基于WiFi感知的人员检测方法

    史文华

    

    

    

    摘要：随着物联网产业的飞速发展，一大批以人为中心的智能化服务不断涌现，检测到人员的存在是提供这些服务的前提。本文提出了一种基于WiFi感知的人员检测技术，基于信道状态信息（CSI）幅度的动态方差感知周围环境的变化，生成特征指纹，并结合KNN分类算法，对比判断当前场景内是否有人员存在。

    关键词：WiFi;信道状态信息;人员检测;动态方差

    中图分类号：TP391? ? ? 文献标识码：A

    文章编号：1009-3044（2021）17-0187-03

    开放科学（资源服务）标识码（OSID）：

    Person Detection Method Based on WiFi Perception

    SHI Wen-hua

    （School of Electronic and Information Engineering， Suzhou University of Science and Technology， Suzhou 215000， China）

    Abstract： With the rapid development of the Internet of Things industry， a large number of human-centered intelligent services continue to emerge. Detecting the presence of personnel is a prerequisite for providing these services. This paper proposes a person detection technology based on WiFi perception， which perceives changes in the surrounding environment based on the dynamic variance of the channel state information （CSI） amplitude， generates characteristic fingerprints， and combines the KNN classification algorithm to compare and judge whether there are people in the current scene.

    Key words： WiFi; CSI; personnel detection; dynamic variance

    1 引言

    人員检测技术对于人们的工作生活有着重大意义，无论是在公寓、办公室，还是在商场、车站等公共场所中，都有很大的应用潜力。在安全领域，人员检测技术可对危险区域进行排查，确定有无人员需要被救援;在商用领域，商家可通过人员检测技术计算客流量，从而更好地设计营销策略;在民生领域，智能家居可根据人员检测结果自动调节灯光和其他用电设备，为人们提供更贴心的家居服务。

    传统的人员检测的技术包括：红外线技术、超声波技术、超宽带技术、视频技术和WiFi技术。红外线技术[1] 是人们熟悉的一种人员检测技术，通过在房间里布置红外发射器，当有人触碰到红外线时，系统立刻发出警报。这种方法技术成熟，精度高，但由于红外线只能沿直线传播，易被遮挡，所以需要大量部署设备。超声波方法[2] 利用超声波的反射来检测有人员入侵，该方法灵敏度高，但需要专门的设备，且受非视距的影响较大。超宽带技术[3] 是一种低功耗、高带宽的通信技术，可靠高效，但设备造价昂贵。基于视频的方法[4] 是人们最常见的一种人员检测方法，例如我们生活中的视频监控系统。这种方法最为直观，有很高的准确率，但同样存在一些不可忽视的问题，易受光线影响，在弱光环境下，效果不理想，且在非视距环境下，存在盲区。

    如今，随着无线感知技术的发展，基于WiFi感知的人员检测技术[5] 得了越来越多的关注。一方面，WiFi设备广泛部署于各个地方，成本低;另一方面，WiFi信号覆盖面广，受环境干扰的影响较小。早期的研究主要基于接收信号强度指示（RSSI）进行人员检测，利用WiFi环境中提取的RSSI作为信号特征，根据RSSI数据的变化，判断监控区域内有无人员存在。基于RSSI的方法[6] 能获得较好的效果，但由于RSSI易受环境的影响产生多径衰落，导致可靠性大幅降低，因此需要找到一种更加可靠的数据信息作为替代。CSI是物理层特性，具有更高的细粒度，能测量多个子载波的频率响应，且稳定性更高，可以敏锐感知环境的变化。基于CSI的人员检测方法[7] 相较于基于RSSI的方法有更高的精度和鲁棒性。

    本文提出了一种基于CSI的人员检测方法，首先通过Hampel滤波滤除CSI数据中的异常值，计算出CSI幅度的动态方差，然后采用PCA算法对数据进行降维处理，提取出主特征，最后利用KNN算法进行分类，判断环境中是否有人员存在。

    2 信道状态信息

    无线信号在传播过程中会产生多径效应，造成信号衰落和相位移动。正交频分复用（OFDM）是一种多载波调制技术，能有效减弱多径效应，其主要思想是将高速串行数据信号划分成若干并行的低速数据流，并将信道划分为若干个子信道，每个子信道上的子载波相互正交。对于每一条子载波，可以使用CSI来描述无线信道的散射、衰落和功率衰减情况。在窄带平坦衰落信道中，信道状态的频域模型可以表示为：

    [Y = HX + N]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （1）

    其中X和Y分别是发射端和接收端信号向量，H为数据包中的CSI矩阵，N为噪声向量。对于包含K个子载波的CSI，其矩阵表示为：

    [H = [h1，h2，…，hK]]? ? ? ? ? ? ? ? ? ? ? ? ? ? （2）

    其中k=1，2…K， K=56/114，每个子载波hk为：

    [hk=hkej∠hk]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（3）

    其中|hk|和∠hk是第k个子载波的幅度和相位。

    3 基于CSI的人员检测方法

    本文所提的人员检测方法是基于这一原理：当环境中没有人员存在时，环境相对稳定，CSI幅度波动较小;当环境中有人员出现时，环境的稳定性被破坏，CSI幅度会出现较大程度的波动。本文旨在探究环境中有无人员的情况下，CSI幅度的波动情况，并以此为依据进行分类，判断环境中有无人员存在。

