本發(fā)明涉及信息與通信工程技術(shù)領(lǐng)域，涉及無線設(shè)備在目標(biāo)識別及安防領(lǐng)域內(nèi)的應(yīng)用，特別涉及基于wifi無線信號的動作識別方法和系統(tǒng)。

背景技術(shù)：

隨著現(xiàn)代科技的快速發(fā)展，人工智能領(lǐng)域日趨成熟，其中，人體動作的智能識別和智能監(jiān)測技術(shù)作為人工智能的基礎(chǔ)技術(shù)也迅速發(fā)展，現(xiàn)有的智能監(jiān)測技術(shù)可對目標(biāo)物體進行實時在線監(jiān)測，為計算機和人工智能系統(tǒng)提供詳實有效的分析數(shù)據(jù)，但是，對真實環(huán)境的應(yīng)用需求還有巨大的拓展應(yīng)用空間。

現(xiàn)有的動作感知系統(tǒng)包括可穿戴動作感知設(shè)備、視頻動作感知設(shè)備、紅外和超聲信號動作感知設(shè)備等，可穿戴動作感知設(shè)備不適合用于入侵監(jiān)測，無法實現(xiàn)24小時不間斷的實時監(jiān)測，視頻動作感知設(shè)備存在明顯的覆蓋盲區(qū)，紅外和超聲信號動作感知設(shè)備支持距離短，各類動作感知系統(tǒng)在入侵監(jiān)測領(lǐng)域都存在明顯的缺陷。

wifi采用ofdm（orthogonalfrequencydivisionmultiplexing）的方式實現(xiàn)無線信號傳輸，在頻域上可以將無線信號分成多個并發(fā)子載波。

對以ofdm形式傳輸?shù)臒o線信號，采集方式包括傳統(tǒng)的rssi（receivedsignalstrengthindication）技術(shù)及csi（channelstateinformation）技術(shù)，rssi技術(shù)類似于采集一束混合了多種色譜的自然光，無法從中分辨出有效信息，而csi技術(shù)類似于將自然光分離成多種色譜，每種色譜對應(yīng)著wifi無線信號中的子載波，因此，csi技術(shù)對無線信號的分析更加細(xì)致，在設(shè)計上可以充分利用無線信號中的子載波信號實現(xiàn)入侵分析和動作分析。

目前，csi子載波信號進行動作感知識別領(lǐng)域還處于初步發(fā)展階段，基于無線信號的分析雖然精度較高，但相關(guān)研究都處于實驗室階段，實際應(yīng)用非常受限，實際應(yīng)用的問題解決也多處于探索階段。

技術(shù)實現(xiàn)要素：

（一）發(fā)明目的：為解決上述現(xiàn)有技術(shù)中存在的問題，本發(fā)明的目的是提供一種基于wifi無線信號的入侵物動作識別方法和系統(tǒng)，通過利用現(xiàn)有的wifi基礎(chǔ)設(shè)施采集無線信號，通過對無線信號的分析達到入侵動作識別分析的目的。

（二）技術(shù)方案：為了解決上述技術(shù)問題，本技術(shù)方案提供一種基于wifi無線信號的入侵物動作識別方法，在wifi信號源周圍分散設(shè)置多個監(jiān)測節(jié)點，包括如下步驟：

s1：各個監(jiān)測節(jié)點分別采集wifi信號源發(fā)射的csi子載波并得到第一信號；

s2：各個監(jiān)測節(jié)點將各自的第一信號進行初步濾波和降噪濾波處理得到第二信號；

s3：各個監(jiān)測節(jié)點對各自的第二信號進行特征向量提取，選取最大的分量作為信號的主特征變量并得到第三信號；

s4：各個監(jiān)測節(jié)點將第三信號發(fā)送到前端服務(wù)器中，前端服務(wù)器將多個第三信號通過模式匹配算法與動作特征信息數(shù)據(jù)庫中的模板信號數(shù)據(jù)比對得到動作識別結(jié)果。

