明星换脸

行动情境感知的首要组成部分， 行动识别在灵敏城市和灵敏家居等多方面具有首要的应用[1].现存的行动识别不错分为两类：斗殴式的行动识别和非斗殴式的行动识别.可一稔开辟[2-3]是一类典型的斗殴式行动识别技能.与可一稔开辟比较， 非斗殴式的行动识别由于不需要带领出奇的开辟， 交互形态愈加友好， 因此更故意于永劫期的检测， 且不会引升引户的不适.非斗殴式的行动识别包括基于视频(video-based)[4]、基于无线电信号(RF-based)[5]、基于超声波信号(ultrasonic-based)[6]等检测技能.其中， 无线电信号具有穿透性强、感知范围大， 且不记载对于阴私的明锐信息等优点.更首要的是， 跟着通讯技巧的发展户外 品牌， 蜂窝出动信号、电视塔台信号、Wi-Fi基础步履依然无处不在.因此， 基于无线电信号的无斗殴感知， 不错说是面前普适揣摸中终了感知最祈望的体式.

凭据现时现存的研究责任， 基于无线电信号的无斗殴感知不错分为以下4类：基于超宽带技巧(ultra wideband， UWB)的感知[7]、基于相接波雷达的感知[8]、基于ZigBee的感知[9]及基于Wi-Fi[10]的感知.其中， 由于Wi-Fi技巧开辟在宇宙范围内依然庸俗普及， 若能复用这些基础步履用于感知昭着是面前其他基于RF的无斗殴感知中最祈望的决策， 将在本钱、易用性、普适性方面具有诸多上风， 因此是现时被研究最多的所在.

本文对现存的干系范围责任进行毛糙先容和总结.在著作的历史转头部分， 对基于Wi-Fi的无斗殴行动识别研究历史进行转头， 并先容该范围一些较首要的研究责任.之后， 在基础表面、关节技巧、应用3个层面对现存责任进行先容.临了， 基于对现存研究责任的分析， 指出现时研究责任靠近的问题和挑战， 并提议将来可能的研究所在.

1 历史转头

2000年， Bahl等[10]发表了一篇基于Wi-Fi剿袭信号强度领导(received signal strength indication， RSSI)的定位研究责任RADA， 这是第一篇基于Wi-Fi进行感知的研究责任， 为无斗殴感知提供了新的念念路.在此之后， 东谈主们入手调治Wi-Fi感知范围， 出现了无数基于Wi-Fi RSSI信号的定位研究责任.

到2013年， 第一次出现基于Wi-Fi RSSI的动作识别研究Nuzzer[11]. Nuzzer不错判断是否有东谈主在畅通， 而无法分裂是什么动作.从2013年入手， 基于Wi-Fi进行感知的研究不再局限于定位， 入手有东谈主尝试使用RSSI信号进行行动识别[12-15].如WiSee[15]通过Wi-Fi RSS信号多普勒频偏特征终了敌手势和动作的识别， WiTrack[16]终炫耀对东谈主3D动作的跟踪， Vital-Radio[17]终炫耀东谈主呼吸及心率的检测.这些责任的出现， 极地面拓宽了Wi-Fi感知研究的范围.

由于RSS信号易受烦闷， 感知遵循较差， 为了贬责这一问题， 研究东谈主员一方面尝试升迁RSS信号的可用性， 如接纳通用软件无线电平台(universal software radio peripheral， USRP)产生质料较好的信号进行动作识别[13， 15-16]， 以及通过正交频分多路复用技巧索要不同信谈的载波信息， 从而升迁RSS信号的可用性.另一方面， 研究东谈主员入手尝试RSS信号以外的信号， 如信谈情状信息(channel state information， CSI)， 以提供更细粒度的信息.如Dina等的责任中， 通过USRP取得CSI信号， 来探伤墙后东谈主的行为轨迹[13].由于CSI信号精度高的优点， 东谈主们入手尝试使用商用Wi-Fi开辟进行行动检测.如借助Halperin[18]发布的基于Intel 5300网卡的CSI测量器具(CSI-TOOL)， 在2014年， 出现了多量的基于商用Wi-Fi开辟CSI信息的无斗殴行动识别研究， 如WiHear[14]、E-eyes[12]、WiFall[19]、RT-Fall[20]、Gestures Recognition[21]及Wi-Fi imaging[22].于今， 依然有多量的干系责任[23]出面前顶级期刊上.这些基于Wi-Fi CSI信号的研究在表面模子上取得了一定发扬， 如Wang等[24]提议的相移模子， 训导起了信号变化和出动速率之间的筹商.同期， 这些研究在关节技巧和应用问题上取得了不同进程的发扬.

