论文部分内容阅读
无线信号在室内传播遇到障碍物发生反射、衍射、折射等现象,形成一定规律的信号变化模式,利用该信号变化模式能够感知室内环境、定位目标对象及识别人体动作等。其中,基于Wi-Fi信号的人体动作识别是无线感知领域中一个重要的研究热点,获得学术界和工业界的广泛关注。本文重点利用Wi-Fi信号的两个测量值:接收信号强度（Received Signal Strength Indicator,RSSI）和信道状态信息（Channel State Information,CSI）分析和评估人体动作与Wi-Fi信号变化模式之间的关系。通过结合信号处理技术和机器学习算法,本文提出三种人体动作识别方法弱化室内环境、室内布局、个体、日常动作类别以及Wi-Fi信号内在干扰因素等对人体动作识别精度的影响,提高人体动作识别精度的稳定性。本文主要研究内容和贡献包括:（1）构建了一个公开的Wi-Fi人体动作数据集WIAR。Wi-Fi动作数据因信号传播的时变性、过度依赖周围环境、采集设备限制以及采集高质量的Wi-Fi动作数据耗时费力等问题,导致Wi-Fi动作数据无法科学、严谨地复现已有研究成果,阻碍Wi-Fi动作识别技术的交流和发展。基于此,本文提出构建一个高质量的Wi-Fi人体动作数据集WIAR。WIAR数据集包括10位志愿者在三个室内环境下完成的16类日常动作数据和室内外的环境数据。设计了一套集数据分析、数据评估、数据存储和数据管理于一体的方案,确保WIAR数据集能够逐步扩展数据规模、增加人体动作类别、丰富室内环境多样性、提高动作数据的质量。（2）设计了一种基于信道状态信息和骨架关节数据交叉融合的人体动作识别方法HuAc。Wi-Fi信号对室内环境敏感度高无法获得稳定的识别精度,Kinect的骨架关节能够帮助Wi-Fi数据学习动作轨迹。Kinect骨架关节数据因关节重叠缺失关节数据,无法识别人体动作。Wi-Fi数据的穿墙感知能力能够弥补该问题,确保仍能识别人体动作。HuAc的Wi-Fi模块利用K-means选择一组子载波,提取高效的数据特征。HuAc的Kinect模块侦测缺失数据的关节,选择关键骨架关节,提取特征数据。Wi-Fi信号的特征数据和骨架关节的特征数据融合作为SVM的输入。实验结果表明,HuAc方法对人体动作的平均识别精度提高到93%;与基于骨架关节、基于CSI的动作识别方法相比,HuAc方法的动作识别精度分别提高了 3%和1.7%。（3）提出了一个基于Wi-Fi信号的模糊区域定位和人体动作识别方法ZOHAR。针对在固定位置下的人体动作识别研究不符合实际生活习惯,独立动作与连续动作在Wi-Fi信号模式上易产生混淆等问题,ZOHAR方案通过模糊区域定位模块和人体动作分割模块两个阶段完成个体的模糊区域定位和动作识别。模糊区域定位模块通过最大均值差异（Maximum Mean Discrepancy,MMD）和多径因子（Indicator Of Multipath,IOM）分析室内环境,结合室内布局与收发设备位置确定室内环境分割的区域,利用层次聚类方法构建基于区域的自适应数据库。人体动作分割模块设计了离散小波变换（Discrete Wavelet Transform,DWT）和移动方差联合方法确定动作边界。利用CSI振幅分布、CSI变化速率和频率分布区分独立动作和连续动,根据周期性、方向和时间间隔等三个动作属性对连续动作进行分割。模糊区域定位模块提供区域信息,结合人体动作分割模块提供的动作数据,利用稀疏表示分类方法（Sparse Representation Classification,SRC）实现模糊区域定位和人体动作识别。实验结果表明,ZOHAR方案在模糊区域定位上获得平均精度为85.3%、人体动作识别精度达到93.35%。（4）设计了一个基于深度学习面向多样化个体的人体动作识别方法LCED。针对单一室内环境下,因个体在习惯、体型等方面的差异,导致个体动作识别模型在个体因素上迁移差的问题,提出了一个深度学习模型LCED,以此来弱化个体之间差异对人体动作识别精度产生的影响。LCED模型通过长短期记忆网络（Long-Short Term Memory,LSTM）作为编码器从某个动作对应的CSI时序数据中获取重要信息构成特征空间,特征空间转化为特征图表示形式,卷积神经网络（Convolutional Neural Networks,CNN）作为解码器从特征空间中学习高效的数据特征等三个模块实现对该动作的识别。与经典分类算法相比,LCED模型整体识别精度提升了约为10%;16类动作的识别精度达到95%,并且精度差异平均降低了 3%。