進一步，步驟s2中的初步濾波采用均值法濾波處理。

進一步，步驟s2中的降噪濾波采用butterworth法濾波處理。

進一步，步驟s3中監(jiān)測節(jié)點對第二信號進行特征向量提取的方法為基于時域的特征提取方法。

進一步，該基于時域的特征提取方法提取csi子載波隨時間變化的振幅偏移和相位偏移。

進一步，該振幅偏移和相位偏移的提取方法為dtw（dynamictimewarping）模式識別算法。

進一步，還包括如下步驟：

s5：前端服務(wù)器將第三信號發(fā)送到云平臺服務(wù)器上，云平臺服務(wù)器將第三信號進行基于頻域的傅里葉變換得到第四信號；

s6：云平臺服務(wù)器將第四信號通過聚類分析法進行動作識別。

進一步，聚類分析法具體為svm（supportvectormachine）法。

基于wifi無線信號的入侵監(jiān)測系統(tǒng)包括：無線采集模塊、濾波模塊、降噪模塊、信號分析模塊、前端服務(wù)器及云平臺服務(wù)器；

無線采集模塊包括驅(qū)動程序可修改的無線網(wǎng)卡，該無線網(wǎng)卡接收csi子載波得到第一信號；

濾波模塊包括均值濾波器，均值濾波器對無線網(wǎng)卡接收的csi子載波進行初步濾波；

降噪模塊包括butterworth濾波器，butterworth濾波器對初步濾波的csi子載波進行降噪處理，第一信號經(jīng)過均值濾波器、butterworth濾波器過濾處理得到第二信號，第二信號發(fā)送至信號分析模塊；

信號分析模塊包括信號處理設(shè)備，該信號處理設(shè)備將第二信號進行基于時域的特征向量提取，并選取最大的分量作為信號的主特征變量得到第三信號，第三信號發(fā)送至前端服務(wù)器；

前端服務(wù)器包括動作特征信息數(shù)據(jù)庫、數(shù)據(jù)比對模塊、數(shù)據(jù)存儲模塊；數(shù)據(jù)比對模塊將多個第三信號通過模式匹配算法與動作特征信息數(shù)據(jù)庫中的模板信號比對得到動作識別結(jié)果，前端服務(wù)器將第三信號發(fā)送到云平臺服務(wù)器中；

云平臺服務(wù)器包括傅里葉變換模塊、動作智能識別模塊，傅里葉變換模塊將第三信號進行基于頻域的傅里葉變換得到第四信號，動作智能識別模塊將第四信號通過聚類分析法進行動作識別。

第四信號、動作識別結(jié)果存儲在數(shù)據(jù)存儲模塊中。

進一步，信號處理設(shè)備包括計算機。

（三）有益效果：本發(fā)明提供的基于wifi無線信號的入侵物動作識別方法和系統(tǒng)具有以下優(yōu)點：本入侵物動作識別方法利用現(xiàn)有的無線基礎(chǔ)設(shè)施，包括無線wifi信號源、無線網(wǎng)卡等，通過信號處理設(shè)備對csi并發(fā)子載波的抓取和分析得到具有主特征變量的特征信號，將特征信號通過模式匹配算法直接處理得到動作識別結(jié)果，模式匹配算法對于簡單的肢體動作效果較好；

進一步，對于手勢等精細(xì)動作，依賴于云平臺服務(wù)器強大的計算能力，通過云平臺服務(wù)器進行進一步傅里葉變換轉(zhuǎn)換到頻域上分析，通過聚類分析方法進行人體動作的智能識別；

本入侵物動作識別系統(tǒng)適用于入侵監(jiān)測領(lǐng)域，利用現(xiàn)有的無線基礎(chǔ)設(shè)施實現(xiàn)24小時不間斷實時監(jiān)測，系統(tǒng)監(jiān)測范圍沒有明顯覆蓋盲區(qū)，不受黑夜等光線影響，不需要增加夜視輔助設(shè)備，系統(tǒng)支持距離較短，識別動作數(shù)量多，可識別人體的行走、站立、摔倒等動作。

附圖說明

圖1是本發(fā)明基于wifi無線信號的入侵物動作識別方法的流程框圖；

圖2是本發(fā)明基于wifi無線信號的入侵物動作識別系統(tǒng)的結(jié)構(gòu)示意圖。

10-wifi信號源；11-無線采集模塊；12-濾波模塊；13-降噪模塊；14-信號分析模塊；15-前端服務(wù)器；151-動作特征信息數(shù)據(jù)庫；152-數(shù)據(jù)比對模塊；153-數(shù)據(jù)存儲模塊；16-云平臺服務(wù)器；161-傅里葉變換模塊；162-動作智能識別模塊。