2 表面模子研究

基于Wi-Fi的无斗殴式行动识别的基高兴趣是在东谈主的行动和Wi-Fi信号之间训导映射.如图 1(a)所示， 在室内环境中， 放射端所发出的无线信号经过放射和剿袭端之间的直达旅途以及环境中因反射而形成的多径(multipath)在空间中传播， 并最终叠加在沿途形成了剿袭端所剿袭到的无线信号.在传输的物理层， 环境的变化会影响信号的传输， 从而导致最终剿袭到信号的改换， 因此最终所剿袭到的无线信号中， 蕴含了环境变化的信息[25-26].

图 1 信号在空间中的传播暗示图 Fig. 1 Schematic diagram for signal propagation inspace

如图 1(a)所示， 对于一双Wi-Fi收发开辟， 当东谈主出面前传播空间中时， 由于东谈主体的存在， 会导致对无线信号的庇荫和反射， 因此东谈主的存在会抓续性地影响剿袭端所剿袭到的无线信号.通过对剿袭端所剿袭到的信号进行汇注， 并用愈加复杂的技巧进行处理， 不错去量度东谈主在环境中的行动.

由于难熬准确的表面模子， 早期的研究主要依赖于劝诫性的不雅察和机器学习方法.基于旅途衰减的RF传播模子是该范围仅有的表面支抓.该表面琢磨这么的场景：在一个典型的室内环境中， 对于一双Wi-Fi收发开辟， 传输旅途由一条直达旅途(line of sight， LOS)和多条反射旅途(由天花板、地板、墙等反射形成)组成.如果当一个东谈主出面前房间内， 那么由于东谈主体的反射， 会形成新的传输旅途.剿袭端所剿袭到的信号[27]不错表述为

$ {P_{\rm{r}}} = \frac{{{P_{\rm{t}}}{G_{\rm{t}}}{G_{\rm{r}}}{\lambda ^2}}}{{{{(4{\rm{\pi }})}^2}({d^2} + {h^2} + {\Delta ^2})}}. $ (1)

式中：λ为信号的波长；d为放射端和剿袭端的距离， 即LOS的长度；Pt为放射端的放射功率；Gt、Gr分别为放射端和剿袭端的信号增益；h为反射点距离LOS的垂直距离；Δ为由东谈主体反射所形成的旅途的长度.

从式(1) 不错看出， 当东谈主体静止不动时， Pr是一个常数值；当东谈主体出动时， 会因此不休变化， 会导致剿袭到信号强度的变化.该模子诚然不错描摹出剿袭信号强度与反射旅途长度之间的关系， 关联词在施行情况下， 无法训导起信号和行动之间的物理关系.常见的作念法是应用于Finger Print等基于统计的方法.

为了弥补基于旅途衰减的RF传播模子的不及， Wang等[24]提议基于旅途变化的相移模子(CARM)以描摹信号变化和出动速率之间的关系.该模子的中枢在于将剿袭到的信号看作是一条静态的旅途和多条动态旅途的叠加， 如图 1(b)所示.

$ \begin{array}{l} H\left( {f， t} \right) = \\ {\rm{exp}}(-{\rm{j2\pi \Delta }}ft)\sum\limits_{k = 1}^N {{a_k}\left( {f， t} \right)} {\rm{exp}}(-{\rm{j2\pi }}{\tau _k}\left( t \right)). \end{array} $ (2)

其中， ak(f， t)是一个复数值， 线路第k条旅途运行的信号衰减以及相移；exp (-j2πτk(t))线路经过第k条旅途之后， 由于传播期间τk(t)导致的相移；exp (-j2πΔft)是由放射端和剿袭端之间的频率偏差导致的相移.

凭据式(2)户外 品牌， 筹商当物体出动时对CFR的影响.最初， 假定一个物体在一段较短期间内(如100 ms)以恒定速率畅通， 导致第k条旅途的长度以vk的速率发生变化.以dk线路第k条旅途在t时刻的长度， 则dk(t)=dk(0)+vkt， t时刻的CFR能量不错线路为

