CN107180223A - 基于wifi无线信号的动作识别方法和系统 - Google Patents
基于wifi无线信号的动作识别方法和系统 Download PDFInfo
- Publication number
- CN107180223A CN107180223A CN201710229893.0A CN201710229893A CN107180223A CN 107180223 A CN107180223 A CN 107180223A CN 201710229893 A CN201710229893 A CN 201710229893A CN 107180223 A CN107180223 A CN 107180223A
- Authority
- CN
- China
- Prior art keywords
- signal
- action
- module
- invader
- wireless signals
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Burglar Alarm Systems (AREA)
Abstract
本发明提供一种基于WIFI无线信号的入侵物动作识别方法,在WIFI信号源周围分散设置多个监测节点,各个监测节点分别采集WIFI信号源发射的CSI子载波,经过初步滤波和降噪滤波处理后进行特征向量提取,选取最大的分量作为信号的主特征变量,前端服务器将多个第三信号通过模式匹配算法与动作特征信息数据库中的模板信号数据比对得到动作识别结果。本发明所述的入侵物动作识别方法利用现有的无线基础设施,通过信号处理设备对CSI并发子载波的抓取和分析得到具有主特征变量的特征信号,将特征信号通过模式匹配算法直接处理得到动作识别结果;对于精细动作,通过云平台服务器进行进一步傅里叶变换转换到频域上分析,通过聚类分析方法进行人体动作的智能识别。
Description
技术领域
本发明涉及信息与通信工程技术领域,涉及无线设备在目标识别及安防领域内的应用,特别涉及基于WIFI无线信号的动作识别方法和系统。
背景技术
随着现代科技的快速发展,人工智能领域日趋成熟,其中,人体动作的智能识别和智能监测技术作为人工智能的基础技术也迅速发展,现有的智能监测技术可对目标物体进行实时在线监测,为计算机和人工智能系统提供详实有效的分析数据,但是,对真实环境的应用需求还有巨大的拓展应用空间。
现有的动作感知系统包括可穿戴动作感知设备、视频动作感知设备、红外和超声信号动作感知设备等,可穿戴动作感知设备不适合用于入侵监测,无法实现24小时不间断的实时监测,视频动作感知设备存在明显的覆盖盲区,红外和超声信号动作感知设备支持距离短,各类动作感知系统在入侵监测领域都存在明显的缺陷。
WIFI采用OFDM(Orthogonal Frequency Division Multiplexing)的方式实现无线信号传输,在频域上可以将无线信号分成多个并发子载波。
对以OFDM形式传输的无线信号,采集方式包括传统的RSSI(Received SignalStrength Indication)技术及CSI(Channel State Information)技术,RSSI技术类似于采集一束混合了多种色谱的自然光,无法从中分辨出有效信息,而CSI技术类似于将自然光分离成多种色谱,每种色谱对应着WIFI无线信号中的子载波,因此,CSI技术对无线信号的分析更加细致,在设计上可以充分利用无线信号中的子载波信号实现入侵分析和动作分析。
目前,CSI子载波信号进行动作感知识别领域还处于初步发展阶段,基于无线信号的分析虽然精度较高,但相关研究都处于实验室阶段,实际应用非常受限,实际应用的问题解决也多处于探索阶段。
发明内容
(一)发明目的:为解决上述现有技术中存在的问题,本发明的目的是提供一种基于WIFI无线信号的入侵物动作识别方法和系统,通过利用现有的WIFI基础设施采集无线信号,通过对无线信号的分析达到入侵动作识别分析的目的。
(二)技术方案:为了解决上述技术问题,本技术方案提供一种基于WIFI无线信号的入侵物动作识别方法,在WIFI信号源周围分散设置多个监测节点,包括如下步骤:
S1:各个监测节点分别采集WIFI信号源发射的CSI子载波并得到第一信号;
