基于时频能量比的入侵事件识别方法

李成华，程博，江小平

(中南民族大学 电子信息工程学院，智能无线通信湖北省重点实验室，武汉430074)

传统的周界安全防范系统利用视频、红外等方法对保护区域进行监测[1-3],具有一定的局限性.如视频监控存在监控死角，不具备隐蔽性等；红外监控在雾天、雨天等天气中效果不理想，误报率比较高.基于震动信号检测的周界安全防范技术，因安装具有隐蔽性，监控无死角，受天气影响较小等特点，逐渐成为研究热点[4-6].文献[7-9]开展了基于震动信号检测的周界安全入侵事件识别相关研究.其中，文献[8]以事件信号的时域峰值个数、频谱特征、倒谱等作为特征，针对空旷的草地上人的运动形态(慢跑，跑步，行走事件)进行识别.文献[9]利用自相关的节律检测方法针对空旷草地中人行走和动物奔跑事件进行识别，待分类的事件包括单人行走、多人行走和马行走三类.文献[7]利用快慢自适应阈值法对人行走和车辆路过事件进行检测，但未进行分类识别.

田野文物保护以识别威胁地下文物遗产突发入侵事件为主要目的，是周界安防系统在野外环境中的一个重要应用方向.面向田野文物保护的入侵事件识别算法需要准确排除干扰事件，判别入侵事件并及时给出报警，地下文物遗产面临的入侵事件主要是挖掘，干扰事件包括自然界活动(如下雨等)以及自然环境的扰动(如车辆经过、人步行等).本文研究发现单独利用时域特征或者单独利用频域特征很难实现挖掘事件和人步行事件的识别，为了提高这两类事件的识别率，本文提出一种时频域特征提取方法，通过计算信号的部分频带信号的时频能量比，得到事件信号的时频特征数据.常用的时域、频域的特征提取方法，如短时傅里叶变换(STFT)，离散小波变换(DWT)等，计算得到的特征数据量较大[11].实验结果表明，对同一样本数据集，相比基于STFT和基于DWT的特征提取算法，通过本文方法得到的特征数据量大幅减少；以支持向量机SVM为分类器进行分类实验，实验结果表明，利用本文方法提取的特征分类识别的准确率约为94%，比采用基于STFT特征分类识别准确率提高了约3%，比基于DWT特征分类识别准确率提高了约2%；比较分类阶段的耗时情况，发现采用本文的特征数据的分类过程耗时最短.

1 技术方案

本文方案包括：信号的预处理，特征提取，训练以及分类测试等几个阶段，如图1所示.

预处理阶段对前端采集器获得的信号进行降噪滤波、幅值归一化、重叠分帧.通过实验对比发现，基于多窗谱估计的谱减法[12]降噪效果优于自适应的最小均方滤波算法(LMS)[13]、自适应的最小二乘方滤波算法(RLS)[13].本文采用文献[11]的方法进行降噪滤波.为使得不同时刻信号都拥有相同的参考系，对信号进行幅值归一化.采集获得的信号是一个长时间的信号，为了计算的便捷，对数据进行分帧.本文以每帧长度为10s对信号进行重叠分帧，且帧间重叠长度为2s.

图1 方案流程图Fig.1 Program flow chart

特征提取阶段首先对疑似入侵事件进行筛选，采用文献[14]的SAT/LTA算法提取包络具有冲击特性的事件，剔除如车辆路过、自然环境活动等干扰事件，并利用时域节律特征剔除部分节律显著的干扰事件，最后对节律特征较为接近的事件(如挖掘和人步行事件)，采用本文提出的基于时频能量比的时频特征提取方法提取特征,具体的流程如图2所示.

图2 特征提取阶段流程图Fig.2 Feature extraction stage flow chart

文献[8]比较了几种常用的分类器对于震动信号的分类效果，并得出了支持向量机(SVM)分类效果最好的结论.因此，本文也以SVM为分类器.具体的，训练阶段以本文方法得到的特征数据为输入，训练得到基于SVM分类器的分类模型.测试阶段，对实际应用场景中采集的入侵事件进行预处理和特征提取后，对节律特征接近的事件利用SVM分类模型进行分类.

2 事件特征提取

2.1 时域特征分析

图3是面向田野文物保护的几种典型事件的时域波形图，本文将以这几种典型事件为例论证所提方法.从图3中可以发现利用事件信号的包络的冲击特征可以比较容易区分挖掘、人步行事件与车辆路过、下雨等事件.因此，可以利用包络的节律特征以及冲击特征筛选出挖掘和步行事件，但两者的节律特征较为接近，无法仅利用节律特征实现对两者进行准确分类.

(a)挖掘 (b)步行 (c)车辆路过 (d)下雨时的环境图3 几种典型事件的时域波形图Fig.3 Time domain waveform diagram of several typical events

2.2 频域分析

本文所研究的应用场景中，挖掘属于入侵事件，而人步行属于干扰事件，需要对两者进行准确的分类识别.如图4所示，通过对两种事件的频谱进行分析可发现两者的频域特征有较明显的差异，然而差异显著的频带较为接近，单纯地利用频谱特征难以实现对这两种事件的准确识别.从图4可以发现两者在时频域上具有较为明显的差异，也可以观察到事件信号的特征主要集中在0-200Hz的频带内.

