一种基于干扰信号重构的穿墙无源移动目标检测方法与流程

本发明属于穿墙移动目标检测方法，具体涉及在wifi系统下，收发机位于墙同侧对墙后无源移动目标进行检测的一种方法。

背景技术：

目标检测技术在现代社会的生产和生活中起到了愈来愈重要的作用。尤其是在博物馆、档案室、机房、银行金库、监狱等安全警戒级别较高的地方，需要实时监测是否有人非法出入。一般视距内的目标检测，可使用诸如红外线、摄像机等光电设备来完成。但这些技术无法对墙体或遮蔽物后的物体进行检测。事实上，很多情况下对墙后人体目标进行检测是十分必要的。例如，反恐作战中作战人员需对建筑物内的恐怖分子和人质进行状态分析，提升人质营救的成功率。当地震、火灾等自然灾害发生时，救援人员常常需要对墙后人体进行探测，以提高人体搜救的成功率。

现有的穿墙目标检测技术包括穿墙雷达、传感器网络、wifi等。目前，基于wifi的目标检测系统研究一直是人们关注的焦点，这种系统不需要额外的基础设施，只需要部署两个支持wifi协议(如802.11n/ac)的无线设备。检测环境中存在的人体会对wifi信号的传输环境造成一定程度的影响，而信道状态信息(channelstateinformation,csi)可以细粒化的记录wifi信号的变化情况。在抑制干扰信号的基础上，可提取目标反射信号的特征以实现穿墙检测。其难点在于干扰信号的抑制。现有的基于csi的检测系统缺少对干扰信号的抑制，直接使用幅值时域统计特征(如均值、方差、绝对中位差等)、幅值时间相关性特征、子载波间相关性特征。这些特征在信号不穿墙时，可以很好地描述信道的状态，并且拥有较高的检测准确率，但在信号穿墙情况下，由于信噪比大幅降低，检测准确率会大大降低。

接收到的信号主要由四部分组成：直达波、墙面反射、墙后人体目标的反射信号、墙后非人体目标的反射信号。其中，直达波及墙面反射的能量最大，会严重掩盖来自人体的反射信号。针对上述问题，本发明提出一种采用估计信道参数、重构虚拟信道、抵消干扰的方式将目标反射信号从强干扰信号中分离出来。对csi相位信息和子载波信息进行充分挖掘。再联合幅值时域相关性特征、相位时域相关性特征、子载波特征、时频谱特征构建信号特征向量。采集大量数据构成数据集输入bp(backpropagation)神经网络进行检测，结合多天线检测得到的最终检测结果，进而实现高精度动目标检测。

技术实现要素：

本发明的目的是在wifi系统下，提供一种基于干扰信号重构的穿墙移动目标检测方法，它能够在收发机位于墙同侧的情况下对墙后无源动目标进行检测。

本发明所述的基于干扰信号重构的穿墙移动目标检测方法，具体包括以下步骤：

步骤一：假设wifi系统的接收端是由i根天线组成的线性天线阵列，每根天线上可采集k个子载波的csi。因此从第m个数据包中获取的csi为：

其中，hm,i,k(1≤i≤i,1≤k≤k)是第m个数据包中第i根天线上第k个子载波的csi，f是第一个子载波的频点，l表示信号传播路径总数，τl、θl、αl分别是信号沿第l条路径的传播时延、到达角、以及幅值衰减系数，δf是载波间隔，d表示天线间距，c是光速。wj∈w(1≤j≤ik)是高斯白噪声，其概率密度服从正态分布。

步骤二：将子载波与物理天线进行联合二维滑动，设子阵中物理天线个数为n1，子载波个数为n2，则子阵的虚拟天线个数为n1×n2，物理天线可滑动次数为q1，子载波可滑动次数为q2，共可得到q1×q2个子整列，记为计算如下：

步骤三：空间谱信息估计。计算子阵列的自相关矩阵：

其中，表示的共轭转置。经过平滑处理后的自相关矩阵为：

对rm进行特征分解，可得：

其中，s和g分别是l个较大特征值对应的特征向量构成的信号子空间和n1×n2-l个较小特征值对应特征向量构成的噪声子空间。计算与子阵列的列向量的阵列流型相同的方向矢量：

计算g与方向矢量a(θ,τ)构成的空间谱函数为：

搜索z(θ,τ)的极值，按照从大到小的顺序排序，得到(θ′1,τ′1)，(θ′2,τ′2)...(θ′x,τ′x)。

设置阈值对所有极值点，若θ′i相差在以内，且τ′i相差在以内，则将这些极值点归为一类，并选择该类中极值最大的极值点为该类的代表。一个类对应的物理含义为一个信号传播路径簇，而类代表则是路径簇中能量最强的一条路径，且可用这条路径替代整个路径簇。从可得的多个类代表中，选取其对应极值最强和次强的两个类代表，记为(θ′d,τ′d)和(θ′w,τ′w)。这两个类代表分别是收发机直射信号和墙面反射信号的空间谱参数。