S2:各个监测节点将各自的第一信号进行初步滤波和降噪滤波处理得到第二信号;
S3:各个监测节点对各自的第二信号进行特征向量提取,选取最大的分量作为信号的主特征变量并得到第三信号;
S4:各个监测节点将第三信号发送到前端服务器中,前端服务器将多个第三信号通过模式匹配算法与动作特征信息数据库中的模板信号数据比对得到动作识别结果。
进一步,步骤S2中的初步滤波采用均值法滤波处理。
进一步,步骤S2中的降噪滤波采用Butter Worth法滤波处理。
进一步,步骤S3中监测节点对第二信号进行特征向量提取的方法为基于时域的特征提取方法。
进一步,该基于时域的特征提取方法提取CSI子载波随时间变化的振幅偏移和相位偏移。
进一步,该振幅偏移和相位偏移的提取方法为DTW(Dynamic Time Warping)模式识别算法。
进一步,还包括如下步骤:
S5:前端服务器将第三信号发送到云平台服务器上,云平台服务器将第三信号进行基于频域的傅里叶变换得到第四信号;
S6:云平台服务器将第四信号通过聚类分析法进行动作识别。
进一步,聚类分析法具体为SVM(Support Vector Machine)法。
基于WIFI无线信号的入侵监测系统包括:无线采集模块、滤波模块、降噪模块、信号分析模块、前端服务器及云平台服务器;
无线采集模块包括驱动程序可修改的无线网卡,该无线网卡接收CSI子载波得到第一信号;
滤波模块包括均值滤波器,均值滤波器对无线网卡接收的CSI子载波进行初步滤波;
降噪模块包括Butter Worth滤波器,Butter Worth滤波器对初步滤波的CSI子载波进行降噪处理,第一信号经过均值滤波器、Butter Worth滤波器过滤处理得到第二信号,第二信号发送至信号分析模块;
信号分析模块包括信号处理设备,该信号处理设备将第二信号进行基于时域的特征向量提取,并选取最大的分量作为信号的主特征变量得到第三信号,第三信号发送至前端服务器;
前端服务器包括动作特征信息数据库、数据比对模块、数据存储模块;数据比对模块将多个第三信号通过模式匹配算法与动作特征信息数据库中的模板信号比对得到动作识别结果,前端服务器将第三信号发送到云平台服务器中;
云平台服务器包括傅里叶变换模块、动作智能识别模块,傅里叶变换模块将第三信号进行基于频域的傅里叶变换得到第四信号,动作智能识别模块将第四信号通过聚类分析法进行动作识别。
第四信号、动作识别结果存储在数据存储模块中。
进一步,信号处理设备包括计算机。
(三)有益效果:本发明提供的基于WIFI无线信号的入侵物动作识别方法和系统具有以下优点:本入侵物动作识别方法利用现有的无线基础设施,包括无线WIFI信号源、无线网卡等,通过信号处理设备对CSI并发子载波的抓取和分析得到具有主特征变量的特征信号,将特征信号通过模式匹配算法直接处理得到动作识别结果,模式匹配算法对于简单的肢体动作效果较好;
进一步,对于手势等精细动作,依赖于云平台服务器强大的计算能力,通过云平台服务器进行进一步傅里叶变换转换到频域上分析,通过聚类分析方法进行人体动作的智能识别;
本入侵物动作识别系统适用于入侵监测领域,利用现有的无线基础设施实现24小时不间断实时监测,系统监测范围没有明显覆盖盲区,不受黑夜等光线影响,不需要增加夜视辅助设备,系统支持距离较短,识别动作数量多,可识别人体的行走、站立、摔倒等动作。
附图说明
图1是本发明基于WIFI无线信号的入侵物动作识别方法的流程框图;
图2是本发明基于WIFI无线信号的入侵物动作识别系统的结构示意图。
10-WIFI信号源;11-无线采集模块;12-滤波模块;13-降噪模块;14-信号分析模块;15-前端服务器;151-动作特征信息数据库;152-数据比对模块;153-数据存储模块;16-云平台服务器;161-傅里叶变换模块;162-动作智能识别模块。
具体实施方式
下面结合优选的实施例对本发明做进一步详细说明,在以下的描述中阐述了更多的细节以便于充分理解本发明,但是,本发明显然能够以多种不同于此描述的其他方式来实施,本领域技术人员可以在不违背本发明内涵的情况下根据实际应用情况作类似推广、演绎,因此不应以此具体实施例的内容限制本发明的保护范围。
