基于人體多姿態(tài)識別的被動入侵檢測模型研究*

谷敏敏，劉進軍，2，安 寧

(1.合肥工業(yè)大學(xué) 計算機與信息學(xué)院，安徽 合肥230009;2.滁州學(xué)院 計算機與信息工程學(xué)院，安徽 滁州239000)

0 引 言

入侵檢測技術(shù)能夠有效地保障人們的生命財產(chǎn)安全不被侵犯。傳統(tǒng)的入侵檢測技術(shù)主要用于倉庫、工廠等的安全防盜監(jiān)控［1］。而目前該技術(shù)的應(yīng)用更加的廣泛，如火災(zāi)搜救以確定受困者位置，空巢老人居家安全照護等。國內(nèi)外學(xué)者也在多個技術(shù)層面開展了廣泛的研究，如使用超聲波［2］、紅外線［3］、視頻監(jiān)控［4］、無線傳感器等技術(shù)。相比前三種技術(shù)，無線傳感器技術(shù)具有部署簡單、維護容易、成本低廉、不會涉及個人隱私等技術(shù)優(yōu)勢。按照檢測目標(biāo)是否攜帶無線收發(fā)設(shè)備，基于無線傳感器的入侵檢測技術(shù)可分為主動與被動兩種方式。其中被動入侵檢測技術(shù)無需待檢測目標(biāo)攜帶任何設(shè)備，利用無線收發(fā)設(shè)備間的傳輸鏈路接收信號強度(received signal strength，RSS)變化來進行入侵檢測。相比主動方式，該方式更易于被人們所接受。目前，國內(nèi)外學(xué)者在基于無線傳感器的被動入侵檢測技術(shù)研究方面主要有:Youssef M 等人［5］利用檢測環(huán)境中RSS的統(tǒng)計量均值和方差的變化特點，提出了被動入侵檢測系統(tǒng)。Yang Jie 等人［6］利用多條鏈路聯(lián)合學(xué)習(xí)，采用假設(shè)檢驗理論進行入侵識別。Wilson J 等人［7］利用無線層析成像技術(shù)實現(xiàn)入侵檢測。孫立奎等人［8］提出了一種基于信號差分特性進行被動入侵檢測識別。上述方法往往都采用單層無線信號鏈路，且僅能夠識別有人入侵和無人入侵兩種狀態(tài)，對于一些特殊狀態(tài)，如火災(zāi)中受困人員昏迷靜躺、老人跌倒等無法有效地檢測。

本文提出了一種基于人體多姿態(tài)識別的被動入侵檢測模型，采用多層無線信號鏈路聯(lián)合識別手段，利用多層鏈路RSS 信號變化特點，實現(xiàn)人體多種姿態(tài)的入侵檢測。

1 多姿態(tài)入侵檢測模型

1.1 無線信號傳輸特性

人體的構(gòu)成十分復(fù)雜，其中水占人體重量的70%。當(dāng)無線信號穿過人體時，一方面部分信號會被人體吸收;另一方面，由于人體的阻擋，無線信號會發(fā)生反射、散射和衍射現(xiàn)象。因此，當(dāng)人體處于無線傳輸鏈路中，會對其RSS 波動產(chǎn)生干擾［9］。

1.2 多狀態(tài)識別分析

本文根據(jù)上述無線信號傳輸特性，在環(huán)境中部署兩組不等高的無線收發(fā)裝置，建立人體多姿態(tài)檢測模型，模型結(jié)構(gòu)如圖1 所示。通過高低鏈路中的無線鏈路信號強度的波動差異對比驗證來判斷檢測環(huán)境中的目標(biāo)人體處于何種狀態(tài)。

