CN112839327A - 基于WiFi信号的人员合法性检测方法及装置 - Google Patents

基于WiFi信号的人员合法性检测方法及装置 Download PDF

Info

Publication number
CN112839327A
CN112839327A CN202110080627.2A CN202110080627A CN112839327A CN 112839327 A CN112839327 A CN 112839327A CN 202110080627 A CN202110080627 A CN 202110080627A CN 112839327 A CN112839327 A CN 112839327A
Authority
CN
China
Prior art keywords
target
sequence
principal component
person
current
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.)
Granted
Application number
CN202110080627.2A
Other languages
English (en)
Other versions
CN112839327B (zh
Inventor
魏忠诚
张新秋
连彬
王超
任丹萍
李志华
赵继军
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.)
Hebei University of Engineering
Original Assignee
Hebei University of Engineering
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 Hebei University of Engineering filed Critical Hebei University of Engineering
Priority to CN202110080627.2A priority Critical patent/CN112839327B/zh
Publication of CN112839327A publication Critical patent/CN112839327A/zh
Application granted granted Critical
Publication of CN112839327B publication Critical patent/CN112839327B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/02—Protecting privacy or anonymity, e.g. protecting personally identifiable information [PII]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
    • H04W84/10—Small scale networks; Flat hierarchical networks
    • H04W84/12—WLAN [Wireless Local Area Networks]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Security & Cryptography (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明适用于计算机技术领域，提供了一种基于WiFi信号的人员合法性检测方法及装置，该方法包括：从穿过目标检测区域的WiFi信号确定目标CSI幅值序列，并采用主成分分析法对目标CSI幅值序列进行降维处理，得到第二主成分序列；根据第二主成分序列的方差和短时能量确定第二主成分中目标人员的活动片段；对活动片段进行小波分解，构建目标人员的目标特征数据集；基于粒子群的近邻传播算法及目标特征数据集确定目标人员的合法性。本申请通过检测目标人员的CSI幅值序列中的活动片段，能够在不明确目标人员具体身份信息的情况下检测目标人员的合法性，从而解决人员合法性检测过程中个人隐私泄露的问题，提高人们的安全感。

