基于移動(dòng)終端雙模定位的多場(chǎng)景入侵報(bào)警方法

許放，歐清海，張暉，艾雪瑞，程方圓

（北京中電飛華通信有限公司，北京 100070）

入侵報(bào)警系統(tǒng)（Intruder Alarm System，IAS）是安防領(lǐng)域的研究重點(diǎn)，該系統(tǒng)通常利用各類探測(cè)器對(duì)防范區(qū)域內(nèi)的非法入侵行為進(jìn)行威懾和報(bào)警，以確保目標(biāo)防區(qū)的安全。入侵報(bào)警系統(tǒng)主要由前端各類探測(cè)傳感單元、傳輸單元、警報(bào)單元與數(shù)據(jù)分析控制單元等組成，并被廣泛應(yīng)用于各類安防項(xiàng)目的邊界、入口等場(chǎng)景中。

目前在入侵報(bào)警領(lǐng)域，常見的報(bào)警系統(tǒng)主要包括脈沖/張力式圍欄系統(tǒng)、定位探測(cè)系統(tǒng)、對(duì)射/互射式紅外光柵系統(tǒng)、振動(dòng)光纖報(bào)警系統(tǒng)以及激光探測(cè)報(bào)警系統(tǒng)等。其中定位探測(cè)系統(tǒng)的應(yīng)用較為廣泛且適應(yīng)性強(qiáng)，可用于多種場(chǎng)景下的入侵檢測(cè)。其主要利用傳感器設(shè)置安防邊界，通過探測(cè)系統(tǒng)采集入侵者的位置信息，并上傳至數(shù)據(jù)分析控制平臺(tái)追蹤入侵者的實(shí)時(shí)位置，同時(shí)發(fā)出警報(bào)信息。因此對(duì)于定位探測(cè)報(bào)警系統(tǒng)而言，入侵者的檢測(cè)以及精確定位算法[1-3]是技術(shù)方案的核心。文中面向定位入侵報(bào)警系統(tǒng)，設(shè)計(jì)了一種基于移動(dòng)終端雙模定位的入侵檢測(cè)算法，并將其應(yīng)用于不同的場(chǎng)景中，證明了算法的可靠性，為入侵報(bào)警技術(shù)的進(jìn)一步發(fā)展提供了理論支撐。

1 技術(shù)理論設(shè)計(jì)

1.1 系統(tǒng)總體方案

為了實(shí)現(xiàn)安全區(qū)域的實(shí)時(shí)入侵監(jiān)測(cè)、無(wú)線傳輸以及自動(dòng)報(bào)警等功能，文中構(gòu)建了如圖1 所示的入侵報(bào)警系統(tǒng)。該系統(tǒng)包含傳感器節(jié)點(diǎn)網(wǎng)絡(luò)構(gòu)成的監(jiān)測(cè)模塊、移動(dòng)終端模塊、無(wú)線傳輸模塊、中心數(shù)據(jù)處理模塊、自動(dòng)報(bào)警模塊和客戶平臺(tái)等部分。

圖1 系統(tǒng)總體設(shè)計(jì)框圖

1.2 系統(tǒng)硬件搭建

首先將若干傳感器和移動(dòng)終端布置在目標(biāo)區(qū)域內(nèi)形成無(wú)線監(jiān)測(cè)網(wǎng)絡(luò)，二者的數(shù)量由目標(biāo)區(qū)域的大小所決定。當(dāng)遭遇非法入侵時(shí)，檢測(cè)網(wǎng)絡(luò)通過移動(dòng)終端定位技術(shù)來(lái)獲取入侵者的定位信息；同時(shí)通過無(wú)線傳輸模塊將實(shí)時(shí)信息發(fā)送給中心數(shù)據(jù)處理模塊；然后該模塊通過入侵檢測(cè)算法計(jì)算入侵者的定位信息，發(fā)出指令控制自動(dòng)報(bào)警模塊，并將入侵者的定位軌跡發(fā)送至安保人員和客戶平臺(tái)。具體的系統(tǒng)模塊參數(shù)如表1 所示。

表1 系統(tǒng)模塊參數(shù)信息

1.3 UWB和ZigBee的雙模融合定位

超寬帶技術(shù)（Ultra Wide Band，UWB）是一種無(wú)載波通信技術(shù)[4-6]，其具有較強(qiáng)的抗擾能力，可以使定位誤差降低到極小值。同時(shí)，該技術(shù)還具有對(duì)信號(hào)衰落不敏感以及發(fā)射信號(hào)功率譜密度較低等優(yōu)點(diǎn)，因此被廣泛應(yīng)用于高精度定位場(chǎng)景。ZigBee 是一種無(wú)線傳輸網(wǎng)絡(luò)[7-9]，通過設(shè)置若干移動(dòng)終端傳感單元來(lái)劃分特定區(qū)域，這些移動(dòng)終端會(huì)對(duì)區(qū)域中的人員信息進(jìn)行采集并使用ZigBee 無(wú)線網(wǎng)絡(luò)傳輸至中央數(shù)據(jù)處理單元中，進(jìn)而完成對(duì)區(qū)域和人員的管理。文中利用UWB 和ZigBee 的特性來(lái)實(shí)現(xiàn)雙模入侵定位。

