基于并行空时深度学习网络的无设备身份识别方法

针对现有人员身份识别方法存在灵活性差、特征提取不足的问题,分析人体步态对信道状态信息(CSI)幅值产生的影响,提出一种基于Wi-Fi信道状态信息的无设备人员身份识别方法。将CSI幅值矩阵的每列子载波作为样本,利用小波变换获取样本中代表人员活动的低频信息。通过并行深度学习模型WiD(Wi-Fi identification)提取样本中人体步态的大小和发生的先后顺序,合并两种步态特征作为人员的身份特征。通过Softmax函数进行分类,实现身份识别。与当前先进方法相比,在未明显增加时间代价和空间代价的条件下,该方法获得了更高的身份识别精度和更好的模型鲁棒性。     

基于信道状态信息的非接触式人员动作识别方法

传感器与摄像头等设备的传统动作识别存在受环境影响大及侵犯用户隐私等问题,以京剧动作为研究对象,提出一种非接触式人员动作识别方法Wi-Opera。在离线阶段采集Wi-Fi路由设备上人体动作的信道状态信息（CSI）数据,利用巴特沃斯低通滤波器和小波变换方法对CSI数据分别进行去噪和平滑处理,通过主成分分析算法提取动作的特征值构建每个京剧动作的决策树,最终形成随机森林模型。在在线阶段实时采集的动作数据经过处理后,将京剧动作的特征值输入随机森林模型中进行识别,从而输出识别结果。实验结果表明,Wi-Opera方法的综合识别精度为94.6%,具有较高的识别精度和较强的鲁棒性。     

基于穿墙信道状态信息的行为识别方法

Wi-Fi CSI提供的被动式行为识别方法在许多场景得到了应用,但现有系统较少考虑信号穿墙的场景,导致信号穿墙后识别精度急剧下降。为提高系统的适应性,对信号穿墙后的行为识别方法进行研究,提出一种基于信道状态信息（CSI）的穿墙行为识别方法。根据CSI数据变化的特性,在预处理阶段,对CSI数据进行相位校准来证明原始CSI矩阵具有低秩性,并对其进行低秩矩阵分解,消除无用的静态CSI分量,凸显信号穿过墙壁后被掩盖的动态CSI分量。在识别行为阶段,利用时间反演算法解决CSI数据维度过高的问题,并简化计算。实验结果表明,与传统行为识别方法相比,该方法可大幅提升穿墙场景下的行为识别精度,在室内视距、室内非视距、穿墙的场景下平均识别精度分别可达94.1%、92.3%、90.7%。     

一种面向加密流量的网络应用识别方法

为实现网络流量的有效管控,提出一种基于安全套接层(SSL)协议交互字段与多输入最大化单输出隐马尔可夫模型(HMM)的加密应用并行识别方法.将来自客户端或者服务器的单向数据流SSL协议交互阶段的字段作为HMM模型的观测序列,并对所有待识别的加密应用建立HMM模型形成指纹库.在此基础上,利用前向算法计算未知观测序列被识别为HMM模型的概率,选取概率最大HMM模型所对应的加密应用作为识别结果.实验结果表明,与传统应用识别方法相比,该方法对典型加密应用具有更好的识别效果及鲁棒性.     

采用不变矩傅氏级数表示的步态识别

步态作为唯一具备远距离识别能力的生物测量特征已经受到广泛的关注。步态序列包含人行走的静态和动态信息,综合利用这两方面信息是提高识别性能的关键。为了综合利用人行走的静态和动态信息来提高识别能力,提出了一种用步态的不变矩傅氏级数系数的幅值作为识别特征的步态识别方法。因为不变矩描述了人运动的静态信息,其在整个步态周期提取的特征则蕴含了人运动的动态信息,所以将不变矩作为识别特征用于步态识别。该方法首先计算每帧图像的不变矩;然后采用傅里叶级数来拟合整个不变矩系数序列,并用遗传算法搜索傅里叶级数系数;接着将这些系数的幅值表示为用于分类的特征向量;最后再用k近邻分类器对特征向量进行分类。通过对CMU步态数据库中的4种步态分别进行的实验结果表明,该方法对单独的矩可取得80%以上的识别率,而对级联的矩识别率则可达到90%以上。另外,该方法对部分遮挡也具有鲁棒性。实验结果和性能分析表明,这种结合静态和动态信息的识别方法是有效的。     

