現有人類行為識別方法識別精度低、成本高,所能識別的動作也相對簡單。為此,通過引入信道狀態(tài)信息（CSI）提出一種人體復雜動作識別方法,并以傳統(tǒng)武術形意拳招式動作為背景進行驗證。利用Wi-Fi網卡采集形意拳招式的CSI數據,以數據中的振幅為特征值,使用巴特沃斯低通濾波器和離散小波變換分別過濾數據中的高頻和低頻異常值。離線階段采用受限波爾茲曼機對預處理數據進行訓練和分類,并構建形意拳招式指紋庫。在線階段使用深度置信網絡對采集數據進行分類,將分類結果與指紋庫數據進行匹配,實現對形意拳招式的準確識別。實驗結果表明,與CSI-SRC方法和基于傳統(tǒng)RSSI模型的方法相比,該方法具有較高的識別精度,并且魯棒性較好。 

【文章來源】：計算機工程. 2020,46(01)北大核心CSCD

【文章頁數】：8 頁

【部分圖文】：

Wi-KongFu方法流程

在拳法招式數據采集過程中,本文采用2×3鏈路,即2根發(fā)射天線和3根接收天線,每根天線可以接收56個子載波信道值。本文將形意拳動作分為8個招式來進行識別,分別為起式、崩拳、虎拳、馬形拳、鉆拳、橫拳、劈拳以及收式。在實驗過程中,分別在信號鏈路中做這8個拳法招式,以采集每個拳法招式的不同的CSI值。預采集的形意拳招式對應的特征值如圖2所示。2.2 離線數據處理

圖3顯示了一幅形意拳招式的原始CSI振幅圖。從圖3可以看出存在許多異常值。異常值的存在會導致拳法招式的識別精確度下降,為此,本文分別采用巴特沃斯低通濾波器和離散小波變換過濾異常值中的高頻和低頻干擾。通過數據的預處理,過濾采集數據的異常值,最大程度地保留信號特征完整性,以便建立每個形意拳招式的特征指紋信息。

【參考文獻】：
期刊論文
[1]一種基于信道狀態(tài)信息的室內人員行為檢測方法[J]. 黨小超,黃亞寧,郝占軍,司雄.  計算機工程. 2018(08)
[2]一種基于信道狀態(tài)信息的無源室內指紋定位算法[J]. 黨小超,司雄,郝占軍,黃亞寧.  計算機工程. 2018(07)
[3]一種基于STM32的巴特沃斯帶阻ⅡR濾波算法的實現[J]. 萬小川.  電子技術與軟件工程. 2018(13)
[4]基于WiFi信號的人體行為感知技術研究綜述[J]. 魯勇,呂紹和,王曉東,周興銘.  計算機學報. 2019(02)
[5]基于動態(tài)Gibbs采樣的RBM訓練算法研究[J]. 李飛,高曉光,萬開方.  自動化學報. 2016(06)
[6]基于小波變換和曲波變換的圖像邊緣檢測新算法[J]. 羅曉霞,王莉青,薛弘曄.  計算機工程與科學. 2015(01)
[7]基于雙樹復小波變換的信號去噪算法[J]. 劉文濤,陳紅,蔡曉霞,劉俊彤.  火力與指揮控制. 2014(12)
[8]離散小波變換Haar-LL的行人檢測研究[J]. 邵逢仙,李峰,周書仁.  計算機工程. 2014(09)
[9]基于離散小波變換的信號分解與重構[J]. 邵婷婷,白宗文,周美麗.  計算機技術與發(fā)展. 2014(11)

碩士論文
[1]基于深度神經網絡的特征提取算法及其應用研究[D]. 李蓓蓓.江南大學 2018
[2]基于RSSI的人體行為識別的研究[D]. 楊成.南京大學 2016



本文編號：3132010