黨小超,,,

(1.西北師范大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院,蘭州 730070; 2.甘肅省物聯(lián)網(wǎng)工程研究中心,蘭州 730070)

0 概述

隨著無線傳感器網(wǎng)絡(luò)(Wireless Sensor Networks,WSN)的不斷進(jìn)步與發(fā)展,人們已經(jīng)不局限于只對傳統(tǒng)室內(nèi)定位與位置感知進(jìn)行研究。近年來,智能家居、軍事、工業(yè)等領(lǐng)域均開始利用無線電進(jìn)行位置感知,如典型的基于UWB(Ultra Wideband)的雷達(dá)系統(tǒng)[1]。而目前較新穎的基于商用Wi-Fi設(shè)備的室內(nèi)定位技術(shù),在室內(nèi)入侵檢測、校園安全、商場人員檢測、病人監(jiān)護(hù)、家中老人小孩的實(shí)時(shí)檢測等多個(gè)領(lǐng)域中[2],均有較好的發(fā)展優(yōu)勢。

傳統(tǒng)的室內(nèi)定位技術(shù)進(jìn)行位置服務(wù)與環(huán)境感知時(shí),主要依據(jù)接收信號強(qiáng)度(Received Signal Strength Indication,RSSI)[3]技術(shù)。但從實(shí)驗(yàn)結(jié)果中可以發(fā)現(xiàn),這類室內(nèi)定位技術(shù)的精度較低,造成該現(xiàn)象的主要原因是RSSI的穩(wěn)定性較低,其定位結(jié)果會受時(shí)間影響。相比RSSI技術(shù),信道狀態(tài)信息(Channel State Information,CSI)在時(shí)間分辨率、頻率分辨率、穩(wěn)定性等方面都具有優(yōu)勢[4]。

文獻(xiàn)[5]提出基于CSI模型的低成本高精度被動式目標(biāo)定位方法LIFS,其將CSI的特點(diǎn)有效地應(yīng)用于目標(biāo)定位中,但該方法未考慮檢測區(qū)域與檢測率的關(guān)系。文獻(xiàn)[6]將相位信息應(yīng)用在唇語檢測系統(tǒng)中,能夠達(dá)到更細(xì)粒度的定位效果,但是其相位信息不易獲取,并且在檢測過程中要利用專用設(shè)備USPR,導(dǎo)致方法穩(wěn)定性和實(shí)用性不高。文獻(xiàn)[7]的FIMD系統(tǒng)利用CSI的穩(wěn)定性,在靜態(tài)環(huán)境下實(shí)現(xiàn)了更細(xì)粒度的人員檢測,但其未取得高檢測率,且系統(tǒng)性能會受實(shí)驗(yàn)環(huán)境的影響。文獻(xiàn)[8]的BFP系統(tǒng)利用CSI進(jìn)行行為無關(guān)移動檢測,其整體性能較好,但算法的效率較低。文獻(xiàn)[9]將SVM應(yīng)用在基于RSSI的室內(nèi)人員定位中,但基于RSSI的室內(nèi)人員檢測精度較低。

針對以上方法存在的不足,本文提出一種基于CSI的室內(nèi)人員行為檢測方法Wi-SK。首先采集CSI數(shù)據(jù),利用振幅信息作為特征值,選擇Kalman濾波算法對原始的CSI數(shù)據(jù)進(jìn)行過濾,剔除異常值;然后使用SVM對濾波后的數(shù)據(jù)作分類處理,并使用PSO修正SVM中的參數(shù)后建立指紋庫;最后在真實(shí)環(huán)境中的檢測區(qū)域內(nèi)實(shí)時(shí)采集數(shù)據(jù),并利用SVM處理實(shí)時(shí)提取的特征值,將在真實(shí)環(huán)境下采集的實(shí)時(shí)數(shù)據(jù)與指紋庫的數(shù)據(jù)進(jìn)行匹配,在此基礎(chǔ)上,進(jìn)行人員行為的檢測。

1 相關(guān)理論

1.1 信道狀態(tài)信息

隨著無線網(wǎng)絡(luò)的普及和正交頻分復(fù)用(Orthogonal Frequency Division Multiplexing,OFDM)技術(shù)的發(fā)展,傳統(tǒng)的信號傳播格局被改變。在802.11/g/n標(biāo)準(zhǔn)下,通道響應(yīng)可以從商用Wi-Fi設(shè)備中提取出CSI,其以子載波的振幅和相位信息揭示了信號從發(fā)送端到接收端的通信鏈路間的信道狀態(tài)[10]。由于RSSI不能逐一區(qū)分多條信號傳播路徑,為了更好地表示多徑傳播,無線信道通常用信道脈沖響應(yīng)(Channel Impulse Response,CIR)來進(jìn)行建模[11]。在線性時(shí)間不變的情況下,CIR可表示為:

