[发明专利]一种基于多核迁移学习的室内人员入侵检测方法

说明书

本发明所述一种基于多核迁移学习的室内人员入侵检测方法，分为离线与在线阶段。在离线阶段，根据环境状态为采集的入侵与静默接收信号强度(Received Signal Strength,RSS)打上不同的标签，提取RSS特征并利用RSS特征与对应的标签集构建源域。在在线阶段，提取在线RSS的特征，并利用在线RSS特征及对应的伪标签集构建目标域。然后利用多核迁移学习将源域与目标域RSS迁移到同一个子空间，利用迁移后的源域RSS特征与标签集训练一个分类器，对目标域RSS特征进行分类，从而得到目标域RSS特征对应的新的标签，更新目标域。最后，重复上述步骤，直至算法收敛，得到目标域RSS特征最终的标签集，即实现对目标环境的入侵检测。本发明所提供的一种基于多核迁移学习的室内人员入侵检测方法，能够在降低真实环境中噪声对检测性能的影响的同时，实现对入侵人员的准确检测。

技术领域

本发明属于室内入侵检测技术，具体涉及一种基于多核迁移学习的室内人员入侵检测方法。

背景技术

近年来，无线网络传输技术的迅猛发展给无线保真(Wireless Fidelity,Wi-Fi)技术带来了广阔的应用前景。与此同时，由于Wi-Fi覆盖范围广，传输速度快，设备部署简单，价格低廉，基于Wi-Fi的各种技术应运而生，如基于Wi-Fi的室内定位、行为识别、目标跟踪、入侵检测等，其中，基于Wi-Fi的室内入侵检测技术无需检测目标携带设备或主动参与检测过程，利用安装的无线网络基础设施，分析接收到的无线信号的变化，即可完成室内入侵检测。基于Wi-Fi的室内入侵检测技术无需安装额外的设备，可广泛应用于智能家居、人员搜救、军事防护、企业安防等领域，具有极高的商业应用价值。

室内入侵检测技术主要有基于视频、Global Positioning System(GPS)、红外线、超声波、传感器网络、Wi-Fi等入侵检测技术。基于视频的室内入侵检测技术无法保障用户隐私，并且在烟雾、黑暗等环境下无法使用。基于GPS、红外线、超声波、传感器网络等入侵检测技术都需要安装额外的设备，成本高昂，限制了其推广。基于Wi-Fi的室内入侵检测技术无需安装额外设施，不受非视距环境影响，并且能够保护用户隐私，因此受到了国内外学者广泛关注。基于Wi-Fi的室内入侵检测技术在环境中布置若干个无线接入点(AccessPoint,AP)与监测点(Monitor Point,MP)，AP发射信号，MP接收信号，应用服务器分析环境静默与有目标入侵时无线信号的变化，从而检测出环境中是否有目标入侵。

然而，由于环境中存在噪声，离线阶段采集到的无线信号与在线阶段采集到的无线信号具有较大差异性，导致基于Wi-Fi的室内入侵检测技术不能准确检测出环境中是否有目标入侵。现有基于Wi-Fi的室内入侵检测技术没有考虑消除环境噪声对信号的影响(或是不能完全消除环境噪声对信号的影响)，使得入侵检测准确率不高。因此，丞需一种能够消除环境噪声对无线信号影响，准确检测出环境中有无目标入侵的检测方法。

发明内容

本发明的目的是提供一种基于多核迁移学习的室内人员入侵检测方法，该方法能够克服环境噪声对信号的影响，实现对入侵人员的准确检测。

本发明所述的一种基于多核迁移学习的室内人员入侵检测方法，包括以下步骤：

步骤一、在环境中布置m个无线接入点(Access Point,AP)和n个监测点(MonitorPoint,MP)；

步骤二、离线阶段，利用在n个MP采集到的来自m个AP的离线接收信号强度(Received Signal Strength,RSS)及对应的标签集构建源域

步骤三：在线阶段，利用n个MP采集到来自m个AP的在线RSS矩阵及对应的伪标签集构建目标域

步骤四、计算源域与目标域RSS特征混合分布之间的多核最大均值差异(MultipleKernel Maximum Mean Discrepancy，MKMMD)；