Description

基于WiFi信号的人员合法性检测方法及装置
技术领域
本发明属于计算机术领域，尤其涉及一种基于WiFi信号的人员合法性检测方法及装置。
背景技术
人员合法性检测作为一种特殊的身份识别，在日常家居、工作以及社会生活等方面的安全防范中发挥着重要的作用。在家庭生活中，当有入侵者进入住所时，会危害到家庭成员的生命和财产，因此对进入者的合法性进行检测可以保护公民安全；在工作以及社会生活中，面对一些特殊情况，如情感咨询或者残疾人求助等，通过验证人员的合法性即可以防范非法人员，又能为公民提供更优质的服务，提升公民的幸福感。
传统的人员合法性验证技术有密码、射频卡和生物识别技术，如指纹，人脸等。然而，射频识别和生物识别均要求人们靠近或接触相关设备，使用场景有一定的局限性；计算机视觉则需要获取人体图像信息，在采集人脸过程中容易侵犯个人隐私，降低人们的安全感。
发明内容
有鉴于此，本发明实施例提供了一种基于WiFi信号的人员合法性检测方法及装置，以解决现有技术中身份识别过程私密性差的问题。
本发明实施例的第一方面提供了一种基于WiFi信号的人员合法性检测方法，包括：
接收穿过目标检测区域的WiFi信号，并从所述WiFi信号中提取信道状态数据；
根据所述信道状态数据得到目标CSI幅值序列，并采用主成分分析法对所述目标CSI幅值序列进行降维处理，得到所述目标CSI幅值序列对应的第二主成分序列；
根据所述第二主成分序列的方差和短时能量从所述第二主成分序列中截取目标人员的活动片段；所述目标人员为处于所述目标检测区域内的人员；
对所述活动片段进行离散小波变换，得到第一层近似系数，并基于第一层近似系数构建所述目标人员的目标特征数据集；
基于粒子群的近邻传播算法及所述目标特征数据集确定所述目标人员的合法性。
本发明实施例的第二方面提供了一种基于WiFi信号的人员合法性检测装置，包括：
信道状态数据获取模块，用于接收穿过目标检测区域的WiFi信号，并从所述WiFi信号中提取信道状态数据；
第二主成分序列提取模块，用于根据所述信道状态数据得到目标CSI幅值序列，并采用主成分分析法对所述目标CSI幅值序列进行降维处理，得到所述目标CSI幅值序列对应的第二主成分序列；
活动片段提取模块，用于根据所述第二主成分序列的方差和短时能量从所述第二主成分序列中截取目标人员的活动片段；所述目标人员为处于所述目标检测区域内的人员；
特征数据集构建模块，用于对所述活动片段进行离散小波变换，得到第一层近似系数，并基于第一层近似系数构建所述目标人员的目标特征数据集；
合法性确定模块，用于基于粒子群的近邻传播算法及所述目标特征数据集确定所述目标人员的合法性。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述基于WiFi信号的人员合法性检测方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述基于WiFi信号的人员合法性检测方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：本申请提供的人员合法性检测方法，首先从穿过目标检测区域的WiFi信号确定目标CSI幅值序列，并采用主成分分析法对目标CSI幅值序列进行降维处理，得到第二主成分序列；根据第二主成分序列的方差和短时能量确定第二主成分中目标人员的活动片段；对所述活动片段进行离散小波变换，得到第一层近似系数，并基于第一层近似系数构建所述目标人员的目标特征数据集；基于粒子群的近邻传播算法及目标特征数据集确定目标人员的合法性。本申请通过检测目标人员的CSI幅值序列中的活动片段，能够在不明确目标人员具体身份信息的情况下检测目标人员的合法性，从而解决人员合法性检测过程中个人隐私泄露的问题，提高人们的安全感。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的WiFi信号的人员合法性检测方法的实现流程示意图；
图2是本发明实施例提供的信号传播示意图；
图3是本发明实施例提供的第一CSI幅值序列的示意图；
图4是本发明实施例提供的第二主成分序列的示例图；
图5是本发明实施例提供的方差序列和短时能量序列的示意图；
图6是本发明实施例提供的乘积序列的示意图；
图7是本发明实施例提供的活动片段的示意图；
图8是本发明实施例提供的目标特征数据集的示意图；
图9是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
在一个实施例中，如图1所示，图1示出了本发明实施例提供的一种基于WiFi信号的人员合法性检测方法的流程，其包括：
S101：接收穿过目标检测区域的WiFi信号，并从所述WiFi信号中提取信道状态数据。
在本实施例中，如图2所示，图2示出了本实施例提供的信号传播示意图。具体地，在场景中布置一个发射端和一个接收端。发射端发射的无线信号会经由直射路径、环境与人体所造成的反射、折射和衍射等多条路径在接收端发生叠加现象，发射端与折射端之间的无线信号传播空间即目标检测区域。当人体出现在无线信号传播空间中时，通过分析接收端的无线信息便可以识别出环境中人体的状态。