其中,ai、θi和τi分別表示第i條路徑的振幅衰減、相位偏移和時(shí)間延遲,N表示傳播路徑總數(shù),δ(τ)是狄拉克脈沖函數(shù)。

由于在多徑傳播過程中會造成頻率選擇性衰落,為了更好地刻畫多徑傳播,可以選擇信道頻率響應(yīng)(Channel Frequency Response,CFR)進(jìn)行建模。CFR是CIR的傅里葉變換[12],CIR和CFR可以描繪小規(guī)模的多徑效應(yīng)并且廣泛應(yīng)用于通道測量。通過Wi-Fi設(shè)備可以CSI的形式獲取CFR的一個(gè)樣本[13],即利用兼容IEEE 802.11a/g/n的無線網(wǎng)卡可從每個(gè)接收數(shù)據(jù)包中獲取一組CSI,每組CSI代表一個(gè)OFDM子載波的幅度和相位,其表示為:

H(k)=‖H(k)‖ej∠H(k)

(2)

其中,H(k)為第k個(gè)子載波的CSI,‖H(k)‖和j∠H(k)分別表示第k個(gè)子載波的振幅與相位。由于振幅信息較穩(wěn)定可提高算法的效率,因此本文選用振幅作為特征值。

1.2 卡爾曼濾波

提取第1.1節(jié)所述的振幅數(shù)據(jù)后,利用Kalman濾波算法將異常值剔除。該過程主要步驟為:

步驟1設(shè)Xk為k時(shí)刻的狀態(tài)向量,將系統(tǒng)向量轉(zhuǎn)換為線性方程的形式,則系統(tǒng)的狀態(tài)轉(zhuǎn)移方程[14]如下:

Xk=FkXk-1+BkUk+Wk

(3)

其中,Fk是狀態(tài)轉(zhuǎn)移矩陣,Bk是控制矩陣,Uk是控制向量,Wk是轉(zhuǎn)移過程中的噪聲矩陣。

步驟2若Zk為k時(shí)刻系統(tǒng)的觀測向量,則觀測方程為:

Zk=HkXk+Vk

(4)

其中,Hk是觀測矩陣,Vk是觀測噪聲。假設(shè)噪聲服從高斯分布,即:

Wk～N(0,Qk),Vk～N(0,Rk)

(5)

其中,Qk和Rk分別為Wk和Vk的協(xié)方差矩陣。

步驟3利用Kalman濾波估算k時(shí)刻系統(tǒng)的狀態(tài)量[15]。

1)計(jì)算系統(tǒng)k時(shí)刻狀態(tài)的預(yù)測值:

2)計(jì)算預(yù)測值的協(xié)方差矩陣:

其中,Pk-1為協(xié)方差矩陣。

3)計(jì)算Kalman增益矩陣:

4)根據(jù)觀測值來修正預(yù)測值,得到系統(tǒng)狀態(tài)量的最優(yōu)估計(jì):

5)更新協(xié)方差矩陣:

在已知初始狀態(tài)量和協(xié)方差矩陣的前提下,重復(fù)以上步驟,最后得到任意時(shí)刻系統(tǒng)的最優(yōu)值。圖1所示為CSI信號在濾波前后的對比示意圖,圖1(a)中方框標(biāo)識的是被剔除的異常值。

圖1 CSI信號濾波前后對比

1.3 支持向量機(jī)

在機(jī)器學(xué)習(xí)中,SVM是一種與學(xué)習(xí)算法有關(guān)的監(jiān)督學(xué)習(xí)模型,它可以進(jìn)行數(shù)據(jù)分析、模式識別以及分類和回歸分析[16]。給定一組訓(xùn)練樣本,每個(gè)標(biāo)記屬于兩類,一個(gè)SVM訓(xùn)練算法建立一個(gè)模型,將一個(gè)新實(shí)例分配給一個(gè)類或其他類,使它成為一個(gè)非概率的二元線性分類[17]。該特征可以有效結(jié)合CSI數(shù)據(jù),從而降低算法時(shí)間復(fù)雜度,提高算法整體性能。第1.2節(jié)得到濾波后的振幅信息,本節(jié)利用SVM將濾波后的數(shù)據(jù)進(jìn)行分類。

