蔣思琪，王向勇

(江蘇省郵電規(guī)劃設(shè)計(jì)院有限責(zé)任公司，江蘇 南京 210019)

0　引　言

隨著21世紀(jì)科學(xué)技術(shù)的飛速發(fā)展和計(jì)算機(jī)設(shè)備的普及，人體行為識(shí)別已經(jīng)成為眾多國(guó)家重點(diǎn)關(guān)注和研究的對(duì)象，其對(duì)改善人類(lèi)的生產(chǎn)生活有著巨大的意義。所謂人體行為識(shí)別，是指對(duì)觀測(cè)對(duì)象(主要是人)的動(dòng)作類(lèi)型和行為模式進(jìn)行認(rèn)知與識(shí)別，其數(shù)據(jù)來(lái)源通常是圖像、可穿戴的傳感器設(shè)備、視頻信號(hào)、無(wú)線信號(hào)等。人體行為識(shí)別是一門(mén)涉及多學(xué)科、跨越多領(lǐng)域的研究?jī)?nèi)容，它包括模式識(shí)別、計(jì)算機(jī)視覺(jué)、人工智能、機(jī)器學(xué)習(xí)、傳感器技術(shù)等。它的應(yīng)用領(lǐng)域主要包括智能家居、體感游戲、個(gè)性化應(yīng)用、人體姿態(tài)監(jiān)護(hù)等。傳統(tǒng)的基于視覺(jué)的行為識(shí)別技術(shù)易受光線、視距傳播等因素的影響，而基于傳感器的行為識(shí)別需要使用者佩戴專(zhuān)用設(shè)備，影響了行為識(shí)別技術(shù)的推廣。WLAN環(huán)境下基于CSI的人體行為識(shí)別技術(shù)以其成本低、隱蔽性好、環(huán)境適應(yīng)性強(qiáng)等優(yōu)勢(shì)，近年來(lái)受到廣泛的關(guān)注。本文研究WLAN環(huán)境下基于CSI的人體行為識(shí)別方法。該方法首先對(duì)人體行為的CSI信號(hào)進(jìn)行分析，然后利用滑窗提取CSI信號(hào)特征，利用核密度估計(jì)方法求出檢測(cè)門(mén)限，最后利用DTW算法進(jìn)行人體行為識(shí)別。根據(jù)真實(shí)環(huán)境數(shù)據(jù)驗(yàn)證表明，本文提出的基于CSI的人體行為識(shí)別方法識(shí)別率高，系統(tǒng)魯棒性強(qiáng)。

1　CSI信號(hào)分析

如圖1所示的環(huán)境，環(huán)境中包括靜態(tài)反射物(墻)和動(dòng)態(tài)反射物(人)，接收端解算出來(lái)的CSI數(shù)據(jù)應(yīng)該是多條路徑信號(hào)的疊加，可表示為：

H(fj,t)=|H(fj,t)|×arg(H(fj,t))

(1)

圖1　CSI信號(hào)傳播環(huán)境

圖2為人對(duì)CSI鏈路進(jìn)行干擾前后，CSI信號(hào)幅值的變化情況。從圖中可以看出，在無(wú)人干擾時(shí)，CSI的幅值|H(fj,t)|處于一個(gè)相對(duì)平穩(wěn)的狀態(tài)；當(dāng)人對(duì)鏈路進(jìn)行干擾時(shí)，|H(fj,t)|的抖動(dòng)要明顯強(qiáng)于靜默階段，通過(guò)提取|H(fj,t)|的抖動(dòng)特性，可以判斷當(dāng)前時(shí)刻目標(biāo)是否有目標(biāo)(行為)。

圖2　人干擾鏈路前后CSI幅值的變化

2　滑窗提取CSI信號(hào)特征

通過(guò)上節(jié)的分析可知，信號(hào)的抖動(dòng)性能夠衡量當(dāng)前時(shí)刻是否有目標(biāo)(行為)?；诖耍疚膶⑼ㄟ^(guò)CSI幅值|H(fj,t)|的變化進(jìn)行分析用以判斷當(dāng)前鏈路中是否有目標(biāo)(行為)。為此首先需要提取CSI信號(hào)流中蘊(yùn)含的可以表征抖動(dòng)性的信息，實(shí)現(xiàn)信號(hào)特征的提取。

信號(hào)流是指接收端在一段時(shí)間內(nèi)采集到的按照時(shí)間順序排列的|H(fj,t)|數(shù)據(jù)序列。它的特點(diǎn)是數(shù)據(jù)量很大并且容易受到噪聲影響，如果直接對(duì)其進(jìn)行計(jì)算，不僅不能保證系統(tǒng)的實(shí)時(shí)性，而且很容易使行為數(shù)據(jù)淹沒(méi)在靜默數(shù)據(jù)中。因此，系統(tǒng)首先需要利用滑動(dòng)窗口(簡(jiǎn)稱(chēng)滑窗)技術(shù)，對(duì)滑窗內(nèi)數(shù)據(jù)流的變化情況進(jìn)行提取，分析短時(shí)間內(nèi)的信號(hào)抖動(dòng)情況。