图1、2是本发明的实施例的示意图,需要注意的是,此附图仅作为示例,并非是按照等比例的条件绘制的,并且不应该以此作为对本发明的实际要求保护范围构成限制。
工作原理:通过提取WIFI信号源10发出的CSI子载波信号进行室内人体动作监测,当人体动作改变时,通过无线信号不同的子载波信息进行识别分析,通过与动作特征信息数据库151中的模板信号比对得到动作识别结果。
对于简单的肢体动作,采用直接的模式匹配算法,这种动作识别方法具有计算复杂程度低,识别速度快的优点。
对于复杂的肢体动作,直接的模式匹配算法效果不理想,需要通过傅里叶变换和聚类分析方法来实现动作识别,这种识别方法计算复杂度较高,无法本地化实现,需要依赖云平台服务器16的计算能力来实现,将信号数据发送到云平台服务器16上进行分析处理。
本技术方案提供一种基于WIFI无线信号的入侵物动作识别方法,在WIFI信号源10周围分散设置多个监测节点,包括如下步骤:
S1:各个监测节点分别采集WIFI信号源10发射的CSI子载波并得到第一信号;
S2:各个监测节点将各自的第一信号进行初步滤波和降噪滤波处理得到第二信号;
由于第一信号中包括环境噪音和带通干扰,因此需要通过初步滤波及降噪滤波去除第一信号中的冗余信息,保留有效的信息进行后续计算;
S3:各个监测节点对各自的第二信号进行特征向量提取,选取最大的分量作为信号的主特征变量并得到第三信号;
S4:各个监测节点将第三信号发送到前端服务器15中,前端服务器15将多个第三信号通过模式匹配算法与动作特征信息数据库151中的模板信号数据比对得到动作识别结果。
目前,WIFI商用设备已广泛部署在家庭、办公室及各种公共场合,为本技术的推广应用打下坚实基础,同时,WIFI商用设备产业化程度十分成熟,芯片和设备成本十分低廉。
步骤S1中的将第二信号进行特征向量提取,选取最大的分量作为信号的主特征变量的计算过程,通常采用主成分分析方法(Principal Component Analysis,PCA),PCA是一种统计方法,通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量。例如,每根天线包含30个子载波,每个子载波的CSI数据都包含了大量的信息,变量个数太多而极大增加了算法的复杂性,这些信号数据变量之间是有一定的相关关系的,当多个变量之间有一定相关关系式,意味着这些变量反映的信息有一定的重叠,主成分分析方法对CSI数据中所有的变量,可将重复的变量(关系紧密的变量)删除,建立尽可能少的新变量,这些新变量是两两不相关的,这些新的变量会在反映客体信息方便尽可能保持原有的信息。在进一步根据实际需要中取出几个较少的综合变量尽可能多地反映原来变量的信息的统计方法,即主成分分析方法或称为主分量分析方法,用这种方法可在不破坏CSI信息有效性的条件下达到降维目的,去除冗余的有效信息。
进行主成分分析的主要步骤包括:指标数据标准化;指标之间的相关性判断;确定主成分个数。
步骤S2中的初步滤波采用均值法滤波处理。
步骤S2中的降噪滤波采用Butter Worth法滤波处理。
具体的,通过Butter Worth滤波器处理,Butter Worth滤波器是滤波器的一种,是一种低通滤波器,相比于其他滤波器,Butter Worth滤波器的特点是通频带的频率响应曲线最平滑,通频带内的频率响应曲线最大程度平坦。在振幅的对数对角频率的波特图上,从某一边界角频率开始,振幅随着角频率的增加而逐步减少趋向负无穷大。
在一种优选实施例中,一阶Butter Worth滤波器的衰减率为每倍频6分贝,每十倍频20分贝;二阶Butter Worth滤波器的衰减率为每倍频12分贝;三阶Butter Worth滤波器的衰减率为每倍频18分贝;依次类推,Butter Worth滤波器的振幅对角频率单调下降。
步骤S3中监测节点对第二信号进行特征向量提取的方法为基于时域的特征提取方法。
该基于时域的特征提取方法提取CSI子载波随时间变化的振幅偏移和相位偏移。
该振幅偏移和相位偏移的提取方法为DTW模式识别算法。
还包括如下步骤:
S5:前端服务器15将第三信号发送到云平台服务器16上,云平台服务器16将第三信号进行基于频域的傅里叶变换得到第四信号;