初始化階段,將檢測區(qū)域分為20個(gè)方格作為參考點(diǎn),并按升序進(jìn)行編號。然后,測試人員逐個(gè)遍歷參考點(diǎn),在每個(gè)參考點(diǎn)都進(jìn)行站立、跳躍、半蹲、坐下4個(gè)動作。將此時(shí)所獲得的CSI數(shù)據(jù)以及振幅、相位的變化傳輸?shù)椒?wù)器。具體步驟如下:

步驟1設(shè)T為數(shù)據(jù)采樣的周期,且T為1 s。在測試位置進(jìn)行站立、跳躍、半蹲、坐下4個(gè)動作。假設(shè)接收端依次采樣的樣本訓(xùn)練集為:{(xi,yi)},i=1,2,…,n,則SVM的回歸函數(shù)為:

f(x)=w·x+b

(11)

其中,x為從CSI振幅或相位數(shù)據(jù)中提取的特征,w為權(quán)向量,b為偏置向量。

步驟2求解式(11)中的w和b,可得最小化目標(biāo)函數(shù)[18]:

其中,C為懲罰系數(shù),Remp(f)為損失函數(shù)。

步驟3引入松弛因子,式(12)的優(yōu)化目標(biāo)函數(shù)轉(zhuǎn)換為:

其中,ε為松弛變量。

步驟5新的特征空間映射了原始數(shù)據(jù),引入映射函數(shù)φ[19],則SVM回歸函數(shù)為[18]:

f(x)=w·φ(x)+b

(15)

步驟6式(15)的優(yōu)化目標(biāo)函數(shù)轉(zhuǎn)化為:

(16)

步驟7引入核函數(shù)k(xi,xj)代替(φ(xi),φ(xj)),式(16)轉(zhuǎn)化為如下的優(yōu)化目標(biāo)函數(shù):

(17)

步驟8最終SVM的預(yù)測函數(shù)為:

傳統(tǒng)SVM算法求解效率低,算法實(shí)時(shí)性較差[20],考慮到PSO算法具有易搜索、收斂速度快、整體復(fù)雜度較低等優(yōu)點(diǎn)。因此,本文選擇PSO對SVM的參數(shù)和核函數(shù)進(jìn)行修正,以提高算法的整體性能。當(dāng)進(jìn)行復(fù)雜搜索時(shí),這一改進(jìn)措施能夠避免陷入局部最優(yōu)解的情況[19]。PSO對SVM的參數(shù)和核函數(shù)進(jìn)行修正的主要步驟如下:

步驟1設(shè)D維搜索空間中有n個(gè)粒子。向量Li=(xi1,xi2,…,xiD)表示i粒子的位置空間[19],最優(yōu)解為Pi=(pi1,pi2,…,piD)。

步驟2設(shè)第g個(gè)粒子的歷史位置為局部最優(yōu)解Pi(i=1,2,…,n)。

步驟3第i個(gè)粒子的速度用向量Vi=(vi1,vi2,…,viD)表示。

步驟4按照如下公式進(jìn)行每個(gè)粒子的位置變化:

Vid(t+1)=w×Vid(t)+c1×rand()×

[Pid(t)-Lid(t)]+c2×rand()×

[Pgd(t)-Lid(t)]

(19)

Lid(t+1)=Lid(t)+Vid(t+1)

1≤i≤n,1≤d≤D

(20)

其中,速度變化區(qū)間為[-Vmax,Vmax],當(dāng)?shù)赿(1≤d≤D)維的速度超過閾值或位置發(fā)生改變時(shí),速度將取邊界值,c1、c2為加速因子,rand()是[0,1]區(qū)間內(nèi)的隨機(jī)數(shù)。