圖1 實驗結(jié)構(gòu)圖Fig 1 Structure diagram of experiment

為體現(xiàn)不同人體姿態(tài)下鏈路信號的波動差異，通過實驗采集了無線傳輸鏈路環(huán)境中的正常、站立、跌倒靜躺這三種姿態(tài)的RSS 數(shù)據(jù)。三種姿態(tài)的人體實驗情況如表1所示。為了明顯區(qū)分不同狀態(tài)，本文將站立、跌倒靜躺這兩種狀態(tài)分別用正常狀態(tài)隔開。每種狀態(tài)采集時間相同，最后兩組鏈路的RSS 變化曲線如圖2 所示。為了便于觀察，本文將低鏈路RSS 數(shù)據(jù)流下移15 dBm。正常狀態(tài)時，高低兩層鏈路信號波動平穩(wěn)。有人體站立時，高低鏈路波動平穩(wěn)，但信號強度明顯由于人體阻擋而降低。而當(dāng)人體處于靜躺狀態(tài)時，由于人體不再阻礙高鏈路，所以，高鏈路信號波動明顯趨于正常;相反，低鏈路信號明顯由于人體躺著阻擋而下降。綜上所述，當(dāng)檢測環(huán)境中目標(biāo)人體分別處于站立、靜躺、正常狀態(tài)下的高低鏈路信號強度波動具有明顯差異。

表1 三種不同入侵狀態(tài)描述Tab 1 Description of three kinds of different invasion state

圖2 人體多姿態(tài)數(shù)據(jù)流對比Fig 2 Contrast of multi-state data flow of human body

2 基于滑動窗口的數(shù)據(jù)流特征選擇方法

2.1 滑動窗口技術(shù)

為了降低數(shù)據(jù)丟包和實驗噪聲產(chǎn)生的影響，本文提出了基于滑動窗口數(shù)據(jù)流特征提取方法，將各無線傳輸鏈路中采集的數(shù)據(jù)信號分割成多個窗口，并通過取窗口內(nèi)數(shù)據(jù)流的統(tǒng)計特征來反映窗口內(nèi)信號變化特征。

如圖3 所示，數(shù)據(jù)流的特征提取是在一個特定的時間區(qū)間(即窗口)中進行，滑動窗口是在截取的某入侵狀態(tài)對應(yīng)數(shù)據(jù)流范圍內(nèi)，以當(dāng)前開始界標(biāo)為挖掘起點，向前滑動N個元組，即最近到達的N 個元組的數(shù)據(jù)對象集合，亦即滑動窗口(sliding window)，窗口大小為N，窗口的位置以N 個元組為單位前移，直到數(shù)據(jù)集的結(jié)尾界標(biāo)。

圖3 滑動窗口Fig 3 Sliding window

2.2 特征提取

定義:如圖1 所示，節(jié)點T1，T2組成一個發(fā)射節(jié)點組(transmitter nodes，TN)，節(jié)點R1，R2組成一個接收節(jié)點組(receiver nodes，RN)，TN 和RN 構(gòu)成一個鏈路組(links group，LG)

Wij為某鏈路組LG 中，入侵狀態(tài)Si對應(yīng)鏈路數(shù)據(jù)流中第j 個滑動窗口，滑動窗口大小為N，則Wij窗口的數(shù)據(jù)矩陣

其中，RSS1，k為Wij窗口內(nèi)低層鏈路第k 個信號值，RSS2，k為高層鏈路第k 個信號值。

為了表現(xiàn)高低鏈路的這種時間序列數(shù)據(jù)的信號波動特征，采用數(shù)據(jù)流的統(tǒng)計值作為波動特征。提取Wij窗口的統(tǒng)計特征矩陣如下