具体地，发射端可以为TP-Link 802.11n无线路由器，接收端为配备Atheros9382NIC和开源工具Atheros-CSI-Tool的戴尔笔记本电脑，发射端与接收端之间传输的无线信号为WiFi信号。在获取到WiFi信号后，提取WiFi信号的CSI(Channel State Information，信道状态信息)数据，得到的信道状态数据是矩阵形式呈现的。
S102：根据所述信道状态数据得到目标CSI幅值序列，并采用主成分分析法对所述目标CSI幅值序列进行降维处理，得到所述目标CSI幅值序列对应的第二主成分序列。
在一个实施例中，图1中S102的具体实现流程包括：
S201：计算各个信道状态数据的幅值，得到第一CSI幅值序列；
S202：计算所述第一CSI幅值序列的平均值和标准差，并根据所述第一CSI幅值序列的平均值和标准差，确定第一目标区间；
S203：提取所述第一CSI幅值序列中所述第一目标区间内的数据，得到第二CSI幅值序列；
S204：采用线性插值法对所述第二CSI幅值序列进行插值，得到所述目标CSI幅值序列。
在本实施例中，信道状态数据为复数值，包括幅值和相位信息，首先计算每个信道状态数据的幅值，得到第一CSI幅值序列，如图3所示，图3为第一CSI幅值序列的示意图。受Wi-Fi设备的硬件缺陷和周围环境的影响，第一CSI幅值序列中包含有异常值，影响人员活动行为检测。本发明采用Hampel滤波器计算第一CSI幅值序列的平均值μ以及标准差σ，将[μ-3σ，μ+3σ]作为第一目标区间，并将第一目标区间之外的数据作为异常值进行去除，得到第二CSI幅值序列，第二CSI幅值序列由于去除异常值的原因存在数据缺失现象，以及在采集信号的过程中有丢包现象，因此采用线性插值进行处理，得到目标CSI幅值序列。
在本实施例中，由于接收到的CSI数据包含114条子载波，高纬度的CSI增加了系统的计算复杂度，采用主成分分析法(Principal Component Analysis，PCA)对目标CSI幅值序列进行降维处理。由研究可知，PCA的前几个主成分占有较大的贡献率，但是第一主成分含有的噪声较大，对后续的感知检测有消极影响，因此舍去第一主成分，选用具有大部分人体活动信息的第二主成分进行行为识别。
在一个实施例中，在S102之后，本实施例提供的基于WiFi信号的人员合法性检测方法还包括：
对所述第二主成分序列进行滤波处理；
相应地，所述根据所述第二主成分序列序列的方差和短时能量确定目标时间段，包括：
根据滤波处理后的第二主成分序列的方差和短时能量确定目标时间段。
具体地，由于周围环境的影响，数据中存在大量高频噪声，而人体活动的频段分布在低频段，利用Butterworth低通滤波器去除30Hz以上的噪声，如图4为经过预处理后的第二主成分序列。
S103：根据所述第二主成分序列的方差和短时能量从所述第二主成分序列中截取目标人员的活动片段；所述目标人员为处于所述目标检测区域内的人员。
在一个实施例中，上述S103包括：
S301：将所述第二主成分序列分割为多个预设长度的主成分片段；
S302：分别计算各个主成分片段的方差和短时能量，得到所述第二主成分序列对应的方差序列和短时能量序列；
S303：将所述方差序列与所述短时能量序列相乘，得到乘积序列；
S304：获取所述乘积序列的最大值和平均值；
S305：将所述乘积序列的最大值除以所述乘积序列的平均值，得到活动信息检测阈值；
S306：若所述活动信息检测阈值大于第一给定值，则将所述乘积序列中最大值对应的时间作为定位时间，并将所述定位时间前后预设时间对应的时间段作为目标时间段；
S307：从所述第二主成分序列中截取所述目标时间段对应的片段作为目标人员的活动片段。
在本实施例中，首先设置窗口大小，利用滑动窗口将第二主成分序列划分为等长的主成分片段，分别计算分割后每个片段的方差和短时能量。然后采用中值滤波对第二主成分的方差序列和短时能量序列进行平滑处理，处理后的波形如图5所示，具体地，图5a示出了一种人员活动情况对应的平滑处理后的方差序列和短时能量序列，图5b示出了另一种人员活动情况下对应的平滑处理后的方差序列和短时能量序列。然后将方差序列中的数据点与短时能量序列中对应时间的数据点的幅值相乘，得到乘积序列，并对乘积序列进行平滑处理，处理后的波形如图6所示，具体地，图6a示出了图5a对应的人员活动情况对应的平滑处理后的乘积序列，图6b示出了图5b对应的人员活动情况对应的平滑处理后的乘积序列。
在得到平滑处理后的乘积序列后，计算乘积序列的最大值和均值。由于人体行走活动对CSI数据的影响较为明显，数据的方差可以检测出数据波动的程度，短时能量可以体现多径传播后的信号功率的变化情况。因此将乘积的最大值与均值的比值作为活动信息检测阈值，通过活动信息检测阈值的大小判断第二主成分序列是否包含人员活动信息。
示例性的，将第一给定值设置为15，若活动信息检测阈值大于15，则认为该第二主成分序列中包含人员活动信息，并且乘积序列的最大值所在位置为人体活动区间的中心。将预设时间设置为2秒，因此将方差和短时能量的乘积的最大值所在位置对应到第二主成分序列上，提取后的活动片段如图7所示。
