基于Wi-Fi信道状态信息的身份识别

张 丹，谭运林，邱嘉炜，徐悦月，田林芳，张连明

(湖南师范大学信息科学与工程学院，中国 长沙 410081)

身份识别在生活中扮演着重要的角色。现有的身份识别方法主要分为两大类：一类是基于计算机视觉[1，2]的方式，通过摄像头采集人的行为动作图像进行特征提取与识别。该方法存在隐私问题，且有遮挡时会影响识别效果。另一类是基于人的生理特征，通过采集人的指纹[3]及虹膜[4]等生理特征信息进行识别。但该方法要求人员与检测设备有一个较近的距离。本文提出了一种基于Wi-Fi信道状态信息(Channel State Information, CSI)的身份识别技术，利用Wi-Fi信号进行身份识别成本低，不泄露隐私，也不要求人与设备之间有很近距离，适合家庭环境。该方法在智能家居和家庭防盗方面有着广阔的应用前景。

CSI包含每个子载波的相位、幅度等信息，受组合时延、振幅衰减和相位偏移等多种因素影响。本文利用它所传输的这些信息进行识别。每个人的体型、肢体摆动幅度以及行为习惯都会对CSI信息造成不同的影响，本文通过对这些信息的分析和处理来进行识别。

近年来有大量工作致力于利用Wi-Fi来进行环境感知和行为分析。Bahl[5]等提出利用接收信号强度(Received Signal Strength, RSS)进行室内定位。然而，其检测结果的精度并不高，主要是因为RSS稳定性较差。随后研究者发现，相比于RSS，CSI更加稳定，CSI是物理层信息，具有更好的细粒度和鲁棒性。因此，CSI得到了很快发展，有了很多研究应用。如行为识别[6-9]、室内定位[10-12]、心跳呼吸检测[13-14]、跌倒检测[15-16]、击键检测[17]、身份识别[18-21]、入侵检测[22]等。 在身份识别方面，已有多个团队进行研究。如Zeng等[18]提出WiWho，通过WiFi感知人体运动步态从而区分不同人，实现身份识别，相应的识别率为80%～92%。Wii[19]不仅对单个步伐进行提取，还对连续多个步伐进行特征提取，且分类时利用GMM模型，识别准确率平均为98.7%，当有8个人时，识别准确率为90.9%。WiFi-ID[20]则是直接对整个行走行为进行分析。对于从2～6个人的群体，其识别率为77%～93%。本文加入子载波筛选及行走区间检测等算法提出了一种新的身份识别系统，具有较高的识别率。

1 系统工作原理

图1 系统框图Fig. 1 System block diagram

本文提出一个基于Wi-Fi信号的身份识别系统。该系统包括数据采集、数据预处理、行走区间检测及分类4个阶段。系统框架图如图1所示。

1.1 CSI数据收集

CSI是物理层信息，反映了信道状态特征。每组CSI值包含了正交频分复用(OFDM)子载波的幅度和相位信息：

H(k)=|H(k)|ej∠H(k)，

(1)

其中，H(k)为第k个子载波的值；|H(k)|代表第k个子载波的幅值，∠H(k)为第k个子载波的相位信息。

IEEE 802.11标准使用OFDM调制信号，将信号通过56个正交子载波进行传送。通过使用Intel 5300网卡[20]或者Atheros网卡[21]及其相应工具可以实现CSI数据收集，CSI数据为56×Nt×Nr个数据流组成。其中，Nt代表发送天线个数，Nr代表接收天线个数，可表示为矩阵H：

(2)

Hnm代表第n根发射天线，第m根接收天线之间的CSI，每个Hnm包含56个载波。

1.2 Butterworth滤波

由图2可知，商用Wi-Fi网卡中提供的CSI值中存在着固有噪声。人体活动对信号带来的影响主要是在频谱的低频部分0～40 Hz[16]，噪声的频率主要位于频谱的高频部分。

图2 原始CSI波形图Fig. 2 Original CSI waveform

为了减少噪声本文采用Butterworth滤波器。其原理如下：

|H(ω)|2=1/[1+(ω/ωc)2n]=1/[1+ε2(ω/ωp)2n]，

(3)

