基于连续图像深度学习的Wi-Fi人体行为识别方法

TN391; 针对基于深度学习的Wi-Fi人体行为识别技术存在抗噪声能力弱、信号尺寸不兼容和特征提取不充分等问题,提出了一种基于连续图像深度学习的识别方法.首先把时变Wi-Fi信号重构为若干个连续图像帧,确保输入尺寸一致;进而设计低秩分解算法,对噪声湮没的关键运动信息进行分离;同时提出一种时间域和空间域信息融合的深度模型,自动捕捉变长图像序列的时空域特征,并在WiAR数据集和自主采集数据集上对所提方法进行验证.实验结果表明,所提方法平均识别精度分别为0.94和0.96,具备普适场景下的高精度和稳健性....

Full description

Saved in:
Bibliographic Details
Published in通信学报 Vol. 41; no. 8; pp. 43 - 54
Main Authors 周启臻, 邢建春, 杨启亮, 韩德帅
Format Journal Article
LanguageChinese
Published 陆军工程大学国防工程学院,江苏 南京 210007%火箭军工程大学作战保障学院,陕西 西安 710025 25.08.2020
Subjects
行为识别
低秩分解
Wi-Fi信号
图像识别
深度学习
Online AccessGet full text
ISSN1000-436X
DOI10.11959/j.issn.1000-436x.2020141

Cover

More Information
Summary:TN391; 针对基于深度学习的Wi-Fi人体行为识别技术存在抗噪声能力弱、信号尺寸不兼容和特征提取不充分等问题,提出了一种基于连续图像深度学习的识别方法.首先把时变Wi-Fi信号重构为若干个连续图像帧,确保输入尺寸一致;进而设计低秩分解算法,对噪声湮没的关键运动信息进行分离;同时提出一种时间域和空间域信息融合的深度模型,自动捕捉变长图像序列的时空域特征,并在WiAR数据集和自主采集数据集上对所提方法进行验证.实验结果表明,所提方法平均识别精度分别为0.94和0.96,具备普适场景下的高精度和稳健性.
ISSN:1000-436X
DOI:10.11959/j.issn.1000-436x.2020141