CN109961100A - 基于主成分分析法的wifi室内人员入侵检测方法 - Google Patents

基于主成分分析法的wifi室内人员入侵检测方法 Download PDF

Info

Publication number
CN109961100A
CN109961100A CN201910233775.6A CN201910233775A CN109961100A CN 109961100 A CN109961100 A CN 109961100A CN 201910233775 A CN201910233775 A CN 201910233775A CN 109961100 A CN109961100 A CN 109961100A
Authority
CN
China
Prior art keywords
principal component
intrusion detection
matrix
data
personnel
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
Application number
CN201910233775.6A
Other languages
English (en)
Inventor
胡鹤飞
王翰林
唐碧华
刘元安
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201910233775.6A priority Critical patent/CN109961100A/zh
Publication of CN109961100A publication Critical patent/CN109961100A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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

Abstract

本发明提出了一种基于主成分分析法的WIFI室内人员入侵检测方法，包括线下训练和线上测试两个阶段。线下训练包括：在有人员入侵和无人员入侵两种环境下进行CSI数据包的采集；完成CSI数据预处理操作，包括相位校准、噪声去除、消除趋势项；采用主成分分析法对幅值和相位矩阵进行处理，选取第一主成分；计算第一主成分的标准差和一阶差分绝对值均值，以此构建特征数据元组；根据不同的环境状态进行数据标签添加，并利用SVM分类器完成线下的训练过程。线上测试包括：利用训练完成的分类器对得到的特征数据进行分类，得到单链路下的判别结果；结合多条链路投票表决的策略，提升最终检测结果的准确性。本发明具有成本低廉、部署简单、普适性良好等优点。

