趙旭陽， 張延彬， 王忠勇， 陳明亮

(鄭州大學 信息工程學院，河南 鄭州 450001)

0 引言

電子商品防盜系統(tǒng)(electronic article surveillance，EAS)是一種應(yīng)用于零售實體店的門禁防盜系統(tǒng)[1]。隨著開放式購物的不斷發(fā)展以及電子技術(shù)的不斷進步，EAS系統(tǒng)開始變得至關(guān)重要。商家采用EAS系統(tǒng)，不僅可以提供更加舒適的購物環(huán)境，同時也能保障自身的財產(chǎn)安全。目前，EAS系統(tǒng)主要分為4種：聲磁系統(tǒng)、射頻系統(tǒng)、電磁系統(tǒng)和微波系統(tǒng)[2]。其中，聲磁系統(tǒng)利用音叉共振原理，具有良好的抗干擾能力、漏報率低等特性，得到了廣泛的應(yīng)用。

傳統(tǒng)聲磁EAS系統(tǒng)的標簽識別算法大多采用快速傅里葉變換法(FFT)、信噪比法(SNR)，或兩者結(jié)合。姚江敏等[1]將FFT和SNR兩者相結(jié)合，通過FFT在頻域查找標簽信號的特征，SNR的使用則是加上第二門限，進一步降低誤報率。方元等[2]通過偽隨機序列控制發(fā)射，同樣采用FFT的方法檢測標簽信號?？笛┚甑萚3]則是將FFT法與最小二乘求信號包絡(luò)斜率相結(jié)合，同時采用信號互相關(guān)運算的預(yù)處理方法對標簽信號進行識別。

上述傳統(tǒng)系統(tǒng)在無干擾環(huán)境下可以達到一定的識別率，但在某些復(fù)雜電磁環(huán)境下(如LED燈具附近、手扶梯附近、同類EAS系統(tǒng)附近等)，其漏報、誤報率會陡然上升，甚至完全失效。導(dǎo)致這種問題的原因是傳統(tǒng)算法相對簡單，只提取標簽信號的特征，卻忽略了實際工作環(huán)境中噪聲的特征。針對這種問題，提出了一種基于SVM算法的收發(fā)一體式聲磁EAS系統(tǒng)。通過FFT法提取標簽、噪聲信號的頻域特征，將其作為SVM算法訓(xùn)練樣本。SVM訓(xùn)練模型將低維特征進一步映射至高維空間，對實時采集的數(shù)據(jù)幀進行有標簽和無標簽二分類計算。SVM算法的訓(xùn)練部分在MATLAB上完成。分類部分在FPGA芯片內(nèi)實現(xiàn)，采用三級并行計算結(jié)構(gòu)對算法進行加速，用時小于0.5 ms。與傳統(tǒng)算法相比，響應(yīng)速度更快，具有更遠的檢測距離，更低的漏報、誤報率，為復(fù)雜環(huán)境下EAS系統(tǒng)的穩(wěn)定運行提供了一種解決方案。

1 聲磁EAS系統(tǒng)綜述

1.1 系統(tǒng)工作原理及硬件設(shè)計

聲磁EAS系統(tǒng)利用音叉共振原理，即在一定范圍內(nèi)的一個音叉振動會引起另一個音叉的共振[4]。收發(fā)一體式EAS系統(tǒng)是將發(fā)射天線和接收天線纏繞在同一天線架上，發(fā)射天線在空間中產(chǎn)生固定頻率的磁場，聲磁標簽進入?yún)^(qū)域后被激勵，接收天線將標簽信號收集起來[5]。信號經(jīng)過濾波、放大等處理后由AD芯片采集到FPGA芯片。最后，經(jīng)過算法處理識別標簽信號并進行聲光報警。通常情況下，一套完整的EAS系統(tǒng)包含1個主機，2個或多個收發(fā)一體式天線。天線之間擺放的距離可根據(jù)實際環(huán)境調(diào)整，間隔不得超過系統(tǒng)保護寬度。

