CN115334644B - 单ap室内入侵目标检测方法、计算机设备以及可读存储介质 - Google Patents
单ap室内入侵目标检测方法、计算机设备以及可读存储介质 Download PDFInfo
- Publication number
- CN115334644B CN115334644B CN202210992584.XA CN202210992584A CN115334644B CN 115334644 B CN115334644 B CN 115334644B CN 202210992584 A CN202210992584 A CN 202210992584A CN 115334644 B CN115334644 B CN 115334644B
- Authority
- CN
- China
- Prior art keywords
- cir
- target
- estimation
- path
- indoor
- 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
- 230000009545 invasion Effects 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 51
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 238000001228 spectrum Methods 0.000 claims abstract description 12
- 238000009825 accumulation Methods 0.000 claims abstract description 3
- 230000003068 static effect Effects 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims description 2
- 230000008054 signal transmission Effects 0.000 claims description 2
- 238000012935 Averaging Methods 0.000 claims 1
- 108091006146 Channels Proteins 0.000 description 31
- 230000005540 biological transmission Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
- Burglar Alarm Systems (AREA)
Abstract
本发明涉及WiFi室内定位技术领域,具体公开了一种单AP室内入侵目标检测方法、计算机设备以及存储介质。其中,本发明方法联合CSI数据的幅值和相位信息,将CSI数据分成长度为13的多个子段,通过多次累加平均得到CSI数据的相关矩阵的准确估计,并利用超分辨率谱估计MIN‑NORM方法获得超分辨率的信道CIR估计,根据实时CIR估计结果,从中分离出动态路径,进而判断有无入侵的发生。当室内存在入侵目标时,利用动态路径的到达时间确定目标位置椭圆,进一步通过反射波的到达角估计,锁定目标方向,利用目标方向与目标位置椭圆的交点确定入侵目标所处位置,从而实现对入侵目标位置的精确定位。
Description
技术领域
本发明属于WiFi室内定位技术领域,特别涉及一种单AP室内入侵目标检测方法、计算机设备以及可读存储介质。
背景技术
室内入侵,是指未经授权的人员通过门窗等途径非法地闯入个人领域或公共领域,特别是在各种无人的机要环境中,比如博物馆、保密室、档案室等机要场所,对室内安全的要求非常高,在某些时间段内,需要保证门窗紧闭,禁止人员入内或逗留。
传统的室内入侵检测方法主要有:基于视频图像、红外线或RFID等方式。基于视频图像的入侵检测技术主要依靠摄像头来完成监控,该技术成本较低,但是对摄像头的安装位置有较高的要求,且摄像头易受烟雾等遮挡物的影响,此外,如果被监控的场景是涉密场所则不宜利用摄像头来进行监控。基于红外的入侵检测技术主要利用光学传感器来实现,红外技术能够弥补摄像头监控的涉密问题,但是同样对安装环境也有较高的要求,它要求安装环境必须存在视距路径,且易受灯光干扰。基于RFID的方法主要通过被检测人员自身携带的标签来完成人员入侵和定位,对于一个想要进行入室偷盗的人员来说不具现实意义。
随着无线网络技术的飞速发展,WiFi已经普及,室内布设的WiFi网络不仅可以用作通信,还可以作为广义的传感器应用于安防、定位、智能家居、智慧医疗等各个领域。在室内环境中,对于无人的室内环境和有人员走动的室内环境,室内环境的WiFi信道是不同的,因此,可以借助一定的手段和方法,检测出室内环境中WiFi信道的变化,进而实现入侵检测,无需附加任何设备,是一种经济且行之有效的方案。CSI数据属于WiFi IEEE802.11无线通信协议中的物理层信息(PHY),物理层的CSI数据包含了信道频域信息,CSI信息反映的是发送端和接收端对应的无线信道的频域响应,即信道的幅频响应和相频响应。
