基于CSA-ResNet的人员入侵检测方法_张雷.pdf

第 49卷 第 4期2023年 4月Computer Engineering 计算机工程基于 CSA-ResNet的人员入侵检测方法张雷1，2，鲍蓉1，朱永红1，史新国3（1.徐州工程学院 信息工程学院（大数据学院），江苏 徐州 221000；2.东南大学 移动通信国家重点实验室，南京 210096；3.山东能源淄博矿业集团有限公司信息中心，山东 淄博 225100）摘要：视频监控作为最常用的监测方法，由于存在监控死角以及侵犯人员隐私等问题，存在许多应用瓶颈。针对视频监测无法用于敏感场景的问题，提出一种基于 WiFi的人员入侵感知方法。该方法利用 WiFi信号覆盖范围大、易获取的特点，实现无隐私侵犯与无死角监控。基于人员入侵对传输路径的影响，分析 WiFi感知机理，建立基于WiFi状态信息的人员入侵检测感知模型，并设计子载波选择算法获取人员感知敏感子载波。通过离群点滤波、离散小波去噪等方法对采集的数据进行处理，根据人员入侵对信号的影响构造人员感知特征值。在此基础上，将特征信号和处理后的信道状态信息作为输入信息，放入基于通道和空间注意力残差网络的人员入侵检测模型中进行判识，并在多种场景下对该方法进行实验测试，分析影响检测精度的因素。实验结果表明，该方法在多种场景下平均检测准确率达到 97.8%，能够满足多场景下人员入侵的检测要求。关键词：无线感知；子载波选择算法；人员入侵检测；信道状态信息；深度学习开放科学（资源服务）标志码（OSID）：源代码链接：https：/ J.计算机工程，2023，49（4）：297-302，311.英文引用格式：ZHANG L，BAO R，ZHU Y H，et al.Method for detecting personnel intrusion based on CSA-ResNet J.Computer Engineering，2023，49（4）：297-302，311.Method for Detecting Personnel Intrusion Based on CSA-ResNetZHANG Lei1，2，BAO Rong1，ZHU Yonghong1，SHI Xinguo3（1.School of Information Engineering（School of Big Data），Xuzhou University of Technology，Xuzhou 221000，Shandong，China；2.National Mobile Communications Research Key Laboratory，Southeast University，Nanjing 210096，China；3.Information Center，Shandong Energy Zibo Mining Group Co.，Ltd.，Zibo 225100，Shandong，China）【Abstract】Video monitoring is the most widely used monitoring method，but it has many application bottlenecks owing to problems such as monitoring dead spots and invasion of personnel privacy.For problems such as video monitoring that cannot be used for sensitive scenes，a WiFi-based sensing method for detecting personnel intrusion is proposed.The method takes advantage of the wide coverage and easy access of WiFi signals to achieve privacy invasion-free and dead-end monitoring.First，based on the impact of person intrusion on transmission path，the WiFi sensing mechanism is analyzed，and a sensing model for person intrusion detection based on WiFi information state information is established.Next，a subcarrier selection algorithm is designed to obtain person-perception sensitive subcarriers.The collected data are processed by outlier point filtering and discrete wavelet denoising，and the person-perception feature values are constructed based on the impact of person intrusion on the signal.Finally，the feature signals and the processed channel state information are selected as input information and transmitted to the proposed channel and spatial attention residual network-based intrusion detection model for identification.The method is experimentally tested in multiple scenarios，and the factors affecting the detection accuracy are analyzed.The average accuracy is 97.8%in multiple scenarios，which satisfies the requirements of personnel intrusion detection in multiple scenarios.