滑窗是對(duì)窗內(nèi)包含的短時(shí)間的CSI數(shù)據(jù)進(jìn)行特征提取，滑窗技術(shù)及信號(hào)提取的示意圖如圖3所示。

圖3　滑窗提取信號(hào)特征示意圖

如圖3所示，對(duì)于第j個(gè)子載波，假設(shè)接收端獲取到n+l-1個(gè)CSI幅值數(shù)據(jù)，則需要利用n個(gè)長(zhǎng)度為l的滑窗對(duì)這些樣本數(shù)據(jù)進(jìn)行處理，每個(gè)滑窗Wj,i通過(guò)特征提取函數(shù)g(Wjn)來(lái)計(jì)算特征xj,i。

方差是在概率論和統(tǒng)計(jì)中衡量隨機(jī)變量或一組數(shù)據(jù)離散程度的度量，它可以反映滑窗內(nèi)信號(hào)的抖動(dòng)性。因此，本文選取滑窗內(nèi)方差作為刻畫(huà)信號(hào)抖動(dòng)性的度量標(biāo)準(zhǔn)。其計(jì)算公式如下：

(2)

(3)

3　核密度估計(jì)

要進(jìn)行行為提取，首先需要區(qū)分靜默狀態(tài)和行為狀態(tài)。通過(guò)前面的分析可知，行為狀態(tài)下CSI信號(hào)的抖動(dòng)性要強(qiáng)于靜默狀態(tài)，因此，可以通過(guò)核密度估計(jì)方法，求出靜默狀態(tài)下的滑窗方差的分布模型，從而求取檢測(cè)門(mén)限，以判決是否有行為。

核密度估計(jì)方法是一種非參數(shù)統(tǒng)計(jì)的方法，它是根據(jù)待估樣本的自身屬性來(lái)確定其分布的情況，相比于參數(shù)估計(jì)法，該方法不需要樣本的先驗(yàn)知識(shí)和預(yù)先對(duì)參數(shù)進(jìn)行設(shè)置，適合對(duì)大量數(shù)據(jù)進(jìn)行概率密度估計(jì)。

在非參數(shù)核密度估計(jì)中，CSI接收端接收到n+l-1個(gè)信道頻率響應(yīng)值H(f,t)作為樣本，利用公式(2)和公式(3)對(duì)樣本進(jìn)行信號(hào)特征提取，然后利用公式(4)的核密度估計(jì)函數(shù)對(duì)提取出的n個(gè)滑窗方差xj,1,xj,2,…,xj,n的概率分布進(jìn)行估計(jì)：

(4)

由式(4)可知，非參核密度估計(jì)可以將離散的特征參數(shù)的概率密度連續(xù)化。在非參數(shù)核密度估計(jì)中，認(rèn)為當(dāng)前觀測(cè)值的真實(shí)值可能是周?chē)哪骋粋€(gè)值，且該真實(shí)值的概率是由核函數(shù)反映的，核密度估計(jì)的原理圖如圖4所示。

圖4　核密度估計(jì)原理圖

由上面的分析可知，利用核密度估計(jì)方法來(lái)對(duì)樣本進(jìn)行估計(jì)，核函數(shù)與帶寬hj的選擇決定著估計(jì)出的概率密度曲線是否靠近真實(shí)情況。

對(duì)于核函數(shù)，一般只需滿(mǎn)足對(duì)稱(chēng)性和歸一性，其效果差異不大，本文選取高斯核函數(shù)，公式如下：

(5)

(6)

在得到概率密度分布后，其檢測(cè)門(mén)限可設(shè)定為Kj，利用公式(7)和公式(8)求取檢測(cè)門(mén)限了。

(7)

kj=F-1(1-α)

(8)

這里Fj(x)表示第j條鏈路的累積概率分布函數(shù)。檢測(cè)門(mén)限kj為其α下分位數(shù)，α一般取0.05。最終結(jié)合多個(gè)子載波的檢測(cè)門(mén)限，求取聯(lián)合檢測(cè)門(mén)限kopt。

(9)

4　行為提取

在行為提取階段，CSI幅值|H(fj,t)|的方差δt要不小于檢測(cè)門(mén)限kopt，于是通過(guò)檢測(cè)δt≥kopt的一段數(shù)據(jù)，即可得到行為階段對(duì)應(yīng)數(shù)據(jù)，其過(guò)程可由圖5描述。

