人体动作识别技术现阶段已经取得了一些成果,例如基于专业化设备的人体动作识别、基于雷达信号的人体动作识别、基于无线信号的人体动作识别。但是随着各方面技术日益完善,在目前呈现的状态中,还是能够挖掘出非常多需要钻研、探索的方向。无线网络的普及使得基于WiFi信号下的人体动作识别成为了一种可能,而且这个方向可以大力度的克服当前人体动作识别技术中存在的一些难以被广泛普及的障碍,本文主要是针对如何利用在WiFi信号下,使用普通设备可以采集得到的RSS信号,来进行更准确的人体动作识别。针对这个愿景,提出了F-GRT(Fine-Grained Gesture Recognition Toolkit,细粒度化人体动作识别)模型:把粗粒度RF特征转化成细粒度特征的人体动作识别,使用机器学习相关算法进行人体动作识别的训练和学习,本文的主要工作包含以下三个:(1)关于F-GRT模型,首先F-GRT模型包含人体动作识别的一整套流程,分别是预处理、特征提取、分类参数训练、分类和训练这五个部分,预处理过程中,把采集得到的RSS信号进行格式转换,对数据实现不同的重新采样处理,通过3种处理方式,实现数据的预处理操作,分类参数训练过程是为了防止参数陷入局部最优,当参数训练好之后,把数据按照一定的比例拆分为训练集和测试集,训练集数据训练模型,当模型训练好之后,使用测试集数据进行模型测试。(2)关于采样率低,RSS(Received Signal Strength,接收信号强度)信号易于采集的特征使得该技术在成熟之后是可以广泛普及的,但是自身存在的采样率低是一个急需攻克的难点,采样率低意味着信息采集的不全面,如何合理的增加数据的采样点,并且不影响原始数据的波形特征,这就是本文第三章样本重新采样设计章节阐述的重点。(3)关于HMM-ACO,首先把采集得到的信息进行预处理,得到表征多组动作数据信息的矩阵,接下来进行特征聚类,模型训练和模型分类,但是在用(Hidden Markov Model,HMM)隐马尔可夫模型进行模型训练的过程中,发现初始参数的设置对实验结果有着密切的影响,为了防止初始参数陷入局部最优的情况发生,本文使用蚁群算法(Ant Colony Optimization,ACO)对HMM的初始参数进行了优化处理,这样操作之后,使得实验结果在多次重复之后保持在一个稳定的状态内。通过解决上述模型中存在的问题,目前F-GRT模型的训练结果良好,并且持续保持稳定状态。