论文部分内容阅读
随着人工智能领域的快速发展,人体动作识别技术已经成为促进健康医疗、智能家居、安防监控等领域发展的关键。传统的动作识别主要是通过使用摄像机或者一些可穿戴传感器设备来实现,然而基于摄像机的动作识别技术受限于用户隐私及光照条件,基于可穿戴传感器的方案又被频繁信息交互下的高能耗问题所影响。此时基于WIFI的行为识别作为一种新的动作识别方法吸引了众多科研单位及商业公司的关注,该方法具有能耗低、易操作、不需要光源的特点,可以与传统动作识别方案进行功能互补从而达到更理想的识别效果。在布置好WIFI信号发射及接收设备的室内环境中充斥着多条无线信道,当人在该环境中做不同动作时无线信道的信道状态信息(CSI)会进行相应的改变,而从这CSI的变化中能提取出相应的动作信息。所以本文将提取WIFI信号中的CSI数据,结合信号处理及机器学习的方法来对不同的动作进行识别。本论文所做的主要工作如下所示:(1)为了解人体动作与CSI数据之间的关系,深入研究了CSI-Speed模型。针对环境噪声及设备噪声过大的问题,利用主成分分析(PCA)算法在去噪及去冗余上的优越性能,提出低通滤波及PCA算法联合去噪的方法来大幅提高系统对噪声的抵抗能力。(2)结合CSI-Speed模型原理及相关实验结果,证明了时频信息及速度信息可作为一种稳定的特征来进行动作识别。并利用离散小波变换在时频分析上的优越性能来对CSI数据进行时频特征提取。由于行为特征经处理后是时序特征,实现了一套基于隐马尔科夫模型(HMM)的识别系统来进行行为识别工作,并通过实验证明识别效果不错。(3)为了提高动作识别模型中环境鲁棒性,本文提出了WiAR模型来进行动作识别。WiAR利用速度信息在不同环境下的稳定表现提出了一种基于速度分布的特征。该特征是利用Kmeans算法的聚类能力对时频信息进行词袋化处理而得到,这是提升环境鲁棒性的关键所在。再将新特征输入支持向量机(SVM),利用SVM对小样本分类效果好及泛化能力强的特点对不同动作进行分类,从而提升了环境鲁棒性。