圖5　在線行為提取流程圖

圖中陰影部分是為了防止偶然誤差導(dǎo)致行為提前開(kāi)始或提前結(jié)束而設(shè)置的緩存帶，行為提取的具體步驟描述如下。

步驟1：利用公式(2)和公式(3)計(jì)算當(dāng)前時(shí)刻各個(gè)子載波的方差，并計(jì)算其和，得到聯(lián)合方差δt；

步驟2：初始化緩存帶，即cache=0，并設(shè)定緩存帶大小S；

步驟3：比較δt與公式(9)計(jì)算出的檢測(cè)門(mén)限kopt的大小，若δt≥kopt，cache=cache+1；否則，t=t+1，跳轉(zhuǎn)到步驟1；

步驟4：觀察緩存帶是否已滿(mǎn)，若cache>S，表示緩存帶已滿(mǎn)，記錄當(dāng)前時(shí)刻為開(kāi)始時(shí)刻t0；若cache≤S，表示緩存帶未滿(mǎn)，cache=cache+1，t=t+1，計(jì)算當(dāng)前時(shí)刻的δt，跳轉(zhuǎn)到步驟3；

步驟5：清空緩存帶cache=0，t=t+1，計(jì)算當(dāng)前時(shí)刻的δt；

步驟6：比較當(dāng)前時(shí)刻的δt與檢測(cè)門(mén)限kopt的大小，若δt

步驟7：觀察緩存帶是否已滿(mǎn)，若cache>S，表示緩存帶已滿(mǎn)，記錄當(dāng)前時(shí)刻為結(jié)束時(shí)刻t1；若cache≤S，表示緩存帶未滿(mǎn)，cache=cache+1，t=t+1，計(jì)算當(dāng)前時(shí)刻的δt，跳轉(zhuǎn)到步驟6；

步驟8：提取原數(shù)據(jù)中的t0～t1時(shí)間段的數(shù)據(jù)。

至此，行為提取就完成了。

5　基于DTW的人體行為識(shí)別算法

由于不同行為的序列長(zhǎng)度不一致，導(dǎo)致傳統(tǒng)的曼哈頓距離、歐式距離、切比雪夫距離等距離計(jì)算方式都無(wú)法使用，為此研究者提出使用DTW算法來(lái)計(jì)算行為特征序列之間的相似度。DTW算法是一種常用于語(yǔ)音識(shí)別中來(lái)解決發(fā)音長(zhǎng)短不一導(dǎo)致的語(yǔ)音序列不等長(zhǎng)的模板匹配算法，其特點(diǎn)是使用該算法時(shí)系統(tǒng)不需要提前對(duì)樣本序列進(jìn)行訓(xùn)練。其核心思想是：相同行為的特征序列具有非常相似的形狀，但是其形狀并不是完全對(duì)齊的，所以在計(jì)算相似度時(shí)需要先將兩個(gè)序列中的某一個(gè)(或者兩個(gè))扭曲，以達(dá)到更好的對(duì)齊。假定Q={q1,q2,…,qi,…,qm}，C={c1,c2,…,cj,…,cn}為兩種行為的特征序列，利用公式(10)得到匹配度矩陣G。

(10)

式中，d(i,j)表示qi和cj的距離，一般情況下d(i,j)=|qi-cj|；G(i,j)表示序列{q1,q2,…,qi}與序列{c1,c2,…,cj}的匹配度。通過(guò)遞推，計(jì)算得到G(m,n)即為兩段序列的匹配度。計(jì)算過(guò)程的示意圖如圖6所示。

圖6　DTW計(jì)算過(guò)程

如圖6所示，兩段特征序列的最終匹配度為2，虛線箭頭為其計(jì)算過(guò)程。

(11)

(12)

式中，

(13)

DTW算法需要結(jié)合KNN等算法使用，在在線階段通過(guò)DTW算法來(lái)計(jì)算特征相似度，完成人體行為的識(shí)別。

6　算法驗(yàn)證與分析

6.1　實(shí)驗(yàn)環(huán)境

為了驗(yàn)證本章行為提取算法的有效性，選擇兩種具有代表性的實(shí)驗(yàn)測(cè)試環(huán)境進(jìn)行算法的驗(yàn)證和行為提取系統(tǒng)的性能分析。測(cè)試環(huán)境1選擇在面積大小為40 m×30 m的廣場(chǎng)，該環(huán)境為室外空曠環(huán)境，障礙物較少，多徑分量也較少，實(shí)驗(yàn)中發(fā)射機(jī)與接收機(jī)之間相距10 m。測(cè)試環(huán)境2選擇在面積大小為15 m×8 m的室內(nèi)辦公場(chǎng)所，該環(huán)境擺設(shè)物較多，環(huán)境相對(duì)比較復(fù)雜，實(shí)驗(yàn)中發(fā)射機(jī)與接收機(jī)之間相距8 m。圖7分別展示了兩種典型實(shí)驗(yàn)測(cè)試環(huán)境的結(jié)構(gòu)圖。