當(dāng)每個(gè)UWB 移動(dòng)終端和ZigBee 網(wǎng)絡(luò)均收到傳感器到達(dá)信號(hào)強(qiáng)度差（Signal Attenuation Difference of Arrival，SADOA）及到達(dá)時(shí)間差（Time Difference of Arrival，TDOA）等參數(shù)時(shí)，則每個(gè)移動(dòng)終端模塊均可以得到一個(gè)定位結(jié)果。然后通過加權(quán)處理將SADOA 和TDOA 二者的定位結(jié)果進(jìn)行數(shù)據(jù)融合來(lái)獲得精確的定位信息，以便于后續(xù)入侵算法的識(shí)別。

2 基于雙模定位的入侵檢測(cè)

2.1 SADOA/TDOA定位融合算法

文中采用最速下降法（Steepest Descent Algorithm，SDA）對(duì)SADOA 和TDOA 進(jìn)行數(shù)據(jù)融合，以此獲得較為準(zhǔn)確的定位信息。SDA[10]的核心：根據(jù)不同方法的測(cè)量參數(shù)構(gòu)建估計(jì)誤差函數(shù)f(ui)，目的是將誤差降低至最小值，即尋找合適的誤差因子ui，使入侵者與移動(dòng)終端之間的距離盡可能地接近實(shí)際距離ri，則有：

式（1）中，c為光速。而利用TDOA 和SADOA 測(cè)量數(shù)據(jù)得到SDA 的誤差公式分別為：

式中，σ為算法迭代步長(zhǎng)；s和j為迭代次數(shù)；i及m則分別對(duì)應(yīng)TDOA 與SADOA 測(cè)算規(guī)則中參與定位的終端數(shù)。對(duì)式（4）和式（5）進(jìn)行迭代運(yùn)算，不斷更新ui值并將其代入式（6）和式（7）中，即可求解矩陣參數(shù)H、Yi分別為：

再將上述參數(shù)代入式（8）中分別求解對(duì)應(yīng)的位置精確值ZSADOA和ZTDOA：

然后將ZSADOA和ZTDOA進(jìn)行誤差運(yùn)算，代入式（9）中，并取i=m,k=l，確保在相同迭代條件下完成坐標(biāo)定位。

通過上式確定誤差ε后，即可由算法迭代反演運(yùn)算得到精確的位置坐標(biāo)。

2.2 改進(jìn)的入侵檢測(cè)算法

改進(jìn)的入侵檢測(cè)算法框架如圖2 所示。

圖2 計(jì)算流程圖

通過對(duì)入侵者定位信息進(jìn)行預(yù)處理，再使用改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)算法（Convolutional Neural Networks，CNN）實(shí)現(xiàn)特征提取和分類識(shí)別[11-13]，具體流程如下：

1）讀取融合處理后的定位信息，并在遺傳算法（Genetic Algorithm，GA）的基礎(chǔ)上采用粒子濾波（Genetic Particle Filter，GPF）算法[14]進(jìn)行處理，以便于計(jì)算機(jī)完成預(yù)測(cè)運(yùn)算。

利用GPF 算法，根據(jù)入侵者雙模定位的精確坐標(biāo)數(shù)據(jù)信息建立狀態(tài)方程，并選取狀態(tài)變量：

基于上述參數(shù)，便可確定系統(tǒng)狀態(tài)方程如下：

式中，p(x)為先驗(yàn)概率，q(x)是重要性概率密度函數(shù)，至此定位信息處理完成。

2）將上述得到的定位信息輸入如圖3 所示的改進(jìn)CNN 卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行識(shí)別，當(dāng)識(shí)別到入侵信息時(shí)，系統(tǒng)將實(shí)時(shí)標(biāo)記并觸發(fā)警報(bào)。

圖3 改進(jìn)的CNN結(jié)構(gòu)

改進(jìn)的CNN 結(jié)構(gòu)在原始算法的基礎(chǔ)上引入了殘差結(jié)構(gòu)（Residual Network，ResNet），用以提升神經(jīng)網(wǎng)絡(luò)的性能，而卷積層則由Squeeze 和Expand 兩部分構(gòu)成。其中，H1和H2均表示定位數(shù)據(jù)的坐標(biāo)；L、M分別表示卷積核的大小與個(gè)數(shù)；S1為Squeeze 層中1×1 卷積核的數(shù)量；E1和E2分別為Expand 層中1×1、2×2 卷積核的數(shù)量。ResNet[15-16]能夠在對(duì)網(wǎng)絡(luò)模型體積、單張推理時(shí)間僅產(chǎn)生較小影響的前提下，提升分類模型的準(zhǔn)確率。然而在Module 增加至三個(gè)后，其準(zhǔn)確率的提升也會(huì)達(dá)到峰值。因此，文中采用如圖4所示的3Module 殘差結(jié)構(gòu)。