CSI数据的幅频响应信息比较准确,相位信息误差较大,因此,目前基于CSI的室内入侵检测技术,大都基于CSI幅值信息来实现,通过利用CSI幅值信息的变化,判断有无入侵情况的发生,进一步建立CSI位置指纹,最后利用指纹匹配来实现入侵目标定位的目的。
然而,此类方法存在的技术问题有:(1).只利用了CSI的幅值信息,即只利用了WiFi信道的幅频响应,CSI的相位信息的作用没有体现;(2).利用CSI幅值信息无法获得信道的信道冲激响应CIR估计;(3).在入侵目标定位阶段,需要利用多个AP的CSI数据,来构建位置指纹库,系统结构复杂,硬件投入高,且不能适应室内环境的动态变化。
发明内容
本发明的目的在于提出一种单AP室内入侵目标检测方法,该方法基于WiFi CSI信号展开,联合CSI的幅值和相位信息,恢复信道的CIR,并从实时CIR估计结果中分离出入侵目标所对应的动态路径,判断有无入侵情况的发生,最终实现入侵目标的检测及定位目的。
本发明为了实现上述目的,采用如下技术方案:
一种单AP室内入侵目标检测方法,包括如下步骤:
步骤1.对CSI数据进行预处理,包括滤波去噪以及相位矫正;
步骤2.基于步骤1预处理得到的CSI数据,利用超分辨率谱估计MIN-NORM方法实现各条路径的TOA的估计,进一步得到WiFi信道的超分辨率CIR估计;
将利用上述CIR估计方法得到的实时CIR估计结果与静态路径CIR0相比较,从实时CIR估计结果中分离出动态路径,基于动态路径的TOA的估计确定目标位置椭圆;
步骤3.以接收端为端点,以天线阵列的法线为参考,得到动态路径的到达角AOA的估计值θ,锁定目标方向,由AOA确定的方向与目标位置椭圆形成的交点即入侵目标位置。
此外,在上述单AP室内入侵目标检测方法的基础上,本发明还提出了一种用于实现上述单AP室内入侵目标检测方法的计算机设备。
该计算机设备包括存储器和处理器,存储器中存储有可执行代码,处理器执行所述可执行代码时,用于实现上面述及的单AP室内入侵目标检测方法。
此外,在上述单AP室内入侵目标检测方法的基础上,本发明还提出了一种用于实现上述单AP室内入侵目标检测方法的计算机可读存储介质。
该计算机可读存储介质,其上存储有程序。
当该程序被处理器执行时,用于实现上面述及的单AP室内入侵目标检测方法。
本发明具有如下优点:
如上所述,本发明述及了一种单AP室内入侵目标检测方法,该方法通过检测入侵目标的反射波实现入侵检测。本发明联合CSI数据的幅值和相位信息,通过将CSI数据分成长度为13的多个子段,通过多次累加平均得到CSI数据的相关矩阵的准确估计,进而利用超分辨率谱估计MIN-NORM方法获得了超分辨率的信道CIR估计,根据实时CIR估计结果,从中分离出动态路径,从而判断有无入侵的发生。当室内存在入侵目标时,利用动态路径的到达时间确定目标位置椭圆,通过反射波的到达角估计锁定来波(目标)方向,利用该来波(目标)方向与目标位置椭圆的交点确定入侵目标所处位置,实现了对入侵目标的精确定位。
附图说明
图1为室内多径效应的原理图。
图2为室内场景中静态路径和动态路径示意图。
图3为根据动态路径的到达时间(TOA)信息确定的目标位置椭圆示意图。
图4为AOA方向和目标位置椭圆交点确定入侵目标位置示意图。
图5为本发明实施例中单AP室内入侵目标检测方法的流程图。
图6为本发明实施例中基于MIN-NORM算法实现超分辨率的CIR的估计流程图。
图7为从伪谱函数中分离静态路径和动态路径的示意图。
图8为将入侵目标定位在以收发端为焦点的目标位置椭圆上的示意图。
图9为本发明实施例中动态路径鉴别及目标位置椭圆的流程图。
图10为通过AOA确定的方向与目标位置椭圆形成的交点得到入侵目标位置的示意图。
具体实施方式
室内环境是一个多径环境,WiFi信号可沿不同的路径到达接收端,如图1所示。
CIR是这些路径的能量幅值及传播时间(TOA:time of arrival)的描述,其中,TOA反映的是路径的传播距离,而传播距离的估计是入侵目标位置估计的关键中的关键。
可见,在室内入侵检测问题中,CIR的估计是一个非常关键的问题。
高精度的CIR估计,提供了收发端之间各条不同路径的幅值及传播时间,但CIR的估计无法通过CSI幅值实现,必须综合利用CSI数据的幅值和相位信息才能实现。
其中,收发端即接收端和发射端,发射端即单个AP,接收端即计算机。
目前,基于CSI数据的CIR恢复问题公开的工作很少。有学者采用IDFT方法进行CIR恢复,然而CSI能提供的带宽有限只有20MHz,只能实现50ns的时间分辨率即15m的距离分辨率,无法分辨出室内环境的不同到达路径,不能满足室内入侵检测的需求。
在最初基于WiFi的室内入侵方法中,通常采用RSSI来衡量信道状况,如根据RSSI信号均值和方差是否发生变化来判断是否发生入侵,进而完成当前室内状态的评估。
然而,RSSI是室内多径信号叠加的矢量和,虽然能够反映室内信道的变化,但是无法准确分辨室内的WiFi多径信号,因此,无法确定入侵目标所在的位置。
针对以上不足,本发明提供一种采用综合CSI数据幅值和相位的方案。