(a)挖掘 (b)步行图4 挖掘与人步行事件500Hz以内的频谱分析Fig.4 Spectrum analysis within 500 Hz of digging and human walking events

2.3 基于时频能量比的特征提取方法

工作在野外环境中的周界安防系统，因其嵌入式MCU的计算能力、缓存资源以及功耗的限制，需要一种能够有助于降低系统功耗，且能准确表征事件差异性的特征提取方法.

本文针对节律较为接近的事件(如挖掘和人步行事件)的识别，提出一种基于时频能量比的特征提取方法.其基本思路是：首先，对事件信号进行时域窗分割.其次，将时域分割后的每个子信号输入到一组窄带滤波器中，并计算每个滤波器输出信号与输入的时域子信号的能量比值，从而得到事件的时频能量比特征.如图5所示原理框图，其中：①可以概括为预处理部分，主要包括滤波降噪，重叠分帧,目的是为了提取入侵事件，并将入侵事件信号在时域上进行分割；②利用滤波器实现特征频带信号的提取；③计算特征频带信号的能量比值，从而得到时频特征集.

采用时频能量比作特征，计算的是滤波后的子频带信号与滤波前的时域子信号的能量比，是一个相对值，只与事件信号的时频特征有关，不会受到事件信号能量幅值改变而改变.相对于直接采用能量或者均值作特征，能很好的避免同一种类的信号发生衰减或者放大时，用同样的方法计算得到的特征差异较大的问题,本文方法是基于几种典型事件信号的特征频段，选取一系列的频域子带，通过计算频域子带信号的能量比值得到时频能量比，能够降低不同事件提取得到的特征之间的相关性，从而提高分类准确率.除此之外，本文特征提取算法可以通过设计低功耗窄带滤波电路实现频域子带信号的提取，从而大幅降低MCU的计算压力，在一定程度上减小了系统计算所需的功耗.

图5 基于时频能量比的特征提取方法原理框图Fig.5 Time-frequency energy ratio feature extraction algorithm block diagram

基于时频能量比的特征提取方法具体流程如下：

(1)对信号S进行滤波，幅值归一化，重叠分帧；

(2)利用SAT/LTA算法提取第i帧信号Si中的挖掘、人步行等有具有节律特征的事件；

(3)提取事件的节律特征，通过设置阈值，筛选出挖掘和步行事件X1,X2,…，Xi,…，Xn，并将Xi存放在长度为1s的数组中，N表示检测提取到的事件数量；

(4)用宽度为w矩形窗对信号Xi进行分割，得到时域子信号x1,x2,…，xj,…，XM，M表示时域分割后子信号的数量；

(5)计算时域子信号xj的能量SubxEnj

(1)

其中Nj表示的是子信号xj的长度.

(6)设计窄带滤波器对xj进行滤波，计算每个特征频带FreqBandk信号xjk的能量SubFreqEnjk

(2)

(7)计算SubFreqEnjk与SubxEnj的比值FreqPerjk，如式(1)所示

(3)

其中，K表示特征频带的个数；

(8)对Xi时域分割的所有子信号x1,x2,…，xj,…，XM进行上述的步骤后，则可以得到Xi的时频特征矩阵

TimFregMatrixMK=

(4)

(9)对于提取到的所有事件信号X1,X2,…，Xj,…，XM，则可得到其时频特征集，如下式所示：

(5)

利用上述方法分别对100个挖掘事件样本和100个人步行事件样本进行特征提取，并采用可视化散点图观察这两类事件的特征数据，得到图6所示的效果.

图6 特征可视化散点图Fig.6 Feature visualization scatter plot

可以看出，所得到的特征具有同类间间距小、不同类间间距大的性质，能够很容易找到一个超平面对这两类事件进行分类.

3 实验分析

实验将震动传感器埋放在地面下40-50cm的位置，利用放置于地面上的基于STM32的嵌入式系统采集传感器感知的事件信号，采样率为Fs=2000Hz，并采集挖掘、步行、车辆路过、背景四种样本各100个作为实验数据集.本文所用到的样本数据库以及部分算法仿真代码公布在https://www.cnblogs.com/FireLife-Cheng/p/9790978.html网址上，可以从该网址获得样本库和仿真代码.

3.1 事件检测提取效果分析

利用采集的事件信号样本数据集，分别采用基于峰值(Kurtosis)检测算法和SAT/LTA算法对具有包络冲击特性的事件进行检测，实验结果如表1所示.其中检测的事件指挖掘、人步行等具有包络冲击特性的事件，而车辆路过、自然环境干扰等干扰事件因不具有包络冲击特性在此时被剔除.

