一种基于图卷积神经网络的室内无源移动目标检测方法技术

本发明专利技术提出了一种基于图卷积神经网络的室内无源移动目标检测方法。首先，本方法提取接收端每根天线接收到的CSI幅值，分别计算每根天线所有子载波上CSI幅值对应的频谱。然后，对频谱图频率分布进行平均划分得到多个频段，分别对每个频段所有频率对应的能量计算平均能量值。对计算得到的平均能量值进行降序排序之后，得到对应的索引矩阵。再对该索引矩阵第一列对应的索引值进行降序排序，并基于该索引矩阵第一列的变化得到对应变化后的索引矩阵其他列的索引，依据该变化后的索引矩阵即可构造图网络结构。最后，依据得到的图网络结构构造图卷积神经网络(Graph Convolutional Network，GCN)的输入，GCN的输出即为所检测图网络结构的特征，将该特征与检测类一一映射，最终完成检测类的识别。最终完成检测类的识别。

【技术实现步骤摘要】
一种基于图卷积神经网络的室内无源移动目标检测方法


[0001]本专利技术属于室内移动目标检测方法，具体涉及在Wi
‑
Fi系统下，收发机位于墙体的异侧时对墙后无源移动目标进行检测的一种方法。

技术介绍

[0002]近年来，室内目标检测在社会生活以及生产中越来越重要。尤其是在一些重要的场合，如监狱、大型仓库、博物馆等，需要实时检测是否有人员非法出入。以往在视距内的目标检测，可以通过红外线、摄像机等来完成，但是该类方法在目标处于墙体等遮挡物后时无法实现检测，而且一定程度上会侵犯个人隐私。因此，实现非视距目标的检测十分必要。
[0003]现有的非视距目标检测方法主要包括基于RFID、基于超宽带雷达、基于Wi
‑
Fi的穿墙目标检测技术，这些目标检测技术将采集的数据进行分析，从而检测目标是否存在。由于Wi
‑
Fi设备的普及性、轻便性以及保护个人隐私等优点，目前大多数入侵检测技术都是在Wi
‑
Fi系统上进行研究。Wi
‑
Fi信号在室内环境中传播时会经过多条传输路径，当环境变化时会使Wi
‑
Fi信号发生一定程度上的波动。因此，Wi
‑
Fi信号物理层的信道状态信息(Channel State Information，CSI)携带了环境的变化信息，包括多径信息、目标位置、目标姿势等，可以细致地表征环境的变化情况。目前基于CSI的检测系统，主要是使用CSI的幅值、相位信息作为目标检测特征。通过观察和分析CSI的相关统计特征(均值、方差、标准差、一阶均方、子载波相关性等)，可得到与环境变化相对应的映射关系。但是，当Wi
‑
Fi信号穿过墙体等障碍物时，信号强度会大幅衰减，信噪比大幅度较低。在这种情况下，基于此类统计特征不能很好地实现目标的检测。
[0004]针对上述问题，本专利技术借助短时傅里叶变换(Short Time Fourier Transform，STFT)方法，将信号特征表现在时频图中。时频图可以展现更加丰富的信道信息，通过分析其中的特征点可实现对目标进行检测。在无目标、有目标两种情况下，时频图中的不同频率的能量分布不同，因此，可通过分析能量关系来实现检测。具体地，本专利技术首先将短时傅里叶变换之后得到的频率均匀分段，提取每个频率段中所有频率对应能量的平均值。然后通过对所有频段中平均能量值的特殊转换，得到对应的索引矩阵，使用该索引矩阵构造图结构。最后通过图网络结构生成相应的数据集，并把数据集输入到图卷积神经网络(Graph Convolutional Network，GCN)中进行训练。将GCN网络训练之后输出图的特征与检测类别一一映射，进而实现高精度的无源动目标检测。