DWT算法是信号分析识别方法中,最为简单有效的方法,该算法基于动态规划(DP)思想,解决了信号长短不一的模板匹配问题,是经典算法之一,DWT算法的优势在于在训练中几乎不需要额外的计算,适于独立的简单动作分析识别。
无论在训练和建立模板阶段还是在识别阶段,都需要先采用端点算法确定CSI信号的起点和终点,已存入模板库的各个词条称为参考模板,一个参考模板可表示为R={R(1),R(2),……,R(m),……,R(M)},m为训练的时序标号,m=1为起点CSI信号,m=M为终点CSI信号,因此M为该模板所包含的CSI信号总数,R(m)为第m的信号特征矢量。将识别的CSI动作信息作为测试模板,可表示为T={T(1),T(2),……,T(n),……,T(N)},n为测试CSI信号的时序标号,n=1为起点CSI信号,n=N为终点CSI信号,因此N为该模板所包含的CSI信号总数,T(n)为第n帧的CSI信号特征矢量。参考模板与测试模板一般采用相同类型的特征矢量、相同的CSI信号长度、相同的窗函数和相同的偏移。
假设测试和参考模板分别用T和R表示,为了比较它们之间的相似度,可以计算它们之间的距离 D[T,R],距离越小则相似度越高。为了计算这一失真距离,应从T和R中各个对应帧之间的距离算起。设n和m分别是T和R中任意选择的帧号,d[T(n),R(m)]表示这两个CSI信号特征矢量之间的距离。距离函数取决于实际采用的距离度量,在DTW算法中通常采用欧氏距离。
若N=M则可以直接计算,否则要考虑将T(n)和R(m)对齐。对齐可以采用线性扩张的方法,如果N<M可以将T线性映射为一个M帧的序列,再计算它与{R(1),R(2),……,R(M)}之间的距离。但是这样的计算没有考虑到CSI信号比对中各个段在不同情况下的持续时间会产生或长或短的变化,因此识别效果不可能最佳。因此更多的是采用动态规划(DP)的方法。
若把测试模板的各个帧号n=1~N在一个二维直角坐标系中的横轴上标出,把参考模板的各帧号m=1~M在纵轴上标出,通过这些表示帧号的整数坐标画出一些纵横线即可形成一个网络,网络中的每一个交叉点(n,m)表示测试模式中某一帧的交汇点。DP算法可以归结为寻找一条通过此网络中若干格点的路径,为了描述这条路径,假设路径通过的所有格点依次为(n1 ,m1 ),……,(ni ,mj ),……,(nN ,mM ),其中(n1,m1 )=(1,1),(nN ,mM )=(N,M),其中n =i,i=1,2,……,N。为了使路径不至于过倾斜,可以约束斜率在0.5~2的范围内。求最佳路径的问题可以归结为满足约束条件,求最佳路径函数使得沿路径的积累距离达到最小值。
DTW算法由于没有一个有效地用统计方法进行训练的框架,也不容易将低层和顶层的各种知识用到智能动作识别算法中,因此在解决大数据量、连续无线信号、非特定人动作感知识别问题时较之SVM算法优势不明显。对于孤立动作识别,在相同条件下,识别效果相差不大。同时由于DTW算法本身既简单又有效,不需要训练阶段提供大量的CSI信号数据,因此用于简单动作的直接比对分析。
在智能识别应用中,对于本地的数据信息,采用DTW直接匹配的方式进行处理,如果环境中人体行为动作简单可以通过高效的模式匹配方法直接得到识别结果。当出现连续复杂动作时,本地的识别方法无法有效完成识别,则将CSI信号数据发送到云平台处理框架作进一步处理,通过聚类分析识别技术进行进一步的识别判断。
S6:云平台服务器16将第四信号通过聚类分析法进行动作识别。
聚类分析法具体为SVM(Support Vector Machine)法。
对于连续复杂动作的感知识别,采用DTW方法性能往往无法满足,项目采用基于SVM的聚类分析识别技术。支持向量机SVM(Support Vector Machine)是一个有监督的学习模型,通常用来进行模式识别、分类以及回归分析。SVM算法的特点在于它是针对线性可分情况进行分析,对于线性不可分的情况,通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分,从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。
基于WIFI无线信号的入侵监测系统包括:无线采集模块11、滤波模块12、降噪模块13、信号分析模块14、前端服务器15及云平台服务器16;
