基于无线感知的室内安防技术综述

王怀彬，任树杰，宫良一，辛 倩

(1.天津理工大学 计算机科学与工程学院， 天津 300384; 2.天津市智能计算及软件新技术重点实验室， 天津 300384; 3.计算机病毒防治技术国家工程实验室， 天津 300457; 4.中国人民解放军陆军勤务学院， 重庆 401331)

随着我国社会经济的发展，社会经济进入转型阶段，原本稳定的社会关系变得复杂。资源的市场化配置发生了一系列变化，由此带来了诸多安全问题，尤其是室内安全问题逐渐引发更多研究和关注。

近年来，安防行业逐渐向智能化发展，在新型的人机交互方面取得了较多成果，如视频监控、热成像和雷达系统等。在室内安防的应用中，这些技术仍存在一些不足，如设备对环境的适应性不高、识别的准确度不高以及可识别的种类少等。视频监控系统[1]是由单个可见光摄影机组成的，检测精度低。热成像系统对于外界热源干扰的抵抗力差，可覆盖的范围小，穿透性不足。雷达系统虽在非视距环境下具有精度高的特点，但是该系统设备成本较高、技术复杂，需要专业的技术人员进行操作。

近些年来无线网络设备和技术的迅速发展，给室内安防行业带来新的转机。国内外研究人员目前正在利用无线信号感知来识别环境的变化。研究发现：当无线信号在室内传播时，信号会沿多条路径传播。人的行为会改变无线信号的传播路径，改变路径衰落的规律。特别是由人的行为产生的多径衰落和多普勒频移，表明接收到的信号包含了丰富的关于人行为的信息。通过提取无线信号的有效信息即可实现对异常人员检测、定位以及身份识别。因此，基于无线信号的室内安防技术具有精准性高、设备对环境适应性强、普适性高等优点。

目前，基于无线感知的室内安防技术的研究主要分3部分：出现检测、位置定位和身份识别。把无线系统部署在感兴趣的区域，当用户进入该区域时，出现检测系统首先实时检测室内的人员活动，对重要部门人员行为进行监控，及时发现不轨行为和非法活动；然后位置定位系统在室内入侵人员不携带检测设备的情况下实时监测其位置；最后身份识别系统根据用户的步态以及生物特征对用户进行身份识别。具体流程见图1。

图1 无线信号的室内安防技术流程

1 基于无线感知的室内安防

1.1 异常人员检测

异常人员检测是无线室内安防的第1道防线，检测系统能够实时检测室内的人员活动，对重要部门人员行为进行监控，及时发现不轨行为和非法活动。因此，异常人员检测是目前研究的热点。近年来，提出很多基于无线感知的异常人员检测方法[1-10]，按照其系统的组成方法，可分为两类：一类是基于有监督学习的检测方法；另一类是基于无监督学习的检测方法。

1.1.1 有监督学习的检测方法

现有很多基于无线感知的室内异常人员检测工作聚焦于有监督学习的检测方法。由于物理层CSI可以捕获由于环境引起的信号的信道频率分集，通过检测CSI特征模式的移动就可以实时判断人体活动。文献[2]提出了一种基于CSI的人体活动检测无源无设备系统DFP，该系统采用异常CSI与指纹数据库相匹配的概率算法，能够有效检测实体的存在。钱堃等[1]为了准确检测人体的动态速度引入了支持向量机(SVM)算法，通过提取CSI的振幅和相位信息、构建敏感目标检测指标来实现运动检测的目的。如图2[11]所示，将初步测量数据进行基于SVM的分类。

图2 支持向量机的初步分类结果[11]

由图2可以看出：人移动与不移动的数据之间有明显的差距。引入支持向量机算法，可通过在不同状态下(运动的人体存在或不存在)寻找特征值的切线进行估计。

当人们通过房间时，考虑到室内无线信道的频率选择性的衰落特性，同时消除无线硬件中功率电平波动对功耗的影响，Brauers等[3]提出了一种利用CSI检测移动对象存在的方法。该系统的一个关键组成是使用与筛查物体运动相关的筛选特征。通过使用计算协方差矩阵所需的校准步骤来提取相关特征。该方法只能检测环境中的移动的对象，针对这种限制，Han等[4]提出了一种基于CSI频域指纹的无源室内人体检测，可以通过提取具有细粒度的物理层通道状态信息来生成特征指纹，然后通过在线指纹与离线指纹的匹配来确定环境中人的行为。该系统既可以检测移动状态也可以检测静止状态。Ding等[5]提出的人体检测方案，仅使用CSI的相位差信息作为度量，采用支持向量机、随机森林和K-最邻近机器学习分类算法对入侵进行检测，检测的准确率较高。

