智能巡检环境中的无源人员入侵检测方法

宋曦 王琼 李文辉 刘高鹤

(1.国网甘肃省电力公司,甘肃兰州 730030;2.国网甘肃省电力公司信息通信公司,甘肃兰州 730050)

0 引言

随着信息巡检技术的发展,传统的人工巡检技术逐渐被新兴的智能巡检所取代,虽然利用智能巡检可以有效降低人工成本,但是工作设备无人看管会导致设备遭到外部的破坏,如不法分子或儿童。所以如何在无人状态下对人员的入侵进行检测成为了智能巡检系统发展的重要问题。

传统的人员入侵检测主要是基于高精度光学摄像头以及传感器等设备。如文献[1]利用多个固定摄像机在捕获到人员的入侵后,通过分析图像及视频序列追踪入侵人员的运动轨迹。文献[2]首先使用摄像头采集录像并将其种的每一帧转换为图像,之后利用卷积神经网络进行训练,最后利用训练好的模型来判断时候有人员入侵。但是摄像头存在探测盲区,且在光线不充足的环境中无法稳定工作。文献[3]提出使用声学传感器感应人体脚步的声音信号来检测人员入侵。文献[4]采用压力传感器检测人体的脚步力量,以此来判断是否有人员入侵。但是这两种传感器设备都存在易受环境的影响,当有其他声音或重力干扰时误报率会大幅上升。由于上述无设备入侵检测方法的局限性,发展迅速的WiFi设备为上述问题提供了一个良好的解决方案。首先,WiFi设备的普适性较强,部署成本较低。其次利用WiFi信号进行入侵检测保护了其他用户的隐私。

以往的研究中,研究人员利用接收信号强度(Received Signal Strength,RSS)来检测人员的入侵,如文献[5]提出了RASID系统,RASID利用RSS信号再结合不同的异常检测模块识别人员的入侵。但是RSS受多径效应影响严重,包含大量的环境噪音,信号处理也很难消除噪音影响。相较于RSS,信道状态信息(Channel State Information, CSI)对信道具有更细粒度的描述,更加稳定,且受环境影响较小。如文献[6]中提出了一种免训练的入侵检测系统,采用多重信号分类算法对CSI信号进行特征分解,利用分解后的特征值进行入侵检测。文献[7]提出的AR-Alarm系统利用CSI以及自适应学习机制进行人员入侵检测并实现了对不同环境与干扰的鲁棒性。文献[8]提出了DeMan系统,DeMan系统利用CSI信号的幅度与相位信息来检测人体的静止与运动从而判断是否有入侵发生。

基于上述特点,本文提出了一种基于CSI的人员入侵检测方法。离线阶段在商用WiFi设备上采集人员入侵信号,利用巴特沃斯低通滤波器去除环境噪声,之后将所有数据输入BiLSTM网络中进行训练,得到最终的分类模型。在线阶段,将实时采集的数据经过相同处理后输入训练好的BiLSTM模型中,得到最终检测结果。

1 相关工作

1.1 信道状态信息

CSI描述了信号如何从发射端传播到接收端。信号的传播可以建模如下:

其中,y为接收信号,x为发射信号,H为信道矩阵模型,n为高斯噪声。利用正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)技术可以将CSI信号分解为多个子载波,每个子载波都包含振幅与相位信息。在40MHz带宽和5.7GHz中心频率条件下,CSI可以分解为114条子载波,每条子载波可以表示为:

式中,Hk为第k条子载波的CSI数据,H(k)与 ∠H(k)分别表示第k条子载波的振幅与相位。当有人进入发射端与接收端中间时会引起CSI振幅与相位信号的变化,由于振幅变化更为明显,所以本文利用CSI振幅的变化感知人员入侵。

1.2 巴特沃斯低通滤波器

巴特沃斯低通滤波器是IIR数字滤波器的一种[9]。其特点为通频带内的信号频率响应曲线最平滑。巴特沃斯低通滤波器通过衰减信号中的高频分量来平滑信号,可以用如下公式表示:

式中,α为滤波器的阶数,cρ为截止频率。利用巴特沃斯低通滤波器可以有效去除CSI信号中包含的高频环境噪声,使入侵信号更加明显,有效提高了最后的识别效果。

2 入侵检测方法

2.1 数据获取及处理

本文从商用WiFi设备中提取人员入侵信号,其中发射端(Transmit, Tx)设置2根天线发送信号,接收端(Receive,Rx)设置3根天线接收信号,总共6条信道。其中一条信道的入侵信号如图1所示。

从图中可以看出,原始CSI信号包含大量的环境噪声,所以需要对这些环境噪声进行过滤,使真实的入侵信号显示出来。所以利用巴特沃斯低通滤波器进行降噪,降噪后的信号如图2所示。

从处理结果可以看出,巴特沃斯低通滤波器有效去除了信号的中的环境噪声,使真实的入侵信号更加明显。从图中可以看出,入侵发生在3s左右,并且人员的入侵使CSI的振幅发生了明显变化。入侵前后的振幅信号十分平滑且无明显变化。

2.2 离线处理阶段

长短期记忆网络(Long Short-Term Memory,LSTM)是循环神经网络(Recurrent Neural Network,RNN)的一种[10]。LSTM非常适合处理具有时序的数据,所以本文利用LSTM网络的结构来对入侵信号进行处理。LSTM网络的结构如图3所示。

