基于ＷｉＦｉ信号和深度学习的身份识别技术研究

随着价格低廉WiFi设备的广泛部署,无处不在的WiFi信号在人体感知和身份识别方面得到了应用。现有基于WiFi的人体身份识别大多依赖人的步态特征,需要人在WiFi收发设备间来回走动,这种方法限制了识别的速度、规模和应用场景。针对这一不足,本文提出了一种静态、非接触式快速人体身份识别方法,首先基于人体生物特征影响的射频信号生成特有的信道状态信息(CSI)指纹,这种静态的特征可以提高多人识别的效率;然后对信号进行数据增强和主成分分析（PCA)以减少训练时间和存储空间;最后将预处理后的数据进行多层深度卷积神经网络(DCNN)处理,提取出辨别性特征并进行身份识别。实验结果表明,所提方法可以在多达35人场景下进行快速识别,平均识别精度为95%,优于现有的方法。     

一种基于WiFi信道状态信息的人体动作识别方法

人体动作识别是以人为中心的物联网的核心技术之一,为了实现无需穿戴设备、低成本的动作识别系统,提出了一种基于WiFi信道状态信息(Channel State Information, CSI)的人体动作识别方法,该方法采用Hampel滤波结合离散小波去噪对CSI信息进行处理后,利用CSI幅度方差确定动作起止区间,从中提取CSI的特征向量,并用线性判别式分析算法(Linear Discriminant Analysis, LDA)分类器实现人体日常生活中“蹲下”、“站起”、“坐下”、“捡起”和“走”5种动作的识别,实验结果表明平均识别率可达到96%。     

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3 D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.     

融合关联性的多任务压缩感知行为识别方法

基于传感器的人体行为识别是一个新兴研究领域,作为物联网的一项重要应用,在医疗监护、助老助残、智能办公/家居等方面有着广阔的应用前景。识别率是行为识别的一个重要衡量指标,而特征和分类算法又是影响识别率的两个重要因素。提取了基于多传感器行为识别架构的关联特征,并引入压缩感知和稀疏表示理论,提出一种多任务压缩感知行为识别方法。最后,在基准数据库上采用个体无关的留一验证方法进行了大量实验,结果表明所提出的融合关联性的多任务压缩感知行为识别方法能有效提升行为识别率,与对应的单任务行为识别方法相比,识别速度提高约56%。     

基于卷积长短时记忆网络的人体行为识别研究

人体行为识别利用深度学习网络模型自动提取数据的深层特征,但传统机器学习算法存在依赖手工特征提取、模型泛化能力差等问题。提出基于空时特征融合的深度学习模型（CLT-net）用于人体行为识别。采用卷积神经网络（CNN）自动提取人体行为数据的深层次隐含特征,利用长短时记忆（LSTM）网络构建时间序列模型,学习人体行为特征在时间序列上的长期依赖关系。在此基础上,通过softmax分类器实现对不同人体行为分类。在DaLiAc数据集的实验结果表明,相比CNN、LSTM、BP模型,CLT-net模型对13种人体行为的总体识别率达到了97.6%,具有较优的人体行为识别分类性能。     

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...     

基于三维残差稠密网络的人体行为识别算法

针对现有的人体行为识别算法不能充分利用网络多层次时空信息的问题,提出了一种基于三维残差稠密网络的人体行为识别算法。首先,所提算法使用三维残差稠密块作为网络的基础模块,模块通过稠密连接的卷积层提取人体行为的层级特征;其次,经过局部特征聚合自适应方法来学习人体行为的局部稠密特征;然后,应用残差连接模块来促进特征信息流动以及减轻训练的难度;最后,通过级联多个三维残差稠密块实现网络多层局部特征提取,并使用全局特征聚合自适应方法学习所有网络层的特征用以实现人体行为识别。设计的网络算法在结构上增强了对网络多层次时空特征的提取,充分利用局部和全局特征聚合学习到更具辨识力的特征,增强了模型的表达能力。在基准数据集KTH和UCF-101上的大量实验结果表明,所提算法的识别率（top-1精度）分别达到了93.52％和57.35％,与三维卷积神经网络（C3D）算法相比分别提升了3.93和13.91个百分点。所提算法框架有较好的鲁棒性和迁移学习能力,能够有效地处理多种视频行为识别任务。     