Wij窗口的特征矩陣Fij為某鏈路組LG 下入侵狀態(tài)Si的第j 個樣本特征集

3 實驗設(shè)計與結(jié)果分析

3.1 節(jié)點硬件

本文使用的無線傳感器節(jié)點是由美國Rutgers 大學(xué)WINLAB 實驗室設(shè)計開發(fā)。傳感器節(jié)點由一個Chipcon CC1100 收發(fā)器和一個16 位的Silicon Laboratories C8051—F321 微處理器構(gòu)成，微處理器由直徑為20 mm 的CR2032紐扣電池供電，無線接收節(jié)點有一個USB 接口用于采集數(shù)據(jù)的傳輸。本文實驗中使用的無線發(fā)射節(jié)點運行在433.1 MHz頻段，發(fā)射節(jié)點每秒發(fā)射一個10 字節(jié)的數(shù)據(jù)包，實驗使用PC(Intel i5，2.13 GHz，4 GB RAM)作為數(shù)據(jù)采集系統(tǒng)。發(fā)射節(jié)點和接收節(jié)點實物圖如圖4 所示。

圖4 射頻收發(fā)節(jié)點Fig 4 RF transmitter and receiver node

3.2 數(shù)據(jù)采集

3.2.1 采集策略

本文設(shè)計訓(xùn)練數(shù)據(jù)采集策略為:站立姿態(tài)中，目標(biāo)人體將會在鏈路中心周期性緩慢轉(zhuǎn)動，這樣保證訓(xùn)練數(shù)據(jù)集中在鏈路中且面向不同方向。同樣，靜躺姿態(tài)中，目標(biāo)人體垂直鏈路方向靜躺，并周期性改變靜躺姿勢。正常狀態(tài)保持鏈路沒有人體活動干擾。測試數(shù)據(jù)采集策略為:站立和靜躺姿態(tài)，目標(biāo)人體任意保持一種姿勢。

3.2.2 數(shù)據(jù)集

如圖5 所示情景1，本文在某樓道環(huán)境部署一組高低兩層鏈路組，發(fā)射節(jié)點和接收節(jié)點相距1.5 m，貼墻放置。高鏈路距離地面1.3 m，低鏈路距離地面0.08 m。選擇兩個身高體型完全不同的志愿者(身高均超過1.3 m)充當(dāng)目標(biāo)人體分別做訓(xùn)練集和測試集。采集的RSS 數(shù)據(jù)組對應(yīng)類型和數(shù)量如表2 所示。

圖5 實驗情景拓撲結(jié)構(gòu)Fig 5 Topology structure of experimental scenes

表2 數(shù)據(jù)集描述Tab 2 Description of data set

3.3 多分類

為檢驗本文提出模型的人體多姿態(tài)識別效果，本文采用多種多分類方法:支持向量機(support vector machine，SVM)、1 近 鄰(1－nearest－neighbor，1NN)和 樸 素 貝 葉 斯(Naive Bayesian)［10］，對采集的數(shù)據(jù)集進行多分類處理。樣本特征采用基于滑動窗口的數(shù)據(jù)流特征選擇方法進行提取。

3.3.1 分類器模型對比分析

使用表2 的數(shù)據(jù)集進行仿真實驗，仿真工具采用的是Win8 系統(tǒng)環(huán)境(Intel i5，2.13 GHz，4 GB RAM)下的Matlab 7.12 軟件。分類結(jié)果如圖6 所示，三種分類器的精度都達到85%以上，但相比其它分類器，SVM 分類效果最好，高達93.6%。

圖6 多分類結(jié)果Fig 6 Results of multi-classification

3.3.2 滑動窗口大小對分類精度影響

本文對滑動窗口大小與分類精度的關(guān)系展開分析，其中滑動窗口大小N 為特征提取時劃定的滑動窗口內(nèi)部高低鏈路組對應(yīng)RSS 數(shù)據(jù)的個數(shù)。圖6 所示，滑動窗口大小對實驗分類精度的影響不大，精度偏差在3%左右，通過圖3也發(fā)現(xiàn)三個人體姿態(tài)RSS 波動都比較平穩(wěn)，統(tǒng)計特征相近。如考慮到后期開發(fā)系統(tǒng)進行實時檢測的需求，滑動窗口N取5 更合適。

