人体活动检测在安防监控、健康监护、智能家居等领域有广阔应用。基于可穿戴设备的识别方案需要人员携带专用传感器,基于计算机视觉的识别方案有识别盲区的限制,而基于无线信号的活动识别技术无需携带设备、成本低,是近年来的前沿研究热点,具有良好的研究价值和意义。首先,本文从信道状态信息(Channel State Information,CSI)子载波对不同活动的敏感度出发,提出基于高斯混合模型的粗粒度活动识别算法。该算法在采集CSI后按照子载波数据格式计算CSI振幅进行归一化处理,并且将CSI振幅映射成色阶,划分为固定时间窗尺寸的连续像素帧。然后利用高斯混合模型对像素帧进行前景检测,将每个像素点按照多个不同权值的高斯分布叠加建立模型,每种高斯分布对应一个可能产生像素点所呈现颜色的状态,各个高斯分布的权值和分布参数随时间更新。其中根据当前像素值与高斯模型的偏差距离区分前景和背景,分离出人体活动引起的CSI变化。最后将前景检测的输出表示为结果矩阵,提取结果矩阵的特征用于不同强度的粗粒度活动的检测。其次,在粗粒度活动识别的基础上,本文提出基于序列相关的细粒度呼吸检测算法。该算法以基于高斯混合模型的粗粒度活动识别算法的结果矩阵作为输入,根据呼吸活动在一定时间内改变无线信号传播路径并影响多个子载波导致的时间相关性对结果矩阵的每一列进行运动提取,过滤掉前景检测结果中影响子载波数量较少的假前景。然后利用Hampel函数移除离群值,并且使用巴特沃斯低通滤波器滤除集中在高频的CSI背景噪声。最后通过CSI振幅变化在时间点延迟上的线性关系构建序列相关函数,其中序列相关函数峰值的个数为呼吸频次,相邻峰值的间距为呼吸周期。本文在不同的CSI采样周期、目标与接收装置的距离、天线数量、采样次数和视距情况等多种条件下进行实验。结果表明,基于高斯混合模型的粗粒度活动识别算法的平均准确率达到98%,基于序列相关的细粒度呼吸检测算法的平均准确率达到96%。该论文有图41幅,表4个,参考文献77篇。