表1 事件检测算法效果比较Tab.1 Comparison of event detection algorithms

从表1中可以看出，SAT/LTA检测事件的漏检率比基于Kurtosis的检测算法低.实验表明，在一定的信噪比下，kurtosis方法单纯依靠峰值设置阈值检测，会将信号中偶然极大值作为冲击事件处理的情形.而利用事件的SAT/LTA值对事件进行检测，考虑了事件发生过程的冲击特性，并与事件没发生前一段时间进行比较，提高了检测的可靠性.

3.2 事件时频特征分析

根据几种典型事件信号的频域能量分布特点，选择事件信号具有代表性的频段组成特征频带集.对采集的几种典型事件进行分析，发现车辆路过、下雨、燃放鞭炮几种干扰事件在频域500Hz-1000Hz部分有明显的能量特征，而挖掘和人步行事件在频域上能量集中在0-200Hz以内.进一步采用小波分解对挖掘和人步行事件进行分析，确定了挖掘和人步行事件具体的具有差异的频段.经过分析确定了特征频带集FreqBandk的值，其中特征频带FreqBandk依次为：0～20Hz、10～30Hz、40～70Hz、50～80Hz、80～120Hz、120～160Hz、0～200Hz、500～1000Hz.

通过统计多个样本的包络宽度，选择几组具有代表性的分割窗长，结合确定的特征频带集参数，将提取得到的特征数据集输入到SVM中进行分类实验,从实验结果中发现时域分割窗长在30ms及以下时，分类效果差异不大，而当分割窗长大于30ms时，分类效果明显下降,在保证分类效果的前提下，为了尽可能减少数据量，最终选择30ms作为时域分割窗长，由此便确定了本文算法的两个重要参数.同时，通过计算可以得知，单个事件提取的特征矩阵大小仅为34×8，在一定程度上减小了SVM处理的数据量.

分别利用本文算法、STFT、DWT计算单次挖掘和人步行事件的时频特征如图7所示.从图7中可以发现，在相同频段内，在不对STFT和DWT计算的结果进行二次计算的前提下，本文的方法极大的降低了事件时频特征的数据量，同时将两种事件的频域差异进行了放大.

图7 几种不同特征提取方法所提取的特征的三维视图Fig.7 Three-dimensional view of features extracted by several different feature extraction methods

当输入相同数据量大小的样本时，对比了不同的时频特征提取方法所得到的特征集数据量大小，如表2所示.

表2 不同特征提取方法得到的特征数据集的大小Tab.2 Size of feature data set obtained by different feature extraction methods

从表2中可以发现，本文的方法所提取的特征集数据量明显小于输入的样本的数据量，STFT所提取的特征样本数据量大约是输入样本的4倍，而DWT因其分析比较细致，所得到的特征数据量大约是输入样本的200多倍.

3.3 分类实验评估

以SVM作为分类器，分别选取线性核的SVM(SVM-L)和径向基核的SVM(SVM-RBF)进行分类实验.当输入相同的样本集时，分别比较本文方法、基于STFT以及基于DWT提取的时频特征集进行分类所需的时间以及分类效果指标，如准确率(Accuracy)、召回率(Recall)以及F-score，其中F-score的值和Accuracy的值越大表明分类效果越好.采用200个样本数据进行实验，随机选择其中60个样本作为训练数据集，余下的140个样本作为测试数据集，实验结果如表3所示.

表3 不同时频特征提取方法所提取的特征集进行分类所需的时间Tab.3 Time required for classification of feature sets extracted by different time-frequency feature extraction methods

表4 TP、TN、FP、FN的定义Tab.4 Definition of TP, TN, FP, FN

其中，准确率(Accuracy)、召回率(Recall)以及F-score的定义如下：

(6)

(7)

(8)

从表3中可以发现，在输入相同的数据样本集的情况下，利用本文方法对挖掘和人步行事件的识别准确率在94%左右.分类所需的时间在0.01s左右.文献[8]对入侵者不同动作的识别进行了研究，如步行，慢跑，快跑，其分类的准确率最高为86%，本文方法相比而言提高了约8%.也可以发现，在采样相同核函数映射时，利用本文时频特征提取方法所得到的特征数据集，分类速度更快.而对于同一种时频特征提取算法，采用线性核函数进行映射所得到的效果比采用径向基核函数的效果好.

4 结语

本文针对应用于田野文物保护的野外环境周界安防系统中入侵事件的识别问题，对几种典型的事件进行了研究.利用事件的时域包络冲击特性以及时域节律特征剔除干扰事件，如车辆路过、自然环境干扰等，筛选出人步行和挖掘事件.通过提取事件的时频特征实现对挖掘入侵事件的识别，排除人步行事件的干扰.针对挖掘和人步行事件的识别问题，本文提出一种时频特征提取方法，降低了时频特征数据的冗余量和计算复杂度，在一定程度上提高了识别的准确率.后续工作将主要研究动物行走、人行走以及挖掘等事件同时发生时，如何对挖掘事件进行识别的问题，以及在信噪比差的情形下，如何准确的识别挖掘等入侵事件.