一种基于Wi‑Fi的房屋非法入侵检测方法

1.一种基于Wi-Fi的房屋非法入侵检测方法，其特征在于包括以下步骤：
在屋内布置无线Wi-Fi发射机和接收机，结合屋内的智能设备产生的无线通信链路，收集主人的动作行为对无线信号的影响而形成的CSI信号序列；
利用离散小波首先对CSI信号序列分解，其次滤除其中的奇异值和噪声，最后进行恢复重构，得到重构信号作为整个系统的输入变量；
对重构信号再进行离散小波变换，分解为近似尺度因数和详细尺度因数，从而使重构信号进行时域-频域变换；
按照时间和频率对变换之后的重构信号进行分解，分解为一系列的动作序列，作为系统训练的主人行为特征的动作模型；
对动作序列按照大幅度动作、移动、微动作进行分类，分类方法采用k-means聚类方法，并在这各个类别中分别设立重要序列；
在检测阶段，对某一个CSI信号序列采集之后，对该CSI信号序列进行去噪和离散小波变换处理，分解为动作序列，接着与之前建立的动作模型中各个类别进行匹配，匹配过程采用动态时间规整算法，若匹配成功则认定为主人，若匹配不成功则认定为非法入侵。

一种基于Wi-Fi的房屋非法入侵检测方法\n技术领域\n[0001] 本发明涉及用于房屋的非法入侵检测方法，具体为一种基于Wi-Fi的房屋非法入侵检测方法。\n背景技术\n[0002] 在无线通信领域中，CSI就是指信道即时状态，描述了通信链路的信道属性，可视为数字滤波器的脉冲响应。而平均CSI是指信道在一段时间内的统计特性。包含了环境衰弱的分布，平均信道增益，视线角分量和空间相关性。在布置有无线Wi-Fi的环境中，人体活动对无线信号会有影响。一连串的动作给无线信号带来的影响，全都反映在CSI中。因此，通过测量CSI，并对人体活动进行学习建模，就能够判断出人体现在在做什么动作，实现对人的探测和跟踪。目前，已经有学者利用CSI信息，对房间内的人进行动作追踪及探测，从而穿墙就能够判断屋里有几个人，他们分别在做什么动作，进而实现各种应用，比如对老年人的起居进行判断，一旦发生摔倒等状况时能够快速有效地进行救援；再比如在警察执行任务时，远距离就可以判断屋内有几个嫌疑人，为下一步抓捕工作做好准备。现有的房屋非法入侵检测系统，大多基于摄像头或者红外线监控。而这两种技术或受限于只视距条件，或受限于光线的明暗程度，易受到外部环境的影响，并且需要花费额外的开销购买特定的设备。因此，急需一种稳定，且低成本的房屋非法入侵检测系统。\n发明内容\n[0003] 本发明为了实现低成本、高精度的房屋内非法入侵的检测，提供了一种基于Wi-Fi的房屋非法入侵检测方法。\n[0004] 本发明是采用如下的技术方案实现的：一种基于Wi-Fi的房屋非法入侵检测方法，其包括以下步骤：\n[0005] 在屋内布置无线Wi-Fi发射机和接收机，结合屋内的智能设备产生的无线通信链路，收集主人的动作行为对无线信号的影响而形成的CSI信号序列；\n[0006] 利用离散小波首先对CSI信号序列分解，其次滤除其中的奇异值和噪声，最后进行恢复重构，得到重构信号作为整个系统的输入变量；\n[0007] 对重构信号再进行离散小波变换，分解为近似尺度因数和详细尺度因数，从而使重构信号进行时域-频域变换；\n[0008] 变换之后，按照时间和频率对重构信号进行分解，分解为一系列的动作序列，作为系统训练的主人行为特征的动作模型；\n[0009] 对动作序列按照进行分类，分类方法采用k-means聚类方法，并在这各个类别中分别设立重要序列；\n[0010] 在检测阶段，对某一个CSI信号序列采集之后，对该CSI信号序列进行去噪和离散小波变换处理，分解为动作序列，接着与之前建立的动作模型中各个类别进行匹配，匹配过程采用动态时间规整算法，若匹配成功则认定为主人，若匹配不成功则认定为非法入侵。\n[0011] 本方法利用人的动作对信道状态信息（Channel State Information，CSI）的影响，对房屋非法入侵进行检测。