具體實施方式

下面結(jié)合優(yōu)選的實施例對本發(fā)明做進一步詳細(xì)說明，在以下的描述中闡述了更多的細(xì)節(jié)以便于充分理解本發(fā)明，但是，本發(fā)明顯然能夠以多種不同于此描述的其他方式來實施，本領(lǐng)域技術(shù)人員可以在不違背本發(fā)明內(nèi)涵的情況下根據(jù)實際應(yīng)用情況作類似推廣、演繹，因此不應(yīng)以此具體實施例的內(nèi)容限制本發(fā)明的保護范圍。

圖1、2是本發(fā)明的實施例的示意圖，需要注意的是，此附圖僅作為示例，并非是按照等比例的條件繪制的，并且不應(yīng)該以此作為對本發(fā)明的實際要求保護范圍構(gòu)成限制。

工作原理：通過提取wifi信號源10發(fā)出的csi子載波信號進行室內(nèi)人體動作監(jiān)測，當(dāng)人體動作改變時，通過無線信號不同的子載波信息進行識別分析，通過與動作特征信息數(shù)據(jù)庫151中的模板信號比對得到動作識別結(jié)果。

對于簡單的肢體動作，采用直接的模式匹配算法，這種動作識別方法具有計算復(fù)雜程度低，識別速度快的優(yōu)點。

對于復(fù)雜的肢體動作，直接的模式匹配算法效果不理想，需要通過傅里葉變換和聚類分析方法來實現(xiàn)動作識別，這種識別方法計算復(fù)雜度較高，無法本地化實現(xiàn)，需要依賴云平臺服務(wù)器16的計算能力來實現(xiàn)，將信號數(shù)據(jù)發(fā)送到云平臺服務(wù)器16上進行分析處理。

本技術(shù)方案提供一種基于wifi無線信號的入侵物動作識別方法，在wifi信號源10周圍分散設(shè)置多個監(jiān)測節(jié)點，包括如下步驟：

s1：各個監(jiān)測節(jié)點分別采集wifi信號源10發(fā)射的csi子載波并得到第一信號；

s2：各個監(jiān)測節(jié)點將各自的第一信號進行初步濾波和降噪濾波處理得到第二信號；

由于第一信號中包括環(huán)境噪音和帶通干擾，因此需要通過初步濾波及降噪濾波去除第一信號中的冗余信息，保留有效的信息進行后續(xù)計算；

s3：各個監(jiān)測節(jié)點對各自的第二信號進行特征向量提取，選取最大的分量作為信號的主特征變量并得到第三信號；

s4：各個監(jiān)測節(jié)點將第三信號發(fā)送到前端服務(wù)器15中，前端服務(wù)器15將多個第三信號通過模式匹配算法與動作特征信息數(shù)據(jù)庫151中的模板信號數(shù)據(jù)比對得到動作識別結(jié)果。

目前，wifi商用設(shè)備已廣泛部署在家庭、辦公室及各種公共場合，為本技術(shù)的推廣應(yīng)用打下堅實基礎(chǔ)，同時，wifi商用設(shè)備產(chǎn)業(yè)化程度十分成熟，芯片和設(shè)備成本十分低廉。

步驟s1中的將第二信號進行特征向量提取，選取最大的分量作為信號的主特征變量的計算過程，通常采用主成分分析方法（principalcomponentanalysis，pca），pca是一種統(tǒng)計方法，通過正交變換將一組可能存在相關(guān)性的變量轉(zhuǎn)換為一組線性不相關(guān)的變量。例如，每根天線包含30個子載波，每個子載波的csi數(shù)據(jù)都包含了大量的信息，變量個數(shù)太多而極大增加了算法的復(fù)雜性，這些信號數(shù)據(jù)變量之間是有一定的相關(guān)關(guān)系的，當(dāng)多個變量之間有一定相關(guān)關(guān)系式，意味著這些變量反映的信息有一定的重疊，主成分分析方法對csi數(shù)據(jù)中所有的變量，可將重復(fù)的變量（關(guān)系緊密的變量）刪除，建立盡可能少的新變量，這些新變量是兩兩不相關(guān)的，這些新的變量會在反映客體信息方便盡可能保持原有的信息。在進一步根據(jù)實際需要中取出幾個較少的綜合變量盡可能多地反映原來變量的信息的統(tǒng)計方法，即主成分分析方法或稱為主分量分析方法，用這種方法可在不破壞csi信息有效性的條件下達到降維目的，去除冗余的有效信息。

