1 绪论
1.1 研究背景和意义
身份识别是将人与预定身份相关联的过程，是普适计算和人机交互领域的重要研究内容，并且在安防系统中发挥着关键的作用，如何准确的识别个人的身份信息，是目前亟待解决的一个重要问题。近年来，随着一些安全敏感场合对监控系统的需求提升，利用脸像、指纹和虹膜等生物特征进行近距离的身份识别，在实际的应用中受到了诸多限制[1] 。步态作为可以在远距离情况下进行感知的生物特征，已被公认为人类的独特标志[2] ，又因其非接触性和难以隐藏性受到了研究者们的广泛关注。
在步态识别的前期研究工作中，研究者们使用摄像机、传感器等识别方法进行大量尝试，然而这些方法由于易受环境的影响、部署条件的限制或涉及到隐私问题，并不适合在室内进行身份识别。随着室内环境中商用 Wi Fi 设备的大规模覆盖，基于 Wi Fi 的无线感知方式由于其低成本、非接触式以及易于部署等一系列优点，已成为一个新兴的研究领域[3] 。Wi Fi 感知不需要用户携带任何设备，由发射器发出的无线信号经过直射、反射、散射等多条路径进行传播，因此，接收端会接收到由多条传播路径叠加的 Wi Fi 信号，通过分析接收到的信号获取室内环境中的状态变化，其中包括人的位置、姿势、动作等特征，实现被动式的检测。
目前，基于 Wi Fi 的感知技术被广泛的研究和应用在以下几个方面：
（1）行为识别：通过分析人体行为对 Wi Fi 信号的影响模式，建立行为与Wi Fi 信号间的映射关系，达到行为识别的目的[4]。这类研究包括粗粒度行为识别[5] 和细粒度行为识别[6] 。粗粒度行为包括跑、走、蹲下、坐下、跌倒等，这类行为幅度大，动作直观明显；细粒度行为幅度较小，包括心跳、唇语、呼吸等。行为识别可以用于对日常行为的感知，或者通过心跳、呼吸等生理指标的监测，了解人体的健康状况。
（2）室内定位跟踪：利用人体在不同位置所反射的 Wi Fi 信号不同，如 Wi Fi信号中到达角或多普勒效应的改变，对人体移动过程中的方向向量进行实时分析，从而实现对人的定位和追踪[7] 。基于 Wi Fi 的室内定位和追踪可以帮助提高室内的救援能力或公共场合中了解人们的位置信息。
...............................
1.2 国内外研究现状
利用步态进行身份识别是近年来生物特征识别领域的一个备受关注的研究方向，它是从人体的行走中发掘个体之间的特征区别。由于步态具备远距离感知、非接触、难以隐藏等特点，目前步态识别在安全监控、健康监测、智能家居等领域具有广泛的应用前景和经济价值。在步态检测的过程中，被检测目标不需要做某些特定的动作，只需要按照平时走路的姿势进行正常行走。目前，利用步态实现身份识别的研究主要可以分为三类：基于视频，基于传感器，基于无线电信号。
（1）基于视频的步态识别。视频是一种常用的步态检测方法，在基于视频的步态识别研究中，首先需要将运动目标从背景中分离出来，并从视频帧中生成一个序列，然后应用该序列来实现身份识别。Teixeira 等提出了 PEM-ID 方法，在摄像机视频输出中识别带有加速度计节点的人员，引入了一种由步态时间戳组成的信号之间的距离测量新方法，通过将信号与可穿戴加速度计节点配对，利用该方法识别视频中被追踪的人[9] ；Wang 等为了解决步态能量图中会丢失时间信息问题，提出一种时间步态图像模板，该模板首先提取每个步态帧的轮廓，然后使用多通道映射函数将每个步态轮廓图像编码成相同的步态时间序列中，充分利用了时间信息[10] 。虽然使用基于视频的步态识别在身份识别方面实现了很好的准确性，也是目前使用的最为广泛的一种方法，但是会带来隐私的问题，并且摄像机会存在一些盲区，视线很容易被阻挡，对光线也有一定的要求。
（2）基于传感器的步态识别。还有一些研究利用各种传感器，如地面传感器、旋转传感器或基于加速计的可穿戴式传感器捕捉步态特征。Orr 等利用地面传感器在日常生活和工作环境中识别用户，该研究基于用户的足迹轮廓特征创建了足迹模型，实现了 93%的身份识别准确率[11]；Gafurov 等利用小腿上的可穿戴式传感器的加速度来捕捉步态模式，将三个方向的加速度组合起来，采用直方图相识度和周期长度两种不同的方法进行身份识别[12] 。传感器可以实现细粒度的步态行为感知，然而基于传感器的方法都需要人们以特定的方式佩戴传感器以确保准确的操作，或者将这些传感器进行额外的部署，这样往往会让用户感到不适并且需要大量的成本。
...........................2 相关技术理论
2.1 WiFi 信号的感知理论
基于 WiFi 信号的感知原理是在人的行为和 WiFi 信号之间建立映射关系。如图 2.1(a)所示，在室内环境中，发射端发出的无线信号经过视距路径（Line of Sight,LOS）和反射路径（墙壁、地板、人体等）而产生的多径传播，在接收端接收到的是这些路径叠加的信号。环境的改变会对接收信号的传播方式造成一定的影响，因此所接收到的信号中，包含了环境变化的信息[16] 。当人出现在被检测空间时，也会对信号造成遮挡和反射，人的存在会持续的影响接收端接收到的 WiFi信号，因此当人开始移动或做出一些动作时，这种反射路径会根据移动位置或肢体摆动的变化而发生改变，针对人体的 WiFi 感知是从接收端获取信号的变化规律，从而预测人体的行为。
................................