$ \begin{array}{l} {\left| {H\left( {f， t} \right)} \right|^2} = |{H_s}\left( f \right){|^2} + \sum\limits_{k = {P_d}} {|{a_k}\left( {f， t} \right){|^2}} + \\ \;\;\;\;\;\;\sum\limits_{k， l \in {P_d}， k \ne l} 2 |{a_k}\left( {f， t} \right){a_l}\left( {f， t} \right)| \times \\ \;\;\;\;\;\;{\rm{cos}}\left( {\frac{{2{\rm{\pi }}({v_k}-{v_l})t}}{\lambda } + \frac{{2({d_k}\left( 0 \right)-{d_l}\left( 0 \right))}}{\lambda } + {\phi _{kl}}} \right) + \\ \;\;\;\;\;\;\sum\limits_{k \in {P_d}} 2 |{a_k}\left( {f， t} \right){H_s}\left( f \right)| \times \\ \;\;\;\;\;\;{\rm{cos}}\left( {\frac{{2{\rm{\pi }}{v_k}t}}{\lambda } + \frac{{2{\rm{\pi }}{d_k}\left( 0 \right)}}{\lambda } + {\phi _{sk}}} \right). \end{array} $ (3) 明星换脸

式中：2πdk(0)/λ+ ϕsk和2(dk(0)-dl(0))/λ+ ϕkl为线路信号运行相位偏转的常量.从式(3) 不错看出， 总的信谈频率反映是一部分常量和正弦信号的叠加， 且该正弦信号频率和旅途长度变化的速率筹商.通过测量这些正弦信号的频率以及载波信号的波长， 不错得到反射旅途的长度变化速率.于是， 不错训导环境中东谈主的出动速率和CSI信号的关系.

橾p在线观看 3 关节技巧研究

图 2给出基于Wi-Fi进行行动感知的框架.该框架主要由四部分组成：1) 基信号采用；2) 预处理；3) 特征索要；4) 分类.具体先容如下.

图 2 基于Wi-Fi的行动识别技巧框架 Fig. 2 Technology framework of Wi-Fi based activity recognition 3.1 基信号采用

面前， 存在的技巧诳骗的Wi-Fi基信号主要有3种：振幅、相位和相位差.每种信号信息齐各故意弊.

1) 振幅.振幅在跌倒检测[20， 28]、手势识别[21， 29-30]等场景中应用十分庸俗.东谈主的行动酿成的信号波动有着具体的物理意旨.信号波动的频率与东谈主的行为速率具有对应关系[19]， 诳骗振幅的波动不错描述出东谈主行为的速率.振幅行动一种信号信息， 具有一定的污点， 举例振幅信号往往带有不可忽略的噪声， 面前如何从原始振幅信号中去除噪声仍是一个很难的问题.

2) 相位.由于精度原因， 商用Wi-Fi开辟得不到精确的相位信息， 想要使用相位信息， 必须对原始相位进行校准[31].线性变换是一种最常见的相位校准形态[31].Wu等[32]诳骗该形态将相位校准后用于入侵检测.该校准形态会缩小东谈主的行为对相位的影响[24]， 大大裁减了相位对东谈主的行为的描述才略.

3) 相位差.相位差对东谈主的行为卓绝明锐， 主要有以下几点原因[33]：1) 相位差是因为两根天线之间的距离酿成的， 是以它包含了空间各类性.2) 相位差包含少部分的高斯噪声， 这些高斯噪声不错通过一些去噪形态去掉.之前有责任[20， 28]诳骗相位差信息来检测颠仆， 考据了相位差的鲁棒性.笔者以为相位差具有很庸俗的应用出路， 值得陆续研究.

3.2 预处理

在采用基信号后， 为了升迁信号的可靠性， 需要对信号进行预处理.预处理的历程一般不错分为过滤相当值、去除无关信息和去除冗余信息3步.

1) 过滤相当值.由于硬件缺陷大致环境中存在的出奇噪声， 会酿成信号的相当值.这些相当值的存在将会影响深入的行动感知.诳骗Hampel滤波器[34]不错用来往除那些赫然与临近数据值不同的相当点， 它施行上是诳骗出动平均窗口去除数据相当点， 然后平直取数据的均值， 丢弃方差较大的数据点.Hampel滤波器只适用于仅包含高斯噪声的信号， 在作滤波时， 为了尽量地保留东谈主的行动对信号的影响， 滑动窗口的长度参数一般不会选得太大.

2) 去除无关信息.原始的信号信息包含着多量的无关信息.举例在用Wi-Fi作呼吸感知时， 东谈主呼吸的频率一般为0.15~0.55 Hz.， 很容易受到其他频率信息的烦闷， 酿成很难在时域信号上不雅察到反应呼吸的周期性变化， 需要将这些无关信息去撤回.比如接纳一种出奇的带通滤波器——有限脉冲反映滤波器(FIR filter)[35]不错终了无关信息的过滤， 以终了呼吸检测.与之类似， 在跌倒检测中， 不错接纳带通滤波器分裂跌倒和类跌倒动作[20].