该方法利用MIN-NORM方法实现超分辨率的CIR估计,从中分离出动态路径,判断有无人员入侵情况,进一步联合动态路径的到达时间和到达角度实现入侵目标的位置估计。
本发明方法是基于单AP来实现的,结合CSI的幅值和相位信息,来对WiFi信道的CIR进行恢复,有效地解决了室内入侵检测问题,本发明大致思路如下:
首先,联合CSI的幅值及相位信息实现超分辨率的信道冲击响应(ChannelImpulse Response,CIR)估计,实现动态路径的检测,判断有无入侵情况的发生。
单AP室内入侵目标检测方法的原理,如图1和图2所示。其中,图2(a)为没有入侵的正常室内场景,图2(b)为有人员入侵的场景。由图2(a)和图2(b)对比看出:
无人入侵时,收发端之间存在相应的固有路径,即静态路径;有人员入侵时,除了固有静态路径之外,多了一条经由目标表面发生反射到达接收端的路径,即动态路径。
在有入侵发生的情况下,从实时CIR估计结果中分离出动态路径,然后根据动态路径的到达时间(TOA)信息,确定目标位置椭圆,如图3所示。
其中,图3中动态路径即为d=d1+d2所对应路径。
M代表室内移动目标,TX为室内布设的AP,RX为接收端,根据目标反射路径d=d1+d2,可将目标定位在由TX、RX为焦点,d=d1+d2所确定的椭圆圆周上。
最后,利用MUSIC算法实现动态路径的到达方向即AOA的估计,锁定目标方向,则到达方向和目标位置椭圆的交点,即为入侵目标所在的位置,如图4所示。
本发明方法是一种基于WiFi CSI的被动式室内入侵检测方法,只需在室内布设一个AP即可,且不需要携带任何设备,只需利用目标反射波即可实现入侵检测。
下面结合附图以及具体实施方式对本发明作进一步详细说明:
本发明方法主要分为三个阶段:
第一阶段为CSI数据的预处理,包括滤波去噪以及相位的线性矫正。
第二阶段为高精度CIR估计、动态路径的鉴别及目标位置椭圆的确定。
第三阶段入侵目标的位置估计,利用MUSIC算法实现到达波方向AOA的估计,从而锁定目标方向,AOA所确定的方向和目标位置椭圆的交点即为入侵目标的位置。
如图5所示,本实施例中单AP室内入侵目标检测方法,包括如下步骤:
步骤1.对CSI数据进行预处理,包括滤波去噪以及相位矫正。
步骤1.1.异常值剔除及小波去噪。
首先用Hampel滤波方法剔除异常值,该方法通过计算滑动窗口内信道状态信息幅度值的中位数以及该数据与中位数的差值,从而判断是否去掉异常数据,并用数据中值代替。
采用sym8小波对信号进行五层分解,并对细节系数选用启发式阈值heursure和软阈值s模式,根据每一层小波分解的噪声水平估计进行自适应调整,得到滤波后的CSI数据。
此种去噪方式,实现了可靠的CSI数据滤波。
步骤1.2.相位矫正。
CSI相位误差主要由发射机和接收机之间振荡器频率不匹配造成,主要由载波频率偏移(Carrier Frequency Offset,CFO)和采样频率偏移(Sampling frequency offset,SFO)两种偏移构成。
本实施例中采用主流的线性相位矫正方法进行CSI相位矫正。
步骤2.基于步骤1预处理得到的CSI数据,并利用超分辨率谱估计MIN-NORM方法,实现各条路径的TOA的估计,进一步得到WiFi信道的超分辨率CIR估计。
经步骤1预处理得到WiFi工作频段内20MHz带宽范围内的30个子载波对应的H(fm),即:
其中,H(fm)表示第m个信道频率响应。
|H(fm)|为第m个子载波的幅度,θm第m条传输路径的相位,m=1,2,3…30。
接下来,利用信道频率响应H(fm)来实现室内信道的CIR估计。在室内场景中,无线信号从发射端发出经过室内多条路径到达接收端,接收端接收到的信号,即信道的CIR表示为:
其中,L表示信号传输路径的数量,αi表示第i条传输路径的幅度,θi表示第i条传输路径的相位,τi表示第i条传输路径的时延,δ(t)是狄拉克函数。
可见CIR估计的关键在于τi的估计,本发明利用CIR的频谱即信道频率响应(Channel Frequency Response,CFR)来实现τi的估计,CFR的表达式如下所示:
对比公式(1)和(3),得到WiFi中的CSI数据和和各路径到达时间τi的关系,将公式(3)中τi视为频率变量,f视为时间变量,τi的估计问题可等价为谱估计的问题。
本发明基于CSI数据并利用超分辨率谱估计MIN-NORM方法,实现各条路径的TOA即τi的估计,进一步得到WiFi信道的超分辨率CIR估计。
该步骤中CSI自相关矩阵Rxx的估计是关键,CIR估计的前提是在Rxx的估计必须是准确的,此处的困难在于CSI信息向量只包含了30个频点的数据。
而自相关矩阵的求的是期望,如下式所示:
RXX=E(XXH)。
RXX为XXH的期望,要求有足够的平均次数,即要求有数量足够多组CSI数据X的XXH的多次累加平均,才能得到RXX的一个合理估计:
此时的问题在于,采集得到的这些数量足够多的CSI数据的平稳性无法得到保证,因为室内场景是动态变化的,即数据采集窗口内的CSI数据也是动态变化的,是一个非平稳的信号,环境的微小改变如窗帘的飘动、入侵人员的走动都会引起CSI数据的变化。
因此,无法用一个采样窗口内采样得到的非平稳CSI信号序列对自相关矩阵RXX估计。