1.1.2 无监督学习的检测方法

对于更实际的情况，有监督学习的系统并不像预期的那样工作。更具体地说，一项活动在第1次出现时可能被认为是异常的，但是当观察到越来越多的情况时，它可能被认为是正常的。因为并不是所有的异常活动都可以预先定义，而且异常也是一个依赖于观察频率的概念。

文献[6]提出的室内无需携带设备运动检测系统FIMD，在连续监测中采用了基于密度的应用空间聚类算法(DBSCAN)，从正常特征中提取异常点进行运动检测。在进行异常活动检测时，在FIMD服务器模块中，首先提取检测到的CSI信息特征，然后采用基于密度的DBSCAN分类算法分析链路状态，从而生成聚类，通过簇中特征值密度分布大小来识别异常事件。

Pang等[7]提出的非侵入性异常活动传感系统WarnFi，只使用两个商用WiFi设备。该系统的原理是：当人体阻断从接入点发送到接收器的无线信号时，CSI的时间序列将经历独特的变化。通过使用非参数模型，可以动态地聚类人体活动的异常感测。该非参数模型的计算过程如下：

采用基于密度的均值移动聚类方法，不需要监督信息作为输入参数。搜索窗口的带宽，无需预先定义，通过式(1)计算。

li=xi-xi，n/2

(1)

其中xi，n/2是CSI特征xi(i=1，…，m)的m/2最近邻。

聚类方法按以下步骤进行：

1) 计算窗口中CSI特性的新中心:

(2)

其中：xi， j是xi搜索窗口中的CSI特性；g(x)=q′(x)是估计CSI特性密度的核心xi。

为了解决在不同的运动速度下系统稳定性的问题，Liu等[8]利用无线网络的物理层的状态信息提取信道波动的特征，并利用概率技术检测人体运动，将隐马尔科夫模型作为分类器，使人体检测成为一个概率问题，系统在人体检测中更为准确，可以在不同速度下保持系统的稳定性。

1.2 入侵人员定位

入侵人员定位是无线室内安防的第2道防线，检测系统能实时监测室内人的位置。与主动定位技术不同，被动室内定位检测不要求用户携带测量设备，对入侵者来说是无感的。随着WiFi技术的发展，越来越多的基于无线感知的定位技术被提出，根据系统使用的算法将现有的技术分为两类：基于模式学习的方法和基于模型学习的方法。

1.2.1 基于模式学习的方法

在进行室内定位时，检测到由人体存在引发的信号的变化具有一定的特征，作为分析复杂信号的一种替代方法，指纹技术采用模式匹配方法。其主要思想是：收集感兴趣区域内所有可能位置上的信号特征以建立指纹库。而建立指纹库的主要缺点在于建立和更新数据库时所做的繁琐工作。基于模式学习的方法就可以通过训练学习，从信号的变化模式中识别出检测的目标。

对于建立数据库的繁琐工作的限制，使用计算机语言利用机器学习来完成繁琐的工作成为了热点研究对象。一种基于深度学习的基于CSI的室内指纹系统由Wang等[9]提出。在离线训练阶段，利用深度学习训练深度网络的所有权重作为指纹。在线定位阶段采用基于径向基函数的概率方法来获得估计的位置。Wu等[10]开发了一种具有置信度信息增强的朴素贝叶斯分类器。对链接对的置信度进行了排序，并选择了最可靠的链接对进行定位。Zhou等[11]则提出了一种比朴素贝叶斯方法定位准确率更高的算法，通过支持向量回归算法建立CSI指纹与目标位置之间的非线性关系，能够根据相应的CSI指纹估计目标位置。

为了更好地描述人类行为对WiFi信号的影响以推断其状态，Gao[12]等探索开发了一种无线图像处理方法，将多个信道测量的CSI看作是一幅无线电图像，并从二维的角度来处理它。该系统采用深度学习网络从图像特征中学习优化的深层特征，并利用机器学习的方法估计人的位置。Ohara[13]等提出利用交叉矩阵结构(SFM)对CSI估计进行三维场景重建，这是对二维估计的改进，有利于更准确地定位。