3) 去除冗余信息.由于交易WIFI开辟价钱便宜， 硬件质料不高， 会给剿袭到的信号引入一些填塞的噪声， 举例剿袭端和放射端的功率调养等.为了去除这些填塞的噪声， 不错诳骗主身分分析(principal component analysis， PCA)的方法索要出信号中的主要身分， 去掉填塞噪声.Wang等[24]以为填塞的噪声主要存在于主身分分析后的第一个主身分中， 其他几个主身分主要包含东谈主的行为信息.即使如斯， 诳骗PCA去除冗余信息不老是竣工的， 因为实考据明填塞的噪声不仅包含在第一个主身分中， 其他的主身分中也会出现， 只是不同的主身分包含的噪声身分不同.在诳骗PCA进行去噪处理时， 如何中式一个相宜的主身分作代表是一个首要的问题.如何更好地使用PCA大致如何找到一个更好地去除冗余信息的信号处理方法， 可能是将来值得研究的问题.

3.3 特征索要

特征索如果一个对原始信息作信息提真金不怕火的历程.在传统的情境识别中， 特征索要主要分为3类：启发式特征、时域特征和频域特征.由于Wi-Fi CSI的行动识别施行上是对信号特征的索要分类历程， CSI行动一种数字信号， 主要存在于2个正交的子空间中：时域和频域.本文倾向于将启发式特征只是行动一种索要时频域特征的念念考历程， 并不只独行动一种特征.底下主要先容时频变换的方法和特征采用.

1) 时频变换.时频变换是指将时域上的信号转为频域上的信号进行分析.面前， 常用的时频变换技能有快速傅里叶变化(fast Fourier transformation， FFT)、短时傅里叶变换(sparse fast Fourier transform， SFFT)和小波变换(wavelet transform， WT).其中， 快速傅里叶变换形态是最基本的时频变换形态， 它将时域上的整段信号信息平直变换到频域上.如在呼吸检测中， 使用FFT不错在频域为0.15~0.55 Hz的区间上找到峰值来笃定东谈主的呼吸频率[35].FFT仅适用于自如信号， 无法得到瞬时的频域信息.在RT-Fall[20]和Anti-Fall[28]中， 分别接纳基于窗口的短时傅里叶变换和小波变换.在这些方法中， 凭据类似整个对每一个期间窗口进行变换， 从而得到瞬时的频域信息.短时傅里叶变换的放肆莫得小波变换精确.小波变换是基于小波分析表面来得到高精度的瞬时频率[12， 24].具体地， 小波变换包括相接小波变换和纷乱小波变换.相接小波变换速率慢， 精度高；纷乱小波变换遵循高， 精度相对较低.在具体的应用中， 需要在及时性和精度之间进行权衡.

2) 特征采用.常用的时域信号特征有轨范差、均值、信号的期间相性等.在时频变换后， 常用的频域的特征有主要频率、最高频率、轮廓特征等.

3.4 分类技巧

面前， 较常用的分类技巧有2种：基于规章的分类和基于机器学习的分类.

1) 基于规章的分类.基于规章的分类常常为两分类问题， 举例判断环境中是否有东谈主存在[32， 36-37]， 大致是否有东谈主行为[28]， Wang等[20， 28]诳骗轨范差的阈值将行为分为类颠仆的行动和非颠仆的行动.基于规章的分类存在的主要问题是它条款待识别的看法行动和信号之间有着放心、表示的对应关系， 且这个对应关系不错用一系列阈值来描摹.

2) 基于机器学习的分类.基于机器学习的分类方法应用十分庸俗， 但大多数的干系责任很少说起他们所使用的分类器.主流的机器学习算法有支抓向量机、神经网罗、遗传算法， 而这些算法在较小的数据集上莫得赫然的差距.

在现存的责任中， 不同的应用问题使用了不同的分类器.如在Anti-Fall[28]和RT-Fall[20]中使用支抓向量机(support vector machine， SVM)终炫耀及时的跌倒检测， KeyStroker[38]使用k最隔邻算法(k-nearest neighbor， KNN)终了手势识别， Wang等[24]使用隐马尔可夫模子(hidden Markov model， HMM)训导由不同的畅通情状组成的CSI行动模子.

4 应用问题研究

基于Wi-Fi的非斗殴式行动识别技巧在昔时的三年里取得了很大的发扬， 如图 3所示， 约莫不错分为两个所在：粗粒度行动的识别及细粒度行动的识别.