因此,在自相关矩阵RXX的估计中进行了如下创新:
首先对某一时刻得到的一组30点的CSI数据进行合理分解,分解成数量足够多的子段Xi,然后对所有子段的XiXi H,计算其累加平均来得到自相关矩阵的一个有效估计。
利用30点的CSI序列生成了多组的CSI子段Xi,而且这些子段是对应的是同一个时刻的场景,反映的是同一时刻的室内WiFi信道,因而不存在信号非平稳的问题。
此外,本实施例在CSI子段长度的确定上也进行了改进,具体如下:
室内场景中对CSI有贡献的路径一般不多于8条,故子段Xi的长度必须大于8。
在此基础上,为了保证噪声子空间向量的数量,本实施例取长度为13的Xi的子段,这样即使场景中出现8条路径,仍能够保证得到5个噪声子空间向量。
在求期望的过程中,有18次的平均次数,很好地保证了自相关矩阵RXX的估计精度。
如图6所示,本实施例中CIR的估计过程如下:
设预处理后的一组CSI数据为X=[H(f1),H(f2),H(f3)…H(f30)]。
步骤2.1.1.联合CSI数据的幅值和相位信息,对步骤1预处理后的CSI数据进行分段,将CSI数据分成长度为13的18个子段Xi,i=1,2,……18。
将CSI数据分成长度为13的18个子段Xi,能够同时兼顾自相关矩阵的估计精度及自相关矩阵的维数,其中,自相关矩阵的维数必须大于信道内路径的条数。
本实施例对CSI数据进行分段的依据在于:
由于CSI数据长度为30,假设CSI子段的长度为l,则自相关矩阵估计的累加平均次数为:N=30-l+1,l和自相关矩阵估计的累加平均次数N之间存在一个矛盾:
若提高自相关矩阵估计精度,就需要增加N值;
然而N值的增大必然导致CSI子段长度l的减少,如果l太小以至于小于室内场景的路径条数,就无法得到正确的信号子空间和噪声子空间的划分。
因此,CSI子段长度需要考虑室内场景的传播路径数量及自相关矩阵的估计精度。
对室内环境来说,路径数量一般少于8条,故取CSI数据长度为13是合理的。
此时,仍然能够保证18次的累加平均次数。
假设场景中有8条传播路径,则其自相关矩阵的奇异值分解的对角阵∑中的前8个特征值和这8条路径对应即和信号子空间US对应,后5个特征值和噪声子空间UN对应。
这样即保证了自相关矩阵的估计精度(18次平均),又包含了充分的噪声子空间信息。
因此,本发明将30维的CSI数据分成长度为13的子段,总共得到18个子段。
分段结果如下:
其中,Xi表示划分后的第i个子段,i=1,2,……18。
步骤2.1.2.通过18次累加平均得到自相关矩阵的估计计算过程如下:
步骤2.1.3.对自相关矩阵的估计值进行奇异值分解,计算过程如下:
其中,U表示特征向量,∑表示特征值对应的对角阵。
步骤2.1.4.根据特征值的大小,将特征向量U划分成信号子空间US和噪声子空间UN,即由前L个较大的特征值对应的特征向量得到信号子空间US,后边的(13-L)个特征向量得到噪声子空间UN,其中,13为CSI子段的长度。
步骤2.1.5.得到噪声子空间UN的最小欧几里得范数向量Umin;根据信号子空间US和噪声子空间UN的最小范数向量Umin的正交性伪谱P(τ)。
P(τ)的表达式如下:
其中,a(τ)=[1 ej2πΔf·τ … ej2π(L-1)Δf·τ]T,Δf表示频域采样间隔。
步骤2.1.6.通过对伪谱P(τ)的峰值搜索,得到各条路径的TOA估计。进一步通过非线性最小二乘法得到信道CIR的幅值,即各路径的到达强度估计结果。
α=(AHA)-1AHX。
其中,A=[a(τ0) a(τ1)…a(τL-1)]T,a(τ0) a(τ1)…a(τL-1)表示和路径相关的信号子空间的特征向量;X表示一组CSI测量数据,α表示各条路径的到达幅度,α=[α1,α2,…,αL]。
α1、α2、…αL分别表示第1条、第2条、…第L条传输路径的幅度。
在以上CIR估计方法中,本发明对于CSI子段长度的确定,充分考虑了室内场景中多径效应的路径条数,其长度必须大于场景中路径的数量;同时,也考虑了噪声子空间向量的数量以及求期望的累加平均次数,将子段数量设置为18次,实现了RXX的准确估计。
在实现信道的CIR准确估计后,进行静态路径和动态路径的鉴别。
本发明根据实时CIR估计结果与静态路径CIR0相比的变化情况,从实时CIR估计结果中分离出动态路径;进一步基于动态路径的TOA的估计确定目标位置椭圆。
在未发生人员入侵时,室内场景的信道是固定的,即收发之间的传播路径是固定的,本发明将这些路径视为静态路径,如图2(a)所示。
将未入侵场景的CIR信息即各条静态路径的信息记录下来,例如:
CIR0=(α1,τ1,α2,τ2)。
其中,α1表示第1条传输路径的幅度,τ1表示第1条传输路径的时延,α2表示第2条传输路径的幅度,τ2表示第2条传输路径的时延。
在发生入侵时,室内信道发生改变,WiFi信号会在入侵人员身上发生反射,产生动态路径如图2(b)所示,将此时得到的CIR信息,例如记为:
CIRd=(α1,τ1,αd,τd,α2,τ2)。
其中,ad表示动态路径的幅度,τd表示动态路径的时延。
将CIRd与CIR0对比,可以检测出CIR的变化(αd,τd),具体计算过程如下:
CIRd-CIR0=(α1,τ1,αd,τd,α2,τ2)-(α1,τ1,α2,τ2)=(αd,τd)。
如图7(b)和图7(a)相比,增加了一条动态路径,此处增加的路径,即为经由目标反射到达接收端的路径,可见t=20ns峰值对应的就是目标反射波,可得:
d=d1+d2=20×10-9×3×108=6m。
因此,将目标定位在以收发端为焦点且满足d=d1+d2=6m的椭圆上,如图8所示。
图8中F1和F2分别表示接收端和发射端,此时目标处在A点。同理,当目标出现在A’点时,此时,将目标定位在以收发端为焦点且满足d’=d1’+d2’的椭圆上。
检测过程中,系统定时采集CSI数据,利用CSI估计方法得到实时的CIR估计CIRd,与CIR0对比,检测出动态路径,确定目标位置椭圆,具体流程如图9所示。
动态路径鉴别以及目标位置椭圆的确定步骤如下:
步骤2.2.1.记录静态路径CIR0。
步骤2.2.2.定时采集CSI数据,得到实时CIR估计结果CIRd。
步骤2.2.3.判断静态路径CIR0和实时CIR估计结果CIRd的维数是否相同,若相同,则无目标入侵,不做处理;若不同,则有目标入侵,并转到步骤2.2.4。
步骤2.2.4.根据实时CIR估计结果CIRd与CIR0相比的变化情况鉴别出动态路径。
步骤2.2.5.根据动态路径确定目标位置椭圆,具体过程如下:
根据动态路径的到达时间,确定目标反射路径d=d1+d2所对应的路径,将目标定位在由接收端和发射端作为焦点,以及由目标反射路径d所确定的椭圆圆周上。
步骤3.以接收端为端点,以天线阵列的法线为参考,得到动态路径的到达角AOA的估计值θ,锁定目标方向,以θ角度做射线,得到该射线与目标位置椭圆形成的唯一交点。
由AOA确定的方向与目标位置椭圆形成的交点即入侵目标位置,如图10所示。
本实施例中动态路径的到达角AOA估计采用主流的空间谱估计MUSIC算法,该MUSIC算法要求阵元个数大于室内接收信号个数。
然而目前商用WiFi仅有三根天线,如果直接计算无法得到精确的多径AOA估计。
为了解决阵元数目少的问题,本发明采用空间平滑处理,空间平滑就是扩展虚拟天线阵列,在AOA估计问题中需要,来扩展CSI的信号维度来增加虚拟天线数量。
具体扩展方法如下:
原始的三对天线,其30个子载波的CSI矩阵表示为:
其中,hi,j表示第i个天线上的第j子载波的CSI测量值,即矩阵中每一行对应一对天线的一组CSI值,i=1,2,3,j=1,2,3,……,30。
为了保证信号的原始数据不失真且最大程度增加虚拟信号的原则,在空间滑动处理过程中选择的滑动天线数量为2,子载波数目为15。
经过空间平滑处理后得到扩展的30个天线32个阵列信号的CSI数据矩阵为:
通过以上方法,很好地实现了AOA估计。紧接着以AOA的估计结果锁定目标方向,由AOA确定的方向与目标位置椭圆形成的交点即入侵目标位置。
本发明通过上述方法很好地实现了室内入侵目标的检测以及位置精确定位。
此外,本发明还提出了一种用于实现上述单AP室内入侵目标检测方法的计算机设备。
该计算机设备包括存储器和一个或多个处理器。其中,在存储器中存储有可执行代码,处理器执行可执行代码时,用于实现上述单AP室内入侵目标检测方法。
本实施例中计算机设备为任意具备数据数据处理能力的设备或装置,此处不再赘述。
此外,本发明实施例还提供一种计算机可读存储介质,其上存储有程序。
该程序被处理器执行时,用于实现上述单AP室内入侵目标检测方法。
该计算机可读存储介质可以是任意具备数据处理能力的设备或装置的内部存储单元,例如硬盘或内存,也可以是任意具备数据处理能力的设备的外部存储设备,例如设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、SD卡、闪存卡(Flash Card)等。
当然,以上说明仅仅为本发明的较佳实施例,本发明并不限于列举上述实施例,应当说明的是,任何熟悉本领域的技术人员在本说明书的教导下,所做出的所有等同替代、明显变形形式,均落在本说明书的实质范围之内,理应受到本发明的保护。
Claims (6)
1.一种单AP室内入侵目标检测方法,其特征在于,包括如下步骤:
步骤1.对CSI数据进行预处理,包括滤波去噪以及相位矫正;
步骤2.基于步骤1预处理得到的CSI数据,利用超分辨率谱估计MIN-NORM方法实现各条路径的TOA的估计,进一步得到WiFi信道的超分辨率CIR估计;
将利用上述CIR估计方法得到的实时CIR估计结果与静态路径CIR0相比较,从实时CIR估计结果中分离出动态路径,基于动态路径的TOA的估计确定目标位置椭圆;
步骤3.以接收端为端点,以天线阵列的法线为参考,得到动态路径的到达角AOA的估计值θ,锁定目标方向,由AOA确定的方向与目标位置椭圆形成的交点即入侵目标位置;
所述步骤2中CIR估计过程如下:
经步骤1预处理得到的CSI数据为WiFi工作频段内20MHz带宽范围内的30个子载波对应的H(fm),即:
其中,H(fm)表示第m个子载波的频率响应;
|H(fm)|为第m个子载波的幅度,θm为第m个子载波的相位,m=1,2,3…30;
利用信道频率响应H(fm)实现室内信道的CIR估计,估计过程如下:
