張 丹，譚運(yùn)林，邱嘉煒，徐悅月，田林芳，張連明

(湖南師范大學(xué)信息科學(xué)與工程學(xué)院，中國(guó) 長(zhǎng)沙 410081)

身份識(shí)別在生活中扮演著重要的角色?，F(xiàn)有的身份識(shí)別方法主要分為兩大類：一類是基于計(jì)算機(jī)視覺[1，2]的方式，通過攝像頭采集人的行為動(dòng)作圖像進(jìn)行特征提取與識(shí)別。該方法存在隱私問題，且有遮擋時(shí)會(huì)影響識(shí)別效果。另一類是基于人的生理特征，通過采集人的指紋[3]及虹膜[4]等生理特征信息進(jìn)行識(shí)別。但該方法要求人員與檢測(cè)設(shè)備有一個(gè)較近的距離。本文提出了一種基于Wi-Fi信道狀態(tài)信息(Channel State Information, CSI)的身份識(shí)別技術(shù)，利用Wi-Fi信號(hào)進(jìn)行身份識(shí)別成本低，不泄露隱私，也不要求人與設(shè)備之間有很近距離，適合家庭環(huán)境。該方法在智能家居和家庭防盜方面有著廣闊的應(yīng)用前景。

CSI包含每個(gè)子載波的相位、幅度等信息，受組合時(shí)延、振幅衰減和相位偏移等多種因素影響。本文利用它所傳輸?shù)倪@些信息進(jìn)行識(shí)別。每個(gè)人的體型、肢體擺動(dòng)幅度以及行為習(xí)慣都會(huì)對(duì)CSI信息造成不同的影響，本文通過對(duì)這些信息的分析和處理來進(jìn)行識(shí)別。

近年來有大量工作致力于利用Wi-Fi來進(jìn)行環(huán)境感知和行為分析。Bahl[5]等提出利用接收信號(hào)強(qiáng)度(Received Signal Strength, RSS)進(jìn)行室內(nèi)定位。然而，其檢測(cè)結(jié)果的精度并不高，主要是因?yàn)镽SS穩(wěn)定性較差。隨后研究者發(fā)現(xiàn)，相比于RSS，CSI更加穩(wěn)定，CSI是物理層信息，具有更好的細(xì)粒度和魯棒性。因此，CSI得到了很快發(fā)展，有了很多研究應(yīng)用。如行為識(shí)別[6-9]、室內(nèi)定位[10-12]、心跳呼吸檢測(cè)[13-14]、跌倒檢測(cè)[15-16]、擊鍵檢測(cè)[17]、身份識(shí)別[18-21]、入侵檢測(cè)[22]等。 在身份識(shí)別方面，已有多個(gè)團(tuán)隊(duì)進(jìn)行研究。如Zeng等[18]提出WiWho，通過WiFi感知人體運(yùn)動(dòng)步態(tài)從而區(qū)分不同人，實(shí)現(xiàn)身份識(shí)別，相應(yīng)的識(shí)別率為80%～92%。Wii[19]不僅對(duì)單個(gè)步伐進(jìn)行提取，還對(duì)連續(xù)多個(gè)步伐進(jìn)行特征提取，且分類時(shí)利用GMM模型，識(shí)別準(zhǔn)確率平均為98.7%，當(dāng)有8個(gè)人時(shí)，識(shí)別準(zhǔn)確率為90.9%。WiFi-ID[20]則是直接對(duì)整個(gè)行走行為進(jìn)行分析。對(duì)于從2～6個(gè)人的群體，其識(shí)別率為77%～93%。本文加入子載波篩選及行走區(qū)間檢測(cè)等算法提出了一種新的身份識(shí)別系統(tǒng)，具有較高的識(shí)別率。

1 系統(tǒng)工作原理

圖1 系統(tǒng)框圖Fig. 1 System block diagram

本文提出一個(gè)基于Wi-Fi信號(hào)的身份識(shí)別系統(tǒng)。該系統(tǒng)包括數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、行走區(qū)間檢測(cè)及分類4個(gè)階段。系統(tǒng)框架圖如圖1所示。