系統(tǒng)整體硬件框圖如圖1所示。①算法實現(xiàn)平臺采用Altera公司Cylone Ⅳ系列EP4CE22E22C8型號的FPGA芯片，可滿足時序控制和數(shù)據(jù)處理需要。②同步信號由市電生成，頻率為50 Hz。③發(fā)射模塊在空間中形成檢測區(qū)域。④接收模塊用來采集標簽、噪聲數(shù)據(jù)。⑤聲光報警模塊主要由蜂鳴器、LED燈組成。⑥存儲模塊使用EEPROM存儲，保證系統(tǒng)參數(shù)掉電重啟后依然生效。⑦通信模塊采用串口通信協(xié)議，上位機通過USB和主板連接，對系統(tǒng)進行參數(shù)讀取、設(shè)置，數(shù)據(jù)采集等操作。

圖1 系統(tǒng)硬件框圖Figure 1 System hardware block diagram

1.2 標簽信號特性

聲磁標簽由磁性收縮材料制成，具有磁致伸縮性。當受到外部磁場作用時，聲磁標簽會產(chǎn)生物理形變，將電磁能轉(zhuǎn)化為機械能[5]。這種形變會隨著外部磁場的消失而恢復(fù)，此時機械能轉(zhuǎn)化為電磁能[6]。系統(tǒng)通過接收天線將該信號采集，并通過算法識別標簽信號。電子標簽分為軟標簽和硬標簽。軟標簽價格低廉，消磁過后不可重復(fù)使用；硬標簽外殼堅硬，成本相對較高，可重復(fù)使用。

聲磁標簽的諧振頻率分布在58～68 kHz[6]，系統(tǒng)以580 kHz采樣頻率得到的時域波形如圖2所示，頻域波形如圖3所示。圖2和圖3中，前512點數(shù)據(jù)為標簽信號窗口數(shù)據(jù)，后512點數(shù)據(jù)為噪聲信號窗口數(shù)據(jù)。

圖2 時域波形Figure 2 Time domain waveform

圖3 頻域波形Figure 3 Frequency domain waveform

標簽信號頻域特征的所處位置由式(1)得出：

(1)

式中：f0為標簽諧振頻率，Hz；fs為采樣頻率，Hz；N為采樣點數(shù)；n為目標頻率點數(shù)。

本文采用的聲磁標簽諧振頻率為58 kHz，采樣頻率為580 kHz，采樣點數(shù)為512。由式(1)計算得出512點FFT計算后目標頻率點在52點附近，即圖3中第一個波峰所在位置。聲磁標簽離接收天線越近，信號強度越大，幅值就越大，標簽信號與噪聲信號在頻域區(qū)別更大。通過FFT法提取了信號的頻域特征，將其作為SVM算法訓(xùn)練樣本。

2 算法設(shè)計

2.1 系統(tǒng)處理流程

FPGA頂層時序設(shè)計狀態(tài)轉(zhuǎn)移如圖4所示。系統(tǒng)上電后完成看門狗復(fù)位、載入預(yù)設(shè)參數(shù)等初始化操作后，進入到初始狀態(tài)(IDLE)。檢測到同步信號后，發(fā)射窗口(Tx_win)開啟，持續(xù)1.6 ms。發(fā)射結(jié)束后，標簽信號接收窗口(Rx_sig)開啟，采集512點數(shù)據(jù)。接著，經(jīng)FFT計算得到對應(yīng)的頻域特征值，取頻域特征點左右N/2個點暫存。經(jīng)過短暫延遲后，對噪聲信號接收窗口(Rx_noise)采集到的噪聲數(shù)據(jù)做同樣處理。然后，從RAM內(nèi)讀取暫存的N點數(shù)據(jù)，組成標簽噪聲數(shù)據(jù)幀SNN×1，開始進行分類計算(SVM_classfier)。分類計算的結(jié)果作為聲光報警(Is_alarm)的依據(jù)。此時，一個完整的判斷流程結(jié)束，用時13.33 ms。系統(tǒng)在兩個同步信號周期內(nèi)完成3次判斷流程，根據(jù)計數(shù)器的數(shù)值返回相應(yīng)狀態(tài)。