无线采集模块11包括驱动程序可修改的无线网卡,该无线网卡接收CSI子载波得到第一信号;
滤波模块12包括均值滤波器,均值滤波器对无线网卡接收的CSI子载波进行初步滤波;
降噪模块13包括Butter Worth滤波器,Butter Worth滤波器对初步滤波的CSI子载波进行降噪处理,第一信号经过均值滤波器、Butter Worth滤波器过滤处理得到第二信号,第二信号发送至信号分析模块14;
信号分析模块14包括信号处理设备,该信号处理设备将第二信号进行基于时域的特征向量提取,并选取最大的分量作为信号的主特征变量得到第三信号,第三信号发送至前端服务器15;
前端服务器15包括动作特征信息数据库151、数据比对模块152、数据存储模块153;数据比对模块152将多个第三信号通过模式匹配算法与动作特征信息数据库151中的模板信号比对得到动作识别结果,前端服务器15将第三信号发送到云平台服务器16中;
云平台服务器16包括傅里叶变换模块161、动作智能识别模块162,傅里叶变换模块161将第三信号进行基于频域的傅里叶变换得到第四信号,动作智能识别模块162将第四信号通过聚类分析法进行动作识别。
第四信号、动作识别结果存储在数据存储模块153中。
信号处理设备包括计算机。
本入侵物动作识别方法利用现有的无线基础设施,包括无线WIFI信号源10、无线网卡等,通过信号处理设备对CSI并发子载波的抓取和分析得到具有主特征变量的特征信号,将特征信号通过模式匹配算法直接处理得到动作识别结果,模式匹配算法对于简单的肢体动作效果较好;
进一步,对于手势等精细动作,依赖于云平台服务器16强大的计算能力,通过云平台服务器16进行进一步傅里叶变换转换到频域上分析,通过聚类分析方法进行人体动作的智能识别。
本入侵物动作识别系统适用于入侵监测领域,利用现有的无线基础设施实现24小时不间断实时监测,系统监测范围没有明显覆盖盲区,不受黑夜等光线影响,不需要增加夜视辅助设备,系统支持距离较短,识别动作数量多,可识别人体的行走、站立、摔倒等动作。
对于室内有多人时的动作识别,本发明将室内的WIFI信号空间用三维立体坐标进行分割,并设置出X轴片段,Y轴片段以及Z轴片段,使室内WIFI信号的变化用三维空间定位。将室内WIFI信号变化分为第一变化区域、第二变化区域等。本发明在第一变化区域和第二变化区域分离时,确定第一变化区域对应第一用户,第二变化区域对应第二用户。并连续跟踪记录第一变化区域和第二变化区域的轨迹来区别不同用户的手势变化。
优选的,本发明可以在第一变化区域和第二变化区域的变化轨迹上,根据手势的变化趋势以及统计的历史变化数据,在WIFI信号空间用三维立体坐标上标注预测变化区域。这在第一变化区域和第二变化区域的邻近或者少部分叠加时,可以对手势信号的区分和预测做出判断和指引。
以上内容是对本发明创造的优选的实施例的说明,可以帮助本领域技术人员更充分地理解本发明创造的技术方案。但是,这些实施例仅仅是举例说明,不能认定本发明创造的具体实施方式仅限于这些实施例的说明。对本发明创造所属技术领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干简单推演和变换,都应当视为属于本发明创造的保护范围。
Claims (10)
1.基于WIFI无线信号的入侵物动作识别方法,在WIFI信号源周围分散设置多个监测节点,其特征在于,包括如下步骤:
S1:各个监测节点分别采集WIFI信号源发射的CSI子载波并得到第一信号;
S2:各个监测节点将各自的第一信号进行初步滤波和降噪滤波处理得到第二信号;
S3:各个监测节点对各自的第二信号进行特征向量提取,选取最大的分量作为信号的主特征变量并得到第三信号;
S4:各个监测节点将第三信号发送到前端服务器中,前端服务器将多个第三信号通过模式匹配算法与动作特征信息数据库中的模板信号数据比对得到动作识别结果。
2.根据权利要求1所述的基于WIFI无线信号的入侵物动作识别方法,其特征在于:步骤S2中的初步滤波采用均值法滤波处理。
3.根据权利要求1所述的基于WIFI无线信号的入侵物动作识别方法,其特征在于:步骤S2中的降噪滤波采用Butter Worth法滤波处理。
4.根据权利要求1所述的基于WIFI无线信号的入侵物动作识别方法,其特征在于:步骤S3中监测节点对第二信号进行特征向量提取的方法为基于时域的特征提取方法。