圖4 基于CNN的3Module殘差結(jié)構(gòu)

3 實(shí)驗(yàn)仿真驗(yàn)證

該文以O(shè)penCV 和Tensorflow 深度學(xué)習(xí)框架為基礎(chǔ)搭建測(cè)試平臺(tái)。通過傳感器模塊和移動(dòng)終端劃定特定區(qū)域，進(jìn)而設(shè)置無(wú)線監(jiān)測(cè)網(wǎng)絡(luò)，并將一定時(shí)間內(nèi)的行人作為入侵對(duì)象進(jìn)行檢測(cè)實(shí)驗(yàn)，且劃定了四塊不同的區(qū)域完成場(chǎng)景測(cè)試。此外，在測(cè)試的同時(shí)還提取了樣本進(jìn)行學(xué)習(xí)訓(xùn)練以優(yōu)化入侵算法，并將其與文獻(xiàn)[1-3]的同類入侵報(bào)警算法進(jìn)行對(duì)比。文中通過誤檢率和漏檢率來(lái)判斷所提入侵檢測(cè)算法的精確度。若雙模定位檢測(cè)到非人入侵時(shí)，將定義為誤檢；而當(dāng)入侵對(duì)象高速入侵區(qū)域并迅速離開，定位信息與算法并未及時(shí)識(shí)別入侵信息時(shí)，則將該種情況定義為漏檢。與此同時(shí)，不同場(chǎng)景的入侵實(shí)驗(yàn)在相同的軟硬件條件下進(jìn)行。圖5、圖6 分別列舉了在特定住宅安防和公園場(chǎng)景下，不同入侵算法的誤檢率，且所有實(shí)驗(yàn)數(shù)據(jù)均以入侵報(bào)警器的觸發(fā)為準(zhǔn)。

圖5 住宅區(qū)域誤檢率對(duì)比

圖6 公園場(chǎng)景誤檢率對(duì)比

根據(jù)上述實(shí)驗(yàn)數(shù)據(jù)得出，隨著安防區(qū)域的增大，各類算法的誤檢率均在逐步提升。但相較于同類型算法，文中算法的誤檢率始終較低，且在背景相對(duì)單一的住宅安防場(chǎng)景下，其誤檢率可低至4%以下。而隨著檢測(cè)次數(shù)的持續(xù)增加，樣本量也在逐漸提升并會(huì)促進(jìn)算法進(jìn)行訓(xùn)練，使得入侵識(shí)別越發(fā)精確。同時(shí)，文中還通過對(duì)比住宅和公園兩種場(chǎng)景下的漏檢率，進(jìn)一步驗(yàn)證該算法的性能，具體結(jié)果如圖7 和圖8 所示。

圖7 住宅漏檢率對(duì)比

圖8 公園漏檢率對(duì)比

由圖8 可知，隨著安防區(qū)域的擴(kuò)大，漏檢率也逐漸上升；而隨著檢測(cè)次數(shù)的增加，漏檢率則基本保持不變。但在公園安防場(chǎng)景下，文中算法的漏檢率隨著檢測(cè)次數(shù)的增加顯著降低，而在住宅場(chǎng)景下基本不變。原因在于公園場(chǎng)景下的不確定因素偏多，可訓(xùn)練的樣本種類也較多。此外，由于文中算法融合了遺傳算法粒子濾波和基于CNN 的3Module 殘差結(jié)構(gòu)，使得其具有精確的識(shí)別率以及快速的響應(yīng)能力。綜上所述，文中算法各方面性能均優(yōu)于同類算法，且適用于多種不同場(chǎng)景下的入侵檢測(cè)。

4 結(jié)束語(yǔ)

為了優(yōu)化定位探測(cè)入侵報(bào)警技術(shù)，文中提出了一種基于移動(dòng)終端雙模定位的入侵檢測(cè)算法。利用UWB 和ZigBee 的雙模技術(shù)優(yōu)化定位策略，設(shè)計(jì)了改進(jìn)入侵識(shí)別算法，以精確識(shí)別入侵者且進(jìn)行實(shí)時(shí)報(bào)警反饋。經(jīng)對(duì)比實(shí)驗(yàn)驗(yàn)證，該算法的性能優(yōu)于同類型方法，在大小場(chǎng)景下也具有較低的誤檢率與漏檢率，說明其入侵檢測(cè)速度和精確識(shí)別率均能得到保障。