Description

基于主成分分析法的WIFI室内人员入侵检测方法
技术领域
本发明属于设备无关性的人员入侵检测领域，具体涉及到一种在WIFI环境下基于主成分分析法并利用信道状态信息进行人员入侵检测的方法。
背景技术
人员入侵检测是在指定的无人活动区域内，对非法的人员入侵等活动，进行的检测与报警。传统的入侵检测技术则是利用摄像头、红外线、雷达、压力传感器等实现入侵检测。而上述检测技术存在造价成本、人力消耗诸多弊端。而基于无线局域网的入侵检测技术，则是利用室内现有的WIFI环境，被检测者无需携带无线收发装置，便可实现入侵的检测与识别。这种入侵检测技术很好的解决了传统入侵检测技术对硬件设备或者人力干预等的特殊要求，具有较强的普适性。
目前广泛应用的利用WIFI实现环境感知的技术通常采用基于接收信号强度指示(Received Signal Strength Indicator，RSSI)，但在室内复杂环境下，其性能受多径效应等因素影响明显。最新的研究则是利用来自于PHY(Port Physical Layer) 层的无线信道状态信息(Channel Status Information,CSI)，来更细粒度地描述无线信道特性。随着正交频分复用技术(Orthogonal Frequency Division Multiplexing， OFDM)在无线局域网中更广泛的运用，我们可以更加方便地获得CSI数据。CSI 是OFDM技术下的信道状态指示参量，对无线信号在多径传播下发生的反射、衍射和散射现象表现地更加敏感，以多层子载波数据的形式保留了由多径效应而产生的信道信息。因此，利用CSI数据进行室内人员的入侵检测可以获得更为优异的检测性能。
发明内容
有鉴于此，本发明的目的在于提出一种基于主成分分析法(Principal ComponentAnalysis，PCA)的WIFI室内人员入侵检测方法，主要利用接收到的 CSI数据实现对人员入侵行为的检测与判别，包括：
S1，在待检测区域内，分别模拟无人员入侵和有人员入侵两种不同的状态环境，进行数据采集；
S2，设定大小为T的时间窗口对单条链路中的数据进行截取，并从中提取到幅值数据矩阵X和相位数据矩阵L。
S3，对L采用线性变换的方法进行校准处理得到P，分别对矩阵X和P进行噪声去除、消除趋势项等处理操作，得到矩阵Xt和Pt；
S4，对矩阵Xt和Pt采用主成分分析方法进行处理，选取第一主成分得到向量Xi和Pi；分别计算Xi和Pi的标准差α和一阶差分绝对值均值β，构建得到特征元组F＝[α1,β1,α2,β2]；
S5，根据有无人员入侵不同环境状态进行标签添加操作，得到标签数据矩阵Label，将F和Label作为输入参数，完成对SVM分类器的线下训练操作；
S6，对每条链路采集到的数据重新进行S2-S4后，利用训练好的SVM分类器完成线上检测判别，最终结合多链路投票表决的策略确定唯一性结果的判定。
本发明的有益效果：通过上述的方法，对采集到的原始CSI数据信息进行处理，从幅值和相位信息中提取到表征环境变化的特征数据，利用训练完成的分类器，对待检测环境中是否存在人员入侵行为的发生进行判别，从而实现入侵检测的目标。
进一步地，所述步骤S1中包括环境状态的模拟与数据采集工作：设定有人员入侵的环境的状态位标识为“D”,无人员入侵的环境的状态位标识为“S”。
进一步地，所述步骤S2中具体包括：由M条发射天线和N条接收天线构建得到M×N条通信链路；从单条通信链路中可以获得到K个子载波数据，在大小为T的时间窗口内，获得到数据总数为(K×T)×(M×N)；选取单条链路可以得到大小均为K×T的幅值和相位矩阵X和L。
进一步地，所述步骤S3中具体包括对原始幅值和相位数据的预处理操作：对于相位矩阵L，采用线性变换的方法进行相位校准，即从原始相位中减去线性部分aki+b，得到处理后的相位矩阵P；对于X和P，采用二阶巴沃斯特滤波器进行滤波操作，得到处理后的幅值矩阵Xd和相位矩阵Pd；对于Xd和Pd进行趋势项消除操作(DeTrend)，得到Xt和Pt。
进一步地，所述步骤S4中具体包括特征数据的提取过程：Xt和Pt为大小 K×T的数据矩阵，采用主成分分析法进行处理，选取第一主成分得到向量Xi和 Pi；计算Xi和Pi的标准差α和一阶差分绝对值均值β，构建特征元组 F＝[α1,β1,α2,β2]，具体的公式为：
式中xi代表向量Xi和Pi中具体的数值，i为数据指针。
进一步地，所述步骤S5中具体包括数据标签添加和训练过程：根据实验场景进行数据标签添加操作,“S”状态下，标签为“0”,“D”状态下，标签为“1”，得到标签数据矩阵Label；设定SVM(Support Vector Machine)分类器的核函数为“Linear”，将Label和F作为输入参数，完成分类器的线下训练。
进一步地，所述步骤S6中具体包括对入侵行为的检测判别：对最新接收到数据，重复进行S2-S4，得到最新的特征数据Fnew；将Fnew作为输入，利用S5中的分类器进行分类操作，得到单条链路的判定结果；综合M×N条链路的判定结果，采用多数投票的策略，表决出最终的是否存在人员入侵的判定结果。
本发明还涉及一种计算机设备，该设备包括无线网卡、处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述任一项所述方法的步骤。
本发明的有益效果：通过本发明的计算机设备，可以实现对CSI数据采集与接收，可以从原始CSI数据中解包分离得到幅值和相位信息，从幅值和相位信息中提取到表征环境变化的特征数据，利用训练完成的分类器，对待检测环境中是否存在人员入侵行为的发生进行判别，从而实现入侵检测的目标。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明提供的一种基于主成分分析法的WIFI室内人员入侵检测方法的流程图；
图2为本发明提供的一种基于主成分分析法的WIFI室内人员入侵检测方法的结构框图；
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明白，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进一步进行清楚、完整、详细地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明提供一种基于主成分分析法的WIFI室内人员入侵检测方法，具体包括：
S101，在待监测区域内，分别模拟无人员入侵和有人员入侵两种实验环境，进行数据采集。
S201，每条链路中可以得到K个子载波数据，在大小为T的时间窗口内，单条链路中可以得到K×T维复数矩阵。提取幅值和相位数据，得到对应幅值和相位矩阵X和L。
S301，采用线性变化的方法对相位数据L进行校准处理，得到真实可用的相位数据。
S302，对于幅值矩阵X和相位矩阵P，采用二阶巴沃斯特滤波器进行滤波操作，得到处理后的幅值矩阵Xd和相位矩阵Pd。
S303，对于Xd和Pd进行趋势项消除操作，得到Xt和Pt。
S401，Xt和Pt为大小K×T的数据矩阵，采用主成分分析法进行处理，其具体操作过程如下：(1)减去均值，将Xt和Pt进行标准化处理；(2)计算协方差矩阵，得到对应的K×K维的协方差矩阵C；(3)计算协方差矩阵的特征值ri与特征向量 Wi，并按照特征值的大小进行排序。(4)构建新的主成分，根据公式P＝Z×Wi，构建主成分矩阵P；(5)选取第一主成分得到Xt和Pt对应的时间向量Xi和Pi。
S402，分别计算向量Xi和Pi的标准差α和一阶差分绝对值均值β，合并得到特征元组F＝[α1,β1,α2,β2]，其计算的具体的公式为：
式中xi代表向量Xi和Pi中具体的数值，i为数据指针。
S501，根据实验场景进行数据标签添加操作,得到标签数据矩阵Label。
S502，将S403中得到F和S501中得到Label和作为输入参数，完成分类器的线下训练。
S601，对最新接收到数据，重复进行S2-S4，得到最新的特征数据Fnew，将Fnew作为输入，利用S502中的分类器进行分类，得到单条链路的判定结果。
S602，综合M×N条链路的判定结果，采用多数投票的策略表决出最终的是否存在人员入侵的判定结果。
综上所述，本发明的目的在于提出一种基于主成分分析法的WIFI室内人员入侵检测方法，实现对待检测区域内非法的人员入侵行为进行检测。具体过程包括对原始CSI数据进行相位校准、噪声去除、消除趋势项等预处理过程，通过引入PCA方法对原始数据矩阵进行降维处理，选用第一主成分构建得到一维时间向量，提出采用一维时间向量的标准差和一阶差分均值构建特征元组，采用训练完成的SVM分类器实现入侵检测的分类与判别。
公开的示例性实施例，但是应当注公开的示例性实施例，但是应当注意，在不背离权利要求限定的本公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本公开的元素可以以个体形式描述或要求，但是也可以设想多个，除非明确限制为单数。
应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”(“a”、“an”、“the”)旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
上述本发明公开实施例序号仅仅为了描述，不代表实施例的优劣。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上所述的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。