其中，n为滤波器阶数，ωc为通带截止频率，ωp为通频带边缘频率。图3是滤波后的波形，可以看出滤波后波形变得更为平整。

图3 Butterworth滤波Fig. 3 Butterworth filtering

1.3 ADA行走区间检测算法

由于发送端和接收端持续工作，在没有人移动的情况下，CSI数据捕捉到的是周围环境噪声的影响(图4)。这些数据对于身份认证是无用的，需要舍弃。当人穿过视线路径(LOS)时会引起CSI波形变化，这些数据应被保存用于识别(图5中蓝色部分应被丢弃数据，红色为保留下来的数据)。因此，本文提出了一种行走区间检测算法(ADA)，如下所示。

图4 无人行走时CSI波形Fig. 4 CSI waveform when no one walks

图5 ADA异常检测Fig. 5 ADA anomaly detection

ADA算法：

1)输入：butter滤波后的CSI载波H(k)，异常持续时间T

2)输出：行走引起的异常数据

6)If峰峰值<阈值2 去掉这个中心点。

1.4 载波选取

收到的CSI信息为Nt×Nr对，在实验中共6对。图6绘制了不同天线对的不同子载波幅度波形图。图6(b)可以看出不是所有天线对接收到的CSI都可以用来识别，经过实验分析选用了天线对1，3，5。每一对收发天线均含有56个子载波信息，图6(a)(c)可以看出并不是所有子载波信息都是有用的，无用子载波在很大程度上影响了分类结果。通过计算每一个子载波的标准偏差，来选取标准偏差大于均值的子载波。

图6 不同天线对不同子载波波形(a)第一对天线子载波波形；(b)第四对天线子载波波形；(c)第五对天线子载波波形Fig. 6 (a) First pair of antenna subcarrier waveforms, (b) Fourth pair of antenna subcarrier waveforms, (c) Fifth antenna subcarrier waveform

1.5 特征值与分类

经过预处理和异常检测后，从CSI幅度中提取以下几个特征作为分类器特征值：均值、标准差、中位数绝对偏差、峰度、信息熵、峰值因子、偏度系数、峰峰值、方差及均方根，其计算方法如表1所示。

表1 特征选取

分类器采用林智仁等开发设计的LIBSVM[22]进行分类。提取CSI幅度的特征值形成样本数据。对SVM进行训练得到身份识别模型。最后对测试数据进行分类。本文从不同天线及不同融合方式等角度进行了识别准确率的对比。

2 实验结果与分析

2.1 实验平台搭建

硬件平台搭建：使用一台配备Atheros无线网卡(AR9380)的台式电脑作为接收器。运行Ubuntu 14.04的操作系统。发射机采用wdr4310路由器，使其运行在2.4 GHz 802.11n模式下。发送端与接收端相距1.6 m。

图7 实验场景图Fig. 7 Scene diagram of the experiment

软件环境：采用由Xie[21]团队研发的开源驱动程序Atheros-CSI-Tool来提取CSI数据。路由器持续向PC端发送数据包，PC端提取CSI数据。采样率为250 包·s-1。实验场景如图7所示。

2.2 实验结果分析

方式1：将两个往返异常段每一段都提取10个特征值，总共40个特征值。再利用SVM算法构建分类模型进行分类。从图8可以看出使用不同天线对的识别准确率不同，当同时选取3对天线进行识别时准确率最高，4个人识别率达到82.5%。原因是一对天线仅包含部分信息，而3对天线所包含的信息更全面。图9是SVM分类所得的混淆矩阵。

图8 分类结果Fig. 8 Classification results

图9 混淆矩阵Fig. 9 Confusion matrix

方式2：将两个往返异常段先进行融合后提取10个特征值，再利用SVM算法构建分类模型进行分类。图10可以看出该方法同样是采用3对天线识别准确率最高。对比方式1可以看出此种方式准确率更高，4个人识别率达到87.5%。图11是SVM分类所得的混淆矩阵。

图10 融合后的分类结果Fig. 10 Classification results after fusion

图11 融合后的混淆矩阵Fig. 11 Confusion matrix after fusion

3 结论

本文提出了一种基于Wi-Fi信道状态信息的身份识别系统。通过滤波及行走区间检测等方法处理CSI数据，进行分类识别。实验表明该系统具有较高的准确率，2人平均识别率为95%，3人平均识别率为90%，4人平均识别率为87.5%。本文仅对CSI幅值信息进行处理，未来还可能进一步研究同时处理幅值和相位信息，以期得到更高的准确率。