基于時頻能量比的入侵事件識別方法

李成華，程博，江小平

(中南民族大學 電子信息工程學院，智能無線通信湖北省重點實驗室，武漢430074)

傳統(tǒng)的周界安全防范系統(tǒng)利用視頻、紅外等方法對保護區(qū)域進行監(jiān)測[1-3],具有一定的局限性.如視頻監(jiān)控存在監(jiān)控死角，不具備隱蔽性等；紅外監(jiān)控在霧天、雨天等天氣中效果不理想，誤報率比較高.基于震動信號檢測的周界安全防范技術，因安裝具有隱蔽性，監(jiān)控無死角，受天氣影響較小等特點，逐漸成為研究熱點[4-6].文獻[7-9]開展了基于震動信號檢測的周界安全入侵事件識別相關研究.其中，文獻[8]以事件信號的時域峰值個數(shù)、頻譜特征、倒譜等作為特征，針對空曠的草地上人的運動形態(tài)(慢跑，跑步，行走事件)進行識別.文獻[9]利用自相關的節(jié)律檢測方法針對空曠草地中人行走和動物奔跑事件進行識別，待分類的事件包括單人行走、多人行走和馬行走三類.文獻[7]利用快慢自適應閾值法對人行走和車輛路過事件進行檢測，但未進行分類識別.

田野文物保護以識別威脅地下文物遺產(chǎn)突發(fā)入侵事件為主要目的，是周界安防系統(tǒng)在野外環(huán)境中的一個重要應用方向.面向田野文物保護的入侵事件識別算法需要準確排除干擾事件，判別入侵事件并及時給出報警，地下文物遺產(chǎn)面臨的入侵事件主要是挖掘，干擾事件包括自然界活動(如下雨等)以及自然環(huán)境的擾動(如車輛經(jīng)過、人步行等).本文研究發(fā)現(xiàn)單獨利用時域特征或者單獨利用頻域特征很難實現(xiàn)挖掘事件和人步行事件的識別，為了提高這兩類事件的識別率，本文提出一種時頻域特征提取方法，通過計算信號的部分頻帶信號的時頻能量比，得到事件信號的時頻特征數(shù)據(jù).常用的時域、頻域的特征提取方法，如短時傅里葉變換(STFT)，離散小波變換(DWT)等，計算得到的特征數(shù)據(jù)量較大[11].實驗結果表明，對同一樣本數(shù)據(jù)集，相比基于STFT和基于DWT的特征提取算法，通過本文方法得到的特征數(shù)據(jù)量大幅減少；以支持向量機SVM為分類器進行分類實驗，實驗結果表明，利用本文方法提取的特征分類識別的準確率約為94%，比采用基于STFT特征分類識別準確率提高了約3%，比基于DWT特征分類識別準確率提高了約2%；比較分類階段的耗時情況，發(fā)現(xiàn)采用本文的特征數(shù)據(jù)的分類過程耗時最短.

1 技術方案

本文方案包括：信號的預處理，特征提取，訓練以及分類測試等幾個階段，如圖1所示.

預處理階段對前端采集器獲得的信號進行降噪濾波、幅值歸一化、重疊分幀.通過實驗對比發(fā)現(xiàn)，基于多窗譜估計的譜減法[12]降噪效果優(yōu)于自適應的最小均方濾波算法(LMS)[13]、自適應的最小二乘方濾波算法(RLS)[13].本文采用文獻[11]的方法進行降噪濾波.為使得不同時刻信號都擁有相同的參考系，對信號進行幅值歸一化.采集獲得的信號是一個長時間的信號，為了計算的便捷，對數(shù)據(jù)進行分幀.本文以每幀長度為10s對信號進行重疊分幀，且?guī)g重疊長度為2s.

圖1 方案流程圖Fig.1 Program flow chart

特征提取階段首先對疑似入侵事件進行篩選，采用文獻[14]的SAT/LTA算法提取包絡具有沖擊特性的事件，剔除如車輛路過、自然環(huán)境活動等干擾事件，并利用時域節(jié)律特征剔除部分節(jié)律顯著的干擾事件，最后對節(jié)律特征較為接近的事件(如挖掘和人步行事件)，采用本文提出的基于時頻能量比的時頻特征提取方法提取特征,具體的流程如圖2所示.