1.1 CSI數(shù)據(jù)收集

CSI是物理層信息，反映了信道狀態(tài)特征。每組CSI值包含了正交頻分復(fù)用(OFDM)子載波的幅度和相位信息：

H(k)=|H(k)|ej∠H(k)，

(1)

其中，H(k)為第k個(gè)子載波的值；|H(k)|代表第k個(gè)子載波的幅值，∠H(k)為第k個(gè)子載波的相位信息。

IEEE 802.11標(biāo)準(zhǔn)使用OFDM調(diào)制信號(hào)，將信號(hào)通過56個(gè)正交子載波進(jìn)行傳送。通過使用Intel 5300網(wǎng)卡[20]或者Atheros網(wǎng)卡[21]及其相應(yīng)工具可以實(shí)現(xiàn)CSI數(shù)據(jù)收集，CSI數(shù)據(jù)為56×Nt×Nr個(gè)數(shù)據(jù)流組成。其中，Nt代表發(fā)送天線個(gè)數(shù)，Nr代表接收天線個(gè)數(shù)，可表示為矩陣H：

(2)

Hnm代表第n根發(fā)射天線，第m根接收天線之間的CSI，每個(gè)Hnm包含56個(gè)載波。

1.2 Butterworth濾波

由圖2可知，商用Wi-Fi網(wǎng)卡中提供的CSI值中存在著固有噪聲。人體活動(dòng)對(duì)信號(hào)帶來的影響主要是在頻譜的低頻部分0～40 Hz[16]，噪聲的頻率主要位于頻譜的高頻部分。

圖2 原始CSI波形圖Fig. 2 Original CSI waveform

為了減少噪聲本文采用Butterworth濾波器。其原理如下：

|H(ω)|2=1/[1+(ω/ωc)2n]=1/[1+ε2(ω/ωp)2n]，

(3)

其中，n為濾波器階數(shù)，ωc為通帶截止頻率，ωp為通頻帶邊緣頻率。圖3是濾波后的波形，可以看出濾波后波形變得更為平整。

圖3 Butterworth濾波Fig. 3 Butterworth filtering

1.3 ADA行走區(qū)間檢測(cè)算法

由于發(fā)送端和接收端持續(xù)工作，在沒有人移動(dòng)的情況下，CSI數(shù)據(jù)捕捉到的是周圍環(huán)境噪聲的影響(圖4)。這些數(shù)據(jù)對(duì)于身份認(rèn)證是無用的，需要舍棄。當(dāng)人穿過視線路徑(LOS)時(shí)會(huì)引起CSI波形變化，這些數(shù)據(jù)應(yīng)被保存用于識(shí)別(圖5中藍(lán)色部分應(yīng)被丟棄數(shù)據(jù)，紅色為保留下來的數(shù)據(jù))。因此，本文提出了一種行走區(qū)間檢測(cè)算法(ADA)，如下所示。

圖4 無人行走時(shí)CSI波形Fig. 4 CSI waveform when no one walks

圖5 ADA異常檢測(cè)Fig. 5 ADA anomaly detection

ADA算法：

1)輸入：butter濾波后的CSI載波H(k)，異常持續(xù)時(shí)間T

2)輸出：行走引起的異常數(shù)據(jù)

6)If峰峰值<閾值2 去掉這個(gè)中心點(diǎn)。

1.4 載波選取

收到的CSI信息為Nt×Nr對(duì)，在實(shí)驗(yàn)中共6對(duì)。圖6繪制了不同天線對(duì)的不同子載波幅度波形圖。圖6(b)可以看出不是所有天線對(duì)接收到的CSI都可以用來識(shí)別，經(jīng)過實(shí)驗(yàn)分析選用了天線對(duì)1，3，5。每一對(duì)收發(fā)天線均含有56個(gè)子載波信息，圖6(a)(c)可以看出并不是所有子載波信息都是有用的，無用子載波在很大程度上影響了分類結(jié)果。通過計(jì)算每一個(gè)子載波的標(biāo)準(zhǔn)偏差，來選取標(biāo)準(zhǔn)偏差大于均值的子載波。

圖6 不同天線對(duì)不同子載波波形(a)第一對(duì)天線子載波波形；(b)第四對(duì)天線子載波波形；(c)第五對(duì)天線子載波波形Fig. 6 (a) First pair of antenna subcarrier waveforms, (b) Fourth pair of antenna subcarrier waveforms, (c) Fifth antenna subcarrier waveform