步骤四：干扰信号幅值重构。首先对干扰信号的幅值重构。沿θ方向入射到每个阵列天线的第k个子载波的信号幅值为：

其中，si,k表示第i根天线接收到的第k个子载波信号。分别令θ等于θ′d和θ′w，可重构出直达波和墙面反射波的各个子载波的幅值。沿θ方向入射到第i根天线的第k个子载波的信号相位为：

由此，可构造出直达信号：

同理可构造出墙面反射信号hw。干扰抑制后的信号为：

h′m＝hm-hd-hw

步骤五：信号特征提取。经过步骤四处理后的矩阵可表示如下：

令gm＝[h′1,m,h′2,m,…,h′k,m]^t表示第m个数据包中所有子载波的csi，rk＝[h′k,1,h′k,2,…,h′k,m]^t表示第k个子载波在一个时间窗口上的csi。csi幅值时域相关系数矩阵a＝(am,n)m×m可计算如下：

其中，

a是一个实对称矩阵，元素am,n表示第m个数据包和第n个数据包的csi幅值相关系数，相关性越大则相关系数的取值也越大。同理，可计算相位时域相关系数矩阵p＝(pm,n)m×m，其中：

pm,n＝corr(∠gm,∠gn)

分别对幅值相关系数矩阵a和相位相关系数矩阵p进行特征分解，将特征值按从大到小排序记为λ1＝[λ1,λ2,…,λm]，λ2＝[γ1,γ2,…,γm]。选择λ1、λ2、γ1和γ2为时域相关性特征。

首先计算子载波相关系数矩阵n＝(nm,n)k×k，其中：

nm,n＝corr(||rm||,||rn||)

通过利用矩阵n的主成分和特征向量的抖动性提取特征。对矩阵n进行特征分解，并将特征值按由大到小的顺序排列，其对应的特征向量为e1,e2,…,ek,计算特征向量一阶差分均值：

取φ1、φ2、φ3作为特征。此外，对h′的幅值分布标准化，记为y，并将y投影到特征向量上，得到各个主成分：

pci＝y×ei

计算pci的方差，记为βi，并取前三个主成分β1、β2、β3作为特征。基于上述从时间相关系数矩阵和子载波相关系数矩阵中提取的特征，可构建信号样本空间f＝[λ1,λ2,γ1,γ2,φ1,φ2,φ3,β1,β2,β3]。

步骤六：多天线检测分类。选择具有更强映射能力的bp神经网络完成分类。输入特征为f，隐藏层神经元个数为10，激励函数func为sigmod函数，输出特征f′＝[ω1,ω2,ω3,ω4]，其中ω1,…,ω4分别表示无人体目标、一个运动或静止人体目标、两个运动人体目标、三个运动人体目标。在获得各接收天线的输出特征f′1、f′2、f′3后，将其相加得到f″＝f′1+f′2+f′3，最终检测结果由f″得出。

有益效果

本发明提出了一种基于干扰信号重构的穿墙无源移动目标检测方法。首先，利用天线接收的信道状态信息(channelstateinformation,csi)构建二维矩阵，并对二维矩阵进行联合二维平滑。其次，对平滑后的矩阵进行分解，并估计其空间谱信息。对极值点进行聚类，并选取对应极值最强和次强的两个类别分别对应收发机直射信号和墙面反射信号的空间谱参数。再次，对干扰信号进行幅值重构，得到减去直射信号和反射信号的抑制后的信号。最后，利用csi的时间相关性和子载波相关性提取多维信号特征，并使用bp(backpropagation)神经网络完成特征与检测结果的映射，结合多天线输出特征得到最终检测结果。在收发同侧穿墙场景下，能够对未携带任何设备的移动目标进行检测，无人体目标、一个运动或静止人体目标、两个运动人体目标、三个运动人体目标检测算法的检测准确率分别在0.93、0.89、0.84以上。

附图说明

图1为基于干扰信号重构的穿墙无源移动目标检测方法的具体实施流程。

图2为干扰抑制前幅值方差分布图。

图3为干扰抑制后幅值方差分布图。

具体实施方案

步骤一：假设wifi系统的接收端是由i根天线组成的线性天线阵列，每根天线上可采集k个子载波的csi。因此从第m个数据包中获取的csi为：

其中，hm,i,k(1≤i≤i,1≤k≤k)是第m个数据包中第i根天线上第k个子载波的csi，f是第一个子载波的频点，l表示信号传播路径总数，τl、θl、αl分别是信号沿第l条路径的传播时延、到达角、以及幅值衰减系数，δf是载波间隔，d表示天线间距，c是光速。wj∈w(1≤j≤ik)是高斯白噪声，其概率密度服从正态分布。

