基于CSI的日常行为识别方法

针对现有依靠穿戴设备、雷达和视频图像人体行为感知的方法对环境要求高,成本高,且不利于保护隐私等问题,提出一种基于信道状态信息无设备且低成本的日常行为识别方法.通过商用WiFi设备采集原始CSI数据,在无需信号进行去噪处理的情况下通过提取原始CSI最大程度能提高识别精度的三阶累积量特征,应用基于互信息的特征选择算法(MI...     

基于BP回归神经网络的人体角度拟合研究

基于深度学习和深度摄像机的人体动作识别方法,受其应用场景所限,均不能对视频中快变场景和静态图像中的人体动作进行识别.本文中定义了人体肢体角度空间,使用基于深度学习的人体骨骼识别框架的骨骼数据,构建8个4层BP回归神经网络.对人体的骨骼数据提取和预处理后,再对训练数据进行增维处理,通过回归神经网络进行拟合,实验和测试结果表明,该方法可以有效的对人体角度进行回归,为快变场景和静态图像中的人的动作识别提供可靠依据.     

深度残差收缩网络下的定位与行为联合识别

基于WiFi信道状态信息（channel state information,CSI）的人体感知方法在许多物联网场景得到了应用,但现有大部分基于CSI人体感知的系统仅进行定位或行为识别其中一项工作,而物联网的发展对两者能同时识别提出了新的要求。针对这一问题,提出一种基于深度残差收缩网络的定位与行为联合识别方法。通过普通商用WiFi设备获取两种场景（暗室、会议室和走廊）的CSI数据,将预处理后的数据输入结合了深度残差收缩网络的学习模型,进行12个位置与和6种日常行为（站起、坐下、跳跃、深蹲、跌倒、捡起）的联合任务识别。实验结果显示,针对在暗室、会议室和走廊三种场景下的室内定位的平均识别率达到97.29%,行为识别的平均识别率达到90.02%。能够实现定位与行为的高精度联合识别。     

基于场景先验知识的室内人体行为识别方法

目前,室内人体行为识别技术被广泛应用于视频内容理解、居家养老、医疗护理等领域,现有研究方法更多的是对人体行为进行建模,忽略了视频中场景与人体行为间的联系。为了充分利用场景信息与室内人体运动的关联性,文中对基于场景先验知识的室内人体行为识别方法进行了研究,提出了一种基于场景先验知识的双流膨胀3D行为识别网络(Scene-Prior Know-ledge Inflated 3D ConvNet, SPI3D)。首先使用ResNet152网络提取场景特征进行场景分类,再基于场景分类的结果,引入量化后的场景先验知识,通过对权值进行约束来优化总体目标函数。另外,针对现有数据集多聚焦于人体行为特征、场景复杂且场景特征不明显的问题,自建了室内场景-行为识别数据集(Scene-Action DataBase, SADB)。实验结果表明,在SADB数据集上,SPI3D网络的识别准确率为87.9%,比直接利用I3D网络的识别准确率高6%。由此可见,引入场景先验知识后的室内人体行为识别模型具有更好的表现。     

基于WiFi信号的入侵检测机理及实验研究

室内安全关乎人们的生命财产安全,通过室内入侵检测可以达到预警、避免损失的目的。与常见的入侵检测方法不同,利用了无线通信信号WiFi的信道状态信息(Channel Status Information,CSI)与人体行为的关联,可以达到入侵检测的目的。研究了信道冲击响应与信道频率响应及CSI的关系,并利用CSI数据集EHUCOUNT和机器学习方法仿真验证了CSI与人行为的关联,结果表明6种典型场景下SVM (Support Vector Machine)入侵检测准确率为93. 35%～99. 23%; CNN (Convolutional Neural Network)入侵检测准确率为89. 17%～99. 14%。通过研制的专用谱传感节点采集WiFi信号进行实际场景测试,证明入侵检测准确率为98%,这表明基于WiFi信号的入侵检测具有应用价值。     

