收稿日期:20200103;修回日期:20200301 基金项目:国家自然科学基金资助项目(61771083,61704015);长江学者和创新团队发
展计划资助项目(IRT1299);重庆市研究生科研创新项目(CYS17221)
作者简介:张小娅(1994),女,重庆巴南人,硕士研究生,主要研究方向为 WLAN室内人 员被动 入侵检 测与定 位(xiayzhang0@163.com);
田增山(1968),男,河南固始人,教授,博导,主要研究方向为移动通信、个人通信、GPS及蜂窝网定位技术;李玲霞(1976),女,湖南武穴人,高级
工程师,主要研究方向为未来移动通信理论与技术、宽带无线接入技术.
室内 WiFi网络下的被动式运动目标检测算法
张小娅,田增山,李玲霞
(重庆邮电大学 通信与信息工程学院,重庆 400065)
摘 要:传统室内 WiFi网络下的被动式运动目标检测方法只提取 WiFi信号的均值、方差等粗粒度统计信息,
导致系统检测率低。实现被动式运动目标检测的关键是捕获目标对无线链路的影响。探讨了表征原始信号整
体分布的方法,构建一种新的相干直方图,并提出基于相干直方图的被动式运动目标检测算法。为解决追踪过
程中的位置漂移问题,利用艾伦时间逻辑建立监测区域中不同子区域间的物理逻辑转移关系,对追踪结果进行
实时校正。实验结果表明,相较于经典的被动检测技术,该方法基于相干直方图的被动式运动目标检测算法性
能更优,综合指标 F
1
measure提高近 5%。
关键词:WiFi;运动目标检测;相干直方图;定位
中图分类号:TP393.1 文献标志码:A 文章编号:10013695(2021)03039084104
doi
:10.19734/j.issn.10013695.2020.01.0018
IndoorWiFibasedpassivemovingtargetdetectionapproach
ZhangXiaoya,TianZengshan,LiLingxia
(SchoolofCommunication&InformationEngineering,ChongqingUniversityofPosts&Telecommunications,Chongqing400065,China)
Abstract:SometraditionalWiFiindoorpassivemovingtargetdetectionsystemsonlyextractthecoarsegrainedstatisticalin
formationsuchasthemeanvalueandvariance,whichleadtolowdetectionaccuracy.Thekeytotherealizationofpassivemo
vingtargetdetectionistocharacterizetheinfluenceofthetargetonwirelesslinks.Thispaperexploredthemethodofcharacte
rizingthedistributionofthesignalasawholeandproposedanovelcoherencehistogram.Atthesametime
,thispaperproposed
acoherencehistogrambasedonpassivemovingtargetdetectionmethod.Inordertosolvethepositiondriftprobleminthetrack
ingprocess,itusedtheAllentimelogictoestablishthetransferrelationshipbetweenthedifferentsubareasinthemonitoring
area,anditusedtherelationshiptocorrecttheinitialresultoftheposition.Comparedwithclassicalpassivepeopledetection
methods,theWiFiindoorpassivemovingtargetdetectionapproachbasedoncoherencehistogramhasbetterperformance.The
comprehensiveindicatorF
1
measureisimprovedbynearly5%.
Keywords:WiFi;movingtargetdetection;coherencehistogram;location
0 引言
室内运动目标检测技术的目的是对周围环境进行感知,实
现监测环境中运动目标的检测。GPS
[1]
、RFID电子标签
[2]
等
技术可以在目标携带检测设备及特殊硬件支持的条件下,实现
主动式运动目标检测,但在被动式的感知场景(如安防监控、
智能家居等)中,待测目标不会事先携带检测设备,也就失去
了应用意义。
2009年,室内运动目标被动检测和定位(device
freeindoorlocation,DFL)概念 由 美 国 马 里 兰 大 学 Youssef团
队
[3]
首次提出。通过捕获目标对 WiFi无线链路的影响实现
检测,被测目标无须携带任何设备便能参与。目前,超宽带雷
达
[4]
、计算机视觉
[5]
、传感器网络
[6]
和无线电层析成像
[7]
等都
可以实现运动目标的检测。但在实际应用中,超宽带雷达检测
需要特殊硬件支持,限制了该技术的应用范围;在弱光、遮挡、
烟雾等环境下,计算机视觉无法完成精确的运动目标检测;传
感器网络和无线电层析成像需要部署高密度的标签,昂贵的设
备费用使其不适宜大规模商用。利用室内环境中广泛部署的
无线网络,基于接收信号强度(receivedsignalstrength,RSS)的
被动式运动目标检测技术成为研究的热点,该技术具有覆盖
广、成本低等特点,在安全、商业等领域有广泛的应用。
为提取运动目标对无线链路的干扰信息,研究人员对原始
信号进行了多方面研究:分析信号时间序列统计特征,如移动
均值 (
movingaverage,MA)
[3]
和 移 动 方 差 (movingvariance,
MV)
[8]
等;设置环境异常度指标,如 RASID系统
[9]
和 Ichnaea
系统
[10]
。基于时间序列统计特征的方法随着时间推移和环境
的变化,性能逐渐下降;创建环境异常度指标的方法在多链路
联合检测中需要调整每条链路的异常度指标,工作量大。为克
服以上不足,基于模式识别的检测技术应运而生,如基于支持
向量数据描述(
supportvectordatadescription,SVDD)
[11]
的检测
技术,该技术提取信号的时域统计特征,如方差、均值、极值等,
训练分类器对数据进行准确分类。但统计特征仅能反映原始
信号的某方面信息,同时特征的选取存在主观因素,不能反映
不同环境中信号的整体分布,导致特征对信号的刻画力度随不
同的环境变化,因此系统性能不稳定。
如果使用信号的分布来表征 RSS,必然比方差等统计特征
包含更全面、更有效的信息。对于运动目标检测问题,无线链
路对环境状态的反应不尽相同,应该充分利用感知环境中的每
条无线链路的 RSS,独立估计分布,因此必须使用一种轻量且
高效的方法找到这样的一种分布。经过大量的调研发现直方
图
[12]
可以满足以上所有要求,它通过一系列简单的操作来估
第 38卷第 3期
2021年 3月
计 算 机 应 用 研 究
ApplicationResearchofComputers
Vol38No3
Mar.2021