步驟5由于PSO算法隨機(jī)產(chǎn)生位置與速度,因此通過式(19)、式(20)迭代,可以找到最優(yōu)解。

2 Wi-SK方法整體流程

本文Wi-SK方法主要包括4個(gè)模塊:數(shù)據(jù)采集,數(shù)據(jù)處理,指紋庫建立,特征信息匹配。Wi-SK方法總體流程如圖2所示。

圖2 Wi-SK方法總體流程

2.1 離線訓(xùn)練階段

在采集完CSI原始數(shù)據(jù)包后,進(jìn)入離線訓(xùn)練階段。在該階段,首先收集各測試點(diǎn)的位置坐標(biāo),并對接收到的CSI原始數(shù)據(jù)進(jìn)行處理,處理過程中先使用Kalman算法對原始數(shù)據(jù)進(jìn)行濾波,再使用SVM算法對處理過的CSI數(shù)據(jù)實(shí)現(xiàn)分類;接著,將處理過的數(shù)據(jù)存到指紋庫,并根據(jù)環(huán)境的變化情況實(shí)時(shí)更新指紋庫。離線訓(xùn)練階段具體步驟為:

步驟1對CSI數(shù)據(jù)進(jìn)行預(yù)處理,求出單個(gè)信道狀態(tài)的頻域模型,公式如下:

Y=HX+N

(21)

其中,Y為接收信號向量,X為發(fā)射信號向量,H為信道矩陣,N為高斯白噪聲向量[18]。

步驟2根據(jù)步驟1將所有子載波的CSI表示為:

步驟3將單個(gè)子載波的CSI表示為:

csi=|csi|ejsin∠csi

(23)

其中,|csi|和csi分別表示對應(yīng)于該子載波的幅度和相位。

步驟4用Kalman濾波算法對步驟3中的振幅信息進(jìn)行濾波處理。

步驟5假設(shè)接收端依次采樣的樣本訓(xùn)練集為:{(xi,yi)},i=1,2,…,n,則SVM的回歸函數(shù)為:

f(x)=w·x+b

(24)

最小化目標(biāo)函數(shù)為:

式(25)的優(yōu)化目標(biāo)函數(shù)可以轉(zhuǎn)換為[18]:

則SVM回歸函數(shù)可表示為:

f(x)=w·φ(x)+b

(28)

式(25)的優(yōu)化目標(biāo)函數(shù)轉(zhuǎn)化為:

(29)

引入核函數(shù)k(xi,xj)代替(φ(xi),φ(xj)),則式(29)轉(zhuǎn)化為如下的優(yōu)化目標(biāo)函數(shù):

則最終的SVM預(yù)測函數(shù)為:

步驟6利用第1.4節(jié)所述的PSO算法求得最優(yōu)參數(shù),再根據(jù)式(30)、式(31)結(jié)合幅度樣本數(shù)據(jù),從而構(gòu)建SVM的分類模型。

2.2 在線行為檢測階段

在線行為檢測階段,發(fā)送端負(fù)責(zé)采集每個(gè)測試方格的實(shí)時(shí)CSI數(shù)據(jù)以及測試人員發(fā)生行為變化時(shí)的數(shù)據(jù),再將采集到的數(shù)據(jù)發(fā)送給接收端。在線行為檢測階段主要步驟如下:

步驟1在真實(shí)環(huán)境下采集實(shí)時(shí)數(shù)據(jù)。

步驟2選擇振幅作為特征值。

步驟3設(shè)Xk表示k時(shí)刻系統(tǒng)的狀態(tài)向量,則系統(tǒng)的狀態(tài)轉(zhuǎn)移方程如下[16]:

Xk=FkXk-1+BkUk+Wk

(32)

設(shè)Zk為k時(shí)刻的觀測向量,則觀測方程為:

Zk=HkXk+Vk

(33)

假設(shè)噪聲服從高斯分布,即:

Wk～N(0,Qk),Vk～N(0,Rk)

(34)

利用Kalman算法估算k時(shí)刻系統(tǒng)的狀態(tài)量,步驟如下:

1)計(jì)算系統(tǒng)k時(shí)刻狀態(tài)的預(yù)測值:

2)計(jì)算預(yù)測值的協(xié)方差矩陣:

3)計(jì)算Kalman增益矩陣:

4)根據(jù)觀測值來修正預(yù)測值,得到系統(tǒng)狀態(tài)量的最優(yōu)估計(jì):

5)更新系統(tǒng)狀態(tài)量的協(xié)方差矩陣:

