【《隔墙目标探测技术研究的文献综述》3100字】

隔墙目标探测技术研究的文献综述现有隔墙目标运动探测技术主要分为超宽带穿墙雷达，基于WSN和基于射频信号（RadioFrequency，RF)。穿墙雷达多数采用超宽带信号（UltraWideBand，UWB）以获得较高的分辨率。而产生超宽带信号的实现方法分为短时脉冲法[7,8]、频率步进法[9]和线性调频法[10,11]。穿墙雷达除了可以用于对目标运动检测外，还能成像。目前的穿墙雷达体积大，不易携带，成本高昂，发射功率较大，不适用于民用领域。基于WSN的手段是通过在房间内提前部署好大量传感器，它们利用目标的移动对网络链路的影响，进而影响传感器节点接收强度，基于接收信号强度的变化来对目标运动进行检测[12,13]。但该手段也存在缺陷，例如需提前部署较多的传感器，且无法应用于突发场合。基于RF的方法采用电磁波作为收发信号，发射射频信号进行探测。相较于WSN，其提供的信息较少，且无需提前部署大量的传感器，也不同于超宽带信号穿墙雷达，带宽和功率更低，适合应用在民用场合。通过对以上三种隔墙目标运动检测手段的比较，三种隔墙人体运动检测技术的优势和缺陷对比表如表1-1所示。表STYLEREF1\s1SEQ表\*ARABIC\s11隔墙人体运动检测技术对比表Tab.STYLEREF1\s1SEQTab.\*ARABIC\s11Comparisontableofhumanmotiondetectiontechnologyforpartitionwalls现有技术优势缺陷超宽带穿墙雷达准确且分辨率高成本高、功率过高基于WSN精度较为准确需预先布置较多数量的传感器基于RF体积小、功率低精度一般近些年来，国内外越来越多学者对隔墙目标运动探测系统开展研究。Chetty等人研究使用无源双基地雷达监测在墙后运动的人的可行性，开展一系列实验，如图1-1所示，涉及人体目标在WiFi覆盖区域移动，采用无源多静态接收器从外部监视这些移动目标，并进行离线数据处理以获取距离和多普勒信息，测得的多普勒频移与双基地理论预测一致。但其测量结果与信干比密切相关。图STYLEREF1\s1SEQ图\*ARABIC\s11无源双基地雷达监测墙后运动人体示意图Fig.STYLEREF1\s1SEQFig.\*ARABIC\s11SchematicdiagramofpassivebistaticradarmonitoringamovinghumanbodybehindwallAdib等人研究通过Wi-Fi信号进行隔墙运动目标的探测，其将人体移动模拟为天线阵列，从而对人体进行跟踪，如图1-2所示。局限性在于只提供相对运动的角度信息[15]。利用超宽带雷达来生成调频连续波(FrequencyModulatedContinuousWave，FMCW)信号，通过发射和接收的频率差获取相对距离，从而实现了对目标物体的跟踪与定位，但同时也占据了1.79GHz的带宽[16,17]。图STYLEREF1\s1SEQ图\*ARABIC\s12模拟天线阵列跟踪人体示意图Fig.STYLEREF1\s1SEQFig.\*ARABIC\s12SchematicdiagramofsimulatedantennaarraytrackinghumanbodyHuang等人研究基于ISM频段信号实现成像的可能性，将不同目标的多径反射反映在图像上，从中提取位置信息，进而识别出在同一方向、不同距离的目标。但该方法只能对较大的物体或具有良好反射特性的物体进行成像与定位，对较小物体和反射性能较差的物体难以成像或定位[18]。Yang等人设计利用射频识别（RadioFrequencyIdentification,RFID）监测周围物体，在外墙贴上RFID标签，在逻辑上转换为天线阵列，接收移动物体反射回来的信号，如图1-3所示。但需提前获取在空房间内的信息，以减少固定物体对监测的影响[19]。图STYLEREF1\s1SEQ图\*ARABIC\s13通过Tag标签模拟天线阵列隔墙检测示意图Fig.STYLEREF1\s1SEQFig.\*ARABIC\s13SchematicdiagramofsimulatedantennaarraypartitionwalldetectionthroughTagtagsKaranam通过利用无人机（UnmannedAerialVehicle,UAV）运动获取Wi-Fi信号实现穿墙三维物体成像，利用Wi-Fi测量信息的压缩性对区域进行成像。但需无人机在感兴趣区域的各个方向移动，并且环境因素会影响无人机的定位性能，最终影响整体成像效果[20]。Wang等人提出了一种基于Wi-Fi的入侵检测系统，通过Wi-Fi的原始信道状态信息（ChannelStateInformation,CSI）监视人体运动，对均值和原始CSI的幅度方差进行分析，通过支持向量机（SupportVectorMachine,SVM）算法获取检测结果。在不同场合使用时需要多次训练以找到合适的阈值，也无法检测入侵者从外部进入的入侵运动[21]。近年来，一些学者也开展了对手势识别系统的研究。华盛顿大学的Pu通过多普勒频移可以识别九种手势。不足之处在于当提取多普勒频移时需要较复杂的傅里叶变换处理，且需要被识别者待在固定位置做多次重复手势内容[22]。Tan等人设计出一个实时无源多普勒高分辨率的雷达系统，引入批处理和流水线处理流程，通过减少处理时间以实现实时显示，捕获与身体运动和手势相关的微多普勒频移，但该方法需聚焦于特定位置，且定位精度与识别正确率有待提高[23]。Chen等人采用软件无线电平台收发信号，检测是否按下键盘及具体对应的按键，但需固定键盘位置，且人体需用较慢速度进行按键操作等[24]。Zhang等人设计一种细粒度的手指手势识别系统Mudra，利用Wi-Fi信号来实现与手指运动的近乎人机的交互，使用两根天线接收器来检测和识别手指手势，它使用从一个天线接收的信号来抵消来自另一天线的信号。这种“抵消”对手指非常敏感，能够检测到由于手指移动而引起的通道中的微小变化。无需用户培训，在典型的办公环境对Mudra进行评估，可以达到96%的检测精度。但系统无法支持附近有移动物体的场景[25]。