论文部分内容阅读
身份识别是安防系统的一项重要功能。常用的身份识别通过指纹识别、面部特征、虹膜识别等方法实现，但存在设备昂贵、生物特征易被窃取等缺点。由于人的活动会导致WiFi信道状态信息(Channel State Information,CSI)的变化，这种变化具有与个人行为习惯的关联，所以可利用CSI作为WiFi“指纹”进行身份识别。利用WiFi“指纹”的身份识别方法具有非接触、低成本等优势，展示了诱人的前景，已成为目前学术界一个新的研究方向。
本文围绕身份识别这一主题，对基于WiFi-CSI的个人身份识别技术进行了系统研究。主要研究内容如下：
(1)建立具有WiFi-CSI数据采集及提取功能的便携式系统。针对现有使用台式计算机采集和分析WiFi-CSI数据的方法不便于携带和快速部署的问题，首先对WiFi-CSI数据进行结构分析，然后使用Python语言开发了可在嵌入式32位工业控制计算机上运行的CSI提取程序，最后在工业控制计算机上实现了CSI数据的采集和提取，并对提取的结果进行可视化分析。
(2)改进CSI数据的预处理方法。针对现有CSI数据预处理方法存在步态信息提取不足的问题，首先根据CSI数据中相邻子载波变化趋势一致这一现象，通过邻域缺失值插补方法，有效地还原缺失的CSI数据；然后使用小波变换获取CSI数据中与人员步态相关的信号分量；最后通过数据标准化将CSI数据转换为可被深度学习网络接受的数据类型。
(3)搭建基于CNN-BiLSTM的个人身份识别模型。针对使用简单分类器对CSI数据进行身份识别的方法存在特征提取不足的问题，提出基于卷积神经网络(Convolutional Neural Networks,CNN)和双向长短期记忆网络(Bi-directional LongShort-TermMemory,BiLSTM)的并行深度学习模型。该模型可被分为两部分，一部分通过CNN网络提取CSI数据中人员步态的幅度特征，另一部分通过BiLSTM网络提取CSI数据中步态的时间顺序特征，然后对这两种步态特征进行合并以及使用Softmax函数进行分类，从而实现个人身份的识别。
最后使用路由器和嵌入式32位工业控制计算机搭建了实验平台，在室内环境下对30个人进行了身份识别实验，识别准确率达到98.7%，结果表明本方法具有较好的可行性。
本文围绕身份识别这一主题，对基于WiFi-CSI的个人身份识别技术进行了系统研究。主要研究内容如下：
(1)建立具有WiFi-CSI数据采集及提取功能的便携式系统。针对现有使用台式计算机采集和分析WiFi-CSI数据的方法不便于携带和快速部署的问题，首先对WiFi-CSI数据进行结构分析，然后使用Python语言开发了可在嵌入式32位工业控制计算机上运行的CSI提取程序，最后在工业控制计算机上实现了CSI数据的采集和提取，并对提取的结果进行可视化分析。
(2)改进CSI数据的预处理方法。针对现有CSI数据预处理方法存在步态信息提取不足的问题，首先根据CSI数据中相邻子载波变化趋势一致这一现象，通过邻域缺失值插补方法，有效地还原缺失的CSI数据；然后使用小波变换获取CSI数据中与人员步态相关的信号分量；最后通过数据标准化将CSI数据转换为可被深度学习网络接受的数据类型。
(3)搭建基于CNN-BiLSTM的个人身份识别模型。针对使用简单分类器对CSI数据进行身份识别的方法存在特征提取不足的问题，提出基于卷积神经网络(Convolutional Neural Networks,CNN)和双向长短期记忆网络(Bi-directional LongShort-TermMemory,BiLSTM)的并行深度学习模型。该模型可被分为两部分，一部分通过CNN网络提取CSI数据中人员步态的幅度特征，另一部分通过BiLSTM网络提取CSI数据中步态的时间顺序特征，然后对这两种步态特征进行合并以及使用Softmax函数进行分类，从而实现个人身份的识别。
最后使用路由器和嵌入式32位工业控制计算机搭建了实验平台，在室内环境下对30个人进行了身份识别实验，识别准确率达到98.7%，结果表明本方法具有较好的可行性。