圖2 特征提取階段流程圖Fig.2 Feature extraction stage flow chart

文獻[8]比較了幾種常用的分類器對于震動信號的分類效果，并得出了支持向量機(SVM)分類效果最好的結論.因此，本文也以SVM為分類器.具體的，訓練階段以本文方法得到的特征數(shù)據(jù)為輸入，訓練得到基于SVM分類器的分類模型.測試階段，對實際應用場景中采集的入侵事件進行預處理和特征提取后，對節(jié)律特征接近的事件利用SVM分類模型進行分類.

2 事件特征提取

2.1 時域特征分析

圖3是面向田野文物保護的幾種典型事件的時域波形圖，本文將以這幾種典型事件為例論證所提方法.從圖3中可以發(fā)現(xiàn)利用事件信號的包絡的沖擊特征可以比較容易區(qū)分挖掘、人步行事件與車輛路過、下雨等事件.因此，可以利用包絡的節(jié)律特征以及沖擊特征篩選出挖掘和步行事件，但兩者的節(jié)律特征較為接近，無法僅利用節(jié)律特征實現(xiàn)對兩者進行準確分類.

(a)挖掘 (b)步行 (c)車輛路過 (d)下雨時的環(huán)境圖3 幾種典型事件的時域波形圖Fig.3 Time domain waveform diagram of several typical events

2.2 頻域分析

本文所研究的應用場景中，挖掘屬于入侵事件，而人步行屬于干擾事件，需要對兩者進行準確的分類識別.如圖4所示，通過對兩種事件的頻譜進行分析可發(fā)現(xiàn)兩者的頻域特征有較明顯的差異，然而差異顯著的頻帶較為接近，單純地利用頻譜特征難以實現(xiàn)對這兩種事件的準確識別.從圖4可以發(fā)現(xiàn)兩者在時頻域上具有較為明顯的差異，也可以觀察到事件信號的特征主要集中在0-200Hz的頻帶內.

(a)挖掘 (b)步行圖4 挖掘與人步行事件500Hz以內的頻譜分析Fig.4 Spectrum analysis within 500 Hz of digging and human walking events

2.3 基于時頻能量比的特征提取方法

工作在野外環(huán)境中的周界安防系統(tǒng)，因其嵌入式MCU的計算能力、緩存資源以及功耗的限制，需要一種能夠有助于降低系統(tǒng)功耗，且能準確表征事件差異性的特征提取方法.

本文針對節(jié)律較為接近的事件(如挖掘和人步行事件)的識別，提出一種基于時頻能量比的特征提取方法.其基本思路是：首先，對事件信號進行時域窗分割.其次，將時域分割后的每個子信號輸入到一組窄帶濾波器中，并計算每個濾波器輸出信號與輸入的時域子信號的能量比值，從而得到事件的時頻能量比特征.如圖5所示原理框圖，其中：①可以概括為預處理部分，主要包括濾波降噪，重疊分幀,目的是為了提取入侵事件，并將入侵事件信號在時域上進行分割；②利用濾波器實現(xiàn)特征頻帶信號的提?。虎塾嬎闾卣黝l帶信號的能量比值，從而得到時頻特征集.

采用時頻能量比作特征，計算的是濾波后的子頻帶信號與濾波前的時域子信號的能量比，是一個相對值，只與事件信號的時頻特征有關，不會受到事件信號能量幅值改變而改變.相對于直接采用能量或者均值作特征，能很好的避免同一種類的信號發(fā)生衰減或者放大時，用同樣的方法計算得到的特征差異較大的問題,本文方法是基于幾種典型事件信號的特征頻段，選取一系列的頻域子帶，通過計算頻域子帶信號的能量比值得到時頻能量比，能夠降低不同事件提取得到的特征之間的相關性，從而提高分類準確率.除此之外，本文特征提取算法可以通過設計低功耗窄帶濾波電路實現(xiàn)頻域子帶信號的提取，從而大幅降低MCU的計算壓力，在一定程度上減小了系統(tǒng)計算所需的功耗.