基于CRF和HMM混合模型的手势识别方法

针对训练数据较少的小样本情况下,使用隐马尔可夫模型(HMM)的建模准确性较低的问题,提出一种基于条件随机场(CRF)和HMM混合模型的手势识别方法.用一个区分局部观测值的判别模型来提供与序列中的每个局部观测相关联的局部后验.将CRF用于执行这种判别层.通过区分局部观察值来为HMM层提供局部类后验.在HMM解码阶段将这些局部后验组合在一起提供更多的全局信息.通过实际手势识别实验验证了融合HMM建模能力和CRF判别能力的混合模型方法的有效性与准确性,并对不同的可变性来源具有鲁棒性.     

一种基于HMM的场景识别方法

隐马尔科夫模型作为一种统计分析模型,能够通过观测向量序列计算其隐含状态的概率分布密度。提出一种智能空间中基于HMM的场景识别方法,该方法指定系统相关情境信息,确定隐含场景集和观察情境集,采用部分相关情境信息而非全部情境信息作为场景特征参与场景识别,利用HMM对隐含场景间的关系进行建模,设计了基于HMM的场景识别算法。实验结果表明,采用基于HMM的场景识别方法能够获得较高的识别效率。     

一种基于人体轮廓宽度特征的步态识别方法

步态识别是一种新的生物识别技术,它通过人行走的姿势来实现对人身份的鉴别。提出了一种新的基于人体轮廓宽度特征的步态识别方法,将视频序列中检测出的步态轮廓提取三种宽度特征并计算步态序列中宽度的变化特征,从而构成描述步态序列的特征向量。实验表明提出的方法具有较好的识别性能,是一种有效的步态识别方法。     

加权DTW距离的自动步态识别

为了满足智能监控系统自动、准确、实时识别行人的要求,提出了一种表示方法简单、计算复杂度低的步态识别算法。首先建立环境的高斯背景模型,从步态视频序列中提取轮廓图像,计算质心以及轮廓线上的点到质心的欧氏距离。再将轮廓线以最高点为起点顺时针展开,将2维轮廓线特征转换为1维距离特征并标准化,建立标准步态模型。然后计算训练序列与标准步态模型之间的动态时间规整距离,确定阈值。最后,输入测试序列,计算动态时间规整距离并与阈值比较,识别人体的步态。与常用步态识别方法相比,该方法兼顾了计算复杂度和识别率,符合智能监控系统的性能要求。     

基于关键帧能量固定的步态识别

步态作为一个新兴的生物特征,具有广泛的应用前景。现阶段比较成熟的非模型化方法步态能量图,能将一个步态序列表示为单幅的灰度图像,对噪声有较好的鲁棒性和较好的识别效率,但是不能很好的适应人行走速度的改变。因此,本文提出了一种基于关键帧能量固定的步态识别方法。该方法在步态能量图的基础上,对步态序列的关键帧进行了能量固定,将步态能量图转变成为能量固定后的步态能量图再进行特征的提取和识别。实验结果表明,该方法相对传统的步态能量图,能更好的适应速度对识别的影响。     

基于Wi-Fi感知的人员计数方法研究

人员计数是对指定区域内人口数量进行统计或准确估计的一种方法,在许多应用中都发挥了重要作用,例如公共安全、人群控制和营销分析等.传统的基于视频流、电子标签的人员计数方法硬件成本过高,并且基于视频流的人员计数方法在光线不足或有遮挡物的情况下精度低、可靠性差.提出一种基于Wi-Fi感知的人员计数方法,该方法对Wi-Fi中信道状态信息（channel state information,简称CSI）进行重构,多子载波的CSI有效减少了多径效应的影响,利用解卷相位与线性变换的方法重构CSI,使得相位信息能以簇的形式集中,避免了原始相位分布范围过大、随机性过高的问题,基于Hampel滤波器去除了载波振幅的奇异数据,减少了环境噪声因素对于人员数量特征造成的干扰,保证了利用无线信号进行人员计数的精度和稳定性,最后利用SVM分类进行人员计数.实验结果表明,该方法的计数准确度达到了约95.8%,能够在室内环境下准确地识别出人员的数量.     

