[发明专利]基于OFDM子载波经验分析的被动式室内入侵检测方法

说明书

本发明公开了一种基于OFDM子载波经验分析的被动式室内入侵检测方法，通过部署Wi‑Fi通信设备，获取训练时序数据，对训练时序数据依次进行异常值滤除操作、小波变换滤波操作、标准化处理、链路选择、数据窗口化处理和特征提取，得到训练特征数据，采用所述训练特征数据训练初始检测器，得到入侵检测器，通过Wi‑Fi通信设备采集待测时序数据，获取待测时序数据的特征数据，得到待测特征数据，将待测特征数据输入入侵检测器进行入侵检测，以提升相应入侵检测方案的灵活性，使该入侵检测方案能够适用于各类新环境，无需手动校准或者在新环境中进行重新训练，具有较高的检测准确性。

技术领域

本发明涉及无线感知技术领域，尤其涉及一种基于OFDM子载波经验分析的被动式室内入侵检测方法。

背景技术

目前的入侵检测系统大多使用专用传感器，例如惯性传感器、压力传感器、超声波传感器和红外传感器。这些传感器被提前部署在房间的特定位置，它们可以实时采集运动信息并通过预先设置的阈值发出警报信息。但这些专用传感设备的性能会受到房屋结构、部署的位置及方式、传感器基线漂移的影响。

另一种入侵检测系统使用计算机图像处理技术，通过不断采集室内图像信息并对其进行分析，可以实现实时的入侵检测功能。然而，这种检测方式需要在室内部署多个摄像机，往往会涉及隐私问题。同时，这种方法会受到环境光线强度的影响，并且在室内存在障碍物时检测效果下降。当入侵者未处于摄像机可视范围之内时，系统无法检测到入侵现象。

近年来，无线感知技术引起了学术界的广泛关注。而由于Wi-Fi技术使用广泛、发展迅速、支持多输入多输出(MIMO)和正交频分复用(OFDM)技术，基于Wi-Fi的无线感知系统尤其受到关注。被动式人员检测可以应用在商场人群分布统计、人群计数、交互式体感游戏、健康监测、摔倒监测、涉密区域监控、应急救援等领域。近年来，很多学者基于信道状态信息(CSI)设计了摔倒监测系统、老年人健康监护系统、行为识别系统和手势识别系统等。这种检测方式只需使用商业路由器和个人笔记本电脑即可，无需额外购买专用传感设备或摄像头。

2013年，Adib Fadel等人在ACM SIGCOMM会议上提出了一种名为Wi-Vi的智能检测系统，可以实现穿墙进行目标检测。2015年，Liu Xuefeng等人基于Wi-Fi设备，设计了一种无接触式的呼吸检测系统，用来检测睡眠呼吸暂停的现象。2016年，Wang YuXi等人设计了一个名为Wifall的基于Wi-Fi的摔倒检测系统，系统使用装有商用802.11n无线网卡的笔记本进行CSI数据采集。2017年，Zhou Rui等人提出了一种基于CSI指纹信息的人体存在检测及室内定位算法，可以实现97％的人体存在检测准确率和较高的定位准确率。2018年，QianKun等人提出了一种使用信道状态信息的无接触式人体运动速度测量方法，在移除包含在原始相位中的随机误差后，提取出有意义的CSI相位信息实现了对人体运动速度的测量。

基于CSI的室内入侵检测系统是基于人的存在和运动会影响无线电传播这一原理，当人体运动时，人体无线电反射面出现不断变化，对信号有反射、衍射和散射等作用，信道数据会产生时间延迟、幅度衰减和相位变化。然而，目前基于CSI的被动式检测系统仍存在泛化能力差、对环境及设备部署方式依赖性高等问题。在部署到新环境时，往往需要手动校准甚至重新训练，可见传统的入侵检测方案存在一定的局限性。

发明内容

针对以上问题，本发明提出一种基于OFDM子载波经验分析的被动式室内入侵检测方法，其从CSI中提取的特征具有较强的泛化能力，在部署到多种不同环境时仍能正常工作，可以提取出可有效检测室内入侵行为且与背景环境相关性低、泛化能力强的特征，使得可以通过采集普通Wi-Fi通信设备的信道状态信息，并进行处理、分析、构造机器学习模型，实现被动式室内入侵检测并达到较高的灵敏度和特异度。

为实现本发明的目的，提供一种基于OFDM子载波经验分析的被动式室内入侵检测方法，包括如下步骤：