步骤2.1.1.对步骤1预处理后的CSI数据进行分段,将CSI数据分成长度为13的18个子段Xi;其中,Xi表示划分后的第i个子段,i=1,2,……18;
步骤2.1.2.通过18次累加平均得到CSI数据的自相关矩阵的估计值
步骤2.1.3.对自相关矩阵的估计值进行奇异值分解,计算过程如下:
其中,U为特征向量,∑为特征值从大到小排列的对角阵;
步骤2.1.4.将特征向量U划分成信号子空间US和噪声子空间UN;
步骤2.1.5.计算噪声子空间UN的最小范数向量Umin;根据信号子空间US和噪声子空间UN的最小范数向量Umin的正交性伪谱P(τ),P(τ)的表达式如下:
其中,a(τ)=[1ej2πΔf·τ…ej2π(L-1)Δf·τ]T;
Δf表示频域采样间隔,L表示信号传输路径的数量;
步骤2.1.6.通过对伪谱P(τ)的峰值搜索,得到各条路径的TOA估计;
进一步通过非线性最小二乘法得到信道CIR的幅值,即各路径的到达强度估计结果;
所述步骤2.1.1中,将30维的CSI数据分成长度为13的子段,总共得到18个子段;
分段结果如下:
其中,Xi表示划分后的第i个子段,i=1,2,……18。
2.根据权利要求1所述的单AP室内入侵目标检测方法,其特征在于,
所述步骤2中,动态路径的分离过程如下:
步骤2.2.1.记录静态路径为CIR0;
步骤2.2.2.定时采集CSI数据,得到实时CIR估计结果CIRd;
步骤2.2.3.判断静态路径CIR0和实时CIR估计结果CIRd的维数是否相同,若相同,则无目标入侵;若不同,则有目标入侵,并转到步骤2.2.4;
步骤2.2.4.根据实时CIR估计结果CIRd与CIR0相比的变化情况,鉴别出动态路径;
步骤2.2.5.根据动态路径确定目标位置椭圆,具体为:
根据动态路径的到达时间确定目标反射路径d=d1+d2所对应的路径,将目标定位在由接收端和发射端作为焦点,以及由目标反射路径d所确定的椭圆圆周上。
3.根据权利要求2所述的单AP室内入侵目标检测方法,其特征在于,
所述步骤2.2.1和步骤2.2.2中,静态路径CIR0以及实时CIR估计结果,均利用步骤2.1.1至步骤2.1.6中的CIR估计方法计算得到。
4.根据权利要求1所述的单AP室内入侵目标检测方法,其特征在于,
所述步骤1中,滤波去噪的过程为:
首先利用Hampel滤波方法剔除CSI数据中的异常值;
然后采用sym8小波对信号进行五层分解,并对细节系数选用启发式阈值heursure和软阈值s模式,根据每一层小波分解的噪声水平估计自适应调整,得到滤波后的CSI数据。
5.一种计算机设备,包括存储器和处理器,所述存储器中存储有可执行代码,其特征在于,所述处理器执行所述可执行代码时,
用于实现权利要求1至4任一项所述的单AP室内入侵目标检测方法。
6.一种计算机可读存储介质,其上存储有程序,其特征在于,当该程序被处理器执行时,用于实现权利要求1至4任一项所述的单AP室内入侵目标检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210992584.XA CN115334644B (zh) | 2022-08-18 | 2022-08-18 | 单ap室内入侵目标检测方法、计算机设备以及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210992584.XA CN115334644B (zh) | 2022-08-18 | 2022-08-18 | 单ap室内入侵目标检测方法、计算机设备以及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115334644A CN115334644A (zh) | 2022-11-11 |
CN115334644B true CN115334644B (zh) | 2024-05-03 |
Family
ID=83926593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210992584.XA Active CN115334644B (zh) | 2022-08-18 | 2022-08-18 | 单ap室内入侵目标检测方法、计算机设备以及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115334644B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104883732A (zh) * | 2015-04-14 | 2015-09-02 | 哈尔滨工程大学 | 一种增强型室内无源被动人体定位方法 |
CN105158727A (zh) * | 2015-06-18 | 2015-12-16 | 哈尔滨工程大学 | 一种增强型室内无源被动人体定位方法 |
CN106411433A (zh) * | 2016-09-08 | 2017-02-15 | 哈尔滨工程大学 | 一种基于wlan的细粒度室内被动入侵检测方法 |
CN106664265A (zh) * | 2014-07-17 | 2017-05-10 | 欧利景无线有限公司 | 无线定位系统 |