步骤二：将子载波与物理天线进行联合二维滑动，设子阵中物理天线个数为n1，子载波个数为n2，则子阵的虚拟天线个数为n1×n2，物理天线可滑动次数为q1，子载波可滑动次数为q2，共可得到q1×q2个子整列，记为计算如下：

步骤三：空间谱信息估计。计算子阵列的自相关矩阵：

其中，表示的共轭转置。经过平滑处理后的自相关矩阵为：

对rm进行特征分解，可得：

其中，s和g分别是l个较大特征值对应的特征向量构成的信号子空间和n1×n2-l个较小特征值对应特征向量构成的噪声子空间。计算与子阵列的列向量的阵列流型相同的方向矢量：

计算g与方向矢量a(θ,τ)构成的空间谱函数为：

搜索z(θ,τ)的极值，按照从大到小的顺序排序，得到(θ′1,τ′1)，(θ′2,τ′2)...(θ′x,τ′x)。

设置阈值对所有极值点，若θ′i相差在以内，且τ′i相差在以内，则将这些极值点归为一类，并选择该类中极值最大的极值点为该类的代表。一个类对应的物理含义为一个信号传播路径簇，而类代表则是路径簇中能量最强的一条路径，且可用这条路径替代整个路径簇。从可得的多个类代表中，选取其对应极值最强和次强的两个类代表，记为(θ′d,τ′d)和(θ′w,τ′w)。这两个类代表分别是收发机直射信号和墙面反射信号的空间谱参数。

步骤四：干扰信号幅值重构。首先对干扰信号的幅值重构。沿θ方向入射到每个阵列天线的第k个子载波的信号幅值为：

其中，si,k表示第i根天线接收到的第k个子载波信号。分别令θ等于θ′d和θ′w，可重构出直达波和墙面反射波的各个子载波的幅值。沿θ方向入射到第i根天线的第k个子载波的信号相位为：

由此，可构造出直达信号：

同理可构造出墙面反射信号hw。干扰抑制后的信号为：

h′m＝hm-hd-hw

步骤五：信号特征提取。经过步骤四处理后的矩阵可表示如下：

令gm＝[h′1,m,h′2,m,…,h′k,m]^t表示第m个数据包中所有子载波的csi，rk＝[h′k,1,h′k,2,…,h′k,m]^t表示第k个子载波在一个时间窗口上的csi。csi幅值时域相关系数矩阵a＝(am,n)m×m可计算如下：

其中，

a是一个实对称矩阵，元素am,n表示第m个数据包和第n个数据包的csi幅值相关系数，相关性越大则相关系数的取值也越大。同理，可计算相位时域相关系数矩阵p＝(pm,n)m×m，其中：

pm,n＝corr(∠gm,∠gn)

分别对幅值相关系数矩阵a和相位相关系数矩阵p进行特征分解，将特征值按从大到小排序记为λ1＝[λ1,λ2,…,λm]，λ2＝[γ1,γ2,…,γm]。选择λ1、λ2、γ1和γ2为时域相关性特征。

首先计算子载波相关系数矩阵n＝(nm,n)k×k，其中：

nm,n＝corr(||rm||,||rn||)

通过利用矩阵n的主成分和特征向量的抖动性提取特征。对矩阵n进行特征分解，并将特征值按由大到小的顺序排列，其对应的特征向量为e1,e2,…,ek,计算特征向量一阶差分均值：

取φ1、φ2、φ3作为特征。此外，对h′的幅值分布标准化，记为y，并将y投影到特征向量上，得到各个主成分：

pci＝y×ei

计算pci的方差，记为βi，并取前三个主成分β1、β2、β3作为特征。基于上述从时间相关系数矩阵和子载波相关系数矩阵中提取的特征，可构建信号样本空间f＝[λ1,λ2,γ1,γ2,φ1,φ2,φ3,β1,β2,β3]。

步骤六：多天线检测分类。选择具有更强映射能力的bp神经网络完成分类。输入特征为f，隐藏层神经元个数为10，激励函数func为sigmod函数，输出特征f′＝[ω1,ω2,ω3,ω4]，其中ω1,…,ω4分别表示无人体目标、一个运动或静止人体目标、两个运动人体目标、三个运动人体目标。在获得各接收天线的输出特征f′1、f′2、f′3后，将其相加得到f″＝f′1+f′2+f′3，最终检测结果由f″得出。