A patent/CN109918994B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799856A (zh) * | 2012-06-15 | 2012-11-28 | 天津大学 | 基于双通道红外信息融合的人体动作识别方法 |
CN103714660A (zh) * | 2013-12-26 | 2014-04-09 | 苏州清研微视电子科技有限公司 | 基于图像处理融合心率特征与表情特征实现疲劳驾驶判别的系统 |
CN106056135A (zh) * | 2016-05-20 | 2016-10-26 | 北京九艺同兴科技有限公司 | 一种基于压缩感知的人体动作分类方法 |
CN106407905A (zh) * | 2016-08-31 | 2017-02-15 | 电子科技大学 | 基于机器学习的无线感知动作识别方法 |
CN106709447A (zh) * | 2016-12-21 | 2017-05-24 | 华南理工大学 | 基于目标定位与特征融合的视频中异常行为检测方法 |
CN108520199A (zh) * | 2018-03-04 | 2018-09-11 | 天津大学 | 基于雷达图像与生成对抗模型的人体动作开集识别方法 |
Non-Patent Citations (3)
Title |
---|
"Device-Free Human Detection Using WiFi Signals";Chu-Chen Li et al.;《2016 IEEE 5th Global Conference on Consumer Electronics》;20161231;第1-3页 * |
"NotiFi: A Ubiquitous WiFi-based Abnormal Activity Detection System";Dali Zhu et al.;《IEEE》;20171231;第1766-1773页 * |
"基于CSI的行为识别研究综述";王正杰 等;《计算机工程与应用》;20181231;第14-23、35页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109918994A (zh) | 2019-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | WiAct: A passive WiFi-based human activity recognition system | |
CN106407905B (zh) | 基于机器学习的无线感知动作识别方法 | |
Choi et al. | People counting using IR-UWB radar sensor in a wide area | |
CN109918994B (zh) | 一种基于商用Wi-Fi的暴力行为检测方法 | |
CN109635837A (zh) | 一种基于商用无线Wi-Fi的场景无忧跌倒检测系统 | |
Guo et al. | WiReader: Adaptive air handwriting recognition based on commercial WiFi signal | |
Zhu et al. | NotiFi: A ubiquitous WiFi-based abnormal activity detection system | |
Zhang et al. | WiVi: A ubiquitous violence detection system with commercial WiFi devices | |
Hu et al. | ResFi: WiFi-enabled device-free respiration detection based on deep learning | |
CN111901028B (zh) | 一种基于多天线上csi的人体行为识别方法 | |
Zhu et al. | Wi-ATCN: Attentional temporal convolutional network for human action prediction using WiFi channel state information | |
Shi et al. | Deep learning networks for human activity recognition with CSI correlation feature extraction | |
Nahian et al. | Contactless fall detection for the elderly | |
Showmik et al. | Human activity recognition from wi-fi csi data using principal component-based wavelet cnn | |
CN112364770B (zh) | 基于商用Wi-Fi人体活动识别与动作质量评估方法 | |
Mosleh et al. | Monitoring respiratory motion with wi-fi csi: Characterizing performance and the breathesmart algorithm | |
CN115291184A (zh) | 一种毫米波雷达与深度学习结合的姿态监测方法 | |
CN114041784B (zh) | 基于商用Wi-Fi的双人步态病症判断装置 | |
Pandey et al. | Csi-based joint location and activity monitoring for covid-19 quarantine environments | |
Chen et al. | WiTT: Modeling and the evaluation of table tennis actions based on WIFI signals | |
Bocus et al. | A comparison of UWB CIR and WiFi CSI for human activity recognition | |
Wang et al. | Syncope detection in toilet environments using Wi-Fi channel state information | |
CN117954079A (zh) | 一种健康管理智能系统及人体心肺功能信号监测方法 | |
Liu et al. | Human behavior sensing: challenges and approaches | |
Cagnoni et al. | Sensor fusion-oriented fall detection for assistive technologies applications |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |