CN114638264B - 一种基于信道状态信息的人员被动入侵检测边界估计方法 - Google Patents

Abstract

一种基于信道状态信息的人员被动入侵检测边界估计方法，实现的具体步骤如下：首先，在室内环境中采集人员入侵时对应的无线信号数据，从中提取到CSI原始数据；其次对原始CSI数据进行数据预处理，其步骤包括数据插值、数据去噪；然后，对处理后的数据进行建模，推导出理论上的入侵检测边界模型；最后实时计算滑动窗口的方差，并与初始设定的阈值相比较，检测是否有人员入侵，得到具体的入侵边界。本方法通过对信道状态信息CSI进行分析处理，根据入侵检测边界模型探究现有WiFi设备对入侵行为的可探测距离。

Description

一种基于信道状态信息的人员被动入侵检测边界估计方法

技术领域

本发明涉及入侵检测技术领域，具体涉及一种基于信道状态信息的人员被动入侵检测边界估计方法。

背景技术

由于现有的入侵检测方法如摄像头，红外线，射频识别(Radio FrequencyIdentification，RFID)等均存在一定的缺陷，比如使用RFID检测存在便捷性问题，使用红外线导致成本较高，使用摄像头检测会受到光线和障碍物遮挡的影响，使用摄像头拍摄视频占用内存大，并且会存在隐私问题，因此这些方法在日常生活中的使用难以被推广。随着WiFi设备的普及，路由器进入了千家万户，借助这种设备，可以使用信道状态信息(CSI)来帮助我们完成入侵检测而弥补其他方法的不足。信道状态信息作为一种物理层信息，在无线信道状态上具有更细粒度的描述。

基于CSI的被动入侵检测方法由于同时满足非侵入性和低成本的要求而备受关注。EPID采用巴特沃斯低通滤波器对信号进行去噪，用共轭校正消除CSI随机相位偏移，利用用户的位移模式判断入侵。Widd通过监测多径信号的幅度以及信号到达角度(Angle-of-Arrival，AOA)分布的变化来判断是否有人入侵。APID使用CSI幅度变化系数作为判断人类是否入侵的度量。虽然对基于WiFi CSI的入侵检测进行了大量的研究，但缺乏对入侵检测边界的基本评估。然而，入侵检测的界限，特别是在非视距场景下的界限，对于评价入侵检测方法的性能极限是非常重要的。此外，边界可以指导在最合适的位置部署WiFi设备来实现最佳的检测覆盖。

基于CSI的被动入侵边界检测方法是近年来出现的。Farsense提出了CSI-Ratio模型，以减少传感区域的盲区，扩大传感范围。但该系统要求两个接收天线之间的CSI流同步。在Wiborder中，通过在两个天线上的CSI相位的共轭相乘来提取一种新的度量，称为DCM-CSI。然后在DCM-CSI的基础上计算阈值线，区分直接信号和间接信号。在该系统中，传感边界是利用环境中的墙来确定的。该系统的一个主要缺点是边界估计过于粗略。

发明内容

基于以上的背景技术，本发明提出了一个基于信道状态信息的人员被动入侵检测边界估计方法。在对CSI数据预处理后，由室内无线信道模型推导出理论上的入侵检测边界模型，根据数据处理结果得到真实的入侵检测边界。

一种基于信道状态信息的人员被动入侵检测边界估计方法，包括如下步骤：

步骤1：在室内环境中采集人员入侵时对应的无线信号数据，从中提取到CSI原始数据；

步骤2：对原始CSI数据进行数据预处理，包括数据插值、数据去噪；

步骤3：对处理后的数据进行建模，选择室内无线信道模型作为建模基础，结合受人员入侵扰动的反射信道模型，通过CSI幅度的波动大小反应出不同位置的人员入侵行为，建立入侵检测边界模型；

步骤4：实时计算滑动窗口的方差，并与初始设定的阈值相比较，检测是否有人员入侵，得到具体的入侵检测边界。

进一步地，步骤1中，通过包含发射机和接收机的采集设备采集人员无线信号数据，发射机和接收机之间采用Monitor模式进行无线通信，接收机采集到WiFi信号的CSI原始数据，得到对应的三维数据的CSI数据流为3*3*30。

进一步地，步骤2中，预处理包括数据插值、数据去噪，具体为：

步骤2-1：数据插值，通过线性插值使长度保持为sampling*time；

步骤2-2：数据去噪，对步骤2-1中的插值数据选取Hample滤波器去除异常值，使用巴特沃斯滤波器消除CSI中的高频杂波，保证通频带内的频率响应曲线最大限度平坦，没有起伏，保留通带内的幅度信号不失真。

进一步地，步骤3中，定义发射端Tx和接收端Rx，区域设定摄像头Cam位置，结合实际室内环境分出摄像机视场外的不可检测区域、摄像机视场内的可检测区域、以及介于可检测区域与不可检测区域之间的分界位置即边界。

进一步地，步骤3中，包括如下分步骤：

步骤3-1：基于室内环境，选择室内无线信道模型作为基础，室内无线多径信道的信道脉冲响应CIR表示为：

其中，N是多径分量的数量，α_m和τ_m表示第m条路径的幅度衰减和时间延迟，δ(t)代表狄利克雷脉冲函数，θ_m是相位变化，z(t)是信道的噪声；T取值0或1，如果T等于0，则视距路径存在，T等于1时，视距路径被障碍物遮挡，只含有非视距的多径； 其中λ是发射信号的波长，G_t和G_r分别表示发射机和接收机的增益；n是路径损耗因子；ε是满足ε∈(0,1)的反射或折射系数，lm是信号沿第m条路径传播过程中反射或折射的次数；d_m表示信号沿第m条路径传播的距离；A_m表示信号沿第m条路径传播时由于阴影引起的信号幅度衰减；

步骤3-2：根据室内无线信道模型，建立受人员入侵扰动的反射信道模型；

建模场景是室内，每条反射路径在反射物体上的相位变化θ_m定为一个常数，同时忽略式(1)中的噪声；当信号从发射机发射后，信号经过不同的传播路径到达接收端，多径划分为静态路径和动态路径，因此式(1)表示为：

其中α_s和τ_s表示第s条动态路径的幅度衰减和时间延迟，α_d和τ_d表示第d条静态路径的幅度衰减和时间延迟；N_s表示静态路径的数量，N_d表示动态路径的数量；静态路径的距离是固定值；静态路径会经历多次折射，因此在式(2)中，静态分量里的幅度衰减因子和动态分量里的幅度衰减因子表示为：

其中，n为路径损耗因子，ε_w代表墙壁的反射系数；A_s表示信号沿第s条动态路径传播时由于阴影引起的信号幅度衰减，A_d表示信号沿第d条静态路径传播时由于阴影引起的信号幅度衰减；d表示信号从发射机到接收机处的总路径长度，α_{s,r_one}表示信号只经过一次反射的静态路径的幅度衰减因子，α_{s,r_more}表示信号经过多次反射的静态路径的幅度衰减因子，两者之间的区别在于反射系数和路径长度的不同；ε_p代表人体的反射系数，ε_w代表墙壁的反射系数，且l>1，α_{d,r_one}表示信号只经过一次反射的动态路径的幅度衰减因子，α_{d,r_more}表示信号经过多次反射的动态路径的幅度衰减因子；

式(2)简化为只经过一次反射的主静态路径和只经过一次反射的主动态路径之和，如式(4)所示:

其中，N_{s,r_one}表示仅经过墙壁一次反射到达接收机静态路径的路径数目，N_{d,r_one}表示仅经过墙壁一次反射到达接收机动态路径的路径数目；

当反射点位置随机时，认为仅经过一次反射的路径长度近似，各随机选取一条静态主路径和动态主路径来代表所有的静态路径和动态路径；在某一时刻t_i，将α_{s,r_one}和分别代入，根据信号频率，信号的传播速度和信号波长的关系式λ＝c/f，求得静态路径的传输时延τ_s＝d_S/λf与动态路径的传输时延得到受人员入侵扰动的反射信道模型：

其中，τ_s表示静态路径的信号传播时延，表示t_i时刻的动态路径的信号传播时延，d_s表示静态路径的长度，表示在t_i时刻动态路径的长度；

步骤3-3：根据式(5)的受人员入侵扰动的反射信道模型，通过CSI幅度的波动大小分析出不同位置的人员入侵行为。

进一步地，步骤4具体包括如下分步骤：

步骤4-1：使用滑动窗口方差方法来确定CSI幅度的波动大小；使用滑动窗口记录每一段时间内方差的大小，以此捕捉到CSI出现显著波动的时刻；将满足检测条件的第一个窗口作为检测到入侵者的时刻，此时对应的入侵者位置即为检测边界；

步骤4-2：得到入侵检测边界模型；

在一个滑动窗口中，信号幅值的方差var用式(6)计算：

其中表示一个滑动窗口中信号幅值的平均值,|Amp(f)_i|表示在滑动窗口中的第i个幅值，滑动窗口长度为win_len；

将幅度衰减因子代入后得到一个窗口中CSI幅值的方差表达式：

其中 而P_t为发射机功率，A_s为信号在路径传播中的阴影衰落因子，ε_w为墙壁的反射系数，ε_p为人体的反射系数，d_s为静态路径距离，为动态路径距离；式(7)为基于滑动窗口方差方法的入侵检测边界模型；

步骤4-3：得到入侵检测边界；

将满足检测条件的第一个窗口作为检测到入侵者的时刻，根据这个时刻的窗口设定一个方差阈值V_TH，若当前滑动窗口中的方差计算结果大于设定阈值，则系统判断出有人员入侵，从而发出警报，发出警报时刻对应的入侵者所在位置即边界；若计算结果小于设定阈值，则不认为有入侵行为，继续跳转到下一滑动窗口进行判断。

本发明的有益效果是：

(1)本发明采用WiFi的信道状态信息CSI信号，可以反映无线信号的多径传播效应，对环境进行细粒度感知。相比传统的感知方法，基于WiFi的CSI信号感知方法，可以实现高精度的、无外设的、用户无接触的行为感知，具有低成本、支持非视距(NLOS)和隐私保护等优点。

(2)本发明通过分析人类入侵对非视距无线信道的影响，推导出入侵干扰下的室内非视距信道模型。在推导出的信道模型的基础上，推导出入侵检测边界模型。导出的通道模型描述了人员入侵和通道变化之间的内在关系，而导出的边界模型揭示了基本入侵检测方法在NLOS场景下的基本性能极限。

(3)本发明研究入侵检测的边界，特别是在非视距场景下，评估基于CSI的入侵检测方法的性能。如果能够对入侵者的边界位置进行测量甚至建模，不仅可以知道入侵检测的提前程度，则可以预留出时间来应对此种未知情况并可以提前做好准备来消除隐患，而且可以了解所采用的检测方法在非视距场景下的性能极限，对于帮助WiFi设备的部署和实现广泛的检测覆盖是很重要的。

附图说明

图1是本发明实施例中被动入侵检测边界估计方法的流程示意图。

图2是本发明实施例中被动入侵检测边界模型的推算过程示意图。

图3是本发明实施例中被动入侵检测边界估计方法的场景示意图。

具体实施方式

下面结合说明书附图对本发明的技术方案做进一步的详细说明。

一种基于信道状态信息的人员被动入侵检测界估计方法，其具体的实施包括以下的步骤：首先，在室内环境中采集人员入侵时对应的无线信号数据，从中提取到CSI原始数据；其次对原始CSI数据进行数据预处理，包括数据插值、数据去噪；然后分析人员入侵对非视距无线信道的影响，推导出入侵干扰下的非视距信道模型，从而得到非视距无线信道的边界模型，进一步推导出入侵检测边界模型；接着根据入侵检测边界模型实时计算滑动窗口的方差，并与初始设定的阈值相比较，检测是否有人员入侵的情况；若当前滑动窗口中的方差计算结果大于设定阈值，则系统判断出有人员入侵，从而发出警报，发出警报时刻对应的入侵者所在位置即该环境下的可探测到的入侵检测边界。若计算结果小于设定阈值，则不认为有入侵行为，继续跳转到下一滑动窗口进行判断。本发明通过对WiFi信号的信道状态信息进行处理，实现精准的入侵检测界估计估计。

一种基于信道状态信息呼吸感知的人员身份识别方法，流程如图1，具体包括以下步骤：

步骤1：在室内环境中采集人员入侵时对应的无线信号数据，从中提取到CSI原始数据。具体为：

本方法采用的采集设备为一台装有Intel 5300无线网卡的主机和一台无线路由器构成，主机跟路由器各装有3根外接天线，其中无线路由器为发射机，主机为接收机，入侵人员自然的在走廊行走；为了保证无线传输数据的完整性，电脑跟路由器之间采用Monitor模式进行无线通信，装有无线网卡的主机作为接收端采集到WiFi信号原始的CSI数据，得到对应的三维数据的CSI数据流为3*3*30。

步骤2：对步骤1中采集到的原始CSI数据进行数据预处理，包括数据插值、数据去噪。其具体为：

步骤2-1：数据插值，由于采用Monitor模式下的数据采集存在0.1％-0.05％的丢包率，通过线性插值使长度保持为sampling*time。

步骤2-2：数据去噪，对步骤2-1中的插值数据选取Hample滤波器去除异常值，使用巴特沃斯滤波器消除CSI中的高频杂波，保证通频带内的频率响应曲线最大限度平坦，没有起伏，可以最大限度的保留通带内的幅度信号不失真。

步骤3：对处理后的数据进行建模，推导出理论上的入侵检测边界模型。其具体为：

图3为人员被动入侵检测边界估计方法的场景示意图。

入侵检测边界(Intrusion detection boundary)定义为：当接收机恰好能探测到入侵行为时，入侵者所在的地面位置即为入侵检测边界。

在图3中可以看到，无线路由器作为发射端Tx，主机作为接收端Rx，L拐角处靠近墙壁B的一端是不可访问的重要区域，在区域外部有摄像头Cam进行监视，用来判断区域外部有无入侵行为。此时摄像头能监视到的最远处即是从Cam到墙壁A之间的虚线，假设入侵者向接收机行走，会经过两个区域，分别为可检测区域和不可检测区域。不可检测区域为图中标识“摄像机视场外”的区域，可检测区域为图中标识“摄像机视场内”的区域，介于可检测区域与不可检测区域之间的分界位置即是边界。

步骤3-1：本发明是基于室内环境，选择室内无线信道模型作为研究和建立模型的基础。

在室内的环境中，无线信号容易被墙壁等物体反射，导致多路传播。沿着不同的路径，无线信号会经历不同的幅度衰减、时间延迟和相位变化。在接收机处，多路信号被组合成复合信号。所以室内无线多径信道的信道脉冲响应(Channel Impulse Response,CIR)表示为：

其中，N是多径分量的数量，α_m和τ_m表示第m条路径的幅度衰减和时间延迟，δ(t)代表狄利克雷脉冲函数，θ_m是相位变化，z(t)是信道的噪声。T可以是0或1。如果T等于0，则视距路径存在，T等于1时，视距路径被障碍物遮挡，只含有非视距的多径。 其中λ是发射信号的波长，G_t和G_r分别表示发射机和接收机的增益。n是路径损耗因子。ε是满足ε∈(0,1)的反射或折射系数，lm是信号沿第m条路径传播过程中反射或折射的次数。d_m表示信号沿第m条路径传播的距离。A_m表示信号沿第m条路径传播时由于阴影引起的信号幅度衰减。

步骤3-2：根据室内无线信道模型，建立受人员入侵扰动的反射信道模型。

建模场景是室内，每条反射路径在反射物体上的相位变化θ_m可以假定为一个常数。另外，与CSI的幅度相比，噪声的幅度一般非常小，因此可以进一步忽略式(1)中的噪声。当信号从发射机发射后，数条信号经过不同的传播路径到达接收端，在这些多径中，可以将其划分为两大类，一类为静态路径，另一类为动态路径。因此式(1)可以表示为：

其中α_s和τ_s表示第s条动态路径的幅度衰减和时间延迟，α_d和τ_d表示第d条静态路径的幅度衰减和时间延迟；N_s表示静态路径的数量，N_d表示动态路径的数量。静态路径的距离是不随时间而变化的，距离是一个固定值。但静态路径会经历不止一次反射，可能是两次或者多次，因此在式(2)中，静态分量里的幅度衰减因子和动态分量里的幅度衰减因子可以表示为：

其中，n为路径损耗因子，在室内一般大于2，ε_w代表墙壁的反射系数。A_s表示信号沿第s条动态路径传播时由于阴影引起的信号幅度衰减，A_d表示信号沿第d条静态路径传播时由于阴影引起的信号幅度衰减。d表示信号从发射机到接收机处的总路径长度，α_{s,r_one}表示信号只经过一次反射的静态路径的幅度衰减因子，α_{s,r_more}表示信号经过多次反射的静态路径的幅度衰减因子，两者之间的区别就在于反射系数和路径长度的不同。ε_p代表人体的反射系数，ε_w代表墙壁的反射系数，且l>1，α_{d,r_one}表示信号只经过一次反射的动态路径的幅度衰减因子，α_{d,r_more}表示信号经过多次反射的动态路径的幅度衰减因子。

式(2)可以化简为为只经过一次反射的主静态路径和只经过一次反射的主动态路径之和，如式(4)所示：

其中，N_{s,r_one}表示仅经过墙壁一次反射到达接收机静态路径的路径数目，N_{d,r_one}表示仅经过墙壁一次反射到达接收机动态路径的路径数目。

当反射点位置随机时，可以认为这些仅经过一次反射的路径长度近似，所以在发生随机反射的静态主路径和动态主路径中各随机选取一条来代表所有的静态路径和动态路径。并且动态路径会受到人的影响，随着人的移动而发生改变，所以在不同时刻点，信道冲激响应h(t)往往是不同的，因此在某一时刻t_i，将α_{s,r_one}和分别代入，再根据信号频率，信号的传播速度和信号波长的关系式λ＝c/f，可以求得静态路径的传输时延τ_s＝d_S/λf与动态路径的传输时延 便推导出了受人员入侵扰动的反射信道模型：

其中，τ_s表示静态路径的信号传播时延，表示t_i时刻的动态路径的信号传播时延，d_s表示静态路径的长度，表示在t_i时刻动态路径的长度。

步骤3-3：在受人员入侵扰动的反射信道模型的基础上建立入侵检测的边界建模。

式(5)是建立的受人员入侵扰动的反射信道模型，在图3中，假设在t₁时刻，入侵人员处于和发射机相距很远的位置，那么此时动态路径分量之和而且幅度衰减因子α_d,r-one和α_s,r-one与信号的传输距离成反比关系，所以当时，α_d,r-one<<α_s,r-one。这就使得在式(5)中，信道冲激响应h(t₁)的静态分量部分占据主要成分，而动态分量成分对h(t₁)的影响很小，可以忽略不计，即说明当入侵人员处在距离发射机很远的位置时，人员的走动并不会对信道产生较大的影响。而假设在t₂时刻，入侵人员距离发射机位置很近，那么此时的动态路径分量之和与d_s的相差不大，在这种情况下动态分量成分与静态分量成分在h(t₂)中的占比相当，动态分量不可忽略不计。因此在t₂时刻，人员因走动引起了动态分量的变化，从而对信道产生了较大的影响。

动态分量中的信号传输距离都会经过一个从长到短的变化趋势，对应对信道的影响是从小到大的。当影响较小时，我们无法检测入侵者的存在，当影响较大时，我们就能够检测出入侵者，那么二者之间就存在一个无法检测到可以检测之间的状态转变，这个状态转变的时刻人员所在的位置就对应入侵检测边界。所以从中分析出，不同位置的人员入侵行为，可以表现在CSI幅度的波动大小上。

步骤4：实时计算滑动窗口的方差，并与初始设定的阈值相比较，检测是否有人员入侵，得到具体的入侵检测边界。其具体为：

步骤4-1：确定检测方法。

为了区分CSI幅度的波动大小，使用滑动窗口方差方法来确定。因为方差体现的是一段时间内的波动，较高的方差意味着CSI中的幅度变化更明显，使用滑动窗口可以记录每一段时间内方差的大小，以此来捕捉到CSI出现显著波动的时刻。根据每个滑动窗口中不同数据的波动情况和检测条件，从而判断每个窗口中是否检测到入侵者。使用滑动窗口的方法可以将满足检测条件的第一个窗口作为检测到入侵者的时刻，此时对应的入侵者位置即为检测边界。

步骤4-2：得到入侵检测边界模型。

在一个滑动窗口中，信号幅值的方差var可以用式(6)计算：

其中表示一个滑动窗口中信号幅值的平均值,|Amp(f)_i|表示在滑动窗口中的第i个幅值，滑动窗口长度为win_len。

再将之前推导出的幅度衰减因子代入后得到一个窗口中CSI幅值的方差表达式：

其中 而P_t为发射机功率，A_s为信号在路径传播中的阴影衰落因子，ε_w为墙壁的反射系数，ε_p为人体的反射系数，d_s为静态路径距离，为动态路径距离。因此式(7)为基于滑动窗口方差方法的入侵检测边界模型。

步骤4-3：得到入侵检测边界。

将满足检测条件的第一个窗口作为检测到入侵者的时刻，根据这个时刻的窗口设定一个方差阈值V_TH，若当前滑动窗口中的方差计算结果大于设定阈值，则系统判断出有人员入侵，从而发出警报，发出警报时刻对应的入侵者所在位置即边界。若计算结果小于设定阈值，则不认为有入侵行为，继续跳转到下一滑动窗口进行判断。

该方法采用WiFi的信道状态信息CSI信号，可以反映无线信号的多径传播效应，对环境进行细粒度感知。相比传统的感知方法，基于WiFi的CSI信号感知方法，可以实现高精度的、无外设的、用户无接触的行为感知，具有低成本、支持非视距(NLOS)和隐私保护等优点。

该方法通过分析人类入侵对非视距无线信道的影响，推导出入侵干扰下的室内非视距信道模型。在推导出的信道模型的基础上，推导出入侵检测边界模型。导出的通道模型描述了人员入侵和通道变化之间的内在关系，而导出的边界模型揭示了基本入侵检测方法在NLOS场景下的基本性能极限。

该方法研究入侵检测的边界，特别是在非视距场景下，评估基于CSI的入侵检测方法的性能。如果能够对入侵者的边界位置进行测量甚至建模，不仅可以知道入侵检测的提前程度，则可以预留出时间来应对此种未知情况并可以提前做好准备来消除隐患，而且可以了解所采用的检测方法在非视距场景下的性能极限，对于帮助WiFi设备的部署和实现广泛的检测覆盖是很重要的。

以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (5)

1.一种基于信道状态信息的人员被动入侵检测边界估计方法，其特征在于：所述方法包括如下步骤：

步骤1：在室内环境中采集人员入侵时对应的无线信号数据，从中提取到CSI原始数据；

步骤2：对原始CSI数据进行数据预处理，包括数据插值、数据去噪；

步骤3：对处理后的数据进行建模，选择室内无线信道模型作为建模基础，结合受人员入侵扰动的反射信道模型，通过CSI幅度的波动大小反应出不同位置的人员入侵行为，建立入侵检测边界模型；

其特征在于：步骤3中，包括如下分步骤：

步骤3-1：基于室内环境，选择室内无线信道模型作为基础，室内无线多径信道的信道脉冲响应CIR表示为：

其中，N是多径分量的数量，α_m和τ_m表示第m条路径的幅度衰减和时间延迟，δ(t)代表狄利克雷脉冲函数，θ_m是相位变化，z(t)是信道的噪声；T取值0或1，如果T等于0，则视距路径存在，T等于1时，视距路径被障碍物遮挡，只含有非视距的多径； 其中λ是发射信号的波长，G_t和G_r分别表示发射机和接收机的增益；n是路径损耗因子；ε是满足ε∈(0,1)的反射或折射系数，lm是信号沿第m条路径传播过程中反射或折射的次数；d_m表示信号沿第m条路径传播的距离；A_m表示信号沿第m条路径传播时由于阴影引起的信号幅度衰减；

步骤3-2：根据室内无线信道模型，建立受人员入侵扰动的反射信道模型；

建模场景是室内，每条反射路径在反射物体上的相位变化θ_m定为一个常数，同时忽略式(1)中的噪声；当信号从发射机发射后，信号经过不同的传播路径到达接收端，多径划分为静态路径和动态路径，因此式(1)表示为：

其中α_s和τ_s表示第s条静态路径的幅度衰减和时间延迟，α_d和τ_d表示第d条动态路径的幅度衰减和时间延迟；N_s表示静态路径的数量，N_d表示动态路径的数量；静态路径的距离是固定值；静态路径会经历多次折射，因此在式(2)中，静态分量里的幅度衰减因子和动态分量里的幅度衰减因子表示为：

其中，n为路径损耗因子，ε_w代表墙壁的反射系数；A_s表示信号沿第s条静态路径传播时由于阴影引起的信号幅度衰减，A_d表示信号沿第d条动态路径传播时由于阴影引起的信号幅度衰减；d表示信号从发射机到接收机处的总路径长度，α_{s,r_one}表示信号只经过一次反射的静态路径的幅度衰减因子，α_{s,r_more}表示信号经过多次反射的静态路径的幅度衰减因子，两者之间的区别在于反射系数和路径长度的不同；ε_p代表人体的反射系数，ε_w代表墙壁的反射系数，且l>1，α_{d,r_one}表示信号只经过一次反射的动态路径的幅度衰减因子，α_{d,r_more}表示信号经过多次反射的动态路径的幅度衰减因子；

式(2)简化为只经过一次反射的主静态路径和只经过一次反射的主动态路径之和，如式(4)所示:

其中，N_{s,r_one}表示仅经过墙壁一次反射到达接收机静态路径的路径数目，N_{d,r_one}表示仅经过墙壁一次反射到达接收机动态路径的路径数目；

当反射点位置随机时，认为仅经过一次反射的路径长度近似，各随机选取一条静态主路径和动态主路径来代表所有的静态路径和动态路径；在某一时刻t_i，将α_{s,r_one}和分别代入，根据信号频率，信号的传播速度和信号波长的关系式λ＝c/f，求得静态路径的传输时延τ_s＝d_S/λf与动态路径的传输时延得到受人员入侵扰动的反射信道模型：

其中，τ_s表示静态路径的信号传播时延，表示t_i时刻的动态路径的信号传播时延，d_s表示静态路径的长度，表示在t_i时刻动态路径的长度；

步骤3-3：根据式(5)的受人员入侵扰动的反射信道模型，通过CSI幅度的波动大小分析出不同位置的人员入侵行为；

步骤4：实时计算滑动窗口的方差，并与初始设定的阈值相比较，检测是否有人员入侵，得到具体的入侵边界。

2.根据权利要求1所述的一种基于信道状态信息的人员被动入侵检测边界估计方法，其特征在于：步骤1中，通过包含发射机和接收机的采集设备采集人员无线信号数据，发射机和接收机之间采用Monitor模式进行无线通信，接收机采集到WiFi信号的CSI原始数据，得到对应的三维数据的CSI数据流为3*3*30。

3.根据权利要求1所述的一种基于信道状态信息的人员被动入侵检测边界估计方法，其特征在于：步骤2中，预处理包括数据插值、数据去噪，具体为：

步骤2-1：数据插值，通过线性插值使长度保持为sampling*time；

步骤2-2：数据去噪，对步骤2-1中的插值数据选取Hample滤波器去除异常值，使用巴特沃斯滤波器消除CSI中的高频杂波，保证通频带内的频率响应曲线最大限度平坦，没有起伏，保留通带内的幅度信号不失真。

4.根据权利要求1所述的一种基于信道状态信息的人员被动入侵检测边界估计方法，其特征在于：步骤3中，定义发射端Tx和接收端Rx，区域设定摄像头Cam位置，结合实际室内环境分出摄像机视场外的不可检测区域、摄像机视场内的可检测区域、以及介于可检测区域与不可检测区域之间的分界位置即边界。

5.根据权利要求1所述的一种基于信道状态信息的人员被动入侵检测边界估计方法，其特征在于：步骤4具体包括如下分步骤：

步骤4-1：使用滑动窗口方差方法来确定CSI幅度的波动大小；使用滑动窗口记录每一段时间内方差的大小，以此捕捉到CSI出现显著波动的时刻；将满足检测条件的第一个窗口作为检测到入侵者的时刻，此时对应的入侵者位置即为检测边界；

步骤4-2：得到入侵检测边界模型；

在一个滑动窗口中，信号幅值的方差var用式(6)计算：

其中表示一个滑动窗口中信号幅值的平均值,|Amp(f)_i|表示在滑动窗口中的第i个幅值，滑动窗口长度为win_len；

将幅度衰减因子代入后得到一个窗口中CSI幅值的方差表达式：

其中 而P_t为发射机功率，A_s为信号在路径传播中的阴影衰落因子，ε_w为墙壁的反射系数，ε_p为人体的反射系数，d_s为静态路径距离，为动态路径距离；式(7)为基于滑动窗口方差方法的入侵检测边界模型；

步骤4-3：得到入侵检测边界；

将满足检测条件的第一个窗口作为检测到入侵者的时刻，根据这个时刻的窗口设定一个方差阈值V_TH，若当前滑动窗口中的方差计算结果大于设定阈值，则系统判断出有人员入侵，从而发出警报，发出警报时刻对应的入侵者所在位置即边界；若计算结果小于设定阈值，则不认为有入侵行为，继续跳转到下一滑动窗口进行判断。