摘要
感知能力是人类认识世界的重要基础，高效便捷的感知体验是人类孜孜追求的美好目标。当前，随着各种网络的广泛覆盖及计算能力的大幅提升，以万物互联和泛在计算为标志的智能感知时代已经到来，也带来了感知方式的革命性变化。从传统的接触式感知到非接触式感知再到新型非接触式感知，感知方式的便捷性显著提升，智能化程度也越来越高。在日渐增长的老人照护智能化及疫情防控常态化的社会需求推动之下，研究非接触式、零负担、低成本的人体（以下称为目标）行为感知技术具有重大意义。 近年来，Wi-Fi感知作为一种新型感知技术，凭借其设备高普及率、弱光照敏感性及低成本部署等诸多优势，成为非接触式感知研究的新兴方向。针对目前Wi-Fi行为感知研究中存在的模型识别精度较低、模型复杂度较高、多目标行为识别难以实现及模型泛化能力较弱四个主要问题，本文以行为感知场景的复杂度提升为研究主线，以典型行为感知流程中的数据重构、模型构建等关键技术突破为研究重点，形成了全流程、多场景覆盖的目标行为感知技术体系。本文的主要研究成果如下: （1）提出了一种基于频率能量图的步态感知数据重构机制，并构建了基于卷积神经网络的高精度目标身份识别模型。在现有利用Wi-Fi感知技术进行的身份识别研究中，存在因一维时序感知数据特征辨识度较低而导致模型在样本分类数增大后识别准确率显著下降问题。为此，本文根据Wi-Fi感知信号的技术特性，提出了一种能同时涵盖步态行为时间和空间感知特征的数据重构机制—频率能量图，并将其引入卷积神经网络，构建了一个在不同规模样本分类数的数据集上均能保持高精度身份识别的模型WiNet。实验表明，WiNet在50人样本数据集（即数据集含50种分类）上达到97.5％的识别准确率，并且对目标不同体表因子具有较好鲁棒性。 （2）提出了一种基于多维幅相帧的行为感知数据重构机制，并构建了基于非对称卷积网络的轻量级单目标行为识别模型。现有基于Wi-Fi感知技术的行为识别研究中，存在相位误差难以消除及模型复杂度较高问题，不能满足资源受限场景下的部署要求。为此，本文首先提出了一种基于CSI(ChannelStateInformation)商的相位误差消除方法，并设计了一种基于多维幅相帧的感知数据重构机制。然后，对重构后的振幅帧和相位差帧数据进行线性融合，并构建了一个基于非对称卷积网络的轻量级单目标行为识别模型APFNet。实验表明，APFNet的识别能力相比同类模型有显著优势，且模型复杂度能满足资源受限场景要求。 (3)提出了一种基于盲源分离的多目标行为混合感知数据分离算法，并构建了基于异构子网络的多目标行为识别模型。在基于Wi-Fi感知的多目标行为识别研究中，复杂的多径效应及目标间的互扰影响使得行为感知面临极大挑战。为此，本文提出了一种能对多目标混合感知数据进行有效分离的CCR-ICA算法。根据盲源分离算法的内部机理，利用相邻子载波数据的强相关特性，CCR-ICA采用数据生成和互相关系数适配方法对分离后的感知数据进行重构，解决了传统盲源分离算法的结果模糊性问题。然后，以分离后的各目标感知数据为输入，采用异构子网络构建了行为识别模型WISDOM。实验表明，WISDOM在场景中同时有2人和3人时分别实现了98.19％和90.77％的行为识别准确率，较好解决了现有多目标行为识别难以实现的问题。 (4)提出了一种跨域信息转换的行为通用特征跨场景表征机制，并构建了基于参数分层冻结机制的目标行为感知模型泛化机制。室内多径效应的普遍存在，使得感知模型在跨场景识别中面临巨大挑战，也极大阻碍了Wi-Fi行为感知模型的实际应用。为此，本文围绕跨场景行为通用特征的准确表征及有效提取机制，对相位差数据进行STFT(ShortTimeFourierTransform)变换生成频域上的时频图，并采用子模块分层异构串联的网络结构，构建了一个泛化能力较强的目标行为识别模型WiPD。实验表明，WiPD对本文所选数据集具有较好的普适性，而且在跨场景行为识别时具有较强的泛化能力。
NETL