室内安全关系到每个人的生命财产,一直是大众关注的焦点问题。学者们针对此问题提出了多种解决方案,常见的有视频监控和红外线监控。然而此类方案均需要额外的特制设备,如视频监控需要在室内中布置摄像头,而红外线监控需要布置红外线发生器。类似的额外设备开销限制了其应用推广,因而亟需一种开销小且可靠性高的解决方案。随着智能设备的普及,技术日渐受到大众的青睐。从商场、办公室到家庭,随处可见的踪影。如此普及的应用基础给学者们提供了广阔的想象空间,近年来各种基于的算法和系统层出不穷,如手势识别、室内定位和睡眠监测等。已经有学者关注人类检测问题并提出了相应的检测算法,然而这类算法只能判断是否有人进入某一感兴趣的区域,无法自动判断识别出进入者是用户还是入侵者,达不到理想结果。基于这一目标,本文提出一种基于的非法入侵检测识别算法,可以实时可靠地检测识别入侵者。理论依据为不同的用户有不同的生活习惯,具体表现为何时、何地做了何种动作。时间可以通过时间戳获得,地点可以通过总结信号随距离的衰减规律获得,用户动作会引起信号波动,相同动作引起的信号波动程度相似,因此动作可以通过学习训练信号波动逆向推导获得。至此,就成功为不同用户“量身定制”行为习惯模型。整个算法分为四个模块,分别是信号预处理模块、模型建立模块、入侵检测模块和报警确认模块。信号预处理模块的作用是先使用主成分分析法对信号去噪,再使用滑动窗口自下而上算法对信号分段,成为不同的信号片段序列;模型建立模块基于不同用户有不同生活行为习惯这一前提,使用隐马尔科夫模型为不同用户建模;入侵检测模块使用阈值检测识别非法入侵者;报警确认模块通过识别预定义手势,判断是否为误识别,从而进行报警确认。最后通过实验验证算法的有效性,识别精度最高可达,能够最大限度地减少用户财物的损失,达到了预期的效果。