1.5 特征值與分類

經(jīng)過預(yù)處理和異常檢測(cè)后，從CSI幅度中提取以下幾個(gè)特征作為分類器特征值：均值、標(biāo)準(zhǔn)差、中位數(shù)絕對(duì)偏差、峰度、信息熵、峰值因子、偏度系數(shù)、峰峰值、方差及均方根，其計(jì)算方法如表1所示。

表1 特征選取

分類器采用林智仁等開發(fā)設(shè)計(jì)的LIBSVM[22]進(jìn)行分類。提取CSI幅度的特征值形成樣本數(shù)據(jù)。對(duì)SVM進(jìn)行訓(xùn)練得到身份識(shí)別模型。最后對(duì)測(cè)試數(shù)據(jù)進(jìn)行分類。本文從不同天線及不同融合方式等角度進(jìn)行了識(shí)別準(zhǔn)確率的對(duì)比。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)平臺(tái)搭建

硬件平臺(tái)搭建：使用一臺(tái)配備Atheros無線網(wǎng)卡(AR9380)的臺(tái)式電腦作為接收器。運(yùn)行Ubuntu 14.04的操作系統(tǒng)。發(fā)射機(jī)采用wdr4310路由器，使其運(yùn)行在2.4 GHz 802.11n模式下。發(fā)送端與接收端相距1.6 m。

圖7 實(shí)驗(yàn)場(chǎng)景圖Fig. 7 Scene diagram of the experiment

軟件環(huán)境：采用由Xie[21]團(tuán)隊(duì)研發(fā)的開源驅(qū)動(dòng)程序Atheros-CSI-Tool來提取CSI數(shù)據(jù)。路由器持續(xù)向PC端發(fā)送數(shù)據(jù)包，PC端提取CSI數(shù)據(jù)。采樣率為250 包·s-1。實(shí)驗(yàn)場(chǎng)景如圖7所示。

2.2 實(shí)驗(yàn)結(jié)果分析

方式1：將兩個(gè)往返異常段每一段都提取10個(gè)特征值，總共40個(gè)特征值。再利用SVM算法構(gòu)建分類模型進(jìn)行分類。從圖8可以看出使用不同天線對(duì)的識(shí)別準(zhǔn)確率不同，當(dāng)同時(shí)選取3對(duì)天線進(jìn)行識(shí)別時(shí)準(zhǔn)確率最高，4個(gè)人識(shí)別率達(dá)到82.5%。原因是一對(duì)天線僅包含部分信息，而3對(duì)天線所包含的信息更全面。圖9是SVM分類所得的混淆矩陣。

圖8 分類結(jié)果Fig. 8 Classification results

圖9 混淆矩陣Fig. 9 Confusion matrix

方式2：將兩個(gè)往返異常段先進(jìn)行融合后提取10個(gè)特征值，再利用SVM算法構(gòu)建分類模型進(jìn)行分類。圖10可以看出該方法同樣是采用3對(duì)天線識(shí)別準(zhǔn)確率最高。對(duì)比方式1可以看出此種方式準(zhǔn)確率更高，4個(gè)人識(shí)別率達(dá)到87.5%。圖11是SVM分類所得的混淆矩陣。

圖10 融合后的分類結(jié)果Fig. 10 Classification results after fusion

圖11 融合后的混淆矩陣Fig. 11 Confusion matrix after fusion

3 結(jié)論

本文提出了一種基于Wi-Fi信道狀態(tài)信息的身份識(shí)別系統(tǒng)。通過濾波及行走區(qū)間檢測(cè)等方法處理CSI數(shù)據(jù)，進(jìn)行分類識(shí)別。實(shí)驗(yàn)表明該系統(tǒng)具有較高的準(zhǔn)確率，2人平均識(shí)別率為95%，3人平均識(shí)別率為90%，4人平均識(shí)別率為87.5%。本文僅對(duì)CSI幅值信息進(jìn)行處理，未來還可能進(jìn)一步研究同時(shí)處理幅值和相位信息，以期得到更高的準(zhǔn)確率。