德国新技术与创新宝马集团研究部合作完成了一个基于网络边缘的行为识别和基于手势的汽车个人助理系统WiBot，通过实时监控射频波动模式，利用车辆的网络边缘来根据驾驶过程中异常的头部转弯和手臂移动来检测干扰行为，能够实现94.5％的头部和手臂运动分离精度，以90.5％的准确度进一步地将相关手势与随机的手臂和头部运动，头部转弯和怠速运动区分开。但仅涵盖了分心驾驶行为，未能识别情绪的其他阶段[26]。针对室内运动目标的检测系统吸引国外内众多学者的关注与研究。Kosba等人提出了基于非参数统计异常检测的人体检测定位系统，通过采集区域内无人时的信号强度特性构建配置文件，并根据这些配置文件来识别由于人体运动引起的信号强度异常，使用指数平滑方法减小噪声的影响，大大提高了检测精度[27]。Zhou等人提出了全方向的无设备被动人体检测系统，利用丰富的多径效应以模糊定向覆盖范围，实现全向覆盖[28,29]，之后通过射线反射模型表征有人时对无线信号的影响，在多路径密集的室内场景中实现更高准确率、更大感测范围的检测，探测范围较之前提升近一倍[30]。Qian等人利用PHY层信息进行实时、无标定，无设备的运动目标探测，并在典型的多路径丰富室内场景中进行评估，准确率较高[31]。Gong等人提出了一种新颖的轻量级实时被动人体运动检测系统，通过PHY层相位信息进行细粒度的实时被动人体运动检测，系统对于慢速运动的人有着较高检测率，但对于中高速运动的目标难以检测到[32]。Dong等人提出了一种室内CSI运动检测系统，该系统采用几种新颖的方法，包括基于相关性的融合，移动方差分段，多普勒扩展频谱，以提高系统性能以及进行相关检查以降低实现成本。与现有系统相比，系统经过验证可在平坦地板和楼梯环境中均具有更好的性能，并且可进一步用于验证与楼梯地板环境相比在楼梯环境中优越的CSI运动检测性能。但使用环境仅仅局限于平坦地板和楼梯环境中[33]。参考文献[1] 陈明,凌云翔.反恐怖核心区作战情报保障问题研究[J].情报杂志,2016,35(02):37-43.[2] 胡静,杨丽萍,靳喜琴,等.不同性别、民族高龄住院老人生活自理能力及跌倒坠床风险[J].中国老年学杂志,2016,36(11):2745-2746.[3] 王静远,李超,熊璋,等.以数据为中心的智慧城市研究综述[J].计算机研究与发展,2014,51(02):239-259.[4] 伊德尔昆,孙锴,王滨,等.无线传感器网络时钟同步中节点之间的延时分布[J].计算机应用,2020,40(S2):85-89.[5] 神显豪,李驰,桂琼,等.基于卷积神经网络的网络节点异常数据检测方法[J].机床与液压,2020,48(22):18-23.[6] 张斓子,陆必应,周智敏,等.基于空间特征的MIMO穿墙雷达墙杂波抑制[J].电子与信息学报,2014,36(04):946-952.[7] 李靖,颜廷元,洪志良,等.一种基于延时线的全数字脉冲式超宽带发射机[J].复旦学报(自然科学版),2017,56(02):265-272.[8] 张洪欣,吕英华,贺鹏飞,等.一种基于脉冲压缩的UWB成形脉冲设计方法[J].北京邮电大学学报,2007(01):132-135.[9] XuY.,WuS.,ChenC.,etal.Anovelmethodforautomaticdetectionoftrappedvictimsbyultrawidebandradar[J].GeoscienceandRemoteSensing,IEEETransactionson,2012,50(8):3132-3142.[10] JiaY.,KongL.,YangX.,etal.Through-wall-radarlocalizationforstationaryhumanbasedonlife-signdetection[C].RadarConference(RADAR),2013IEEE.IEEE,2013:1-4.[11] RalstonT.S.,CharvatG.L.,PeabodyJ.E.Real-timethrough-wallimagingusinganultrawidebandmultiple-inputmultiple-output(MIMO)phasedarrayradarsystem[C].PhasedArraySystemsandTechnology(ARRAY),2010IEEEInternationalSymposiumon.IEEE,2010:551-558.[12] KleisourisK.,FirnerB.,HowardR.,etal.Detectingintra-roommobilitywithsignalstrengthdescriptors[C].ProceedingsoftheeleventhACMinternationalsymposiumonMobileadhocnetworkingandcomputing.ACM,2010:71-80.[13] PeytonA.J.,YuZ.Z.,LyonG.,etal.Anoverviewofelectromagneticinductancetomography:descriptionofthreedifferentsystems[J].MeasurementScience&Technology,1996,7(3):261.[14] ChettyK.,SmithG.E.,WoodbridgeK.Through-the-wallsensingofpersonnelusingpassivebistaticwifiradaratstandoffdistances[J].GeoscienceandRemoteSensing,IEEETransactionson,2012,50(4):1218-1226.[15] AdibF.,KatabiD.SeethroughwallswithWiFi![J].ACMSIGCOMMComputerCommunicationReview,2013,43(4):75-86.[16] AdibF.,KabelacZ.,KatabiD.Multi-personlocalizationviaRFbodyreflections[C].Proceed