技术实现思路

[0005]本专利技术的目的是在Wi
‑
Fi系统下，提供一种基于图卷积神经网络的移动目标检测方法。它能够在收发机位于墙的异侧情况下，仅使用CSI的幅值信息，对墙后的无源移动目标进行高精度的检测。
[0006]本专利技术所述的一种基于图卷积网络的室内无源移动目标检测方法，具体包括以下步骤：
[0007]步骤1：假设Wi
‑
Fi系统的发射端(Tx)包含1根天线，接收端(Rx)是由I根天线组成的线性均匀天线阵列，OFDM系统包括K个子载波。Wi
‑
Fi信号从发射端发出，通过空间传播到接收端，接收端接收到总时长为T
S
的CSI数据。则第i(1≤i≤I)根天线上频率为f
k
的第k子载波在T
S
时间内接收到的CSI为：
[0008]H
i,k
＝[h
i,k
(1),
…
,h
i,k
(t),
…
,h
i,k
(T
S
)][0009]其中，k(1≤k≤K)表示子载波的索引，第k个载波的频率为f
k
，h
i,k
(t)表示在时间t(1≤t≤T
S
)第i根天线第k个载波接收到的CSI：
[0010][0011]其中，|h
i,k
(t)|表示h
i,k
(t)的幅值，∠h
i,k
(t)表示h
i,k
(t)的相位。c是光速，L表示信号传播路径总数，l(1≤l≤L)表示第l条路径。d
l
(t)、α
l
(t)分别是Wi
‑
Fi信号在时间t时沿第l条路径传播的传播路径长度和幅值衰减系数，n
i,k
(t)是加性高斯白噪声。
[0012]步骤2：提取CSI数据的幅值信息，将其通过STFT转化到时频域，进而得到频谱图。
[0013]具体方法如下：
[0014]首先，提取第i根天线第k子载波在T
S
时间内接收到的CSI的幅值，用表示：
[0015][0016]然后，对加窗，记滑窗长度为M，即每个滑窗内包含第i根天线第k子载波的M个数据包的CSI，记为对进行短时傅里叶变换。短时傅里叶变换的公式如下：
[0017][0018]其中，g(m)是汉明窗函数，其窗长为M。STFT
i,k
(n,f
k
)表示的频谱密度，它是关于离散时间n和频率f
k
的二维函数。即其为一个二维矩阵，矩阵的行表示采样时间点，矩阵的列表示采样频率值。所以，其时间和频率维度和窗函数窗长、采样率、窗重叠数、傅里叶变换的点数有关。
[0019]STFT
i,k
(n,f
k
)的能量谱密度表示为：
[0020]P
i,k
(n,f
k
)＝|STFT
i,k
(n,f
k
)|2[0021]其同样是关于离散时间n和频率f
k
的二维函数。
[0022]假设进行STFT之后得到的频谱维度为T
s
×
F
s
，则能量谱密度的维度也为T
s
×
F
s
。其中，T
s
为总的信号采样时间点，F
s
表示频谱对应的频点。
[0023]步骤3：按照频谱图频率进行分段，求各频段的平均能量值并对其去趋势后，构成平均能量值矩阵P'。具体方法如下：
[0024]首先，基于步骤2得到“初始的频谱图”之后，依据频谱图频率将总频率平均划分为五个频段，记为第1频段、第2频段，
……
，第5频段。如果取频段的最大范围为N(0≤N≤F
s
)，则每一频段的长度为Len＝N/5，即每个频段包含Len个频率点。
[0025]然后，对各频率段中所有频率成分的能量求平均值，得到各频段的平本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图卷积神经网络的室内无源移动目标检测方法，包括以下步骤：步骤1：假设Wi
‑
Fi系统的发射端(Tx)包含1根天线，接收端(Rx)是由I根天线组成的线性均匀天线阵列，OFDM系统包括K个子载波。Wi
‑
Fi信号从发射端发出，通过空间传播到接收端，接收端接收到总时长为T
S
的CSI数据；则第i(1≤i≤I)根天线上频率为f
k
的第k子载波在T
S
时间内接收到的CSI为H
i,k
；步骤2：提取CSI数据的幅值信息，将其通过STFT转化到时频域，进而得到频谱图；步骤3：按照频谱图频率进行分段，求各频段的平均能量值并对其去趋势后，构成平均能量值矩阵P'；步骤4：构造频谱图的图网络结构；步骤5：提取频谱图的图网络结构对应的特征数据集、图标签数据集、图的邻接矩阵、节点标签数据集；步骤6：使用图卷积神经网络(Graph Convolutional Network，GCN)进行检测识别。2.根据权利要求1所述的...

【专利技术属性】
技术研发人员：杨小龙，唐婷，周牧，谢良波，王勇，聂伟，李兆玉，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：