【Key words】wireless sensing；subcarrier selection algorithm；personnel intrusion detecting；Channel Status Information（CSI）；deep learningDOI：10.19678/j.issn.1000-3428.0066093基金项目：江苏省高等学校基础科学（自然科学）研究项目（21KJB510025）；江苏省产学研合作项目（BY2021160）；教育部产学合作协同育人项目（BY2021160202102356012）；徐州市科技计划项目（KC19208）；淄矿集团智慧矿山关键技术研发开放基金项目（2019LH05）。作者简介：张 雷（1987），男，讲师、博士，主研方向为移动无线感知；鲍 蓉、朱永红（通信作者），教授、博士；史新国，高级工程师、硕士。收稿日期：2022-10-24 修回日期：2022-11-25 Email：开发研究与工程应用文章编号：1000-3428（2023）04-0297-06 文献标志码：A 中图分类号：TP3092023年 4月 15日Computer Engineering 计算机工程0概述 场景安全问题一直是国内外研究人员关注的焦点，随着视频技术的发展，越来越多的场景已采用视频作为检测非法入侵的手段1-3。然而，在银行、煤矿井下等一些隐私敏感或者环境恶劣的场景中，摄像头往往不能够被使用，因此研究非视频的人员入侵检测方法非常有必要。现阶段主要使用红外来实现非接触的入侵检测，红外的视距和直线特性使其不能实现无死角检测，且误判率也较高4。近年来，随着物联网技术的发展，WiFi设备已进入到人们生活的各个方面，WiFi感知也被应用在诸多领域，成为研究人员关注的焦点5-7。前期的研究工作主要集中在如何利用信号强 度 来 作 为 判 断 是 否 有 人 员 入 侵 的 重 要 依 据。YOUSSEF8利用最大似然估计来判断强度值的变化是否是有人员入侵引起的，检测的准确度可以达到 80%以上。MOORE 等9则通过对上述识别方法的改进，进一步提升了检测的准确度。KOSBATON等10为了提高抗干扰性，使用标准差作为判断的依据。YANG 等11利用接收信号强度（Received Signal Strength Indicator，RSSI）构造特征值并提出一种多特征融合算法来实现入侵检测。虽然基于 RSSI 的人员入侵检测技术已有了长足的发展，然而由于RSSI 为多路径的信号叠加，是一种粗粒度指标值，易受到多径干扰，很难实现高精度检测12-13。本文采用细粒度指标值即信道状态信息（Channel State Information，CSI）来实现人员入侵的精准检测14。为了能够将 CSI 信息用于人员入侵检测，从机理上分析入侵检测的原理，提出一种子载波选择算法获取关键子载波，提高 CSI对人员入侵检测的敏感度，并运用去噪算法减少来自设备自身和环境的干扰，通过处理 CSI构造多维度特征值来准确描述人员闯入情况。在此基础上，提出一种通道注意力残差网络来建立人员入侵检测的判识模型，实现对人员入侵检测的判识。1基于 CSI的人员入侵检测机理分析 1.1信道状态信息CSI反映了信号从发射机传输到接收机的过程，子载波发生经历的衰落、散射、路径损耗等情况15。由于 WiFi 信号在传输过程中利用 OFDM 技术进行传输，传输信道由多个相互正交的窄信道组成16，如式（1）所示：Y=HX+n（1）其中：Y表示接收信号；X 表示发射信号；H 为信道矩阵；n为噪声。在 WiFi使用的 IEEE 802.11n 协议中，无线信号通过 56个子载波传输数据，每个子载波有幅度和相位组成17，如式（2）所示：H(fi)=|H(fi)|e-jH(fi)（2）其中：fi为子载波的中心频率；|H(fi)|和H(fi)分别表示幅度和相位信息。1.2基于 CSI入侵检测模型在固定场景中，无线信号的传输路径相对稳定，如图 1所示，场景中的路径被分为两种：一种是静态场景产生的固定路径18，该路径被称为静态路径，用Hs（f）表示；另一种是由于场景外物体进入使场景发生变化所产生的路径，该路径被成为动态路径，用 Hd（f，t）表示，如式（3）所示：H(f,t)=Hd(f,t)+Hs(f)（3）当有人员进入后，由于人员的遮挡会产生额外的动态路径，而动态路径的相位与静态路径相互叠加进而改变了 CSI值，因此可以从 CSI值的改变来判别是否有人员闯入。2基于 CSI入侵检测架构 基于 CSI的人员入侵检测架构如图 2所示，检测架构主要分为采集、处理和判识 3个主要模块。具体步骤如下：步骤 1 数据采集，采集有人员闯入和无人员闯入两种状态下的数据。步骤 2 子载波选择，根据检测机理设计子载波选择算法，能够准确判识最优的子载波。步骤 3 数据预处理，通过离群点滤波和小波去噪剔除离群点和环境噪声。步骤 4 构造特征信息，根据本文设计的构造算法构造合适的特征值。步骤 5 判识模型训练，将步骤 4中构造的特征值输送到设计的神经网络中，设定好相关参数，建立人员闯入判识模型。图 1人员闯入导致的路径变化Fig.1Path change caused by personnel intrusion图 2人员入侵检测系统架构Fig.2Architecture of personnel intrusion det