3.4 多狀態(tài)定位與追蹤

本文提出的模型同樣可以用于對移動目標(biāo)進行多狀態(tài)的定位與追蹤。在如圖5 所示的情景2，樓道環(huán)境內(nèi)，目標(biāo)人體在不同鏈路中移動，本文通過多狀態(tài)入侵檢測模型對目標(biāo)人體經(jīng)過的鏈路和對應(yīng)的人體姿態(tài)建立模型并預(yù)測分析，從而實現(xiàn)目標(biāo)人體的多狀態(tài)的定位追蹤。

本文選擇一個多狀態(tài)的移動軌跡如圖7 所示。在訓(xùn)練期間采集不同鏈路的各姿態(tài)對應(yīng)RSS 數(shù)據(jù)并建立分類模型。測試期間，對不同鏈路組中的目標(biāo)人體姿態(tài)分別采集1 min RSS數(shù)據(jù)。

圖7 目標(biāo)人體移動軌跡圖Fig 7 Mobility trajectory of target human body

本文采用效果最好的SVM 作為分類器，滑動窗口N取5。最后分類識別結(jié)果如圖8 所示，可以發(fā)現(xiàn)實驗分類精度達到90.8%，人體多姿態(tài)識別追蹤效果良好。

圖8 多姿態(tài)追蹤分類結(jié)果Fig 8 Classification results of multi-state tracking

4 結(jié) 論

本文提出基于人體多姿態(tài)識別的被動入侵檢測模型，并對模型展開論述與分析。為解決數(shù)據(jù)采集丟包和實驗噪聲干擾，本文提出基于滑動窗口的數(shù)據(jù)流特征選擇方法，采用窗口內(nèi)統(tǒng)計特征來反映多層鏈路信號的波動情況，同時運用多種分類器對實驗數(shù)據(jù)進行仿真實驗。實驗結(jié)果表明:SVM 分類效果最好，正常、站立、跌倒靜躺的分類識別率高達93.6%。同時，對移動人體的多狀態(tài)定位追蹤展開初步實驗，并得到90.8%識別精度。

［1］ 章 巍，劉志勤，胡東平，等.一種可靠的人體入侵探測系統(tǒng)設(shè)計［J］.傳感器與微系統(tǒng)，2013，32(3):110－112.

［2］ Priyantha N B，Chakraborty A，Balakrishnan H.The cricket location－support system［C］∥Proceedings of the 6th Annual International Conference on Mobile Computing and Networking，ACM，2000:32－43.

［3］ Want R，Hopper A，F(xiàn)alc?o V，et al.The active badge location system［J］.ACM Transactions on Information Systems(TOIS)，1992，10(1):91－102.

［4］ Matern D，Condurache A，Mertins A.Automated intrusion detection for video surveillance using conditional random fields［C］∥International Conference on Machine Vision Application，2013:298－301.

［5］ Youssef M，Mah M，Agrawala A.Chalenges:Devsice－free passive localization for wireless environments［C］∥Proceedings of the 13th Annual ACM International Conference on Mobile Computing and Networking，ACM，2007:222－229.

［6］ Yang Jie，Ge Yong，Xiong Hui.Performing joint learning for passive intrusion detection in pervasive wireless environments［C］∥Proceedings of IEEE Infocom 2010，San Diego，2010:1－9.

［7］ Wilson J，Patwari N.Through－wall motion tracking using variancebased radio tomography networks［J］.IEEE Transactions on Mobile Computing，2011，10(5):612－621.

［8］ 孫立奎.基于WSNs 的被動入侵檢測系統(tǒng)的研究與實現(xiàn)［D］.大連:大連理工大學(xué)，2013.

［9］ Xu C，F(xiàn)irner B，Zhang Y，et al.Improving RF－based device－free passive localization in cluttered indoor environments through probabilistic classification methods［C］∥Proceedings of the 11th International Conference on Information Processing in Sensor Networks，2012:209－220.

［10］Mitchell Tom M.Machine learning［M］.New York:McGraw－Hill Press，1997.