论文部分内容阅读
室内人体感知技术在人员检测、室内定位、运动分析和安防检测等领域有着广泛的应用。由于无源检测的普适性和低成本,利用商用无线信号(Wireless Fidelity,Wi-Fi)进行人员检测逐渐成为热门的研究问题。传统的人体感知技术一般采用基于接收信号强度指示(Received Signal Strength Indication,RSSI)的方法,这种方法由于多径干扰强和信号的时变性,存在稳定性差和定位精度低等问题,而基于信道状态信息(Channel State Information,CSI)的感知信号由于精度高,鲁棒性强,逐渐成为人体感知的基信号。主要工作如下:(1)开发了一种基于商用Wi-Fi设备的CSI收集分析系统。该系统可以根据网卡的不同,设置基于Atheros和Intel 5300两种不同网卡进行CSI信号收集,还可以调整工作的频段,使其工作在5G和2.4G下,并且可以对信号进行重放、去噪和降维,对单个信号进行时域和频域的分析,还可以利用机器学习算法进行人员检测。(2)提出了一种适用于简单环境下的RBF-KNN(Radial Basis Function K-NearestNeighbor)人员检测算法,该算法离线阶段使用卡尔曼滤波对信号进行去噪,在线阶段使用基于径向基核函数(Radial Basis Function,RBF)的改进KNN算法进行匹配的方法,经过实验该算法在简单环境下识别准确率高,识别速度快。(3)为了解决复杂环境下的人员检测问题,本文提出了一种SVM-CSI(Support Vector Machine-Channel State Information)算法,该算法通过主成分分析(Principal Components Analysis,PCA)降维,将CSI信号的数据量减小,提取信号的主要特征,然后通过支持向量机(Support Vector Machine,SVM)训练模型,根据CSI信号与动作之间的对应关系,得出最终结果,该算法通过实验在简单环境和复杂环境的检测率误差不超过5%,有较强的鲁棒性,在复杂的环境中能达到91%的识别准确率。