论文部分内容阅读
随着无线技术的飞速发展和WiFi设备普适化,WiFi信号广泛分布,在这样的背景下,国内外研究人员开始研究利用WiFi进行环境感知,其中基于WiFi物理层的CSI(Channel State Information,信道状态信息)的人体动作识别方法备受关注。本文展开基于CSI的人体动作识别方法研究,探索具有较高准确率和效率的人体动作识别方法。针对现有方法没有考虑数据降维,去噪方法不能非常有效地消除噪声以及不能识别包含多个动作的数据中的每个动作的问题,本文提出了固定路径的人体动作识别方法WiHAR。WiHAR在预处理阶段采用本文提出的CSI幅值预处理算法,该算法利用PCA降维,利用本文提出的新的小波阈值函数和阈值去噪,有效地减少了计算复杂度,提高了效率并且可以更有效地消除噪声。针对现有方法没有考虑动作区间分割导致的不能识别包含多个动作的数据中的每个动作的问题,本文首次提出了动作区间分割算法,并将其应用于WiHAR。该算法利用小波函数对去噪结果进行小波分解并提取细节系数,之后对细节系数计算包络线,根据包络线计算每个动作的发生区间。WiHAR分别对每个动作区间提取特征并利用高斯混合模型分类,识别每个动作。CSI幅值预处理算法和动作区间分割算法提高了WiHAR的识别准确率和效率,使WiHAR可以准确地识别固定路径上同一个人的动作以及包含多个动作的数据中的每个动作。针对绝大多数的现有方法不适用于非固定路径,极少数适用于非固定路径的方法的计算复杂度较高,效率较低以及动作数据差异导致的识别准确率下降的问题,本文提出了非固定路径的人体动作识别方法NFP-WiHAR。NFP-WiHAR利用CSI的9个子载波的幅值和相位进行动作识别,相比利用CSI全部子载波的幅值和相位的现有方法,既保证了非固定路径的识别准确率又减少了计算复杂度和识别所需时间,提高了效率。为了解决动作数据差异导致的准确率下降的问题,本文提出创建动作模板库和最相似动作提取算法,并将其应用于NFP-WiHAR。最相似动作提取算法计算真实动作与动作模板库中动作的最短距离,提取动作模板库中与真实动作最相似的动作。NFP-WiHAR对真实动作和最相似动作的各9个子载波的幅值和相位提取特征并利用随机森林分类,18个子载波之间执行多数表决机制选择最终分类结果,增加了NFP-WiHAR非固定路径和动作数据差异时的识别准确率,使NFP-WiHAR可以准确地识别非固定路径且不同人的动作。