步驟4利用PSO算法修正SVM算法中的參數(shù)C,構(gòu)建SVM分類模型對檢測數(shù)據(jù)進(jìn)行預(yù)測。

步驟5將實(shí)時(shí)采集的振幅數(shù)據(jù)與指紋庫進(jìn)行匹配。

步驟6設(shè)通過以上步驟得出的當(dāng)前振幅的特征值為A,離線階段的閾值為B。若A>B,則可判斷當(dāng)前為非靜止?fàn)顟B(tài),此時(shí)再次根據(jù)振幅的幅度變化進(jìn)行匹配。圖3所示為實(shí)驗(yàn)室環(huán)境下人員行為狀態(tài)檢測信號。從圖3(d)可以看出,此時(shí)的幅度波動較大,說明動作幅度較大,則可判斷此時(shí)的行為是跳躍。圖3(b)、圖3(c)的信號波動較小,即動作較緩慢,則可判斷此時(shí)的行為是站立或半蹲。

圖3 實(shí)驗(yàn)室環(huán)境下人員行為狀態(tài)檢測信號

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)設(shè)備

本次實(shí)驗(yàn)所用的發(fā)射器和接收器均安裝有支持IEEE 802.11n協(xié)議的Atheros AR9580 NIC,且安裝了長度約為1.5 m的外部天線。所有發(fā)射器配備Ubuntu 14.04 LTS,32 bit系統(tǒng)和4.1.10 Linux內(nèi)核版本。驅(qū)動程序模塊可以在接收到信號并將其保存為其他進(jìn)程時(shí)從Linux內(nèi)核獲取CSI。2臺英特爾酷睿i3-4150 CPU臺式機(jī),一臺作為發(fā)送端,另一臺作為接收端。所獲得的數(shù)據(jù)在C程序中使用本文提出的Wi-SK算法進(jìn)行處理。

3.2 實(shí)驗(yàn)場景

本次實(shí)驗(yàn)分為2個(gè)場景:實(shí)驗(yàn)室和大廳,分別對應(yīng)NLOS場景與LOS場景。實(shí)驗(yàn)室大小為7 m×5 m,空曠大廳大小為10 m×8 m。實(shí)驗(yàn)場景平面結(jié)構(gòu)如圖4所示。

圖4 實(shí)驗(yàn)場景與平面部署

3.3 系統(tǒng)性能分析

當(dāng)監(jiān)測區(qū)域中有人出現(xiàn)時(shí),利用部署好的實(shí)驗(yàn)設(shè)備接收數(shù)據(jù)包并發(fā)送給閱讀器,然后再轉(zhuǎn)發(fā)到服務(wù)器。在本次實(shí)驗(yàn)中,服務(wù)器端得到方向信息后,目標(biāo)將被檢測。在檢測過程中,選用振幅信號作為特征值,原因是振幅信號敏感度較高,且容易獲取。為證明振幅信號的這一特性,本文分別在多徑干擾較多的實(shí)驗(yàn)室內(nèi)和較為空曠的大廳內(nèi)進(jìn)行對比測試,結(jié)果如圖5所示。從圖5可以看出,在實(shí)驗(yàn)室和大廳內(nèi)測得的無人時(shí)CSI振幅變化存在明顯區(qū)別,圖5(b)的信號波動較小,整體趨勢較平穩(wěn),原因是空曠大廳內(nèi)無過多的電磁干擾和多徑干擾。因此,本文實(shí)驗(yàn)選擇振幅作為特征值是可行的。

圖5 實(shí)驗(yàn)室與空曠大廳無人時(shí)振幅信息對比

為驗(yàn)證本文Wi-SK方法的檢測性能,本次實(shí)驗(yàn)將Wi-SK方法分別與LIFS、FIMD、BFP以及傳統(tǒng)的基于RSSI的系統(tǒng)模型,在靜態(tài)環(huán)境檢測概率與動態(tài)環(huán)境檢測概率、窗口大小、特征數(shù)、檢測區(qū)域等方面,進(jìn)行比較分析。

1)靜態(tài)環(huán)境下的檢測概率

檢測概率即為正確分類概率,在靜態(tài)環(huán)境下稱為TN率,圖6所示為不同位置和不同時(shí)間點(diǎn)的TN率檢測結(jié)果。從圖6可以看出,經(jīng)過多次測試,各方法的TN率均可達(dá)到90%以上。但是,RSSI方法與LIFS方法的TN率值會受時(shí)間的影響,因此,會造成其性能不穩(wěn)定的情況。而Wi-SK方法檢測結(jié)果較平穩(wěn),整體性能優(yōu)于其他2種方法。