    图1和图2分别为无人和有人情况下的CSI幅度，从中可以看出，无人时，CSI幅度离散程度较小，波动不大;有人时，CSI幅度离散程度增大，波动剧烈。结果表明CSI幅度可作为判断环境中有无人员的特征，本文所提方法切实可行。

    本文方法主要分为离线阶段和在线阶段两个部分。离线阶段，首先通过Hampel滤波滤除CSI数据中的异常值，计算出CSI幅度的动态方差，然后采用PCA算法对数据进行降维处理，提取出主特征构建离线指纹库;在线阶段，通过和离线阶段一样的方法对数据进行处理，采用KNN算法进行分类，判断环境中是否有人员存在。方法框架图如图3所示。

    3.1 Hampel滤波

    CSI是细粒度的物理信息，具有很强的敏感性，易受环境影响产生大量噪声。Hampel滤波器能有效检测和去除数据中的异常值，其基本思想是加权滑动平均，对于一组数据X，首先计算出这组数据的中值Median，并求出每一个数据与Median的差值取绝对值，即计算|Xi - Median|，得到序列Y，然后计算出Y的中值M，具体公式如下：

    [Xi-MedianM0.6745>t，异常值Xi-MedianM0.6745≤t，正常值]? ? ? ? ? ? ? ? （4）

    其中t是定义的阈值，M是绝对中位差，其公式如下所示：

    [M=medianXi-Median]? ? ? ? ? ? ? ? （5）

    Hampel滤波器不直接求出方差，而是用绝对中位差作为方差的近似估计，其对极端的异常值不敏感，并且不要求數据正态分布，能起到良好的检测和去除异常值的效果。

    3.2 动态方差

    CSI幅度比较杂乱，当环境复杂时，差异性可能更小，因此不能简单以CSI幅度作为判断依据，应当提取更有效的特征。CSI幅度方差刻画了各个时刻CSI幅度的离散程度，能有效区分出环境的变化。图4和图5分别无人和有人状态下采用100为窗口，10为步长的CSI幅度的动态方差。从中可以看出，无人和有人状态下CSI幅度的方差差异很大。

    3.3 PCA降维

    在进行分类前，需要对数据进行降维处理，一方面是为了降低特征的维度，使后续的分类更简便;另一方面能够消除原特征之间的相关度，减少信息冗余，更有利于分类的实现。

    PCA 是一种常用的降维方法，其基本思想是从原有特征中计算出一组按照重要性从大到小顺序排列的新特征，新特征是原有特征的线性组合，互不相关。原有特征在新特征上的映射值成为降维后的新样本。

    4 实验结果与分析

    本文实验所使用的设备是两台TP-link 4700v2无线路由器，分别作为发射端和接收端，无线信道频率为5GHz。实验分别在空地、走廊和实验室三个场景下进行，各自采集无人和有人两种状态下的数据各2万笔，共12万笔数据。实验结果如图6所示。

    从图中可以看出，在空地、走廊和实验室三个场景下，本文方法的准确率分别为94.2%、91.4%、89.6%。在空地环境下，不存在多径效应，信号不易被干扰，准确率最高;在走廊环境下，准确率次之;在实验室环境下，场景较为复杂，准确率最低。从以上数据可知，在不同场景下，本文方法均能达到很高的准确率，其中最低准确率依然可以达到89.6%，表明本文方法有很高的精度和鲁棒性。

    5 总结

    本文提出了一种基于WiFi感知的人员检测方法，通过CSI幅度的动态方差判断环境中是否有人员存在。利用Hampel 滤波器去除了数据中的异常值，确保了数据的准确性。采用PCA进行特征提取，降低了数据维度，使得分类更加简便有效。最后以KNN算法为基础建立人员检测模型，训练得到有效的分类器判断场景中是否有人员存在。实验结果表明本文方法有很高的检测精度。

    参考文献：

    [1] 尹欣.基于多信息源的智能安防监控系统的设计与实现[D].武汉：华中科技大学，2012.

    [2] 胡劲.基于回波包络的超声波入侵检测装置[J].福建电脑，2014，30（12）：113-115，151.

    [3] 周金，邵世祥.UWB DS-CDMA系统中的多用户检测[J].西安邮电学院学报，2006，11（3）：31-33，57.

    [4] 吴金勇，虞致国，马国强，等.基于视频的入侵检测系统[J].电子测量技术，2006， 29 （1）：102-103.

    [5] 毛文瑞.基于WIFI的被动入侵检测技术研究[D].合肥：合肥工业大学，2014.

    [6] 顾茜.基于信道状态信息的入侵检测方法研究[D].秦皇岛：燕山大学，2016.

    [7] 曾正，张六，陈俊昌，等.基于WiFi信号的入侵检测机理及实验研究[J].电子技术应用，2019，45（3）：92-95，99.

    【通联编辑：梁书】