5.根据权利要求4所述的基于WIFI无线信号的入侵物动作识别方法,其特征在于:该基于时域的特征提取方法提取CSI子载波随时间变化的振幅偏移和相位偏移。
6.根据权利要求5所述的基于WIFI无线信号的入侵物动作识别方法,其特征在于:该振幅偏移和相位偏移的提取方法为DTW模式识别算法。
7.根据权利要求1所述的基于WIFI无线信号的入侵物动作识别方法,其特征在于,还包括如下步骤:
S5:前端服务器将第三信号发送到云平台服务器上,云平台服务器将第三信号进行基于频域的傅里叶变换得到第四信号;
S6:云平台服务器将第四信号通过聚类分析法进行动作识别。
8.根据权利要求7所述的基于WIFI无线信号的入侵物动作识别方法,其特征在于:聚类分析法具体为SVM法。
9.基于WIFI无线信号的入侵监测系统包括:无线采集模块、滤波模块、降噪模块、信号分析模块、前端服务器及云平台服务器;
无线采集模块包括驱动程序可修改的无线网卡,该无线网卡接收CSI子载波得到第一信号;
滤波模块包括均值滤波器,均值滤波器对无线网卡接收的CSI子载波进行初步滤波;
降噪模块包括Butter Worth滤波器,Butter Worth滤波器对初步滤波的CSI子载波进行降噪处理,第一信号经过均值滤波器、Butter Worth滤波器过滤处理得到第二信号,第二信号发送至信号分析模块;
信号分析模块包括信号处理设备,该信号处理设备将第二信号进行基于时域的特征向量提取,并选取最大的分量作为信号的主特征变量得到第三信号,第三信号发送至前端服务器;
前端服务器包括动作特征信息数据库、数据比对模块、数据存储模块;数据比对模块将多个第三信号通过模式匹配算法与动作特征信息数据库中的模板信号比对得到动作识别结果,前端服务器将第三信号发送到云平台服务器中;
云平台服务器包括傅里叶变换模块、动作智能识别模块,傅里叶变换模块将第三信号进行基于频域的傅里叶变换得到第四信号,动作智能识别模块将第四信号通过聚类分析法进行动作识别;
第四信号、动作识别结果存储在数据存储模块中。
10.根据权利要求9所述的基于WIFI无线信号的入侵监测系统,其特征在于:信号处理设备包括计算机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710229893.0A CN107180223A (zh) | 2017-04-10 | 2017-04-10 | 基于wifi无线信号的动作识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710229893.0A CN107180223A (zh) | 2017-04-10 | 2017-04-10 | 基于wifi无线信号的动作识别方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107180223A true CN107180223A (zh) | 2017-09-19 |
Family
ID=59831173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710229893.0A Pending CN107180223A (zh) | 2017-04-10 | 2017-04-10 | 基于wifi无线信号的动作识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107180223A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944418A (zh) * | 2017-12-07 | 2018-04-20 | 上海交通大学 | 一种使用Wi‑FiCSI信息检测疲劳驾驶的方法 |
CN108805194A (zh) * | 2018-06-04 | 2018-11-13 | 上海交通大学 | 一种基于wifi信道状态信息的手写识别方法及系统 |
CN109064694A (zh) * | 2018-08-22 | 2018-12-21 | 平安科技(深圳)有限公司 | 入侵检测方法、装置、计算机设备及存储介质 |