圖7　兩種典型的實(shí)驗(yàn)環(huán)境平面結(jié)構(gòu)圖

本文的實(shí)驗(yàn)主要是檢測(cè)人的各種行為，故在測(cè)試時(shí)接收機(jī)與發(fā)射機(jī)的離地高度為1.2 m。接收設(shè)備與發(fā)射設(shè)備均為配有intel 5300網(wǎng)卡的ProBox23 MS-B083迷你主機(jī)，發(fā)射機(jī)與接收機(jī)均采用單天線結(jié)構(gòu)。

6.2　實(shí)驗(yàn)數(shù)據(jù)采集與處理

本文采集了日常生活中常見(jiàn)的5種行為：走、跑、坐下、蹲下、倒下，在室外空曠和室內(nèi)多徑兩個(gè)環(huán)境中分別建立行為數(shù)據(jù)庫(kù)。以室外環(huán)境為例，該數(shù)據(jù)庫(kù)中包含了上述5種測(cè)試行為，每種行為30組，共計(jì)150組行為，每組行為的采集時(shí)間長(zhǎng)短不一致。測(cè)試數(shù)據(jù)邀請(qǐng)不同的志愿者測(cè)試這5種行為，每種動(dòng)作采集100組，共計(jì)500組測(cè)試行為，接收數(shù)據(jù)頻率為1 000 Hz，測(cè)試行為前后均有一段靜止時(shí)間。

6.3　實(shí)驗(yàn)結(jié)果分析

根據(jù)以上診室采集的數(shù)據(jù)進(jìn)行算法驗(yàn)證，對(duì)室外空曠環(huán)境中測(cè)試的{走、跑、坐下、蹲下、倒下}各個(gè)行為的識(shí)別率如圖8所示。

綜合所有行為，算得的整體識(shí)別準(zhǔn)確率為89.8%。

對(duì)室內(nèi)多徑環(huán)境中測(cè)試的{走、跑、坐下、蹲下、倒下}各個(gè)行為的識(shí)別率如圖9所示。

在室內(nèi)多徑環(huán)境內(nèi)，綜合所有行為算得的整體識(shí)別準(zhǔn)確率為89.0%。

綜合室外空曠環(huán)境和室內(nèi)多徑環(huán)境下行為識(shí)別準(zhǔn)確率可知，本文提出的WLAN環(huán)境下基于CSI的人體行為識(shí)別方法能夠有效識(shí)別人體行為，算法魯棒性高。

圖8　室外空曠環(huán)境行為識(shí)別準(zhǔn)確率

圖9　室內(nèi)多徑環(huán)境行為識(shí)別準(zhǔn)確率

7　結(jié)束語(yǔ)

由于目前人體行為識(shí)別技術(shù)在智能家居、體感游戲、個(gè)性化應(yīng)用、人體姿態(tài)監(jiān)護(hù)等領(lǐng)域的需求越來(lái)越大。本文研究了一種WLAN環(huán)境下基于信號(hào)狀態(tài)信息的人體行為識(shí)別方法。該方法首先對(duì)人體行為的CSI信號(hào)進(jìn)行分析，然后利用滑窗提取CSI信號(hào)特征，利用核密度估計(jì)方法求出檢測(cè)門(mén)限，最后利用動(dòng)態(tài)時(shí)間規(guī)整算法進(jìn)行人體行為識(shí)別。在真實(shí)實(shí)驗(yàn)場(chǎng)景下分別采集室外空曠、室內(nèi)多徑環(huán)境下走、跑、蹲、坐、倒五種行為的WLAN數(shù)據(jù)進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果表明本文提出的WLAN環(huán)境下基于CSI的人體行為識(shí)別方法能夠有效識(shí)別人體行為，具有較高的算法魯棒性。

參考文獻(xiàn)：

[1]Aggarwal J K, Ryoo M S. Human activity analysis: Areview[J]. Acm Computing Surveys, 2011, 43(3): 16.

[2]Tahmina Zebin, Patricia J Scully, Krikor B Ozanyan. Human activity recognition with inertial sensors using a deep learning approach[C]. IEEE SENSORS. Orlando: IEEE, 2016.

[3]Scott D W. Scott's rule[J]. Wiley Interdisciplinary reviews computational statistics, 2010, 2(4):497-502.

[4]谷雨, 權(quán)良虎, 陳孟妮,等. 基于WLAN背景噪音的被動(dòng)式人體行為識(shí)別研究[J]. 中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào), 2015, (4): 308-313.