進行主成分分析的主要步驟包括：指標(biāo)數(shù)據(jù)標(biāo)準(zhǔn)化；指標(biāo)之間的相關(guān)性判斷；確定主成分個數(shù)。

步驟s2中的初步濾波采用均值法濾波處理。

步驟s2中的降噪濾波采用butterworth法濾波處理。

具體的，通過butterworth濾波器處理，butterworth濾波器是濾波器的一種，是一種低通濾波器，相比于其他濾波器，butterworth濾波器的特點是通頻帶的頻率響應(yīng)曲線最平滑，通頻帶內(nèi)的頻率響應(yīng)曲線最大程度平坦。在振幅的對數(shù)對角頻率的波特圖上，從某一邊界角頻率開始，振幅隨著角頻率的增加而逐步減少趨向負(fù)無窮大。

在一種優(yōu)選實施例中，一階butterworth濾波器的衰減率為每倍頻6分貝，每十倍頻20分貝；二階butterworth濾波器的衰減率為每倍頻12分貝；三階butterworth濾波器的衰減率為每倍頻18分貝；依次類推，butterworth濾波器的振幅對角頻率單調(diào)下降。

步驟s3中監(jiān)測節(jié)點對第二信號進行特征向量提取的方法為基于時域的特征提取方法。

該基于時域的特征提取方法提取csi子載波隨時間變化的振幅偏移和相位偏移。

該振幅偏移和相位偏移的提取方法為dtw模式識別算法。

還包括如下步驟：

s5：前端服務(wù)器15將第三信號發(fā)送到云平臺服務(wù)器16上，云平臺服務(wù)器16將第三信號進行基于頻域的傅里葉變換得到第四信號；

dwt算法是信號分析識別方法中，最為簡單有效的方法，該算法基于動態(tài)規(guī)劃（dp）思想，解決了信號長短不一的模板匹配問題，是經(jīng)典算法之一，dwt算法的優(yōu)勢在于在訓(xùn)練中幾乎不需要額外的計算，適于獨立的簡單動作分析識別。

無論在訓(xùn)練和建立模板階段還是在識別階段，都需要先采用端點算法確定csi信號的起點和終點，已存入模板庫的各個詞條稱為參考模板，一個參考模板可表示為r={r（1），r（2），……，r（m），……，r（m）}，m為訓(xùn)練的時序標(biāo)號，m=1為起點csi信號，m=m為終點csi信號，因此m為該模板所包含的csi信號總數(shù)，r（m）為第m的信號特征矢量。將識別的csi動作信息作為測試模板，可表示為t={t（1），t（2），……，t（n），……，t（n）}，n為測試csi信號的時序標(biāo)號，n=1為起點csi信號，n=n為終點csi信號，因此n為該模板所包含的csi信號總數(shù)，t（n）為第n幀的csi信號特征矢量。參考模板與測試模板一般采用相同類型的特征矢量、相同的csi信號長度、相同的窗函數(shù)和相同的偏移。

假設(shè)測試和參考模板分別用t和r表示，為了比較它們之間的相似度，可以計算它們之間的距離d[t，r]，距離越小則相似度越高。為了計算這一失真距離，應(yīng)從t和r中各個對應(yīng)幀之間的距離算起。設(shè)n和m分別是t和r中任意選擇的幀號，d[t（n），r（m）]表示這兩個csi信號特征矢量之間的距離。距離函數(shù)取決于實際采用的距離度量，在dtw算法中通常采用歐氏距離。