圖4 時序狀態(tài)轉(zhuǎn)移圖Figure 4 Timing state transition diagram

2.2 支持向量機(SVM)算法

支持向量機(support vector machine，SVM)是機器學習領(lǐng)域一種常見的判別方法，屬于有監(jiān)督學習模型，常用來做模式識別、分類和回歸分析[7-8]。SVM具有很強的學習能力，能較好地解決小樣本、非線性、過學習、高維數(shù)、局部極小點等實際問題，具有良好的推廣能力。

SVM算法的實現(xiàn)主要包含3部分：訓(xùn)練數(shù)據(jù)采集、MATLAB模型訓(xùn)練和FPGA分類實現(xiàn)，流程圖如圖5所示。

圖5 SVM算法實現(xiàn)流程圖Figure 5 Flow chart of SVM algorithm implementation

SVM主要思想是找到空間中的一個能夠?qū)⑺袠颖緮?shù)據(jù)劃開的超平面ωTx+b=0，使得所有數(shù)據(jù)距離這個超平面最近[9]。算法數(shù)學模型如下所示：

(2)

式中：xi為訓(xùn)練樣本向量；yi為訓(xùn)練樣本分類標簽，一般為-1和+1；N為訓(xùn)練樣本點的個數(shù)；ω為超平面方向的垂直向量；b為初始值的偏移量。

上述問題的最優(yōu)解為參數(shù)ω和b。在解決實際問題時，往往需要引入懲罰參數(shù)C和松弛變量ξi來調(diào)整分類函數(shù)誤差[10]。此時，問題可表示為

(3)

式中：ξi≥0；C值越大，對誤分類的樣本點的懲罰就越大。

為了方便計算，將式(3)轉(zhuǎn)化為對偶問題，加入拉格朗日乘子，最終的分類模型可表示為

(4)

式中：xj為測試樣本向量；αi為拉格朗日乘子，且αi≥0；K(xi,xj)為核函數(shù)，表示訓(xùn)練樣本向量和測試樣本向量在隱式映射后的空間中的內(nèi)積計算[11]。

常用的核函數(shù)一般有線性核函數(shù)、多項式核函數(shù)、高斯核函數(shù)、指數(shù)核函數(shù)、拉普拉斯核函數(shù)和Sigmoid核函數(shù)[12]。核函數(shù)的類型、參數(shù)的選擇對分類性能有著重要的影響[13],其選擇目前仍是一個未決的問題，通常憑借經(jīng)驗選擇[14]。對不同核函數(shù)進行初步試驗對比后，選擇了分類效果較好的線性核函數(shù)，其表達式為

K(xi,xj)=xi·xj。

(5)

2.3 訓(xùn)練數(shù)據(jù)采集

SVM算法訓(xùn)練數(shù)據(jù)的采集環(huán)境分為無電磁干擾場景和有電磁干擾場景。無電磁干擾場景設(shè)置為實驗室環(huán)境；有電磁干擾場景設(shè)置為3種常見場景：LED燈具附近、手扶梯附近、同類EAS設(shè)備附近。每個場景下采集91組數(shù)據(jù)，類別為有標簽數(shù)據(jù)和無標簽數(shù)據(jù)(環(huán)境噪聲數(shù)據(jù))。有標簽數(shù)據(jù)分組類別包括標簽類型(軟、硬)、標簽放置方向R(垂直地面、平行地面、垂直天線線圈)、距離天線距離D(間隔10 cm為一組)、距離地面高度H(高、中、低)。每組訓(xùn)練數(shù)據(jù)采集1 000幀，每一幀數(shù)據(jù)包含512點標簽信號數(shù)據(jù)和512點噪聲信號數(shù)據(jù)。具體標簽放置位置如圖6所示。采集無標簽數(shù)據(jù)時，接收區(qū)域不放置任何標簽，采集幀數(shù)和該場景下有標簽信號數(shù)據(jù)幀數(shù)一致。