基于3D卷积神经网络的CSI跨场景手势识别方法

手势识别在人机交互中有着广泛的应用前景,近年来随着无线通信与物联网的飞速发展,几乎任何地方都部署了WiFi设备,并涌现了大批关于WiFi信道状态信息(Channel State Information, CSI)的手势识别方法,目前大多数基于CSI手势识别的研究仅针对了已知场景下的手势识别研究,对于未知场景,需要增加未知场景中的新数据进行额外的学习训练,否则识别精度将会大幅下降,限制了其实用性。针对这一问题,提出了一种基于3D卷积神经网络的CSI跨场景手势识别方法,该系统通过提取与场景无关的特征,并结合3D卷积神经网络学习模型来实现跨场景手势识别,在实验中使用网络公开数据集来验证该方法,结果显示该方法对于6个不同动作手势,在已知场景中的平均识别准确率达到了86.50%,在未知场景中的平均识别准确率达到了84.67%,能够实现跨场景的手势识别。     

基于信道状态特征的手势动作识别技术研究

手势识别作为人和机器之间重要的交互手段,在日常生活中具有广泛的应用场景。基于无线信号特别是WiFi的手势识别由于其无接触、成本低等优点成为当前热门的方式。为解决传统基于无线信号手势识别算法没有充分利用信号相位特征的缺点,本文提出利用WiFi信道状态信息幅值和相位结合的方式进行手势识别。通过子载波降维和动作曲线提取对接收的WiFi信号进行处理,并将信号的幅值和相位结合,利用机器学习算法对数据进行训练和分类,实现了单手向前、单手向后、单手向左、单手向右、单手向上和单手向下六种手势的识别。实验结果显示,本文算法在近距离和远距离下的精确度分别为96%和92%。     

基于信道状态信息子载波特征差分的 人体移动检测方法

无线信号在室内易受到多径效应、小尺度衰落等影响,使得现有基于射频信号的人体移动检测方法无法保证缓慢行为识别的鲁棒性和可靠性.该文通过分析人体行为与CSI子载波的相关性发现不同子载波对人体行为存在敏感差异性,进而提出基于离散小波变换的信道状态信息子载波特征差分算法,设计设备无关的人体移动检测.在多径丰富和稀疏两种室内场景下的实验结果表明,该方法对人体移动检测的平均精度可达到93%.     

基于LTE技术的面部识别系统的研究与设计

面部识别是基于生物特征识别技术的身份认证中最主要的方法之一,针对现有面部识别系统的存储量小、识别速度慢,无法满足对大量人体特征的数据存储、人员身份及时核查。利用了先进的长期演进(LTE)无线技术、面部识别技术、智能网格计算等,从而实现无线网络的海量存储、快速计算,并满足用户的适时性需求。     

应用于动态心电监测的自动身份识别系统

心电信号由于其易于监测和重要的临床应用价值成为物联网获取健康信息的重要内容。人体心电信号虽然是非稳态时变信号,但现有研究表明其可以作为一种新型的生物识别特征用于对识别分辨率要求不高的应用场合。本项目开发了一套应用于动态心电监测的自动用户身份识别系统。该系统侧重在手机端利用接收到的心电信号实现自动用户身份识别,并在远程接入服务器时基于身份识别结果将心电数据存入对应的用户数据库。所开发的身份识别系统可加载于现有加密模块之上,从而实现保密加认证的双重安全需求。     

WiDriver:一种基于WiFi的驾驶员情绪波动识别框架

驾驶过程中因为情绪波动过大而造成的驾驶状态失常现象,如路怒症等,是导致道路交通事故的重要因素之一,甚至可能造成严重的人员伤亡.现有的情绪波动识别检测工作主要是基于视觉和生物信号传感器的检测手段.然而,基于视觉的方法具有视觉阻塞或失真问题,基于生物信号的方法具有侵入性、隐私侵犯等问题,且其使用的设备也会带来不便或额外成本.本文提出一种新的基于WiFi信号的情绪波动识别框架WiDriver,以克服现有方法的不足.WiDriver首先通过菲涅耳区设计天线位置区域以达到最佳信号采集效果.其次,通过收集驾驶员油门与刹车动作的信道状态信息(Channel State Information)进行情绪识别系数计算,通过基于识别系数与LSTM的情绪判别器进行情绪波动识别.实验将WiDriver部署在商业WiFi基础设施中,并评估其在真实驾驶环境中的性能.实验结果表明WiDriver在真实场景中的平均识别率达到83.9%.     