基于FMCW雷达和ResNeSt-GRU的行为识别方法

针对FMCW雷达在行为识别方面的应用,提出一种基于分离注意力残差神经网络（ResNeSt）和门控神经单元（GRU）的人体行为识别系统。使用调频连续波（FMCW）雷达采集人体行为数据,之后采用快速傅里叶变换算法（FFT）提取雷达数据每一帧距离、速度和角度维信息,按照时间维度拼接成距离时间图（RTM）、多普勒时间图（DTM）和角度时间图（ATM）,最后以RTM、DTM和ATM作为输入样本,采用三流ResNeSt-GRU模型对不同人体行为进行识别。实验结果表明,三流ResNeSt-GRU模型对8种行为的平均识别准确率达到了98.92%,均高于传统和融合式深度学习模型。此外,采用该模型比传统特征融合之后采用单流网络的识别准确率提高了2.3%。因而该系统可以有效提高人体行为识别系统的识别准确率,为人体行为识别提供新的技术方法。     

基于深度学习的人体行为识别综述

人体行为识别旨在对视频监控中的人体行为进行检索并识别,是人工智能领域的研究热点。基于传统方法的人体行为识别算法存在对样本数据依赖大、易受环境噪声影响等不足。为解决此问题,许多适用于不同应用场景的基于深度学习的人体行为识别算法被提出。介绍了人体行为识别任务中传统特征提取方法和基于深度学习的特征提取方法;从性能和应用两方面对基于深度学习的人体行为识别算法进行总结,重点分析了基于3D卷积神经网络、混合网络、双流卷积神经网络和少样本学习（few-shot learning,FSL）的人体行为识别方法及其在UCF101和HMDB51数据集上的表现;在深度学习的基础上,归纳了主流模型迁移方法的优缺点及其有效性;总结了现有基于深度学习的人体行为识别算法存在的不足,并讨论了以元学习（meta-learning）和transformer为代表的FSL算法将成为未来模型主流算法的可能性,同时对未来基于深度学习的人体行为识别算法的发展方向进行展望。     

动态多视角复杂3D人体行为数据库及行为识别

提供了一个较大规模的基于RGB-D摄像机的人体复杂行为数据库DMV (Dynamic and multi-view) action3D,从2个固定视角和一台移动机器人动态视角录制人体行为。数据库现有31个不同的行为类,包括日常行为、交互行为和异常行为类等三大类动作,收集了超过620个行为视频约60万帧彩色图像和深度图像,为机器人寻找最佳视角提供了可供验证的数据库。为验证数据集的可靠性和实用性,本文采取4种方法进行人体行为识别,分别是基于关节点信息特征、基于卷积神经网络（Convolutional neural networks,CNN)和条件随机场(Conditional random field,CRF)结合的CRFasRNN方法提取的彩色图像HOG3D特征,然后采用支持向量机(Support vector machine,SVM)方法进行了人体行为识别;基于3维卷积网络（C3D）和3D密集连接残差网络提取时空特征,通过softmax层以预测动作标签。实验结果表明：DMV action3D人体行为数据库由于场景多变、动作复杂等特点,识别的难度也大幅增大。DMV action3D数据集对于研究真实环境下的人体行为具有较大的优势,为服务机器人识别真实环境下的人体行为提供了一个较佳的资源。     

基于深度残差网络的轻量级人脸识别方法

针对深度残差网络在小型移动设备的人脸识别应用中存在的网络结构复杂、时间开销大等问题,提出一种基于深度残差网络的轻量级模型。首先对深度残差网络的结构进行精简优化,并结合知识转移方法,从深度残差网络（教师网络）中重构出轻量级残差网络（学生网络）,从而在保证精度的同时,降低网络的结构复杂度;然后在学生网络中通过分解标准卷积减少模型的参数,从而降低特征提取网络的时间复杂度。实验结果表明,在LFW、VGG-Face、AgeDB和CFP-FP等4个不同数据集上,所提模型在识别精度接近主流人脸识别方法的同时,单张推理时间达到16 ms,速度提升了10%~20%。可见,所提模型能够在推理速度得到有效提升的同时识别精度基本不下降。     

Cross-scene passive human activity recognition using commodity WiFi

With the development of the Internet of Things(IoT)and the popularization of commercial WiFi,researchers have begun to use commercial WiFi for human activity recognition in the past decade.However,cross-scene activity recognition is still difficult due to the different distribution of samples in different scenes.To solve this problem,we try to build a cross-scene activity recognition system based on commercial WiFi.Firstly,we use commercial WiFi devices to collect channel state information(CSI)data and use the Bi-directional long short-term memory(BiLSTM)network to train the activity recognition model.Then,we use the transfer learning mechanism to transfer the model to fit another scene.Finally,we conduct experiments to evaluate the performance of our system,and the experimental results verify the accuracy and robustness of our proposed system.For the source scene,the accuracy of the model trained from scratch can achieve over 90%.After transfer learning,the accuracy of cross-scene activity recognition in the target scene can still reach 90%.     