CN109672485A (zh) * | 2019-01-24 | 2019-04-23 | 西安电子科技大学 | 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 |
CN111182459A (zh) * | 2019-12-31 | 2020-05-19 | 西安电子科技大学 | 一种基于信道状态信息室内无线定位方法、无线通信系统 |
EP3739356A1 (en) * | 2019-05-12 | 2020-11-18 | Origin Wireless, Inc. | Method, apparatus, and system for wireless tracking, scanning and monitoring |
CN112712557A (zh) * | 2020-12-17 | 2021-04-27 | 上海交通大学 | 一种基于卷积神经网络的超分辨率cir室内指纹定位方法 |
CN114140964A (zh) * | 2021-11-25 | 2022-03-04 | 株洲国创轨道科技有限公司 | 基于无线感知的地铁隧道异物入侵检测方法及检测系统 |
CN114638264A (zh) * | 2022-03-18 | 2022-06-17 | 南京邮电大学 | 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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150087331A1 (en) * | 2013-09-25 | 2015-03-26 | Samsung Electronics Co., Ltd. | Method and apparatus of wi-fi-based positioning |
-
2022
- 2022-08-18 CN CN202210992584.XA patent/CN115334644B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106664265A (zh) * | 2014-07-17 | 2017-05-10 | 欧利景无线有限公司 | 无线定位系统 |
CN104883732A (zh) * | 2015-04-14 | 2015-09-02 | 哈尔滨工程大学 | 一种增强型室内无源被动人体定位方法 |
CN105158727A (zh) * | 2015-06-18 | 2015-12-16 | 哈尔滨工程大学 | 一种增强型室内无源被动人体定位方法 |
CN106411433A (zh) * | 2016-09-08 | 2017-02-15 | 哈尔滨工程大学 | 一种基于wlan的细粒度室内被动入侵检测方法 |
CN109672485A (zh) * | 2019-01-24 | 2019-04-23 | 西安电子科技大学 | 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 |
EP3739356A1 (en) * | 2019-05-12 | 2020-11-18 | Origin Wireless, Inc. | Method, apparatus, and system for wireless tracking, scanning and monitoring |
CN111182459A (zh) * | 2019-12-31 | 2020-05-19 | 西安电子科技大学 | 一种基于信道状态信息室内无线定位方法、无线通信系统 |
CN112712557A (zh) * | 2020-12-17 | 2021-04-27 | 上海交通大学 | 一种基于卷积神经网络的超分辨率cir室内指纹定位方法 |
CN114140964A (zh) * | 2021-11-25 | 2022-03-04 | 株洲国创轨道科技有限公司 | 基于无线感知的地铁隧道异物入侵检测方法及检测系统 |
CN114638264A (zh) * | 2022-03-18 | 2022-06-17 | 南京邮电大学 | 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 |
Non-Patent Citations (4)
Title |
---|
A Super-Resolution-Assisted Fingerprinting Method Based on Channel Impulse Response Measurement for Indoor Positioning;Yi-Jie Lin等;IEEE Transactions on Mobile Computing;20181123;全文 * |
基于Wi-Fi信道状态信息的室内定位技术现状综述;陈锐志;叶锋;;武汉大学学报(信息科学版);20181019(第12期);全文 * |
