基于WiFi感知技术的身份识别方法研究

• 作 者: 余星达
• 出 处: 郑州大学
• 发表日期: 2019年07期
• 关键词: WiFi感知技术 身份识别 信道状态信息 深度学习

随着无线传感技术的日益发展,WiFi感知技术凭借其非接触式、被动感知、易部署等诸多优势,成为室内身份识别领域的研究热点。由于WiFi信号传播易受到室内复杂多径效应的干扰,传统特征提取方法需要大量的数据预处理工作,并难以提取有效的特征以提升身份识别准确率。因此如何高效地从WiFi信号中提取有效特征并实现鲁棒的身份识别成为亟待研究的问题。本文利用人体行走时的步态行为对WiFi信号中信道状态信息(Channel State Information,CSI)的影响,检测目标行走状态并分离出静止状态的数据,为基于步态的身份识别提供有效的数据范围;并通过行走时的CSI数据,结合空间与时间两个维度,利用深度学习自动提取步态特征以实现身份识别。主要研究内容如下:(1)为了区分室内环境下目标静止与行走的状态,确定包含有效步态行为的数据范围,本文提出一种基于CSI的步态行为检测算法WiTread。该算法通过分析子载波中CSI数据的空间相关性,建立了用于深度学习的输入矩阵,采用二维卷积运算提取相邻子载波的局部空间特征并实现行走检测,减少了数据预处理工作量。实验结果表明,WiTread算法可以有效区分CSI数据中的静止和行走数据,确定步态行为的数据范围,为基于步态的身份识别奠定基础。(2)为了解决WiFi信号中步态特征难以高效提取的问题,本文提出一种基于深度学习的身份识别算法WiID。该算法利用人体行走时的CSI数据,采用池化技术结合循环神经网络中所有时间步的隐藏单元信息,实现从时间维度对空间特征的时序建模,完成空间和时间两个维度的步态特征提取,构建了一个端到端的身份识别模型。实验结果表明,当识别人数范围是2~6人时,WiID算法的身份识别准确率介于95.6%~98.9%之间,并且具有良好的鲁棒性。本文通过深度学习方法自动提取CSI数据特征,有效实现了步态行为检测与身份识别,不仅摆脱了对手工编码特征的依赖且具有较高的准确率,为端到端的非接触身份识别提供了切实有效的实施途径。