基于连续图像深度学习的Wi-Fi人体行为识别方法
发布时间：2021-02-08 16:08
针对基于深度学习的Wi-Fi人体行为识别技术存在抗噪声能力弱、信号尺寸不兼容和特征提取不充分等问题,提出了一种基于连续图像深度学习的识别方法。首先把时变Wi-Fi信号重构为若干个连续图像帧,确保输入尺寸一致;进而设计低秩分解算法,对噪声湮没的关键运动信息进行分离;同时提出一种时间域和空间域信息融合的深度模型,自动捕捉变长图像序列的时空域特征,并在Wi AR数据集和自主采集数据集上对所提方法进行验证。实验结果表明,所提方法平均识别精度分别为0.94和0.96,具备普适场景下的高精度和稳健性。
【文章来源】：通信学报. 2020,41(08)北大核心
【文章页数】：12 页
【部分图文】：
SIL-Fi的总体框架
渲校?Wi、Wo、Wf、Wc和bi、bo、bf、bc分别为相应的权重和偏置矩阵，表示激活函数sigmoid，表示2个矩阵的逐元素相乘运算。图6LSTM结构在实际操作中，需要预先在CNN-LSTM中分别添加“序列折叠层”和“序列展开层”，以便实现图像序列批次和图像批次之间的转换。当最后一个卷积层输出特征图为3×3×64的张量时，需要经过flatten层的处理，转换成576×1的向量后再输入两层LSTM单元中。LSTM的单元数为128，两层图5空间特征提取模型结构
[17]和特征选取[18]，这使系统的稳定性、实用性和整体精度不高。如何利用最少的人为干预，实现稳舰普适、高精度的人体行为识别成为亟需解决的问题[19]。近年来，受图像深度学习[20]的启发，研究人员尝试将信号矩阵转化为灰度图像并利用卷积神经网络（CNN,convolutionalneuralnetwork）自动学习尺度不变、位移不变的局部空间特征[21-22]。然而，相比于专业相机拍摄的主体清晰、固定尺寸的连续图像，直接利用CNN处理Wi-Fi信号序列无疑更具挑战性。不同动作的初始时间振幅曲线如图1所示，其面临的技术挑战可概括如下。1)噪声干扰严重。尽管CSI能宏观地反映人体运动状态的变化，但是商用Wi-Fi设备所提供信号粒度有限，使感知目标所产生的信号振幅容易混杂于背景噪声和多径干扰中[9,16]。现有工作往往难以提取运动关键信息，导致深度网络无法从混杂扰动中学到目标信号的本质特征。2)信号尺寸不兼容。人体活动的发生具有随机性，因此每一次活动发生时刻均不一致，所产生的信号样本在时间尺度上并不统一，因此导致其与CNN模型所要求的固定尺寸输入存在矛盾[22]。现有工作通常截取固定长度的信号片段以适配模型输入，但是这可能遗漏有效信息（过短）或是增加运算成本（过长），从而影响系统部署的灵活性和时间效率。3)特征提取不充分，用户执行复合动作时通常存在上下文的逻辑关系，如完成深蹲动作需要依次执行站立等待、快速蹲下、快速起身、站立等待的动作，因此会出现先平稳、后快速震荡、最终平稳的波形变化。然而，单一的CNN模型无法对这种时间尺度上的依赖关系进行有效建模，导致复杂环境下的系统精度受限。针对上述问题，本文将Wi-Fi信
【参考文献】：
期刊论文
[1]基于图像深度学习的无线电信号识别[J]. 周鑫,何晓新,郑昌文. 通信学报. 2019(07)
[2]基于信道状态信息的无源室内人员日常行为检测方法[J]. 党小超,黄亚宁,郝占军,司雄. 通信学报. 2019(04)
[3]基于智能手机内置传感器的人体运动状态识别[J]. 殷晓玲,陈晓江,夏启寿,何娟,张鹏艳,陈峰. 通信学报. 2019(03)
[4]视频行为识别综述[J]. 罗会兰,王婵娟,卢飞. 通信学报. 2018(06)
[5]基于WiFi信号的人体行为感知技术研究综述[J]. 鲁勇,吕绍和,王晓东,周兴铭. 计算机学报. 2019(02)