基于信道状态信息的室内入侵检测和目标定位算法研究;王兴棉;万方硕士论文数据库;20231201;全文 * |
基于信道状态信息的无源被动定位;吴哲夫;周言;;传感技术学报;20150515(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115334644A (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7320210B2 (ja) | 無線イベント検出及び監視のための方法、装置及びシステム | |
He et al. | WiFi vision: Sensing, recognition, and detection with commodity MIMO-OFDM WiFi | |
Li et al. | IndoTrack: Device-free indoor human tracking with commodity Wi-Fi | |
Qian et al. | Widar: Decimeter-level passive tracking via velocity monitoring with commodity Wi-Fi | |
Xin et al. | FreeSense: A robust approach for indoor human detection using Wi-Fi signals | |
Wang et al. | Low human-effort, device-free localization with fine-grained subcarrier information | |
Lv et al. | Robust WLAN-based indoor intrusion detection using PHY layer information | |
Xu et al. | WiStep: Device-free step counting with WiFi signals | |
Yang et al. | Wi-Count: Passing people counting with COTS WiFi devices | |
CN105158727A (zh) | 一种增强型室内无源被动人体定位方法 | |
CN106411433B (zh) | 一种基于wlan的细粒度室内被动入侵检测方法 | |
Xu et al. | Indoor events monitoring using channel state information time series | |
CN109657572A (zh) | 一种基于Wi-Fi的墙后目标行为识别方法 | |
Hong et al. | A state classification method based on space-time signal processing using SVM for wireless monitoring systems | |
Bahadori et al. | ReWiS: Reliable Wi-Fi sensing through few-shot multi-antenna multi-receiver CSI learning | |
Tan et al. | A CSI frequency domain fingerprint-based method for passive indoor human detection | |
CN114638264A (zh) | 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 | |
CN115334644B (zh) | 单ap室内入侵目标检测方法、计算机设备以及可读存储介质 | |
CN106792505B (zh) | 一种目标追踪系统和方法 | |
Nkabiti et al. | A deep bidirectional LSTM recurrent neural networks for identifying humans indoors using channel state information | |
CN109031193B (zh) | 一种基于信号到达方向的室内非法信号源定位系统及方法 | |
Zhang et al. | A wifi-based home security system | |
Zhu et al. | Robust and passive motion detection with COTS WiFi devices | |
Liu et al. | CSI-based indoor tracking with positioning-assisted | |
Fan et al. | WiVi: WiFi-video cross-modal fusion based multi-path gait recognition system |
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 |