圖6 采集標簽放置圖Figure 6 Label placement diagram

2.4 數(shù)據(jù)預(yù)處理及模型的訓(xùn)練

SVM算法訓(xùn)練部分在MATLAB上完成。經(jīng)測試，以時域數(shù)據(jù)作為訓(xùn)練集得到的模型分類正確率只能達到50%～60%，不能滿足系統(tǒng)要求。因此，將原始數(shù)據(jù)進行FFT預(yù)處理，提取信號頻域特征作為訓(xùn)練集。為了進一步縮小模型、降低運算復(fù)雜度，分別截取標簽、噪聲信號峰值左右的N/2(N<1 024)個點作為訓(xùn)練集。最終在性能與復(fù)雜度之間進行折中，N設(shè)置為82，得到的3 000幀分類正確率達99%。

2.5 分類算法在FPGA上的實現(xiàn)

MATLAB訓(xùn)練得到的SVM算法模型主要包含：歸一化的參數(shù)向量STN×1和SFN×1；支持向量矩陣SVM×N和支持向量分組指示向量AHM×1；超平面中的截距常量Bias。其中，M為支持向量的個數(shù)；N為支持向量的特征維數(shù)。訓(xùn)練模型得到的支持向量個數(shù)為111，支持向量特征維數(shù)為82。這些參數(shù)存放在FPGA片內(nèi)ROM中，如有升級需要，可通過上位機進行更新。從RAM中讀出標簽噪聲數(shù)據(jù)幀SNN×1進行分類計算，其數(shù)學模型可表示為

F=SV·SD·AHT+Bias;

(6)

SDi=SFi·(SNi+STi)，i=1,2,…,N;

(7)

result=sign(F)。

(8)

式中：SD為中間變量；F為分類算法的結(jié)果值；sign為取最高位符號運算；result即為本次判斷結(jié)果。result若為1，則存在標簽，啟動聲光報警；若為0，則不存在標簽。

FPGA實現(xiàn)式(6)、式(7)中的矩陣運算需要用到加法器、乘法器、乘法累加器(MAC)、寄存器(Reg)等單元，使用到的存儲單元有RAM、ROM等單元。分類計算涉及大量矩陣和向量的乘法運算，采用常規(guī)的處理方式會導(dǎo)致系統(tǒng)延時過長，不能滿足時序要求。為了進一步提高工作頻率，減少分類算法用時，采用三級流水線設(shè)計，算法整體結(jié)構(gòu)如圖7所示。

圖7 FPGA實現(xiàn)SVM分類結(jié)構(gòu)圖Figure 7 Classification structure of SVM implemented by FPGA

第一級流水線進行向量運算，目的是將數(shù)據(jù)幀SNN×1進行標準化。首先將數(shù)據(jù)幀SNN×1與STN×1相加，然后與SFN×1進行點乘。第二級流水線是三級流水線中延時最長、復(fù)雜度最高的部分，主要完成支持向量矩陣SVM×N與上級處理得到的標準化向量SDN×1的乘法運算。在此部分采用三級并行計算結(jié)構(gòu)，將用時縮短為線性計算的1/3。隨著數(shù)據(jù)量的增大，可擴展此部分并行加速單元，減少系統(tǒng)延遲。第三級流水線進行向量的點乘運算，作用是指示支持向量的類別，對上級處理得到的向量與分組指示向量AHM×1進行點乘，得到最終分類計算結(jié)果。分類計算部分時鐘頻率為100 MHz，經(jīng)過三級流水線處理，可在0.5 ms內(nèi)完成分類計算。與傳統(tǒng)線性實現(xiàn)方式相比，三級并行結(jié)構(gòu)具有更快的處理速度，所用FPGA硬件資源更少。

3 系統(tǒng)測試結(jié)果

系統(tǒng)硬件采用模擬電路與數(shù)字電路相結(jié)合的方式，主板如圖8所示。

圖8 系統(tǒng)主板Figure 8 System board

將本系統(tǒng)和市面上某品牌進行對比測試，系統(tǒng)測試場景分為有電磁干擾場景和無電磁干擾場景，每個場景測試3 000幀，測試標簽包括軟標簽和硬標簽。最遠距離測試條件為單發(fā)射天線、單接收天線，測試結(jié)果如表1所示，結(jié)果標準差如表2所示。系統(tǒng)識別率測試條件為雙發(fā)射天線、雙接收天線。將電子標簽從天線中間拋過，模擬實際工作情況，記錄系統(tǒng)報警次數(shù)，測試結(jié)果如表3所示。