[6]基于Wi-Fi的非接触式行为识别研究综述[J]. 王钰翔,李晟洁,王皓,马钧轶,王亚沙,张大庆. 浙江大学学报(工学版). 2017(04)
本文编号：3024186
【文章来源】：通信学报. 2020,41(08)北大核心
【文章页数】：12 页
【部分图文】：
SIL-Fi的总体框架
渲校?Wi、Wo、Wf、Wc和bi、bo、bf、bc分别为相应的权重和偏置矩阵，表示激活函数sigmoid，表示2个矩阵的逐元素相乘运算。图6LSTM结构在实际操作中，需要预先在CNN-LSTM中分别添加“序列折叠层”和“序列展开层”，以便实现图像序列批次和图像批次之间的转换。当最后一个卷积层输出特征图为3×3×64的张量时，需要经过flatten层的处理，转换成576×1的向量后再输入两层LSTM单元中。LSTM的单元数为128，两层图5空间特征提取模型结构
[17]和特征选取[18]，这使系统的稳定性、实用性和整体精度不高。如何利用最少的人为干预，实现稳舰普适、高精度的人体行为识别成为亟需解决的问题[19]。近年来，受图像深度学习[20]的启发，研究人员尝试将信号矩阵转化为灰度图像并利用卷积神经网络（CNN,convolutionalneuralnetwork）自动学习尺度不变、位移不变的局部空间特征[21-22]。然而，相比于专业相机拍摄的主体清晰、固定尺寸的连续图像，直接利用CNN处理Wi-Fi信号序列无疑更具挑战性。不同动作的初始时间振幅曲线如图1所示，其面临的技术挑战可概括如下。1)噪声干扰严重。尽管CSI能宏观地反映人体运动状态的变化，但是商用Wi-Fi设备所提供信号粒度有限，使感知目标所产生的信号振幅容易混杂于背景噪声和多径干扰中[9,16]。现有工作往往难以提取运动关键信息，导致深度网络无法从混杂扰动中学到目标信号的本质特征。2)信号尺寸不兼容。人体活动的发生具有随机性，因此每一次活动发生时刻均不一致，所产生的信号样本在时间尺度上并不统一，因此导致其与CNN模型所要求的固定尺寸输入存在矛盾[22]。现有工作通常截取固定长度的信号片段以适配模型输入，但是这可能遗漏有效信息（过短）或是增加运算成本（过长），从而影响系统部署的灵活性和时间效率。3)特征提取不充分，用户执行复合动作时通常存在上下文的逻辑关系，如完成深蹲动作需要依次执行站立等待、快速蹲下、快速起身、站立等待的动作，因此会出现先平稳、后快速震荡、最终平稳的波形变化。然而，单一的CNN模型无法对这种时间尺度上的依赖关系进行有效建模，导致复杂环境下的系统精度受限。针对上述问题，本文将Wi-Fi信
【参考文献】：
期刊论文
[1]基于图像深度学习的无线电信号识别[J]. 周鑫,何晓新,郑昌文. 通信学报. 2019(07)
[2]基于信道状态信息的无源室内人员日常行为检测方法[J]. 党小超,黄亚宁,郝占军,司雄. 通信学报. 2019(04)
[3]基于智能手机内置传感器的人体运动状态识别[J]. 殷晓玲,陈晓江,夏启寿,何娟,张鹏艳,陈峰. 通信学报. 2019(03)
[4]视频行为识别综述[J]. 罗会兰,王婵娟,卢飞. 通信学报. 2018(06)
[5]基于WiFi信号的人体行为感知技术研究综述[J]. 鲁勇,吕绍和,王晓东,周兴铭. 计算机学报. 2019(02)
[6]基于Wi-Fi的非接触式行为识别研究综述[J]. 王钰翔,李晟洁,王皓,马钧轶,王亚沙,张大庆. 浙江大学学报(工学版). 2017(04)
本文编号：3024186
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3024186.html