若n=m則可以直接計算，否則要考慮將t（n）和r（m）對齊。對齊可以采用線性擴張的方法，如果n<m可以將t線性映射為一個m幀的序列，再計算它與{r（1），r（2），……，r（m）}之間的距離。但是這樣的計算沒有考慮到csi信號比對中各個段在不同情況下的持續(xù)時間會產(chǎn)生或長或短的變化，因此識別效果不可能最佳。因此更多的是采用動態(tài)規(guī)劃（dp）的方法。

若把測試模板的各個幀號n=1~n在一個二維直角坐標(biāo)系中的橫軸上標(biāo)出，把參考模板的各幀號m=1~m在縱軸上標(biāo)出，通過這些表示幀號的整數(shù)坐標(biāo)畫出一些縱橫線即可形成一個網(wǎng)絡(luò)，網(wǎng)絡(luò)中的每一個交叉點（n，m）表示測試模式中某一幀的交匯點。dp算法可以歸結(jié)為尋找一條通過此網(wǎng)絡(luò)中若干格點的路徑，為了描述這條路徑，假設(shè)路徑通過的所有格點依次為（n1，m1），……，（ni，mj），……，（nn，mm），其中（n1，m1）=（1，1），（nn，mm）=（n，m），其中n=i，i=1，2，……，n。為了使路徑不至于過傾斜，可以約束斜率在0.5~2的范圍內(nèi)。求最佳路徑的問題可以歸結(jié)為滿足約束條件，求最佳路徑函數(shù)使得沿路徑的積累距離達到最小值。

dtw算法由于沒有一個有效地用統(tǒng)計方法進行訓(xùn)練的框架，也不容易將低層和頂層的各種知識用到智能動作識別算法中，因此在解決大數(shù)據(jù)量、連續(xù)無線信號、非特定人動作感知識別問題時較之svm算法優(yōu)勢不明顯。對于孤立動作識別，在相同條件下，識別效果相差不大。同時由于dtw算法本身既簡單又有效，不需要訓(xùn)練階段提供大量的csi信號數(shù)據(jù)，因此用于簡單動作的直接比對分析。

在智能識別應(yīng)用中，對于本地的數(shù)據(jù)信息，采用dtw直接匹配的方式進行處理，如果環(huán)境中人體行為動作簡單可以通過高效的模式匹配方法直接得到識別結(jié)果。當(dāng)出現(xiàn)連續(xù)復(fù)雜動作時，本地的識別方法無法有效完成識別，則將csi信號數(shù)據(jù)發(fā)送到云平臺處理框架作進一步處理，通過聚類分析識別技術(shù)進行進一步的識別判斷。

s6：云平臺服務(wù)器16將第四信號通過聚類分析法進行動作識別。

聚類分析法具體為svm（supportvectormachine）法。

對于連續(xù)復(fù)雜動作的感知識別，采用dtw方法性能往往無法滿足，項目采用基于svm的聚類分析識別技術(shù)。支持向量機svm(supportvectormachine)是一個有監(jiān)督的學(xué)習(xí)模型，通常用來進行模式識別、分類以及回歸分析。svm算法的特點在于它是針對線性可分情況進行分析，對于線性不可分的情況，通過使用非線性映射算法將低維輸入空間線性不可分的樣本轉(zhuǎn)化為高維特征空間使其線性可分，從而使得高維特征空間采用線性算法對樣本的非線性特征進行線性分析成為可能。

基于wifi無線信號的入侵監(jiān)測系統(tǒng)包括：無線采集模塊11、濾波模塊12、降噪模塊13、信號分析模塊14、前端服務(wù)器15及云平臺服務(wù)器16；

無線采集模塊11包括驅(qū)動程序可修改的無線網(wǎng)卡，該無線網(wǎng)卡接收csi子載波得到第一信號；

濾波模塊12包括均值濾波器，均值濾波器對無線網(wǎng)卡接收的csi子載波進行初步濾波；

降噪模塊13包括butterworth濾波器，butterworth濾波器對初步濾波的csi子載波進行降噪處理，第一信號經(jīng)過均值濾波器、butterworth濾波器過濾處理得到第二信號，第二信號發(fā)送至信號分析模塊14；