圖5 基于時頻能量比的特征提取方法原理框圖Fig.5 Time-frequency energy ratio feature extraction algorithm block diagram

基于時頻能量比的特征提取方法具體流程如下：

(1)對信號S進行濾波，幅值歸一化，重疊分幀；

(2)利用SAT/LTA算法提取第i幀信號Si中的挖掘、人步行等有具有節(jié)律特征的事件；

(3)提取事件的節(jié)律特征，通過設置閾值，篩選出挖掘和步行事件X1,X2,…，Xi,…，Xn，并將Xi存放在長度為1s的數(shù)組中，N表示檢測提取到的事件數(shù)量；

(4)用寬度為w矩形窗對信號Xi進行分割，得到時域子信號x1,x2,…，xj,…，XM，M表示時域分割后子信號的數(shù)量；

(5)計算時域子信號xj的能量SubxEnj

(1)

其中Nj表示的是子信號xj的長度.

(6)設計窄帶濾波器對xj進行濾波，計算每個特征頻帶FreqBandk信號xjk的能量SubFreqEnjk

(2)

(7)計算SubFreqEnjk與SubxEnj的比值FreqPerjk，如式(1)所示

(3)

其中，K表示特征頻帶的個數(shù)；

(8)對Xi時域分割的所有子信號x1,x2,…，xj,…，XM進行上述的步驟后，則可以得到Xi的時頻特征矩陣

TimFregMatrixMK=

(4)

(9)對于提取到的所有事件信號X1,X2,…，Xj,…，XM，則可得到其時頻特征集，如下式所示：

(5)

利用上述方法分別對100個挖掘事件樣本和100個人步行事件樣本進行特征提取，并采用可視化散點圖觀察這兩類事件的特征數(shù)據(jù)，得到圖6所示的效果.

圖6 特征可視化散點圖Fig.6 Feature visualization scatter plot

可以看出，所得到的特征具有同類間間距小、不同類間間距大的性質，能夠很容易找到一個超平面對這兩類事件進行分類.

3 實驗分析

實驗將震動傳感器埋放在地面下40-50cm的位置，利用放置于地面上的基于STM32的嵌入式系統(tǒng)采集傳感器感知的事件信號，采樣率為Fs=2000Hz，并采集挖掘、步行、車輛路過、背景四種樣本各100個作為實驗數(shù)據(jù)集.本文所用到的樣本數(shù)據(jù)庫以及部分算法仿真代碼公布在https://www.cnblogs.com/FireLife-Cheng/p/9790978.html網(wǎng)址上，可以從該網(wǎng)址獲得樣本庫和仿真代碼.

3.1 事件檢測提取效果分析

利用采集的事件信號樣本數(shù)據(jù)集，分別采用基于峰值(Kurtosis)檢測算法和SAT/LTA算法對具有包絡沖擊特性的事件進行檢測，實驗結果如表1所示.其中檢測的事件指挖掘、人步行等具有包絡沖擊特性的事件，而車輛路過、自然環(huán)境干擾等干擾事件因不具有包絡沖擊特性在此時被剔除.

表1 事件檢測算法效果比較Tab.1 Comparison of event detection algorithms

從表1中可以看出，SAT/LTA檢測事件的漏檢率比基于Kurtosis的檢測算法低.實驗表明，在一定的信噪比下，kurtosis方法單純依靠峰值設置閾值檢測，會將信號中偶然極大值作為沖擊事件處理的情形.而利用事件的SAT/LTA值對事件進行檢測，考慮了事件發(fā)生過程的沖擊特性，并與事件沒發(fā)生前一段時間進行比較，提高了檢測的可靠性.

3.2 事件時頻特征分析

根據(jù)幾種典型事件信號的頻域能量分布特點，選擇事件信號具有代表性的頻段組成特征頻帶集.對采集的幾種典型事件進行分析，發(fā)現(xiàn)車輛路過、下雨、燃放鞭炮幾種干擾事件在頻域500Hz-1000Hz部分有明顯的能量特征，而挖掘和人步行事件在頻域上能量集中在0-200Hz以內.進一步采用小波分解對挖掘和人步行事件進行分析，確定了挖掘和人步行事件具體的具有差異的頻段.經(jīng)過分析確定了特征頻帶集FreqBandk的值，其中特征頻帶FreqBandk依次為：0～20Hz、10～30Hz、40～70Hz、50～80Hz、80～120Hz、120～160Hz、0～200Hz、500～1000Hz.