1.2.2 基于模型学习的方法

为了在 WiFi 信号变化和人体行为状态之间建立具有明确物理背景的定量的映射关系，提出了基于模型学习的方法。这种方法不需要繁琐的工作建立指纹库，只需要建立一个物理模型，然后根据物理模型来判断人在空间中的位置。

2012年，Wu等[14]研究了正交频分复用系统(OFDM)的频率多集特性，构建了室内定位系统。如图3所示。

图3 室内定位系统结构[14]

该系统将多个子载波的CSI处理为有效的CSI值，并构建了一个精确的室内无线传播模型来表示CSI值与距离之间的关系。这种方法虽大大提高了计算距离的速度，但定位不够准确。Kotaru等[15]设计的使用无线信号进行分米级别的定位系统SpotFi，是一种可部署的精确室内定位系统。SpotFi系统的中央服务器收集Ap接收的每个分组的CSI测量值，计算从目标到每个Ap的所有传播路径的飞行时间(Tof)和到达角度测距(AOA)，然后识别目标和Ap之间的视距路径，最后通过使用所有的Ap视距路径和RSSI的测量值来估计位置。AOA可用公式表示：

θk=-2πd(m-1)sin(θk)f/c

(3)

其中：d是两天线之间的距离；θk代表AP的天线阵列返回信号时的角度AOA；γk代表信号从第1个天线到第k个天线的复杂衰减；c是光速；m是天线个数；f是传播信号的频率。AOA能被当作一个天线阵列里相位变换的矢量：

θk)=[1Φ(θk)…Φ(θk)(M-1)]T

(4)

用公式表示Tof就是：

τk=-2π(n-1)fστk

(5)

其中：n代表在天线里的相对于第1个上层携带者的第n个上层携带者；fσ代表两个连续上层携带者之间的频率空间，为作简化处理，用函数表示ToF：

Ωk=e-j×2π×fσ×τk

(6)

综上，估计位置的函数为

θi)2]

(7)

其中：R代表AP数目；θi代表AoA；pi代表RSSI；li是到第i个AP的最可能的路径候选值。

为了使定位更为准确，Zhang等[16]提出了一个厘米级别的检测模型——菲涅尔区。当物体在菲涅尔区运动穿过菲涅尔边界时，会对接收端的信号产生影响，根据CSI的变化，可以判断出物体在第几菲涅尔区。然后，Zhang等为了克服多载波的限制，又在菲涅尔区的基础上进行改进，提出了一种通用的菲涅尔穿透模型[17]，该系统揭示了特定菲涅尔带与多载波菲涅尔相位差之间的线性关系以及由多径环境引起的菲涅尔相位偏移，更具有普适性。

1.3 室内人员身份验证

人员的身份验证是无线室内安防的最后一道防线，无设备的被动身份识别是近年来研究的热点，在无传感器传感中具有代表性的应用。它可以应用于入侵检测和智能建筑等多种场合。以前的研究表明：无线网络信号的感知潜力是以无设备的被动方式进行的；人类的步态、生物特征等是独一无二的。系统可以通过检验特征的不同，将人员身份验证分类为基于步态识别的身份识别和基于其他生物特征的身份识别。

1.3.1 基于步态的身份识别

步行步态是一个人的不同于人群的显著特征，步态和步行分析是从CSI中识别一个人的步行步态，并用这些信息来识别一个人的身份。

Wang等[16]研究了细粒度步态特征的提取问题。将足底压力数据分出4个步态阶段，提取一组特征来定量描述步态，然后在包含几种BP神经网络混合分类模型的基础上对步态进行分类。Lv等[17]提出的Wii系统则是基于无线网络物理层具有细粒度的CSI，将步行的时间序列按照步数进行分段，并从步行和步行段的角度提取时域和频域特征表示人的步态模式。但该系统有一定的局限性，当人在行走时，手臂等其他肢体的不同姿势会对指纹提取造成干扰。为减少手臂与其他肢体对指纹提取的影响，Xu等[18]提出了一种利用无线信号实现的无需携带设备的计步系统。人走路时，躯干和四肢以不同的速度运动，使用多径传播模型，将无线信号调制成不同长度的传播路径，从而将不同的频率分量引入接收CSI中，可以对躯干和腿进行区分。当人体做出不同的运动时，信号的FFT系数的归一化幅度如图4所示[28]。