表1 系統(tǒng)最遠檢測距離對比Table 1 Comparison of the farthest detection distance m

表2 最遠檢測距離結(jié)果標準差Table 2 Standard deviation of the farthest detection distance result cm

表3 系統(tǒng)正確識別率對比

表1、表2結(jié)果顯示，本系統(tǒng)在有電磁干擾環(huán)境和無電磁干擾環(huán)境下均有著更遠的檢測距離，并且可以保持較高的穩(wěn)定性。表3結(jié)果顯示，本系統(tǒng)有著更高的識別率。無干擾環(huán)境下，硬標簽最遠檢測距離可達1.55 m，識別率最高可達99.7%；軟標簽最遠檢測距離可達0.9 m，識別率最高可達99.4%。有干擾環(huán)境下，硬標簽最遠檢測距離可達1.45 m，識別率最高可達99.4%；軟標簽最遠檢測距離可達0.75 m，識別率最高可達98.9%。在3種有電磁干擾場景下，硬標簽最低識別率為99%，軟標簽最低識別率為98.7%。相比于無電磁干擾場景，系統(tǒng)性能雖然有所降低，但依然可以保持較高的穩(wěn)定性。硬標簽制作工藝優(yōu)于軟標簽，相同距離下硬標簽信號強度更大，因此，系統(tǒng)在使用硬標簽時有著更遠的檢測距離、更高的識別率。本系統(tǒng)在有電磁干擾場景下測試性能有所下降，分析原因主要有：第一，環(huán)境中存在隨機噪聲，此類噪聲無法完全消除，只能從硬件設(shè)計上盡量減少此類干擾；第二，SVM算法訓(xùn)練集數(shù)據(jù)庫有限，得到的模型有一定的局限性；第三，為了節(jié)省硬件空間，對SVM模型進行了壓縮，導(dǎo)致性能有所下降。

4 結(jié)論

針對傳統(tǒng)算法在強電磁干擾情況下性能急劇下降的問題，提出了一種基于SVM的聲磁標簽檢測系統(tǒng)，算法實現(xiàn)平臺為FPGA芯片。測試結(jié)果顯示：無干擾環(huán)境下，硬標簽最遠檢測距離可達1.55 m，最遠檢測距離結(jié)果標準差為3.9 cm，識別率最高可達99.7%；軟標簽最遠檢測距離可達0.9 m，最遠檢測距離結(jié)果標準差為2.8 cm，識別率最高可達99.4%。有干擾環(huán)境下，硬標簽最遠檢測距離可達1.45 m，最遠檢測距離結(jié)果標準差最大為6.2 cm，識別率最高可達99.4%；軟標簽最遠檢測距離可達0.75 m，最遠檢測距離結(jié)果標準差最大為4.9 cm，識別率最高可達98.9%。與傳統(tǒng)設(shè)備相比，本系統(tǒng)有著更遠的檢測距離，更低的誤報率和更高的識別率，具有良好的抗干擾能力以及更加穩(wěn)定的性能，為復(fù)雜電磁環(huán)境下EAS系統(tǒng)穩(wěn)定運行提供了一種解決方案。

為了進一步提升系統(tǒng)性能，未來研究工作主要圍繞以下方面進行：第一，擴充工作場景數(shù)據(jù)庫，收集其他典型場景下的實時數(shù)據(jù)，增強系統(tǒng)適用性和抗干擾能力；第二，優(yōu)化SVM算法分類模型，進一步提升分類效果，降低算法復(fù)雜度；第三，未來市場逐漸向物聯(lián)網(wǎng)方向發(fā)展，為EAS系統(tǒng)增加物聯(lián)網(wǎng)模塊可以更加方便采集各種場景下的實時數(shù)據(jù)，客戶也可以進行聯(lián)網(wǎng)查詢設(shè)備狀態(tài)，更改參數(shù)，遠程更新系統(tǒng)等操作。