图 3 基于Wi-Fi无线行动识别的应用问题总结 Fig. 3 Summary for Wi-Fi based activity recognition applications 4.1 粗粒度行动识别研究

从研究行动识别的宏不雅层面来看， 现存的责任东要研究两类问题：东谈主是否存在于既定环境以及在既定环境中正在从事哪种行为.

第一类问题主要的应用配景是入侵检测， 该问题的主要挑战在于对于给定的环境， 在距离Wi-Fi开辟不同距离的位置处于相对静止的姿势时(如赠给、徐徐出动)， 如何终了可靠的检测.经过浩繁学者的不休校阅， 该问题基本依然得到接近100%检测率.连结在定位方面的深刻剖判， 在该问题进一步滋生出一类酷好的子问题， 本文称之为地舆围栏(geo-fencing)：检测东谈主是否出面前既定环境中的特定区域[39].该问题面前只可通过诳骗Wi-Fi天线的摆放终了天线周边的检测， 还不可终了对于既定环境中任何一个区域的检测识别.

第二类问题主要的应用配景是行动识别， 对东谈主体行动的识别包括跑步、坐下、赠给、跌倒、躺下、颠仆等原子行为[19-20， 28]， 也包括如吃饭、作念饭、洗漱、睡觉等由原子行为在不悯恻境下的组合行为[40].面前， 该问题所靠近的最大的挑战是如何作念到及时行动的准着实割.一个东谈主日常的行动多各类种， 且在期间上是相接的， 况兼即使灭亡个东谈主屡次重复灭亡个动作， 每一次的速率和抓续期间齐不会统统相易， 因此在及时的动作切割问题的难度要大于分类问题.对于该问题， 在文件[20， 28]中终炫耀从相接动作中切割出来整个类似跌倒的动作[41]， 并在此基础上终了及时跌倒检测.

4.2 细粒度行动识别研究

从研究行动识别的微不雅层面来看， 该问题不错分为以下两类：细粒度的行为识别以及粗粒度行为的细节放大.

第一类问题主要研究细粒度的行为.面前引起研究者最多调治的是监测东谈主的生命体征[17， 35， 42]， 通过分析东谈主在寝息情状下的呼吸、心跳次数反应东谈主的健康水慈详寝息质料， WiHear终炫耀毛糙的唇语识别[14]， KeyStroker识别虚构键盘敲击[38]， 终炫耀手势识别[30].面前， 该类责任局限在可控环境下终了， 条款环境和受试者保抓刻意的静止， 以甩掉一切其他行为和环境的烦闷.如安在富足挑战的信得过环境下终了细粒度行为的识别， 举例在多东谈主环境下， 将会是翌日的重心研究所在之一.

第二类问题是对于粗粒度行为的细节放大.面前已发表的责任中研究此类问题尚少， 关联词笔者以为这类问题有着广阔的应用价值， 翌日很快会得到研究东谈主员的调治.一方面， 行为的细节往往逃匿着一个东谈主的特征， 不错终了基于Wi-Fi的身份考据(user identification)， 举例步态[43-44]、手势特征.另一方面， 这类特征在某一类东谈主群之间具有权贵的通常性， 举例通过分析具有某类疾病东谈主群的行为细节特征， 推导某些疾病的特征；再通过对行为细节特征的聚类， 训导疾病和行为细节的关联， 从而终了对疾病的初期会诊和驻防， 举例通过一稔开辟的步态特征协助早期会诊帕金森概述征的问题也许不错通过使用Wi-Fi信号无斗殴的形态终了.

5 结语

尽管基于Wi-Fi的行动识别研究依然取得了浩大的发扬， 关联词不可否定依旧存在好多值得深入探究的问题.

对于表面和模子的研究， 现时依旧艰苦一个更完备的表面.在今后的一段期间内， 如何评释相移和无线信号的空间传输特色可能会是一个研究的热门问题.对于关节技巧的研究， 在接纳更多种类基信号、校阅信号处理技巧的同期， 应尝试使用深度学习[45-46]替换面前庸俗接纳的启发式方法.对于应用问题， 将来的研究责任存在两个所在.一方面， 对于依然研究过的应用场景， 如何将它们适用于愈加信得过且复杂的环境.另一方面， 探究行动可识别的界限， 如判断什么样的情况下行动可识别或不可识别.

行动一个有用且受到庸俗调治的感知技巧， 基于Wi-Fi的行动识别研究正在蛊卦越来越到的研究者参加这一范围， 况兼将会出现一无数干系的研究责任.不错猜测户外 品牌， 在不久的将来， 基于Wi-Fi的非斗殴式行动识别范围将会在表面模子、中枢技巧和应用场景等方面出现多量的冲破性发扬.