基于WLAN接收信号强度特征的室内活动识别

针对主流的活动感知技术依赖于专业测量设备,难以广泛部署与使用的问题,提出一种基于现有WiFi热点接收信号强度特征的活动识别技术。利用机器学习算法对实时接收到的WiFi信号强度特征进行分类,通过特征匹配识别用户当前活动。实验结果显示,所提算法能够以80%以上概率判断室内是否有人,以95%以上概率判断室内的人处于什么状态,并以80%的概率识别人的运动方向。所提算法所需信号广泛存在,可有效识别室内活动,具有低功耗、高精度的优点。     

基于近似熵子载波选择的人体手势识别方法

针对现有基于商用WiFi设备的人体手势识别方法存在的子载波选择不够优化、动作区间截取不够精确等问题,提出一种基于近似熵子载波选择的人体手势识别(AEGR)方法.利用提出的最小近似熵法构建识别方法待处理的CSI幅值数据,对构建的数据采用小波去噪和中值滤波组合法进行去噪;利用滑动窗极差法精确截取CSI幅值的动作区间,据此提...     

基于CSI信号的被动式室内指纹定位算法研究

基于信道状态信息(CSI)的定位技术在室内场景应用中被广泛关注,为了提高WiFi信号多径效应对接收信号强度指示的室内定位精度和稳定性,提出一种基于CSI信号的被动式室内指纹定位算法。该算法在离线阶段将定位场所划分为同等大小的区域块,在各连接点位置使用方差补偿的自适应卡尔曼滤波（Kalman）算法对原始数据进行滤波。再对滤波后的数据使用二分K均值聚类（K-means）算法进行分类,将处理得到的CSI幅值和相位信息共同作为指纹;在线阶段根据待测点采集的实时数据与指纹库进行匹配识别,被定位对象无需携带任何设备。仿真实验与实地实验表明,该算法利用信道状态信息中的子载波特征进行定位,能够有效减轻信号接收端的多径衰减影响,定位精度有明显提高。      

用菲涅尔区模型探究WiFi感知系统的稳定性

基于WiFi的非接触感知系统利用环境中广泛存在的WiFi信号在自然情况下对用户活动进行感知,具有十分广阔的应用前景。从细粒度活动到粗粒度活动,现有工作进行了大量的探索,但尚未理解和解决感知系统稳定性不足的问题。当感知对象、收发设备位置、测试环境等发生变化时,系统性能会受到严重影响。实际上,人体活动对应的接收信号模式因位置和朝向的变化而带来的不一致性导致了系统不能稳定工作。为了理解这种现象的本质,利用团队提出的基于无线感知的菲涅尔区衍射和反射模型,精确定量刻画了目标物体相对于收发设备的位置、运动轨迹和无线信号波形模式之间的关系。通过两个应用实例,即细粒度的手指动作识别和粗粒度的健身活动识别,在模型的指导下,分别解释了系统不能稳定工作的原因,说明了如何得到一致的感知波形,以及如何构造可区分的感知波形,并给出了提升感知系统性能的方法。     

基于设备与信道特征的物理层安全方法

接入安全与数据保密是无线网络安全性和保密性的两个最重要的因素.然而,基于计算安全的身份认证及保密通信方法在未来信息化系统中面临巨大挑战.与此同时,基于信息论安全的物理层安全为身份认证和保密通信开辟了新的思路.本文综述了近年来基于设备与信道特征的物理层安全方法的研究进展.利用无线通信设备、信道的特性可以从物理层实现设备身份的识别与认证以及密钥的分发与更新,同时具备高度安全性与使用便捷性.其中,设备指纹方法从发射信号中提取发送设备的特征,作为设备身份的唯一标识,从而准确识别不同发射源个体.指纹的唯一性、鲁棒性、长时不变性、独立性、统一性和可移植性是设备指纹身份认证的依据.而基于信道特征的密钥生成方法则从接收射频信号中提取互易的上下行信道的参数,转化为对称密钥,实现一次一密的安全传输.同样地,密钥的一致性、随机性、防窃听性则是反映无线信道密钥生成方法性能的关键要素.本文对设备指纹与信道密钥的关键要素归纳分析,并指出目前存在的几类难点问题.最后,本文讨论了在未来移动通信中该技术新的应用场景.     