Claims (6)

1.一种基于主成分分析法的WIFI室内人员入侵检测方法，其特征在于，包括：
S1，在待监测区域内，分别模拟无人员入侵和有人员入侵两种不同的状态环境，进行数据采集；
S2，设定大小为T的时间窗口对单条链路中的数据进行截取，并从中提取到幅值数据矩阵X和相位数据矩阵L；
S3，对L采用线性变换的方法进行校准处理得到P，分别对矩阵X和P进行噪声去除、消除趋势项等处理操作，得到矩阵Xt和Pt；
S4，对矩阵Xt和Pt采用主成分分析方法进行处理，选取第一主成分得到向量Xi和Pi；分别计算Xi和Pi的标准差α和一阶差分绝对值均值β，构建得到特征元组F＝[α1,β1,α2,β2]；
S5，根据有无人员入侵不同环境状态进行标签添加操作，得到标签数据矩阵Label，将F和Label作为输入参数，完成对SVM分类器的线下训练操作；
S6，对每条链路采集到的数据重新进行S2-S4后，利用训练好的SVM分类器完成线上检测判别，最终结合多链路投票表决的策略确定唯一性结果的判定。
2.根据权利要求1中所描述的描述入侵检测方法，其特征在于，所述步骤S4中采用主成分分析法进行处理，主要流程包括去除均值、计算协方差矩阵、计算协方差矩阵特征值、构建新的主成分、选取第一主成分构建得到一维时间向量。
3.根据权利要求1中所描述的入侵检测方法，其特征在于，所述步骤S4中选取第一主成分得到向量Xi和Pi；计算Xi和Pi的标准差α和一阶差分绝对值均值β，其具体公式为：
式中xi代表向量Xi和Pi中具体的数值，i为数据指针。由此得到特征元组F＝[α1,β1,α2,β2]。
4.根据权利要求1中所描述的描述入侵检测方法，其特征在于，所述步骤S6对每条链路采集到的数据进行S2-S4，得到最新的特征数据，将其作为输入，利用S5中得到的分类器得到单条链路的判定结果。
5.根据权利要求10中所描述的描述入侵检测方法，其特征在于，所述步骤S6包括：综合M×N条链路的判定结果，采用多数投票的策略表决出最终的是否存在人员入侵的判定结果。
6.一种计算机设备，其特征在于，该计算机设备包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5中任一项所述方法的步骤。
CN201910233775.6A 2019-03-26 2019-03-26 基于主成分分析法的wifi室内人员入侵检测方法 Pending CN109961100A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910233775.6A CN109961100A (zh) 2019-03-26 2019-03-26 基于主成分分析法的wifi室内人员入侵检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910233775.6A CN109961100A (zh) 2019-03-26 2019-03-26 基于主成分分析法的wifi室内人员入侵检测方法