图3(a)为LSTM网络,它由多个单体LSTM细胞组成。图3(b)则为单个LSTM细胞的结构。我们将入侵信号按照时序的方式输出LSTM网络中,通过LSTM网络中输入门-遗忘门-输入门的结构对有效的CSI入侵信号进行保留,并将无效的信息数据通过遗忘门进行删除。LSTM网络三个门结构和其他相关参数可以定义为:

图1 入侵信号原始数据Fig.1 Original data of intrusion signal

图2 经过巴特沃斯低通滤波器降噪后的入侵信号Fig.2 Intrusion signal after noise reduction by Butterworth low-pass filter

其中σ为sigmoid函数,i,l,θ分别为输入门,遗忘门,输出门,R为权重矩阵,b为偏置,为t时刻输入门单元状态,ct为输出门单元状态,th为t时刻输出向量,tanh为双曲正切函数,o为按照元素进行乘积。通过输入门的数据会经过遗忘门,在遗忘门中将决定那些数据被删除,哪些数据被保留。被保留的数据会进入下一个输入门中,并更新当前LSTM网络的状态。

但是LSTM网络只能处理一个时序方向的数据,没有考虑上下文关系,所以会丢失一些关键信息。为了解决这个问题,本文引入了BiLSTM网络。BiLSTM网络可以同时处理两个方向的时序数据,一个正向时序,一个与正向时序方向相反的时序数据。将一组CSI入侵信号分别以正向时序与反向时序输入BiLSTM网络,上层LSTM网络处理当前时刻与上文的信息,下层LSTM网络则处理当前时刻与下文的信息。最后输出的信息则包含完整的CSI入侵信号的上下文信息。这种方法完整的保存了CSI入侵信号中所有的重要信息,并且可以让这些重要信息得到充分的利用,有效提高了入侵检测的概率。

3 验证分析

3.1 实验设置

本文设置了两种实验场景,分别为机房与大厅。实验场景平面结构图如图4所示。

本文共设置4名实验人员进行入侵活动,除此之外,本文引入了两个评估指标:

(1)真实检测率(True Detection Rate,TDR):可以检测到人员入侵的概率。

(2)误报率(False Positive Rate,FPR):当没有人员入侵时发出警报的比例。

3.2 不同实验环境的影响

为了验证本方法对不同环境的鲁棒性,本文选择了机房与大厅两个环境进行验证。其中机房为复杂环境,有大量的干扰物。大厅为空旷环境,干扰物较少。让4名实验人员分别入侵两种环境并进行检测,实验结果如图5所示。

从实验结果可以看出,在大厅环境下的TDR为96.7%,在大厅环境下的TDR为95.2%。在大厅环境中的TDR要高于机房环境,这是由于机房环境更为复杂,导致信道产生大量的多径效应,产生大量的干扰信息,所以TDR会有所下降。而大厅环境较为空旷,多径效应相对较少,所以TDR也相对较高。不过总体结果来看,本方法对环境具有较高的鲁棒性。

图3 LSTM网络结构Fig.3 LSTM network structure

图4 实验场景平面图Fig.4 The floor plan of the experimental scene

3.3 掉落物品的影响

物品的掉落也会引起CSI信号的变化,为了探究本方法对不同掉落物品的影响。为了屏蔽人员影响,实验人员静止站立,并将掉落物品提前拿在手中,以确保实验人员在物品掉落过程中尽可能少地进行运动。本文按照物品地体积大小选取了乒乓球,手机,水瓶,书本四种物品,并在机房环境下进行验证。实验结果如图6所示。

从图中结果可以看出,当物品掉落时,随着物品体积的增大,触发入侵检测的概率也逐渐增加。而且通过实验发现,当物品掉落后进行水平运动时造成的误报率最高。但是从整体结果来看,当物品掉落时,不触发入侵检测的概率均在93%以上,说明本方法对掉落物具有较强的抗干扰性。

3.4 实验性能分析

图5 不同场景下入侵检测率Fig.5 Intrusion detection rate in different scenarios

图6 不同物体掉落时触发检测的概率Fig.6 Probability of triggering detection when different objects fall

表1 不同分类算法对比Tab.1 Comparison of different classification algorithms

为了评估本文的分类器效能,本文分别跟LSTM,双向循环神经网络(Bidirectional recurrent neural network,Bi-RNN),决策树算法进行了比较。对比结果如表1所示。

从对比结果可以看出,使用BiLSTM的TDR最高,达到了95.95%,使用Bi-RNN与LSTM的识别率分别为93.74%与91.37%,结果略低于BiLSTM。而使用决策树的TDR只有89.68%,在所有方法中最低。从总体来看,本文使用的BiLSTM算法的效果最好。

4 总结

本文提出了一种针对于智能巡检环境下利用CSI信号检测人员入侵的方法。离线阶段在商用WiFi设备上采集人员入侵的CSI信号,经过巴特沃斯低通滤波器进行去噪后输出BiLSTM网络中进行训练。在线阶段实时采集人员入侵信号,利用相同方法去噪后输入BiLSTM网络中进行识别,最后输出识别结果。实验结果证明,本方法对于不同环境具有较好的适应性,并对掉落物体也有很高的抗干扰性。在下一步的研究中,本文将以进一步提高系统的抗干扰性以及检测成功率为目标。