隐马尔可夫模型在步态识别中的应用研究

提出了基于高斯混合输出的连续隐马尔可夫模型的步态识别方法。首先,利用k-均值聚类法对步态序列建立初始的高斯混合模型,然后采用Baum-Welch算法对初始连续隐马尔可夫模型参数不断训练求精,在训练过程中对所存在的问题做适当的改进,解决了算法的溢出问题,最后用最前向算法进行识别;利用CASIA数据库对该算法进行验证,取得了较高的识别率,并对视角变化有一定的鲁棒性。     

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...     

基于信道状态信息的室内人数统计方法

针对传统人数统计方案存在侵犯隐私和成本难以控制无法大规模投入使用的问题,提出一种基于Wi-Fi信道状态信息CSI(channel state information)的幅度和相位作为特征的方法进行人数统计,采集3条交叉收发链路上CSI的幅度和相位数据,对数据进行预先平滑和去噪处理,同时使用幅度和相位提高人数统计的准确性和稳定性。在室内环境下进行实验,使用支持向量机(SVM)、神经网络(NN)和卷积神经网络(CNN)进行人数的统计分类并进行结果对比,对比结果表明,3种机器学习算法分别达到了94%、96%和88%的准确率。     

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。     

基于帧差能量图行质量向量的步态识别算法

为了有效地捕捉步态的连续性动态信息,快速进行身份认证和识别,提出一种以帧差能量图（FDEI）的行质量向量作为步态特征的步态识别方法。该算法通过目标检测、二值化、形态学处理、连通性分析等预处理后得到步态轮廓图像,并利用其序列的宽度进行准周期性分析,再用连续隐马尔可夫模型(CHMM)对所提取的步态帧差能量图行质量向量进行模型参数训练和识别。在CASIA数据库上进行了仿真实验,结果表明该算法具有特征提取简单、特征维数低、识别速度快和识别率高的优点,可以满足实时识别的需要。     

基于CSI的手势识别方法研究

针对传统手势识别方法中存在的易受环境光线影响、用户需携带设备、部署代价高等不足,提出基于信道状态信息的手势识别方法(HandFi),以空中手写10个阿拉伯数字的独特书写模式引起CSI波形变换为基础,引入衡量当前室内环境变化的指标,来表征室内人数变化时子载波波动程度的变化,使用巴特沃斯低通滤波和主成分分析去噪,并利用小波变换提取手势时频域特征,设计CNN-GRU模型挖掘CSI序列的时空特征,从而实现动态手势识别。运用HandFi在两种环境的实验结果表明,其平均识别准确度均有较大提高。     

基于无线信道状态相位信息优化的定位算法

随着位置服务需求的增长,基于Wi-Fi接收信号的室内定位技术一直是研究热点之一.通过检测环境变化对Wi-Fi无线信道状态信息CSI的影响,从而实现对室内人员的定位具有通用性强、部署成本低等优点.针对大多系统仅使用CSI中幅度信息所带来准确性和稳定性不足的问题,设计并实现了一种基于CSI相位信息优化的定位算法,该方法通过采集幅度和相位参数相结合作为位置指纹特征,并对特征数据进行预先平滑去噪后进行指纹库的构建,然后通过机器学习方法进行人员位置的分类识别.由于相位和幅度信息可以相互补充,弥补了某些易混淆位置的分类错误,从而解决了采用单一特征的定位准确性和稳定性问题.实验进行了两种不同多径场景下的实验,比较了不同指纹特征选取、数据预处理方法以及三种机器学习算法对定位准确度的影响,其结果表明采用本文所提出算法总体上可以在仅使用CSI幅度特征的基础上提高13%.