Wi-Fi 动作识别在室内入侵检测中的应用

丁晓慧，周 磊

（淮北理工学院，安徽 淮北 235000）

随着室内安全受重视程度不断提高，室内安防设备爆发式增长，目前室内防入侵检测设备存在安装成本较高、用户隐私泄露、隐蔽性等问题。随着通信感知一体化技术的发展，众多学者展开了Wi-Fi 感知功能的研究[1]。使用Wi-Fi 信道状态信息（Channel State Information，CSI）作为信号源的智能入侵检测系统很好地规避了当前安防设备的缺点。当前，Wi-Fi 的动作识别方法主要有3 类：利用信号特征分类方法[2]、利用机器学习的方法[3]、利用神经网络的方法[4]。现有的方法大多针对某一种方法进行优化，通过改进算法提升动作识别准确度，但只针对单方面的优化往往仅能带来较少的提升效果。对此，提出了一种新的动作识别方法，首先，将收集的CSI 数据进行BVP[5]变换，随后，对得到的BVP 数据进一步处理，得到用于作为输入的动作源数据，然后，创新性引入3D-CNN（3D Convolutional Neural Network）深度神经网络模型[6]，改进神经网络，更加充分提取动作源数据的特征，提升检测精度。实验表明，该方法较现有的Wi-Fi 动作识别方法具有更高的检测精度。

1 Wi-Fi 动作识别

Wi-Fi 动作识别是指以无线路由器为信号源，通过检测由人体运动引发的CSI 信号变化，从而对人体动作进行识别的一种新型感知方法。如图1 所示，由于人体的电磁特性，处于室内Wi-Fi 环境下，人体会反射无线电信号。部分Wi-Fi 信号经过人体反射后，进一步通过墙壁反射和障碍物绕射等，经由多个不同路径到达信号接收端，这些信号会与直接到达接收端的信号形成时延，从而产生多径效应。而在接收端的多径信号中，由于人体反射引起的部分多径信号有着独特的特征[7]。

令信号源与接收端距离为d，屋顶与地板反射点距离为R。人体对无线电信号产生的影响可由以下公式计算

其中：Ptx为发射功率，Prx（d）为接收功率，Gtx为发射增益，Grx为接收增益，λ 为Wi-Fi 信号波长，ε 为信号散射路径长度，|TxQn|为信号源到第n 层菲涅尔区的距离，|RxQn|为接收机到第n 层菲涅尔区的距离，|TxRx|是信号源与接收机的距离。据以上公式，人体不同的移动方式会引起无线电信号的不同波动，通过使用合适的算法，建立不同动作和不同信号波动之间的联系，就能够完成动作识别。

2 Wi-Fi 室内入侵检测系统

随着人工智能技术的发展，深度学习的模型和架构逐步更新扩充[8]，在模式识别领域，有着越来越多的神经网络架构出现[9]，依靠优异的性能表现，卷积神经网络（Convolutional Neural Network，CNN）从模式识别领域脱颖而出，逐渐应用到各个领域。Wi-Fi 信号经由室内传播后，到达无线网卡的信号包含了诸多环境和室内物体信息。因此，仅依靠信号处理或是深度学习算法对CSI 信号进行分析，其识别正确率都难以达到应用需求，针对此类问题，使用先进的数据处理方法对CSI 信号滤波后，得到与人体动作具有高度相关性的信号，进而使用基于3D-CNN 的深度神经网络进行训练、识别，得到具有较高准确度的模型。

2.1 系统结构

入侵检测系统由3 部分构成：信号收集、数据处理、入侵检测，其结构如图2 所示。

图2 系统结构

信号收集部分使用路由器的Wi-Fi 信号作为发射源，2 块无线网卡作为接收机，从而完成CSI 信号采集。数据处理部分是对采集到的CSI 信号进行相关特征提炼。入侵检测部分使用基于3D-CNN 的深度神经网络算法，以处理后的数据为输入，并经由神经网络输出检测结果。针对CSI 信号高频波动、低频扰动、人体动作频率低的特点，提出了一种与人体动作具有强相关性的信号。