一种基于随机森林算法的MQTT异常流量检测方法

工业物联网系统所面临的网络安全威胁随着物联网技术的广泛应用日益增加,信息安全问题已成为其发展过程中的一大挑战。MQTT（Message Queuing Telemetry Transport）协议是物联网通信的主流协议,基于该协议的物联网通信安全研究是当前研究的热点话题。传统的流量识别技术如深度包检测无法有效地识别符合包格式的异常流量,而基于机器学习理论的异常流量识别技术则表现出很好的效果。对此提出一种基于随机森林算法的MQTT异常流量检测方法,实现整体高于90%的MQTT异常流量识别准确度,与其他常用分类模型相比拥有更好的识别效果。     

数字矿山通信网络无线基站的设计与实现

针对现有矿井通信系统各自封闭、相互之间不能兼容的现状,提出基于WiFi的数字矿山通信网络系统的设计方案,设计开发用于构建通信网络系统的无线基站。该无线基站采用先进的可编程片上系统技术,实现WiFi语音通话、WiFi视频监视、人员定位等多种功能,为矿山资源开采的可视化、可知化和生产过程的可控化提供技术支持。测试结果表明,该基站网络性能好,能满足实际应用的要求。     

煤矿物联网的设计与应用分析

介绍了煤矿物联网感知层、网络层和应用层的设计方案;指出煤矿物联网建设过程中的关键技术为物联网标志体系、综合通信基站、井下分布式传感技术、异构网络的互联互通,并提出了相应的解决方案;分析了煤矿物联网在安全生产和管理、综合多媒体通信、矿用设备和物资监管等方面的具体应用。     

物联网安全问题研究

随着国内互联网的发展,物联网相关概念也随之进入了人们的视线。物联网是把所有物品通过射频识别等信息传感设备与互联网连接起来,实现智能化识别和管理,是继计算机、互联网与移动通信网之后的又一次信息产业浪潮。本文分析了物联网所面临的安全问题,讨论了物联网安全问题所涉及的六大关系,最后提出了物联网的安全机制,以期对物联网的建设发展起到积极的建言作用。     

浅析物联网的信息安全

随着我国互联网的发展,信息产业的革新,物联网已慢慢进入我们的生活。物联网是把所有物品通过射频识别等信息传感设备与互联网连接起来,实现智能化识别和管理,是继计算机、互联网与移动通信网之后的又一次信息产业浪潮。由于物联网是在现有的网络基础上扩展了感知网络和应用平台,传统网络安全措施不足以提供可靠的安全保障,所以规范和强化物联网信息安全是现在亟待解决的制约其迅速发展的瓶颈问题。     

交通道路行驶车辆车标识别算法

为解决交通道路行驶车辆车标识别中存在的目标小、噪声大、种类多的问题,提出了一种基于深度学习的目标检测算法与基于形态学模板匹配算法相结合的方法,并设计了一种高准确度且能应对新类型车标的识别系统.首先,采用通过K-Means++重新聚类锚框值,并引入残差网络的YOLOv4进行车标的一步定位;其次,通过对标准车标图像进行预处...     

基于GD-Kmeans和菲涅尔理论的WiFi手势识别方法

针对手势动作幅度较小难以被WiFi所感知到问题,利用菲涅尔衍射理论对最佳动作捕获位置进行推理以增强感知。针对在实际应用过程中需要判断手势何时发生的问题,提出基于高斯分布-Kmeans聚类的GD-Kmeans手势定位算法。在采集到包含手势的信道状态信息（CSI）数据后,使用低通滤波和DWT滤波进行数据降噪,通过定位算法对手势进行定位切出,最终基于动态时间规整（DTW）进行模板匹配实现对五种手势的判别,其准确率达到了93%。