CN109091150A (zh) * | 2017-11-29 | 2018-12-28 | 惠州市德赛工业研究院有限公司 | 睡眠体动的识别方法、睡眠质量评估方法及智能穿戴设备 |
CN109461295A (zh) * | 2018-12-07 | 2019-03-12 | 连尚(新昌)网络科技有限公司 | 一种家居报警方法及设备 |
CN110245588A (zh) * | 2019-05-29 | 2019-09-17 | 西安交通大学 | 一种基于无线射频信号的细粒度人体姿态估计方法 |
CN113238659A (zh) * | 2021-06-29 | 2021-08-10 | 中国科学技术大学 | 基于wifi信号的实时行为识别方法与系统 |
CN114764580A (zh) * | 2022-06-15 | 2022-07-19 | 湖南工商大学 | 一种基于无穿戴设备的实时人体手势识别方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106066995A (zh) * | 2016-05-25 | 2016-11-02 | 西安交通大学 | 一种无线非绑定人体行为检测算法 |
-
2017
- 2017-04-10 CN CN201710229893.0A patent/CN107180223A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106066995A (zh) * | 2016-05-25 | 2016-11-02 | 西安交通大学 | 一种无线非绑定人体行为检测算法 |
Non-Patent Citations (6)
Title |
---|
JEN-YIN CHANG等: "《WIFI ACTION RECOGNITION VIA VISION-BASED METHODS》", 《2016 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSIONG》 * |
KUN ZHAO等: "《Leveraging Topic Model for CSI based Human Activity Recognition》", 《2016 12TH INTERNATIONAL CONFERENCE ON MOBILE AD-HOC AND SENSOR NETWORKS》 * |
YI WANG等: "《Robust Indoor Human Activity Recognition Using Wireless Signals》", 《SENSORS 2015》 * |
朱奕鸿等: "《信道状态信息在动作识别中的应用与异常分析》", 《信息网络安全》 * |
胡航: "《语音信号处理》", 31 July 2009 * |
胡道元: "《计算机局域网 第2版》", 31 December 1996 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109091150A (zh) * | 2017-11-29 | 2018-12-28 | 惠州市德赛工业研究院有限公司 | 睡眠体动的识别方法、睡眠质量评估方法及智能穿戴设备 |
CN107944418A (zh) * | 2017-12-07 | 2018-04-20 | 上海交通大学 | 一种使用Wi‑FiCSI信息检测疲劳驾驶的方法 |
CN108805194A (zh) * | 2018-06-04 | 2018-11-13 | 上海交通大学 | 一种基于wifi信道状态信息的手写识别方法及系统 |
CN108805194B (zh) * | 2018-06-04 | 2021-12-31 | 上海交通大学 | 一种基于wifi信道状态信息的手写识别方法及系统 |
CN109064694A (zh) * | 2018-08-22 | 2018-12-21 | 平安科技(深圳)有限公司 | 入侵检测方法、装置、计算机设备及存储介质 |
CN109461295A (zh) * | 2018-12-07 | 2019-03-12 | 连尚(新昌)网络科技有限公司 | 一种家居报警方法及设备 |