通過統(tǒng)計多個樣本的包絡寬度，選擇幾組具有代表性的分割窗長，結合確定的特征頻帶集參數(shù)，將提取得到的特征數(shù)據(jù)集輸入到SVM中進行分類實驗,從實驗結果中發(fā)現(xiàn)時域分割窗長在30ms及以下時，分類效果差異不大，而當分割窗長大于30ms時，分類效果明顯下降,在保證分類效果的前提下，為了盡可能減少數(shù)據(jù)量，最終選擇30ms作為時域分割窗長，由此便確定了本文算法的兩個重要參數(shù).同時，通過計算可以得知，單個事件提取的特征矩陣大小僅為34×8，在一定程度上減小了SVM處理的數(shù)據(jù)量.

分別利用本文算法、STFT、DWT計算單次挖掘和人步行事件的時頻特征如圖7所示.從圖7中可以發(fā)現(xiàn)，在相同頻段內，在不對STFT和DWT計算的結果進行二次計算的前提下，本文的方法極大的降低了事件時頻特征的數(shù)據(jù)量，同時將兩種事件的頻域差異進行了放大.

圖7 幾種不同特征提取方法所提取的特征的三維視圖Fig.7 Three-dimensional view of features extracted by several different feature extraction methods

當輸入相同數(shù)據(jù)量大小的樣本時，對比了不同的時頻特征提取方法所得到的特征集數(shù)據(jù)量大小，如表2所示.

表2 不同特征提取方法得到的特征數(shù)據(jù)集的大小Tab.2 Size of feature data set obtained by different feature extraction methods

從表2中可以發(fā)現(xiàn)，本文的方法所提取的特征集數(shù)據(jù)量明顯小于輸入的樣本的數(shù)據(jù)量，STFT所提取的特征樣本數(shù)據(jù)量大約是輸入樣本的4倍，而DWT因其分析比較細致，所得到的特征數(shù)據(jù)量大約是輸入樣本的200多倍.

3.3 分類實驗評估

以SVM作為分類器，分別選取線性核的SVM(SVM-L)和徑向基核的SVM(SVM-RBF)進行分類實驗.當輸入相同的樣本集時，分別比較本文方法、基于STFT以及基于DWT提取的時頻特征集進行分類所需的時間以及分類效果指標，如準確率(Accuracy)、召回率(Recall)以及F-score，其中F-score的值和Accuracy的值越大表明分類效果越好.采用200個樣本數(shù)據(jù)進行實驗，隨機選擇其中60個樣本作為訓練數(shù)據(jù)集，余下的140個樣本作為測試數(shù)據(jù)集，實驗結果如表3所示.

表3 不同時頻特征提取方法所提取的特征集進行分類所需的時間Tab.3 Time required for classification of feature sets extracted by different time-frequency feature extraction methods

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

其中，準確率(Accuracy)、召回率(Recall)以及F-score的定義如下：

(6)

(7)

(8)

從表3中可以發(fā)現(xiàn)，在輸入相同的數(shù)據(jù)樣本集的情況下，利用本文方法對挖掘和人步行事件的識別準確率在94%左右.分類所需的時間在0.01s左右.文獻[8]對入侵者不同動作的識別進行了研究，如步行，慢跑，快跑，其分類的準確率最高為86%，本文方法相比而言提高了約8%.也可以發(fā)現(xiàn)，在采樣相同核函數(shù)映射時，利用本文時頻特征提取方法所得到的特征數(shù)據(jù)集，分類速度更快.而對于同一種時頻特征提取算法，采用線性核函數(shù)進行映射所得到的效果比采用徑向基核函數(shù)的效果好.

4 結語

本文針對應用于田野文物保護的野外環(huán)境周界安防系統(tǒng)中入侵事件的識別問題，對幾種典型的事件進行了研究.利用事件的時域包絡沖擊特性以及時域節(jié)律特征剔除干擾事件，如車輛路過、自然環(huán)境干擾等，篩選出人步行和挖掘事件.通過提取事件的時頻特征實現(xiàn)對挖掘入侵事件的識別，排除人步行事件的干擾.針對挖掘和人步行事件的識別問題，本文提出一種時頻特征提取方法，降低了時頻特征數(shù)據(jù)的冗余量和計算復雜度，在一定程度上提高了識別的準確率.后續(xù)工作將主要研究動物行走、人行走以及挖掘等事件同時發(fā)生時，如何對挖掘事件進行識別的問題，以及在信噪比差的情形下，如何準確的識別挖掘等入侵事件.