圖6 靜態(tài)環(huán)境下3種方法TN率對比

2)動態(tài)環(huán)境下的檢測概率

檢測概率在動態(tài)環(huán)境下稱為TP率,圖7所示為不同位置和不同時(shí)間點(diǎn)的TP率檢測結(jié)果。從圖7可以看出,相比RSSI方法與LIFS方法,Wi-SK方法可以更精確地檢測人員的行為,即Wi-SK方法的效率更高。

圖7 動態(tài)環(huán)境下3種方法TP率對比

3)窗口大小的影響

由于窗口大小能夠代表延遲的大小,且其對于檢測率的整體性能起著重要作用。因此,本次實(shí)驗(yàn)選擇窗口大小作為指標(biāo)對不同方法的檢測率進(jìn)行評估。

從圖8可以看出,3種方法的檢測率均隨窗口大小的增加而增加,但是當(dāng)窗口大小超過某個(gè)閾值時(shí),CSI數(shù)據(jù)將通過人員的不同行為狀態(tài)而產(chǎn)生差異,即對人員不同狀態(tài)的檢測率產(chǎn)生影響。當(dāng)窗口較小時(shí),系統(tǒng)很難檢測到人員的存在,原因是方差的大小會降低系統(tǒng)的靈敏度,且系統(tǒng)對靜態(tài)環(huán)境的區(qū)別度不高。從圖中可以看出,Wi-SK方法將滑動窗口大小設(shè)為80時(shí)可達(dá)到較佳檢測性能,且檢測率較穩(wěn)定。

圖8 檢測率與窗口大小的關(guān)系

4)特征數(shù)的影響

由于使用較多的特征數(shù)可能會導(dǎo)致較高的檢測率,因此本文對傳統(tǒng)的基于RSSI的方法和FIMD方法進(jìn)行改進(jìn)。FIMD方法中使用相關(guān)矩陣的特征值,其最優(yōu)值集中在前2個(gè)特征數(shù)。基于RSSI的方法不能在一段時(shí)間內(nèi)保持穩(wěn)定,其自身變化多端,對檢測率造成相應(yīng)的影響。而本文Wi-SK方法利用CSI穩(wěn)定性高的特點(diǎn),且實(shí)驗(yàn)的特征值使用的協(xié)方差矩陣更分散,因此檢測率較高。

圖9所示為檢測率與特征數(shù)的關(guān)系。從圖9可以看出,隨著特征數(shù)的增加,Wi-SK方法的檢測率隨之增加,且當(dāng)特征數(shù)達(dá)到5時(shí),其基本能夠保持穩(wěn)定狀態(tài)。相比之下,FIMD方法在特征數(shù)達(dá)到4之后,檢測率有所下降,且不夠穩(wěn)定。

圖9 檢測率與特征數(shù)的關(guān)系

5)測試區(qū)域的影響

為測試人員在不同位置下的行為狀態(tài)對檢測率的影響,將實(shí)驗(yàn)區(qū)域劃分成20個(gè)方格,并進(jìn)行升序編號。在本次實(shí)驗(yàn)中,選擇編號為1～9的格子進(jìn)行測試。

如圖10所示,在4、5、6、7號格子區(qū)域內(nèi)系統(tǒng)檢測率較高,原因是這4個(gè)區(qū)域距離發(fā)送端與接收端較近,且無過多信號干擾。1～3格子的檢測率都較低,原因是這3個(gè)區(qū)域距離接收端與發(fā)送端較遠(yuǎn),且受到桌子、墻壁等多徑效應(yīng)的干擾。從圖10還可以看出,Wi-SK方法的檢測率高于其他2個(gè)方法。

圖10 檢測率與測試區(qū)域的關(guān)系

4 結(jié)束語

本文提出一種基于CSI的室內(nèi)人員行為檢測方法Wi-SK。在數(shù)據(jù)處理方面,首先通過商用Wi-Fi設(shè)備采集CSI原始數(shù)據(jù),將CSI中的振幅信息作為特征值,對其使用Kalman濾波、SVM算法、PSO算法進(jìn)行相應(yīng)處理,并建立指紋庫;然后,在實(shí)驗(yàn)場景下采集實(shí)時(shí)數(shù)據(jù),并將指紋庫中的數(shù)據(jù)與實(shí)時(shí)采集的數(shù)據(jù)進(jìn)行匹配,從而實(shí)現(xiàn)室內(nèi)人員行為檢測的目的。實(shí)驗(yàn)結(jié)果表明,Wi-SK方法在靈敏度、魯棒性、檢測率等方面均有較好表現(xiàn),實(shí)用性較強(qiáng)。