在本实施例中，由图5a-图5b以及图6a-图6b可知，当有人在无线感知环境中活动时，CSI幅值序列会发生明显的波动。但是由于人体行走的运动方式不同，例如行走时先抬哪条腿、需要行走几步、身体的摆动幅度等，导致不同人和同一个人的第二主成分序列存在差异，其计算得到的方差序列和短时能量序列的峰值不会总是对应于活动持续时间的中心，因此单独使用方差或短时能量进行人员检测的结果鲁棒性不强，而乘积序列的最大值对应的时间点在不同人员活动情况下的鲁棒性较好，因此本实施例采用乘积序列的最大值对应的时间点作为定位时间，进而确定第二主成分序列中的活动片段。
S104：对所述活动片段进行离散小波变换，得到第一层近似系数，并基于第一层近似系数构建所述目标人员的目标特征数据集。
在一个实施例中，上述S104包括：
S401：基于第一层近似系数构建所述目标人员的初始特征数据集；
S402：基于hampel滤波算法检测所述初始特征数据集中的离群数据，并去除所述初始特征数据集中的离群数据，得到第一特征数据集；
S403：对所述第一特征数据集进行插值处理，得到第二特征数据集；
S404：对所述第二特征数据集进行归一化，得到所述目标特征数据集。
在本实施例中，利用离散小波变换对活动片段进行小波分解得到第一层近似系数，第一层近似系数可以保留原波形大多数的脉冲和峰值等特点的高度变化，具有较强的代表性，如图8所示，图8是第一层近似系数的散点图。采用Daubechies D4小波对活动片段进行处理，使用第一层近似系数来表示原波形的形状特征，最后将含有原波形的形状特征的第一层近似系数构建为含有特定人员活动信息的初始特征数据集。
进一步地，由于大部分聚类算法对于离群点都有一定的敏感性，导致识别准确度降低，因此使用hampel算法对初始特征数据进行离群点检测操作，得到第一特征数据集，为了在去除离群点的基础上保证特征维度的统一性，对第一特征数据集进行插值，得到第二特征数据集。
在本实施例中，由于第一层近似系数的值在各个维度变化较大，而聚类算法需要对特征数据的各个维度进行距离计算，当某个特征值域范围非常大时，距离计算就主要取决于该特征，导致其他特征的权重降低，与实际情况不符，使识别率降低。本实施例使用线性函数归一化方法，对第二特征数据集中的数据进行线性变换，使结果映射到0-1之间，得到目标特征数据集。
S105：基于粒子群的近邻传播算法及所述目标特征数据集确定所述目标人员的合法性。
在一个实施例中，上述S105包括：
S501：计算所述目标特征数据集与各个聚类对应的目标聚类中心的距离；所述各个聚类对应的目标聚类中心由粒子群的近邻传播算法及样本集训练得到；所述样本集包括多个样本，各个样本分别包括数据特征集和实际分类结果；
S502：若第一聚类对应的目标聚类中心与所述目标特征数据集的距离小于第一距离阈值，则判定所述目标人员为合法人员，所述第一聚类为任一聚类，所述第一距离阈值为所述第一聚类对应的目标距离阈值；所述第一距离阈值由粒子群的近邻传播算法及所述样本集训练得到。
在一个实施例中，所述样本集包括训练样本集和测试样本集；在S105之前，本实施例提供的基于WiFi信号的人员合法性检测方法还包括：
步骤一：获取训练样本集和测试样本集，所述训练样本集包括合法人员的训练样本；所述测试样本集包括合法人员的测试样本和非法人员的测试样本；
步骤二：设置近邻传播算法的初始偏向参数、初始阻尼因子和初始距离系数，并将所述初始偏向参数作为当前偏向参数，将所述初始阻尼因子作为当前阻尼因子，将所述初始距离系数作为当前距离系数；
步骤三：基于当前偏向参数、当前阻尼因子对应的近邻传播算法对所述训练样本集进行分类训练，确定当前训练得到的各个聚类对应的当前聚类中心和当前距离半径；
步骤四：将当前距离半径和当前距离系数相乘，得到当前距离阈值；
步骤五：基于当前训练得到的各个聚类的当前聚类中心和当前距离阈值对测试样本集进行分类，得到各个测试样本的当前分类结果；
步骤六：基于各个测试样本对应的当前分类结果与实际分类结果，确定当前的合法人员识别率与非法人员识别率，并将当前的合法人员识别率和非法人员识别率的平均值作为当前的第一识别均值；
步骤七：以所述第一识别均值的最大值作为优化目标，将偏向参数、阻尼因子和距离系数作为粒子，按照粒子群算法更新粒子的速度和位置，并将更新后的粒子返回至步骤三，重复执行步骤三至步骤七，直至达到最大迭代次数，输出最大迭代次数下各个聚类对应的聚类中心和距离阈值作为各个聚类对应的目标聚类中心和目标距离阈值。
在一个实施例中，上述步骤四中的当前距离阈值的计算公式包括：
通过
Figure BDA0002909007090000101
计算各个聚类对应的当前距离阈值。
其中，Ri表示第i个聚类的当前距离阈值，c表示当前距离系数，lij表示第i个聚类中第j个数据点与第i个聚类对应的聚类中心的距离，lin表示第i个聚类中第n个数据点与第i个聚类对应的聚类中心的距离，Ni表示第i个聚类中的数据点的个数，li(j)表示第i个聚类中各个数据点到第j个数据点的距离之和；max[li(1),li(2)...li(j)...li(Ni)]表示第i个聚类对应的当前距离半径。
在本实施例中，样本包括合法人员对应的样本和非法人员对应的样本，将合法人员的样本作为训练样本集和测试样本集，非法人员的样本全部作为测试样本集。基于粒子群的近邻传播算法与样本进行聚类的过程包括：
首先设置合适的偏向参数、阻尼因子范围，针对近邻传播(Affinitypropagation，AP)聚类算法对输入的训练样本集的特征数据进行模型训练，得到每个聚类的当前聚类中心点和对应的当前距离半径；然后针对人类群体的变化，给出距离系数的范围对距离半径进行不同程度的缩放，将当前距离系数和当前距离半径的乘积作为距离阈值自适应区分测试集中的合法人员与非法人员，最后引入粒子群优化(Particle SwarmOptimization，PSO)算法，对测试样本集中的样本进行测试时，计算测试样本的特征到当前聚类中心的距离，若小于当前距离阈值则认为该测试样本属于合法人员，反之属于非法人员。然后将合法人员识别率和非法人员识别率的均值的最大值作为优化目标，通过随机粒子在指定的范围内按照标准PSO算法的规则不断改变粒子的速度和位置，更新偏向系数、阻尼因子和距离系数的值，并不断迭代，直到达到最大迭代次数，确定各个聚类的目标聚类中心和目标距离半径。本实施例通过上述方法能够在测试样本集发生变化时自适应调整近邻传播算法的参数和距离阈值，从而不仅能够提高识别准确性，还能够提高聚类效率。
在本实施例中，目标人员的特征数据集为m维数据，聚类中心也为m维数据，计算特征数据集与各个聚类中心的欧式距离的计算公式为：
Figure BDA0002909007090000111
其中，Pi表示目标特征数据集到第i个聚类中心的欧式距离，m表示目标特征数据集的维度，Oim表示第i个聚类中心在m维度上的数据。
从上述实施例可知，本发明实施例利用普通商用Wi-Fi设备实现高精度的人员合法性检测。通过收集物理层的信道状态信息CSI，提取CSI幅值序列的特征，利用基于粒子群优化的近邻传播算法进行分类，实现自适应群体变化的人员合法性检测，该方法不仅能够解决人员检测过程中隐私性差的问题，而且成本低、适应范围广、识别精度高、具有可扩展性。
在一个实施例中，本实施例提供了一种基于WiFi信号的人员合法性检测装置，包括：
信道状态数据获取模块，用于接收穿过目标检测区域的WiFi信号，并从所述WiFi信号中提取信道状态数据；
第二主成分序列提取模块，用于根据所述信道状态数据得到目标CSI幅值序列，并采用主成分分析法对所述目标CSI幅值序列进行降维处理，得到所述目标CSI幅值序列对应的第二主成分序列；
活动片段提取模块，用于根据所述第二主成分序列的方差和短时能量从所述第二主成分序列中截取目标人员的活动片段；所述目标人员为处于所述目标检测区域内的人员；
特征数据集构建模块，用于对所述活动片段进行离散小波变换，得到第一层近似系数，并基于第一层近似系数构建所述目标人员的目标特征数据集；
合法性确定模块，用于基于粒子群的近邻传播算法及所述目标特征数据集确定所述目标人员的合法性。
在一个实施例中，基于WiFi信号的人员合法性检测装置还包括：
滤波处理模块，用于对所述第二主成分序列进行滤波处理；
相应地，活动片段提取模块包括：
根据滤波处理后的第二主成分序列的方差和短时能量确定目标时间段。
在一个实施例中，活动片段提取模块具体用于：
将所述第二主成分序列分割为多个预设长度的主成分片段；
分别计算各个主成分片段的方差和短时能量，得到所述第二主成分序列对应的方差序列和短时能量序列；
将所述方差序列与所述短时能量序列相乘，得到乘积序列；
获取所述乘积序列的最大值和平均值；
将所述乘积序列的最大值除以所述乘积序列的平均值，得到活动信息检测阈值；
若所述活动信息检测阈值大于第一给定值，则将所述乘积序列中最大值对应的时间作为定位时间，并将所述定位时间前后预设时间对应的时间段作为目标时间段；
从所述第二主成分序列中截取所述目标时间段对应的片段作为目标人员的活动片段。
在一个实施例中，特征数据集构建模块具体用于：
基于第一层近似系数构建所述目标人员的初始特征数据集；
基于hampel滤波算法检测所述初始特征数据集中的离群数据，并去除所述初始特征数据集中的离群数据，得到第一特征数据集；
对所述第一特征数据集进行插值处理，得到第二特征数据集；
对所述第二特征数据集进行归一化，得到所述目标特征数据集。
在一个实施例中，合法性确定模块具体用于：
计算所述目标特征数据集与各个聚类对应的目标聚类中心的距离；所述各个聚类对应的目标聚类中心由粒子群的近邻传播算法及样本集训练得到；所述样本集包括多个样本，各个样本分别包括数据特征集和实际分类结果；
若第一聚类对应的目标聚类中心与所述目标特征数据集的距离小于第一距离阈值，则判定所述目标人员为合法人员，所述第一聚类为任一聚类，所述第一距离阈值为所述第一聚类对应的目标距离阈值；所述第一距离阈值由粒子群的近邻传播算法及所述样本集训练得到。
在一个实施例中，所述样本集包括训练样本集和测试样本集；基于WiFi信号的人员合法性检测装置还包括聚类训练模块，用于：
步骤一：获取训练样本集和测试样本集，所述训练样本集包括合法人员的训练样本；所述测试样本集包括合法人员的测试样本和非法人员的测试样本；
步骤二：设置近邻传播算法的初始偏向参数、初始阻尼因子和初始距离系数，并将所述初始偏向参数作为当前偏向参数，将所述初始阻尼因子作为当前阻尼因子，将所述初始距离系数作为当前距离系数；
步骤三：基于当前偏向参数、当前阻尼因子对应的近邻传播算法对所述训练样本集进行分类训练，确定当前训练得到的各个聚类对应的当前聚类中心和当前距离半径；
步骤四：将当前距离半径和当前距离系数相乘，得到当前距离阈值；
步骤五：基于当前训练得到的各个聚类的当前聚类中心和当前距离阈值对测试样本集进行分类，得到各个测试样本的当前分类结果；
步骤六：基于各个测试样本对应的当前分类结果与实际分类结果，确定当前的合法人员识别率与非法人员识别率，并将当前的合法人员识别率和非法人员识别率的平均值作为当前的第一识别均值；
步骤七：以所述第一识别均值的最大值作为优化目标，将偏向参数、阻尼因子和距离系数作为粒子，按照粒子群算法更新粒子的速度和位置，并将更新后的粒子返回至步骤三，重复执行步骤三至步骤七，直至达到最大迭代次数，输出最大迭代次数下各个聚类对应的聚类中心和距离阈值作为各个聚类对应的目标聚类中心和目标距离阈值。
图9是本发明一实施例提供的终端设备的示意图。如图9所示，该实施例的终端设备9包括：处理器90、存储器91以及存储在所述存储器91中并可在所述处理器90上运行的计算机程序92。所述处理器90执行所述计算机程序92时实现上述各个基于WiFi信号的人员合法性检测方法实施例中的步骤，例如图1所示的步骤101至105。
所述计算机程序92可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器91中，并由所述处理器90执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序92在所述终端设备9中的执行过程。
所述终端设备9可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器90、存储器91。本领域技术人员可以理解，图9仅仅是终端设备9的示例，并不构成对终端设备9的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器90可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器91可以是所述终端设备9的内部存储单元，例如终端设备9的硬盘或内存。所述存储器91也可以是所述终端设备9的外部存储设备，例如所述终端设备9上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器91还可以既包括所述终端设备9的内部存储单元也包括外部存储设备。所述存储器91用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。
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，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于WiFi信号的人员合法性检测方法，其特征在于，包括：
接收穿过目标检测区域的WiFi信号，并从所述WiFi信号中提取信道状态数据；
根据所述信道状态数据得到目标CSI幅值序列，并采用主成分分析法对所述目标CSI幅值序列进行降维处理，得到所述目标CSI幅值序列对应的第二主成分序列；
根据所述第二主成分序列的方差和短时能量从所述第二主成分序列中截取目标人员的活动片段；所述目标人员为处于所述目标检测区域内的人员；
对所述活动片段进行离散小波变换，得到第一层近似系数，并基于第一层近似系数构建所述目标人员的目标特征数据集；
基于粒子群的近邻传播算法及所述目标特征数据集确定所述目标人员的合法性。
2.如权利要求1所述的基于WiFi信号的人员合法性检测方法，其特征在于，在所述采用主成分分析法对所述目标CSI幅值序列进行降维处理，得到所述目标CSI幅值序列对应的第二主成分序列之后，所述方法还包括：
对所述第二主成分序列进行滤波处理；
相应地，所述根据所述第二主成分序列序列的方差和短时能量确定目标时间段，包括：
根据滤波处理后的第二主成分序列的方差和短时能量确定目标时间段。
3.如权利要求1所述的基于WiFi信号的人员合法性检测方法，其特征在于，所述根据所述第二主成分序列的方差和短时能量从所述第二主成分序列中截取目标人员的活动片段，包括：
将所述第二主成分序列分割为多个预设长度的主成分片段；
分别计算各个主成分片段的方差和短时能量，得到所述第二主成分序列对应的方差序列和短时能量序列；
将所述方差序列与所述短时能量序列相乘，得到乘积序列；
获取所述乘积序列的最大值和平均值；
将所述乘积序列的最大值除以所述乘积序列的平均值，得到活动信息检测阈值；
若所述活动信息检测阈值大于第一给定值，则将所述乘积序列中最大值对应的时间作为定位时间，并将所述定位时间前后预设时间对应的时间段作为目标时间段；
从所述第二主成分序列中截取所述目标时间段对应的片段作为目标人员的活动片段。
4.如权利要求1所述的基于WiFi信号的人员合法性检测方法，其特征在于，所述基于第一层近似系数构建所述目标人员的目标特征数据集，包括：
基于第一层近似系数构建所述目标人员的初始特征数据集；
基于hampel滤波算法检测所述初始特征数据集中的离群数据，并去除所述初始特征数据集中的离群数据，得到第一特征数据集；
对所述第一特征数据集进行插值处理，得到第二特征数据集；
对所述第二特征数据集进行归一化，得到所述目标特征数据集。
5.如权利要求1所述的基于WiFi信号的人员合法性检测方法，其特征在于，所述基于粒子群的近邻传播算法及所述目标特征数据集确定所述目标人员的合法性，包括：
计算所述目标特征数据集与各个聚类对应的目标聚类中心的距离；所述各个聚类对应的目标聚类中心由粒子群的近邻传播算法及样本集训练得到；所述样本集包括多个样本，各个样本分别包括数据特征集和实际分类结果；
若第一聚类对应的目标聚类中心与所述目标特征数据集的距离小于第一距离阈值，则判定所述目标人员为合法人员，所述第一聚类为任一聚类，所述第一距离阈值为所述第一聚类对应的目标距离阈值；所述第一距离阈值由粒子群的近邻传播算法及所述样本集训练得到。
6.如权利要求5所述的基于WiFi信号的人员合法性检测方法，其特征在于，所述样本集包括训练样本集和测试样本集；在所述基于粒子群的近邻传播算法及所述目标特征数据集确定所述目标人员的合法性之前，所述方法还包括：
步骤一：获取训练样本集和测试样本集，所述训练样本集包括合法人员的训练样本；所述测试样本集包括合法人员的测试样本和非法人员的测试样本；
步骤二：设置近邻传播算法的初始偏向参数、初始阻尼因子和初始距离系数，并将所述初始偏向参数作为当前偏向参数，将所述初始阻尼因子作为当前阻尼因子，将所述初始距离系数作为当前距离系数；
步骤三：基于当前偏向参数、当前阻尼因子对应的近邻传播算法对所述训练样本集进行分类训练，确定当前训练得到的各个聚类对应的当前聚类中心和当前距离半径；
步骤四：将当前距离半径和当前距离系数相乘，得到当前距离阈值；
步骤五：基于当前训练得到的各个聚类的当前聚类中心和当前距离阈值对测试样本集进行分类，得到各个测试样本的当前分类结果；
步骤六：基于各个测试样本对应的当前分类结果与实际分类结果，确定当前的合法人员识别率与非法人员识别率，并将当前的合法人员识别率和非法人员识别率的平均值作为当前的第一识别均值；
步骤七：以所述第一识别均值的最大值作为优化目标，将偏向参数、阻尼因子和距离系数作为粒子，按照粒子群算法更新粒子的速度和位置，并将更新后的粒子返回至步骤三，重复执行步骤三至步骤七，直至达到最大迭代次数，输出最大迭代次数下各个聚类对应的聚类中心和距离阈值作为各个聚类对应的目标聚类中心和目标距离阈值。
7.一种基于WiFi信号的人员合法性检测装置，其特征在于，包括：
信道状态数据获取模块，用于接收穿过目标检测区域的WiFi信号，并从所述WiFi信号中提取信道状态数据；
第二主成分序列提取模块，用于根据所述信道状态数据得到目标CSI幅值序列，并采用主成分分析法对所述目标CSI幅值序列进行降维处理，得到所述目标CSI幅值序列对应的第二主成分序列；
活动片段提取模块，用于根据所述第二主成分序列的方差和短时能量从所述第二主成分序列中截取目标人员的活动片段；所述目标人员为处于所述目标检测区域内的人员；
特征数据集构建模块，用于对所述活动片段进行离散小波变换，得到第一层近似系数，并基于第一层近似系数构建所述目标人员的目标特征数据集；
合法性确定模块，用于基于粒子群的近邻传播算法及所述目标特征数据集确定所述目标人员的合法性。
8.如权利要求7所述的基于WiFi信号的人员合法性检测装置，其特征在于，所述装置还包括：
滤波处理模块，用于对所述第二主成分序列进行滤波处理；
相应地，所述活动片段提取模块包括：
根据滤波处理后的第二主成分序列的方差和短时能量确定目标时间段。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中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计算机程序时实现如权利要求1至6任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
CN202110080627.2A 2021-01-21 2021-01-21 基于WiFi信号的人员合法性检测方法及装置 Active CN112839327B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110080627.2A CN112839327B (zh) 2021-01-21 2021-01-21 基于WiFi信号的人员合法性检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110080627.2A CN112839327B (zh) 2021-01-21 2021-01-21 基于WiFi信号的人员合法性检测方法及装置

