摘要
随着人工智能、物联网等技术的快速发展，低成本、易部署的非接触式人体行为感知技术在日常生活有着大量需求，并已展现出较好的市场潜力。其中,基于Wi-Fi信号的人体行为识别技术作为一种典型的非接触式感知方式，相较于计算机视觉、专用穿戴传感器等传统行为感知手段具有设备易部署、价格低廉、隐私安全性更高等优势，近年来受到研究者的广泛关注。但是，现有基于Wi-Fi信号的人体行为识别研究大多是针对单一行为场景，而实际生活中的人体行为通常是多个单一行为组合而成的连续行为。相比于单一行为识别，连续行为识别涉及行为拆分，其实现难度更高，目前还鲜有研究。本文聚焦典型Wi-Fi感知场景下的人体连续行为识别研究，主要研究内容如下: （1）针对现有研究中存在的因相位信息难以利用及子载波间行为特征提取不充分而导致的识别精度不高问题，提出一种基于异构特征融合的人体单一行为识别模型APCNet。对单一行为的高精度识别是实现连续行为识别的必要前提。在APCNet中，首先对Wi-Fi信号进行降噪处理，提取CSI信号中的振幅信息与相位信息，通过对相位信息进行相位校正从而丰富人体行为在频域维度的特征;其次，使用异构特征融合的方式组合振幅信息与相位信息，设计幅相融合络模型进行人体行为特征学习，同时将输入模型的行为数据进行二维化重构，以充分提取到不同子载波间存在的行为特征。实验结果表明，和仅使用振幅或相位特征相比，使用幅相融合特征后的APCNet识别准确率提升3.5％以上,实现了人体单一行为的高精度识别。 （2）针对现有研究中存在的连续行为难以拆分、行为特征学习不充分而导致的连续行为识别难以实现问题，提出一种基于多尺度特征提取的人体连续行为识别模型WiCNet。模型首先使用时间滑窗技术对人体连续行为进行分割，将具有长时序特征的连续行为转化为多个短时序特征，并对分割后的短时序特征进行异构特征融合,以使模型能充分学习连续行为特征;其次，基于非对称卷积思想设计识别网络模型，以在保持模型高识别能力同时能大幅降低复杂度;最后，使用多分支网络结构将不同尺度的行为特征融合，提取更加细腻的特征信息，进而实现人体连续行为识别功能。实验结果表明，在典型室内场景下，WiCNet能够以99.58％的准确率实现人体连续行为识别，相比于同类模型表现更好，并且网络参数量下降90％以上。另外，针对5种不同环境数据的测试结果表明，WiCNet也具有较好的跨场景识别能力。 (3)为验证本文设计的人体连续行为模型，本文设计并实现了一个基于Flask框架的人体连续行为识别系统。该系统具有用户登录、用户管理等基本功能及数据上传、模型调用及测试等高级功能，可直观展示本文人体连续行为识别模型执行全过程。
NETL