基于场景-部件的人体行为识别方法

基于部件的行为识别方法给图像行为识别领域提供了一种新的思路，即将人体行为识别看成是一种人体各个部件行为的组合。但是这种方法完全忽视了除人以外的任何东西，导致了某些姿态过于相似的行为无法区分。针对这一不足，在基于部件(Part-based)的行为识别方法基础上，提出了基于场景-部件(Scene-Part based)的行为识别方法。实验过程中利用卷积神经网络将部件和场景的外观特征转换为行为特征，并通过全连接层将所有特征连接，进行人体行为类别的最终判定。在Standford40和PASCAL VOC2012两种行为识别数据集上的实验结果表明，相对于基于部件的行为识别方法而言，基于场景-部件的行为识别方法能更好地区分相似行为，从而进一步提高行为识别的准确率，提升精度约为1%。     

基于星座轨迹图的射频指纹提取方法

无线设备的接入安全是当今无线网络安全的一个严重挑战。基于射频指纹的物理层安全技术是解决无线设备接入安全的一个有效途径。在不同于已有的基于瞬态响应和稳态响应的射频指纹特征提取方法上,本文提出了一种使用星座轨迹图（CTF,Constellation Trace Figure）的射频指纹提取方法。在获得的星座轨迹图上,进一步通过K均值聚类提取射频指纹特征并进行设备身份识别。在理论阐述的基础上,本文通过在实际无线通信系统中提取射频指纹特征并进行无线设备身份识别,验证了提出方法的可靠性与实用性。使用基于星座轨迹图的射频指纹特征提取方法不需要获得设备发送信号的先验信息就可以快速获得无线设备唯一的射频指纹特征,可以被用于物理层安全以及无线接入设备的身份识别及认证。     

基于区块链技术的物联网设备身份认证方法

由于不同设备在同一区域内进行协作,会受到设备分布广和应用场景复杂等的影响,需要对其身份进行认证,研究基于区块链技术的物联网设备身份认证方法,将物联网设备的固有基因作为认证前提,按照不同的维度特征进行设备归类,定义物联网中不同设备的身份特征;基于区块链技术对特征进行处理,采用密钥对认证请求进行加密处理,分别在维度特征、搜索请求以及信息加密的步骤下,逐步完成物联网设备的身份认证,完成方法设计。实验结果表明,将四组不同的物联网设备作为测试对象,新方法能够实现快速的身份认证,且在具有攻击模式下同样可以完成快速的身份认证,具有应用价值。     

基于相控阵的WiFi CSI 定位系统的性能预测

WiFi作为当前最重要的通信方式之一,基于WiFi信号的室内定位系统最有望在日常生活中得到广泛地部署应用.最新研究表明,当采用WiFi通信过程中获取的信道状态信息(CSI)对目标进行定位时,系统可实现亚米级的定位精度.然而,实验场景下的定位精度受到测试样点位置、WiFi设备布局、天线布局等诸多因素的影响.因为目前仍缺少WiFi CSI定位性能预测方法, WiFi定位系统部署后往往难以获得预期的精度.为此,面向多样化场景提出WiFi CSI定位性能的预测模型.首先,从CSI定位的基本物理模型出发,定义天线对的误差微元函数,并通过对定位空间的分析生成误差微元矩阵以及定位性能热度图;其次,对天线对进行拓展,通过引入多天线融合方法、多设备融合方法构建通用的CSI定位性能预测模型;最后,为了将真实场景地图考虑在内,提出将上述热度图与场景地图相融合的方法,从而实现场景定制化的性能预测.在理论分析的基础上,结合2个不同场景下的实验数据验证了定位性能预测模型有效性.实验结果表明,实际定位精度的变化趋势与理论模型相吻合,通过理论模型分析可将定位精度优化32%–37%.