【技术实现步骤摘要】
一种基于Wi-Fi信号的人体动作分层解析和识别方法及装置
本专利技术涉及一种基于Wi-Fi信号的人体动作分层解析和识别方法及装置，尤其涉及一种基于动作层次关系的分层式人体动作分类方法和装置，属于无线感知领域。
技术介绍
Wi-Fi技术是一种基于IEEE802.11标准的无线局域网技术，是无线通信领域的一种常用技术。对于Wi-Fi信号而言，其本质上是一种电磁波，具备有作为感知设备的条件和潜力，因此也被用作感知物理世界的一种手段。人体行为识别是Wi-Fi感知中的一个重要课题，其原理是通过分析人体不同动作对信号变化产生的不同影响，来实现对人体动作的识别。其中所使用的信息为信道状态信息(ChannelStateInformation，CSI)，它是无线通信领域中用来描述无线信道传输状态的信息。对于符合IEEE802.11n标准的Wi-Fi设备，其在数据传输过程中使用了正交频分复用技术。该技术的作用是，对于每一个发送-接收天线对，将天线之间信号传输用的信道划分为数个子信道，使用多条子载波共同完成数据传输任务。因此，CSI的表达公式为：H(k，t)＝|H(k，t)|ej∠H(k，t)其中，H(k，t)即为CSI信号，它是一个随时间和载波变化的函数，是一个复数值。对H(k，t)求模即为信号幅值；∠H(k，t)为相位。因此，CSI是一个随时间变化的复数矩阵，其大小为n×m×k，n与m分别是发送天线与接收天线的个数，k是接收信号中涉及到的子载波的个数。当前的基于Wi-Fi的人体动作识别的主要方法可以分为...
【技术保护点】
1.一种基于Wi-Fi信号的人体动作分层解析和识别方法，其对走、跑、坐下、起立、举手、踢腿一次、踢腿多次七种动作进行识别，其特征在于包括：/n1)对接收到的信道状态信息信号进行预处理，包括取模、带通滤波、主成分分析、短时傅里叶变换等操作，从而将信道状态信息信号转换为主成分分析信号H
【技术特征摘要】
1.一种基于Wi-Fi信号的人体动作分层解析和识别方法，其对走、跑、坐下、起立、举手、踢腿一次、踢腿多次七种动作进行识别，其特征在于包括：
1)对接收到的信道状态信息信号进行预处理，包括取模、带通滤波、主成分分析、短时傅里叶变换等操作，从而将信道状态信息信号转换为主成分分析信号Hpca和频谱图S；
2)根据不同动作的特点设计动作的层次关系，并根据分类依据设计，从步骤1)得到的主成分分析信号Hpca和频谱图S中提取相应的特征；；
3)模型训练及构建分层式分类架构，使用步骤2)得到的特征，使用支持向量机方法训练多个分类器，并根据动作的层次关系和逻辑关系使用得到的分类器构建分层式分类架构；
4)对未知类型的动作的信号执行步骤1)至2)，得到该动作信号的特征，然后使用步骤3)中分层式分类架构对得到的特征进行分类，把分类结果作为识别结果；
其中：
所述步骤2)包括：
2.1)由动作的特性确定动作层次关系，针对走、跑、坐下、起立、踢腿、举手、踢腿多次这7种动作，这7种动作的层次关系的确定操作包括：
2.1.1)根据动作是移动还是静止，将全部动作划分为移动集和静止集；
2.1.2)根据动作移动速度快慢，将移动集划分为跑集和走集；
2.1.3)根据动作是身体动作还是四肢动作，将静止集划分为身体集和四肢集；
2.1.4)根据动作的发生点高度及变化方向，将身体集划分为坐下集及起立集；
2.1.5)根据动作的发生点高度及变化方向，将动作划分为举手集及腿部集；
2.1.6)根据动作的发生频率，将腿部集划分为踢腿一次集及踢腿多次集；
2.2)把针对走、跑、坐下、起立、踢腿、举手及踢腿多次七种动作的五组特征确定为：
a.移动/静止分类器的特征：
Fms＝[F′ms，F″ms]
其中，
F″ms＝argmax(Hpca)-argmin(Hpca)
式中F′ms与F″ms为Fms的两个分量；Hpac为步骤1)中获得的主成分分析信号，F′ms为对Hpac求平方和后的数据，argmax(*)及argmin(*)分别为最大值及最小值函数，F″ms为主成分分析信号的最大值和最小值之差；
b.跑/走分类器的特征：
Fwr＝[argmean(P)，argmax(P)]
其中，P为步骤1)中得到的频谱图S中每时刻能量最大时，最大能量对应的频率组成的曲线，argmean(*)及argmax(*)分别为平均值及最大值函数，Fwr即为P的平均值和最大值组成的向量；
c.身体四肢分类器的特征：
Fbl＝∑fs
其中，S为频谱图，Fbl为将频谱图按照频率f相加后得到的向量；