信號分析模塊14包括信號處理設(shè)備，該信號處理設(shè)備將第二信號進行基于時域的特征向量提取，并選取最大的分量作為信號的主特征變量得到第三信號，第三信號發(fā)送至前端服務(wù)器15；

前端服務(wù)器15包括動作特征信息數(shù)據(jù)庫151、數(shù)據(jù)比對模塊152、數(shù)據(jù)存儲模塊153；數(shù)據(jù)比對模塊152將多個第三信號通過模式匹配算法與動作特征信息數(shù)據(jù)庫151中的模板信號比對得到動作識別結(jié)果，前端服務(wù)器15將第三信號發(fā)送到云平臺服務(wù)器16中；

云平臺服務(wù)器16包括傅里葉變換模塊161、動作智能識別模塊162，傅里葉變換模塊161將第三信號進行基于頻域的傅里葉變換得到第四信號，動作智能識別模塊162將第四信號通過聚類分析法進行動作識別。

第四信號、動作識別結(jié)果存儲在數(shù)據(jù)存儲模塊153中。

信號處理設(shè)備包括計算機。

本入侵物動作識別方法利用現(xiàn)有的無線基礎(chǔ)設(shè)施，包括無線wifi信號源10、無線網(wǎng)卡等，通過信號處理設(shè)備對csi并發(fā)子載波的抓取和分析得到具有主特征變量的特征信號，將特征信號通過模式匹配算法直接處理得到動作識別結(jié)果，模式匹配算法對于簡單的肢體動作效果較好；

進一步，對于手勢等精細(xì)動作，依賴于云平臺服務(wù)器16強大的計算能力，通過云平臺服務(wù)器16進行進一步傅里葉變換轉(zhuǎn)換到頻域上分析，通過聚類分析方法進行人體動作的智能識別。

本入侵物動作識別系統(tǒng)適用于入侵監(jiān)測領(lǐng)域，利用現(xiàn)有的無線基礎(chǔ)設(shè)施實現(xiàn)24小時不間斷實時監(jiān)測，系統(tǒng)監(jiān)測范圍沒有明顯覆蓋盲區(qū)，不受黑夜等光線影響，不需要增加夜視輔助設(shè)備，系統(tǒng)支持距離較短，識別動作數(shù)量多，可識別人體的行走、站立、摔倒等動作。

對于室內(nèi)有多人時的動作識別，本發(fā)明將室內(nèi)的wifi信號空間用三維立體坐標(biāo)進行分割，并設(shè)置出x軸片段，y軸片段以及z軸片段，使室內(nèi)wifi信號的變化用三維空間定位。將室內(nèi)wifi信號變化分為第一變化區(qū)域、第二變化區(qū)域等。本發(fā)明在第一變化區(qū)域和第二變化區(qū)域分離時，確定第一變化區(qū)域?qū)?yīng)第一用戶，第二變化區(qū)域?qū)?yīng)第二用戶。并連續(xù)跟蹤記錄第一變化區(qū)域和第二變化區(qū)域的軌跡來區(qū)別不同用戶的手勢變化。

優(yōu)選的，本發(fā)明可以在第一變化區(qū)域和第二變化區(qū)域的變化軌跡上，根據(jù)手勢的變化趨勢以及統(tǒng)計的歷史變化數(shù)據(jù)，在wifi信號空間用三維立體坐標(biāo)上標(biāo)注預(yù)測變化區(qū)域。這在第一變化區(qū)域和第二變化區(qū)域的鄰近或者少部分疊加時，可以對手勢信號的區(qū)分和預(yù)測做出判斷和指引。

以上內(nèi)容是對本發(fā)明創(chuàng)造的優(yōu)選的實施例的說明，可以幫助本領(lǐng)域技術(shù)人員更充分地理解本發(fā)明創(chuàng)造的技術(shù)方案。但是，這些實施例僅僅是舉例說明，不能認(rèn)定本發(fā)明創(chuàng)造的具體實施方式僅限于這些實施例的說明。對本發(fā)明創(chuàng)造所屬技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明創(chuàng)造構(gòu)思的前提下，還可以做出若干簡單推演和變換，都應(yīng)當(dāng)視為屬于本發(fā)明創(chuàng)造的保護范圍。