CN109461295B (zh) * | 2018-12-07 | 2021-06-11 | 连尚(新昌)网络科技有限公司 | 一种家居报警方法及设备 |
CN110245588A (zh) * | 2019-05-29 | 2019-09-17 | 西安交通大学 | 一种基于无线射频信号的细粒度人体姿态估计方法 |
CN113238659A (zh) * | 2021-06-29 | 2021-08-10 | 中国科学技术大学 | 基于wifi信号的实时行为识别方法与系统 |
CN114764580A (zh) * | 2022-06-15 | 2022-07-19 | 湖南工商大学 | 一种基于无穿戴设备的实时人体手势识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107180223A (zh) | 基于wifi无线信号的动作识别方法和系统 | |
CN106909784B (zh) | 基于二维时频图像深度卷积神经网络的癫痫脑电识别装置 | |
CN110718235B (zh) | 异常声音检测的方法、电子设备及存储介质 | |
CN110033756B (zh) | 语种识别方法、装置、电子设备及存储介质 | |
CN107862295B (zh) | 一种基于WiFi信道状态信息识别面部表情的方法 | |
CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
CN104409080A (zh) | 语音端点检测方法和装置 | |
CN111461037B (zh) | 一种基于fmcw雷达的端到端手势识别方法 | |
CN108830162A (zh) | 无线电频谱监测数据中的时序模式序列提取方法及存储方法 | |
CN108846851A (zh) | 运动目标跟踪方法及终端设备 | |
CN112668438A (zh) | 红外视频时序行为定位方法、装置、设备及存储介质 | |
Yang et al. | A simple deep learning method for neuronal spike sorting | |
CN116842361A (zh) | 基于时频注意力混合深度网络的癫痫脑电信号识别方法 | |
Gale et al. | Automatic detection of wireless transmissions | |
CN116340812A (zh) | 一种变压器局部放电故障模式识别方法及系统 | |
CN115910034A (zh) | 基于深度学习的语音语种识别方法及系统 | |
CN115510949A (zh) | 一种室内被动式人体行为识别方法及装置 | |
KR102290243B1 (ko) | 운동 상상 뇌전도 분류 방법 | |
CN112134634B (zh) | 基于随机森林算法的频谱感知方法、系统及介质 | |
CN109117939A (zh) | 神经网络及在移动感知设备上部署神经网络的方法 | |
CN113593603A (zh) | 音频类别的确定方法、装置、存储介质及电子装置 | |
CN108288068A (zh) | 一种复杂情绪场景下的脑电信号数据分类方法 | |
CN113762478A (zh) | 射频干扰检测模型、射频干扰检测方法及装置 | |
CN114027855A (zh) | 一种识别头部运动意图的脑电信号解码方法及系统 | |
DE102011052900B4 (de) | Verfahren und Vorrichtung zur Ein- und Zuordnung von Signalemittern in Echtzeit und deren Verwendung als Warnvorrichtung |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170919 |
|
RJ01 | Rejection of invention patent application after publication |