d.坐下/起立分类器及腿部/手臂分类器的特征：
其中，H是步骤1)中经过带通滤波之后的信号数据，H1，H2，H3分别为三个接收端Rx1，Rx2，Rx3上的信号经过带通滤波后得到的结果，Fac即为三组不同的接收端天线上的信号能量之比；
e.动作频率分类器的特征：
Fr＝[length[Speak＞argmean(Sc)]，argmean(Sc)]
其中，Sc是频谱图按照频率相加得到的能量和曲线，Speak为Sc上的峰值，argmean(*)及argmax(*)分别为平均值及最大值函数，length(*)为计算向量维度的函数，Fr的含义即为Sc中比均值大的峰值的数量，及Sc的均值组成的向量；
所述步骤3)包括：针对走、跑、坐下、起立、踢腿、举手、踢腿多次7种动作，使用步骤2)中的特征训练相应的分类器，构造的分类架构的分类流程包括：
3.1)使用移动/静止分类器进行分类，如果分类结果为移动，则进入步骤3.2)；否则进入步骤3.3)；
3.2)使用跑/走分类器进行分类，输出分类结果，结束；
3.3)使用身体/四肢分类器进行分类，如果分类结果为身体，则进入步骤3.4)；否则进入步骤3.5)；
3.4)使用坐下/起立分类器进行分类，输出分类结果；
3.5)使用腿部/手臂分类器进行分类，如果分类结果为腿部，进入步骤6)；否则输出分类结果，结束；
3.6)使用频率分类器进行分类，输出分类结果，结束。
2.根据权利要求1所述的基于Wi-Fi信号的人体动作分层解析和识别方法，其特征在于所述步骤1)中，主成分分析操作针对每根接收天线的接收数据分别进行操作，即对每根接收天线上接收到的30条子载波数据进行主成分分析，并保留其前三个主成分，最终从3个接收天线上得到3×3条主成分。
3.根据权利要求1所述的基于Wi-Fi信号的人体动作分层解析和识别方法，其特征在于所述步骤1)中，短时傅里叶变换操作对所有的主成分分析信号同时进行，每条动作数据得到一个频谱图。
4.根据权利要求1所述的基于Wi-Fi信号的人体动作分层解析和识别方法，其特征在于利用了：
一个发送端，其包括一台装有无线网卡的计算机、一根发送天线Tx和天线延长线；
一个接收端，其包括一台装有无线网卡的计算机、三根发送天线Rx1，Rx2，Rx3和天线延长线；
用以摆放天线的平台，
其中：
对于接收端的所述三根接收天线Rx1，Rx2，Rx3与发送端的所述一根发送天线Tx的摆放应处于不同的水平高度；
接收端天线中的两根Rx1，Rx2应与发送天线Tx处于相同的水平高度，另一根接收天线Rx3低于其他三根天线，位于Rx1或Rx2正下方。
5.根据权利要求1所述的基于Wi-Fi信号的人体动作分层解析和识别方法，其特征在于，所述步骤1)包括：
1.1)对采集到的信号取模，得到信号幅值，采集到的信道状态信息信号原始形式为n×m×k×t的复数矩阵，其中n，m，k，t分别为发送天线个数，接收天线个数，载波数及时间，通过对复数取模操作，即对复数的实部与复部进行平方和及开方操作，可将其转换为实数，即为信号的幅值，对于复数z＝a+bi(a，b∈R)其取模公式为：
1.2)对取模后的信号进行带通滤波处理，对1.1中得到的n×m×k条时序信号Hm，进行带通滤波操作，过滤掉其中的高频噪声，通过滤波处理后的信号记为Hp，
1.3)对1.2中得到的n×m×k条降噪后的时序信号Hp，按照天线对数划分为n×m组，并按载波数k进行主成分分析处理，并保留其前3个主成分，以其中的一组k条时序信号Hp1为例，其公式为：
Hpca1＝Hp1×e
其中，e为Hp1的奇异矩阵，得到的Hpca1为k×t的矩阵，按照奇异值的大小，保留最大的三个奇异值对应的主成分分析信号，则最终的到n×m×3×t条时序信号Hpca；
1.4)对Hpca进行短时傅里叶变换，得到频谱图，使用滑动窗口操作，通过把信号按照时间维划分为子段，并对每个子段进行傅里叶变换，将时序信号转换为频域信号，然后把每个子窗口的频域信号按照时间顺序排列，即可得到同时具有时域信息及频域信息的频谱图S，其公式为：
其中，x(t)为原始信号，w为窗函数，τ为时间。
6.一种基于Wi-Fi信号的人体动作分层解析和识别装置，其对走、跑、坐下、起立、举手、踢腿一次、踢腿多次七种动作进行识别，其特征在于包括：
6.1)信号预处理部分，用于对接收到的信道状态信息信号进行预处理，包括取模、带通...
【专利技术属性】
技术研发人员：胡海苗，姜永强，李波，蒲养林，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。