Publications (1)

Publication Number Publication Date
CN109961100A true CN109961100A (zh) 2019-07-02

Family

ID=67024893

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910233775.6A Pending CN109961100A (zh) 2019-03-26 2019-03-26 基于主成分分析法的wifi室内人员入侵检测方法

Country Status (1)

Country Link
CN (1) CN109961100A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111741471A (zh) * 2020-06-11 2020-10-02 深圳市三旺通信股份有限公司 基于csi的入侵检测方法、装置及计算机存储介质
CN111753686A (zh) * 2020-06-11 2020-10-09 深圳市三旺通信股份有限公司 基于csi的人数识别方法、装置、设备及计算机存储介质
CN112953663A (zh) * 2021-03-11 2021-06-11 南京信息工程大学 基于ofdm子载波经验分析的被动式室内入侵检测方法
CN113670430A (zh) * 2021-08-16 2021-11-19 上海大学 一种分布式光纤振动传感智能扰动识别方法
CN114895609A (zh) * 2022-06-27 2022-08-12 中国电信股份有限公司 机房监控方法、装置、设备及介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111741471A (zh) * 2020-06-11 2020-10-02 深圳市三旺通信股份有限公司 基于csi的入侵检测方法、装置及计算机存储介质
CN111753686A (zh) * 2020-06-11 2020-10-09 深圳市三旺通信股份有限公司 基于csi的人数识别方法、装置、设备及计算机存储介质
CN111741471B (zh) * 2020-06-11 2024-03-22 深圳市三旺通信股份有限公司 基于csi的入侵检测方法、装置及计算机存储介质
CN112953663A (zh) * 2021-03-11 2021-06-11 南京信息工程大学 基于ofdm子载波经验分析的被动式室内入侵检测方法
CN113670430A (zh) * 2021-08-16 2021-11-19 上海大学 一种分布式光纤振动传感智能扰动识别方法
CN114895609A (zh) * 2022-06-27 2022-08-12 中国电信股份有限公司 机房监控方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN109961100A (zh) 基于主成分分析法的wifi室内人员入侵检测方法
CN105807935B (zh) 一种基于WiFi的手势控制人机交互系统
Arshad et al. Wi-chase: A WiFi based human activity recognition system for sensorless environments
Qian et al. PADS: Passive detection of moving targets with dynamic speed using PHY layer information
Zhu et al. R-TTWD: Robust device-free through-the-wall detection of moving human with WiFi
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
Xu et al. WiStep: Device-free step counting with WiFi signals
Yang et al. Wi-Count: Passing people counting with COTS WiFi devices
CN109698724A (zh) 入侵检测方法、装置、设备及存储介质
CN108924736A (zh) 一种基于PCA-Kalman的无源室内人员状态检测方法
CN106971474A (zh) 基于wifi无线信号的入侵监测方法和系统
KR102397311B1 (ko) 와이파이 송수신기 간의 채널상태정보를 이용한 실내 재실자의 일상생활 활동 인식 방법
CN107480699A (zh) 一种基于信道状态信息和支持向量机的入侵检测方法
CN109635837A (zh) 一种基于商用无线Wi-Fi的场景无忧跌倒检测系统
CN104883732B (zh) 一种增强型室内无源被动人体定位方法
Wang et al. CSIID: WiFi-based human identification via deep learning
CN111901028B (zh) 一种基于多天线上csi的人体行为识别方法
Samadh et al. Indoor localization based on channel state information
CN107025751A (zh) 基于无线信号传输的室内火情探测和报警的方法及其系统
CN109918994B (zh) 一种基于商用Wi-Fi的暴力行为检测方法
CN108199757B (zh) 一种利用信道状态信息检测消费级无人机入侵的方法
CN105785454B (zh) 基于信道频域响应的室内运动检测方法
Zhu et al. Robust and passive motion detection with COTS WiFi devices
Huang et al. WiLay: A two-layer human localization and activity recognition system using WiFi
CN109803233A (zh) 基于dhnn的csi指纹室内定位方法

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