上述所提方法使用的多天线系统所支持的空间分集没有像频率分集那样被大家广泛研究。而Qian等[19]提出的一种新的不携带设备的动态速度人体被动检测方案PADS，是在MIMO系统中利用CSI的全部信息(幅值和相位)和多天线空间分集来提取和形成敏感度量，以保证目标检测的准确性和鲁棒性。在此基础上Xiao等[20]提出的新的节能识别方案，选择CSI波形作为活动特征，同时包含时间信息和频率信息。

1.3.2 基于其他生物特征的身份识别

与步态识别相比较，呼吸、心跳等生物特征变化更加微小，但是该特征是一个人身体状况的主要指标，得到了各界人士更为广泛的关注。

2016年，Wang等[21]首次提出利用菲涅尔区模型和WiFi无线传输特性来检测人类呼吸。通过分析人类对接收到的信号的影响，将人体建模为尺寸可变的半圆面，通过研究菲涅尔区的接收信号强度将呼吸深度、位置和方向与呼吸探测能力联系起来。为了感知一个人的呼吸频率，把人体看作反射面，如图5所示[31]。

图4 不同运动的FFT系数的归一化幅度[28]

图5 人体呼吸反射图[31]

在呼吸时胸部位移在前后向和正侧方上有所不同，呼吸时背部的体位位移几乎为零。因此，随着方位的改变，人体对信号反射的位移也发生了变化。接收到的信号变化除了呼吸深度和身体位置外，还受到身体方向的影响，如图6所示[31]。

图6 不同的身体方向对接收信号的影响[31]

这个系统也有一定的局限性，在进行单用户检测时，其他用户在附近移动会产生干扰很难区分两个用户的呼吸。对于上述的问题，Wang等[22]提出了一种可以同时检测多人呼吸的新方法。该系统使用多个发射-接收天线来捕获无线CSI，然后过滤掉到达时间大于截断阈值的数据，并去除受多径效应影响很大的子载波，就可以从混合接收信号中获取每个人的呼吸数据。但是这个系统受两主体之间的距离、接收器之间的距离以及所设置的接收器高度的影响较大。Wang等[23]提出利用相位差来估计多人呼吸频率，并使用张量分解技术来处理CSI相位差数据。

在使用WiFi设备来识别人的呼吸和心率模式的变化时，呼吸和心跳引起的周期性的上下胸部运动可以用信号波的幅值来表示，Lee等[24]提出的新系统可以利用动态时间扭曲算法来检测出信号模式的显著变化。Zhang等[25]则首次利用了菲涅耳衍射模型精确量化了衍射增益与人体目标细微胸部位移之间的关系，从而成功地将先前考虑的第一菲涅耳区(FFZ)的“破坏性”障碍物衍射转化为有益的传感能力。不仅把前端的胸部位移作为现有的解决方案，而且考虑到背部的微妙位移，从而在理论上取得了很大的成果。

2 未来的发展与工作

虽然目前研究者们在基于无线信号的室内安防技术上有了很多突破性的进展，但是仍存在许多问题：

1) 多人的检测和定位。在室内出现多个人员的情况下，因不同的人和人体活动会对接收信号造成不同的影响，现有的定位技术和检测技术建立指纹库的工作繁琐、复杂，不能很好地将每个人以及每个人的行为区分开。所以，如何对多个感知对象建模区分室内每个人及其不同行为将是今后研究工作中的重点。

2) 克服复杂环境中的多径效应。在复杂的环境下，在无线信号的传播过程中由于室内的静态物体和运动的人体反射、折射等，会导致各条传播的路径的时延不同，在接收端的合成信号出现多径效应，而多径效应会产生衰落，使得我们的定位、检测产生很大的误差。现有的技术不能有效地消除多径效应，难以建立信号变化与人体行为之间的精确关联。所以，如何处理复杂多径的影响、建立信号变化与人体行为之间的更为精确的关联是未来研究工作的重点。

本文根据技术方法的不同，将基于无线感知的室内安防技术的三大步骤：人员出现检测、位置定位和身份识别的已有工作进行分类，并指出目前在基于无线信号的室内安防技术上存在的缺点以及今后研究工作的重点。作为一个被广泛关注的研究课题，有越来越多的研究者正投入这一领域的研究工作中。可以预见，在不久的将来基于无线感知的室内安防技术会出现突破性的进展。