利用机器学习对主人的行为特征进行建模，然后对非法入侵者的动作进行识别与报警。该算法避免了购置特殊设备带来的额外开销，使房屋的安全性得到提升。\n附图说明\n[0012] 图1 为本方法流程图。\n[0013] 图2 为CSI信息收集示意图。\n具体实施方式\n[0014] 一种基于Wi-Fi的房屋非法入侵检测方法，包括以下步骤：\n[0015] 在屋内布置无线Wi-Fi发射机和接收机，结合屋内的智能设备，如智能手机、平板和电脑等产生的无线通信链路，收集主人的动作行为对无线信号的影响而形成的CSI信号序列；\n[0016] 利用离散小波对CSI信号序列进行去噪，首先对CSI信号序列分解，其次滤除其中的奇异值等噪声，最后进行恢复重构，得到重构信号，作为整个系统的输入变量；\n[0017] 对重构信号再进行离散小波五级变换，分解为近似尺度因数和详细尺度因数，从而使重构信号进行时域-频域变换；\n[0018] 变换之后，按照时间和频率对重构信号进行分解，分解为一系列的动作序列，即action（起始时间，动作，持续时间），作为系统训练的主人行为特征的动作模型；\n[0019] 对动作序列按照大幅度动作、移动、微动作进行分类，分类方法采用k-means聚类方法，并在这三种类别中分别设立重要序列，大幅度动作重要序列设为换衣服，移动重要序列设为走路，微动作重要序列设为看电视；\n[0020] 在匹配阶段，对某一个CSI信号序列采集之后，对CSI信号序列进行去噪和离散小波变换处理，分解为动作序列。接着与之前建立的动作模型进行匹配，匹配过程采用DTW（动态时间规整）算法；为了减少系统的计算开销，如果有三个主要动作匹配成功，那么就认定为是主人；如果三个有两个匹配成功，则继续匹配两个别的动作，如果匹配成功，则认定为主人；如果三个有一个匹配成功，那么继续匹配四个别的动作，如果匹配成功，则认定为主人；如果三个主要动作都不匹配，那么就认定为非法入侵。\n[0021] 去噪时，利用离散小波滤波器滤除CSI信号序列中的奇异值和噪声，最大限度地保留人对无线信号的影响。详细分为三个步骤：信号分解，阈值细节因数的确定，信号的重建。\n在信号分解中，离散小波变换把CSI信号序列分为高频的详细因数和低频的近似因数；然后基于斯坦无偏估计，动态地选取阈值来去除噪声；最后，对去噪后的信号进行重建。\n[0022] 提取语意。由于人不同的动作会给CSI信号带来不同的幅度、频率及时间变化。对重构信号采用离散小波变换（DWT），形成一个随频率改变的时间-频率窗口。离散小波变换能使信号在时域和频域互相转变，因此根据频率和时间的不同，就能够把重构信号流分解成不同的动作序列，即为action（发生时间，动作，持续时间），在多个链路下进行数据融合。\n接下来进行分类。分类标准分为两个层面：粗粒度的和细粒度的，即先概括后细分。粗粒度地可以分为微动作、大幅度动作和移动；在此之上再在每个类别中细分：微动作包括睡觉、看电视、玩电脑和打电话，大幅度动作包括穿鞋、做饭、换衣服和洗漱，移动包括走路及相关伴随的动作。实际匹配时，不用分清这些所有的细粒度的动作，只需要首先粗粒度地判断属于哪一类，再和这类中所含的动作序列做比较即可。\n[0023] 聚类方法可以采用机器学习中的K-means方法，比较可以采用DTW或者EMD计算距离偏差，低于门限值即可判定为合法动作。\n[0024] 在建立模型时，采用半监督学习模式，如移动这一类，并记录下主人的步速，即行走快慢对频率的影响。在采集到动作时，如若与之前所有的模型都不匹配，且特征也不匹配，那么就判断为非法，发出警告。此时我们设定一个既定动作，如手臂先向右后向左挥动，那么系统即可判断出为主人，同时，把新动作纳入模型库中。如果仍然不匹配，那么就可以判断为非法入侵。可以设定系统通过网络自动向主人手机发送信息，阻止非法动作。