2.2 特征提取

为了剔除CSI 数据中与检测目标无关的杂波信号，对收集到的CSI 数据作多重信号处理。使用DFS的方法提取出信号的频域特征，进一步过滤高频分量。由于环境噪声干扰造成Wi-Fi 数据包的丢失，且Wi-Fi 信号受到频率选择性衰落的影响，因此不同子载波具有不同的信噪比（SNR）。令x（t）和y（t）分别为时间t的传输信号和接收信号，那么CSI 信号可以表示为H（f，t）=Y（f，t）/X（f，t），其中Y（f，t）和X（f，t）是x（t）和y（t）的频域表示方法。

式中：N 是各个传播路径的数量，αn（f，t）和τn（f，t）分别是第n 条路径的复衰减和传播延迟，ejε（f，t）则是由定时对准偏移、采样频率偏移和载频偏移引起的相位偏移。通过对公式（3）进行变换，可以得到

式中：Hs（f）是CSI 信号各个静态路径的和（不包含多普勒频偏），Pd是由目标移动影响CSI 信号产生的动态路径（包含多普勒频偏）。通过这样的变换，再加上低通滤波、主成分分析等进一步处理，得到了处理后的包含人体移动特征的信号，如图3 所示。

图3 CSI 信号

2.3 深度神经网络

使用数据为具有时间相关的二维数据，考虑到数据的时间连续性，使用3D-CNN 作为基础算法，并依此搭建深度神经网络，神经网络结构如图4 所示。

图4 深度神经网络结构

为了使数据能够匹配模型，将2.2 中所得数据进一步处理，将输入数据格式统一为20*20*30 的多维数组，输出是7 维的矩阵（使用one-hot 编码），模型使用了3 个卷积层，编号为1—3，其filter 的尺寸分别为：10、20、40，卷积核的大小为（3，3，3）。有3 个池化层，分别位于3 个卷积层之后。

3 实验验证

实验采用的软件配置：Ubuntu16.04+Anaconda3+Keras，硬件环境为路由器+Intel5300 网卡，搭建的实验平台设置在一个真实办公场景的房间中，路由器位于房间一角，2 个接收网卡位于房间2 个对角。其中，数据速率约为2 000 个/s CSI 数据包，工作频率为5.25 GHz，实验人员在空旷位置模拟室内入侵行为。为了验证方案的可行性，在实验房间中放置了无线鼠标、无线键盘、蓝牙耳机等干扰项。

实验对3 种不同的入侵行为进行了检测，包含：推门、跳窗、室内走动。测得系统入侵检测准确率100%。入侵行为分类准确率平均达到98.7%。为了验证所提模型的可移植性，使用Widar 的开源数据集进一步验证，依然得到了一致的实验结果。

WiAct[10]使用人体动作和CSI 信号中的振幅信息之间的相关性来对不同的动作进行鉴别，使用机器学习及逆行动作数据分类。Wi-Motion[11]从CSI 序列中分别提取振幅信息和相位信息，并对二者分别构造分类器，通过后验概率的组合策略对分类器的输出进行组合。Wi-Multi[12]组合策略使用动态时间规整与支持向量机提取样本，并使用深度神经网络对人体动作进行识别。将平均识别准确率和最优识别准确率作为评价4 种模型的指标，表1 给出了所提方法与当前方法的对比。

表1 分类准确率比较

观察表1 可知，5 种识别模型中，该方法的动作分类准确率显著高于其他4 种模型，相对而言，前4 种模型在局部动作的识别上更有优势，但在室内入侵检测场景下，该方法具有更加出色的表现。这是由于该方法使用了更为契合人体整体动作的特征提取方法和深度神经网络模型。该方法在办公环境下进行试验，可知，该方法能够适用于大多数室内环境中的入侵检测，并且能够提供优秀的识别精准率和较高的鲁棒性。

4 结束语

本文提出了一种使用Wi-Fi 为信号源，利用信道状态信息的入侵检测方法。对人在不同室内场景下的入侵行为检测具有较高的识别率。同时，尽可能剔除了信号的无关量。创新性地将3D-CNN 深度神经网络模型应用到室内入侵检测领域，增加了入侵检测的新方法。实验结果显示，在3 种不同入侵场景下，平均识别准确率能够达到98.7%，同时验证了所提出模型在开源数据集的有效性。在以后的研究中，将研究新的特征提取方法，旨在学习每个人的行为姿态特点，从而实现身份识别。未来的工作还会进一步探索基于Wi-Fi 的入侵检测，以增强检测准确率。