论文部分内容阅读
随着现代信息技术的发展,融合传感器、信息处理和通信网络等各种技术的物联网将感知提升到了新的高度。各种智能化设备,如智能冰箱、智能音箱等渐渐走进千家万户,为人们提供新型的智能化优质服务。作为未来智能化生活的主要发展趋势,基于各种传感器技术的人体动作识别成为信号处理等相关领域的研究热点之一。早期的人体动作识别主要依靠可穿戴式设备实时捕获和感知人体的各种姿态。但是,在浴室等特殊环境下,人们难以实时携带穿戴设备。因此,无需穿戴设备的免设备人体动作识别(Device-Free Activity Recognition,,DFAR)引起相关领域研究学者以及应用厂商的广泛关注。机器视觉、红外、雷达、射频等相关技术都可以实现DFAR。射频技术具有功耗低、准确性高等特征,所以本文主要研究基于射频层析成像(Radio Tomographic Imaging,RTI)的人体动作识别技术。RTI是一种依据无线信号和监测场景相互关系的新兴成像技术,主要通过无线传感器网络,获取观测区域内无线电信号的衰弱变化情况,并通过求逆过程获得被观测场景的图像。由于RTI是一个经典的病态求逆问题,因此极易受到观测场景的影响,误差较高。本文以著名的压缩感知(Compressed Sensing,CS)理论为基础,构建RTI图像重建模型,通过研究共稀疏解析压缩感知方法,探索RTI人体动作识别技术。本文首先对比分析了Tikhonov正则化、TV(Total Variation,TV)正则化和奇异值分解(Singular Value Decomposition,SVD)等三种经典的RTI重构算法的基本性能,确定重构图像和参考图像之间频域相关性(Frequency Domain Correlation,FDC)指标与RTI定位误差之间的关系。之后,引入压缩感知理论中的共稀疏解析模型(Cosparse Analysis Model,CAM)对RTI系统进行建模,并利用贪婪解析追踪(Greedy Analysis Pursuit,GAP)重构算法进行反问题求解。最后,构建了基于TI公司CC2530无线传感器节点的DFAR系统,对算法进行了验证。实验结果表明,GAP重构算法FDC指标较传统Tikhonov正则化方法提高了0.0546,系统平均定位误差降低了0.02m,对蹲和躺两个动作的识别准确率分别提高了 0.12和0.02。从而证实了本文提出的方案能有效提高重构信号的质量,减小定位误差和提升系统识别准确率。