Publications (2)

Publication Number Publication Date
CN112839327A true CN112839327A (zh) 2021-05-25
CN112839327B CN112839327B (zh) 2022-08-16

Family

ID=75929169

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110080627.2A Active CN112839327B (zh) 2021-01-21 2021-01-21 基于WiFi信号的人员合法性检测方法及装置

Country Status (1)

Country Link
CN (1) CN112839327B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108988968A (zh) * 2018-07-27 2018-12-11 河北工程大学 人员行为检测方法、装置和终端设备
CN109587645A (zh) * 2018-11-12 2019-04-05 南京邮电大学 基于信道状态信息的室内环境下人员识别方法
CN109728863A (zh) * 2018-12-26 2019-05-07 河北工程大学 人员活动持续时间估计方法、装置和终端设备
CN110011741A (zh) * 2019-03-29 2019-07-12 河北工程大学 基于无线信号的身份识别方法及装置
CN110162975A (zh) * 2019-05-28 2019-08-23 江苏大学 一种基于近邻传播聚类算法的多步异常点检测方法
CN110337066A (zh) * 2019-05-21 2019-10-15 西安电子科技大学 基于信道状态信息室内人员活动识别方法、人机交互系统
CN111339511A (zh) * 2020-03-24 2020-06-26 河北工程大学 身份合法性验证方法、装置及终端设备
CN111652132A (zh) * 2020-06-03 2020-09-11 河北工程大学 基于深度学习的非视距身份识别方法、设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108988968A (zh) * 2018-07-27 2018-12-11 河北工程大学 人员行为检测方法、装置和终端设备
CN109587645A (zh) * 2018-11-12 2019-04-05 南京邮电大学 基于信道状态信息的室内环境下人员识别方法
CN109728863A (zh) * 2018-12-26 2019-05-07 河北工程大学 人员活动持续时间估计方法、装置和终端设备
CN110011741A (zh) * 2019-03-29 2019-07-12 河北工程大学 基于无线信号的身份识别方法及装置
CN110337066A (zh) * 2019-05-21 2019-10-15 西安电子科技大学 基于信道状态信息室内人员活动识别方法、人机交互系统
CN110162975A (zh) * 2019-05-28 2019-08-23 江苏大学 一种基于近邻传播聚类算法的多步异常点检测方法
CN111339511A (zh) * 2020-03-24 2020-06-26 河北工程大学 身份合法性验证方法、装置及终端设备
CN111652132A (zh) * 2020-06-03 2020-09-11 河北工程大学 基于深度学习的非视距身份识别方法、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHAO WANG等: "Literature Review on Wireless Sensing――Wi-Fi Signal-Based Recognition of Human Activities", 《TSINGHUA SCIENCE AND TECHNOLOGY》 *
杨小龙等: "室内穿墙场景下的无源人体目标检测算法", 《电子与信息学报》 *

Also Published As

Publication number Publication date
CN112839327B (zh) 2022-08-16

Similar Documents

Publication Publication Date Title
Tartakovsky et al. Sequential analysis: Hypothesis testing and changepoint detection
CN111027378B (zh) 行人重识别的方法、装置、终端及存储介质
CN112712063B (zh) 刀具磨损值监测方法、电子装置和存储介质
CN113470695B (zh) 声音异常检测方法、装置、计算机设备及存储介质
US20050021313A1 (en) Method, computer program, and system for automated real-time signal analysis for detection, quantification, and prediction of signal changes
CN109714324B (zh) 基于机器学习算法的用户网络异常行为发现方法及系统
CN104135327A (zh) 基于支持向量机的频谱感知方法
CN113721213B (zh) 生命体检测方法、终端及存储介质
WO2021051944A1 (zh) 自动推送助眠乐曲方法、装置、计算机设备及存储介质
CN106850511B (zh) 识别访问攻击的方法及装置
CN111191601A (zh) 同行用户识别方法、装置、服务器及存储介质
CN110647788A (zh) 一种基于微多普勒特征的人类日常行为分类方法
CN110856178B (zh) 一种基于无线网络物理层iq信号的行为识别方法
CN111339511A (zh) 身份合法性验证方法、装置及终端设备
CN112839327B (zh) 基于WiFi信号的人员合法性检测方法及装置
Yin et al. Anomaly traffic detection based on feature fluctuation for secure industrial internet of things
CN111652132B (zh) 基于深度学习的非视距身份识别方法、设备及存储介质
CN113886821A (zh) 基于孪生网络的恶意进程识别方法、装置、电子设备及存储介质
US20230409422A1 (en) Systems and Methods for Anomaly Detection in Multi-Modal Data Streams
Chen et al. Global context-based threshold strategy for drone identification under the low SNR condition
CN107894837A (zh) 动态情感分析模型样本处理方法及装置
CN115510924B (zh) 基于改进变分模态分解的射频指纹识别方法
Feng et al. RF fingerprint extraction and device recognition algorithm based on multi-scale fractal features and APWOA-LSSVM
CN109614854B (zh) 视频数据处理方法及装置、计算机装置及可读存储介质
CN109448287B (zh) 一种安全监控方法、装置、可读存储介质及终端设备

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