2.2 基于 CSI 的相关应用研究
由于 CSI 能够更好的刻画 WiFi 信号的多径传播，获取子载波级别的细粒度信息。近年来出现了大量相关的研究应用被不断提出，下面将按照基于 CSI 研究的不同应用问题进行分类，并对其中的思路和方法进行总结和整理，并且详细介绍了目前基于 CSI 的身份识别所使用的方法
2.2.1 动作识别
通过分析人体动作对 Wi Fi 信号的影响模式，建立动作与 Wi Fi 信号间的映射关系，达到动作识别的目的。动作识别包括走路、跑步、站起、跌倒等大幅度动作，也包括手势识别、按键识别这类小幅度动作。研究者们通常利用 WiFi 信号实现特定动作的检测。
Wang 等提出的 CARM 使用一对收发器进行人类活动识别[18] ，该方法利用不同子载波 CSI 数据的相关性，使用主成分分析（Principal Component Analysis,PCA）进行特征提取，并对数据进行预处理、离线训练和在线预测。所考虑的动作包括跑步、走路、坐下、摔倒、挥手等。CARM 的平均准确度为 96％，而且能够适应不同的环境设置。
Virmani 等提出基于 WiFi 的手势识别系统 Wi AG 用来减少数据的训练工作[28]。在传统方法中，为了提高特定手势的识别准确度，需要在不同位置及方向收集许多样本，造成繁重的工作量。Wi AG 借鉴了迁移学习的思想，只需用户在一种情况下为所有手势提供训练样本，然后可以用于其他位置或方向下的手势估计，并取得了较高的准确率。
Wi Draw 利用无线信号的到达角信息，跟踪用户的手势轨迹[29] 。其原理是由于用户的手遮挡来自某个方向的信号时，会使得该方向的信号强度下降，以此来推断手部的轨迹。Wi Draw 利用手势实现无线手写功能，得到了 91%的平均单词识别准确率。
..............................
3 基于 CSI 的步态行为检测算法....................... 21
3.1 步态行为检测问题分析........................... 21
3.2 CSI 数据分析......................................22
3.3 步态行为检测算法 WiTread....................................24
4 基于步态的身份识别深度学习算法............................. 31
4.1 身份识别问题分析......................... 31
4.2 身份识别算法 WiID........................ 31
5 结论及展望.............................43
4 基于步态的身份识别深度学习算法
4.1 身份识别问题分析
先前的一些研究已经证明了每个人的步态以独有的方式影响周围的 Wi Fi 信号，从而在信道状态信息上产生独特的模式。由于室内环境的复杂性，CSI 描述了传输信号的散射、衰落和多普勒频移等综合效应，为了解决如何在室内环境下 CSI 数据中提取步态特征并进行身份识别，传统的方法通常先使用巴特沃斯滤波器、主成分分析或小波变换等去噪方法减少噪声的干扰，然后从时域或频域进行特征选择和提取，而且特征选择的好坏对身份识别效果有着重要的影响。
本文将深度学习中特征学习方法用于提取 CSI 中的步态，提出一种 WiID 身份识别算法。由于步态随着时间的变化，具有一定的规律性。因此，本文通过结合卷积神经网络和循环神经网络，分别从空间维度和时间维度提取 CSI 数据中的步态特征，并且在对 CSI 数据时序建模部分，通过结合门限循环单元（GatedRecurrent Unit, GRU）所有时间步的输出，提高身份识别的准确率。
..............................
本文利用人体行走的步态对 Wi Fi 信号中 CSI 的影响进行身份识别。通过检测人的行走和静止状态，确定步态行为的有效数据范围，并提取不同步态特征实现身份识别。具体结论可总结如下：
（1）提出一种基于 CSI 的步态行为检测算法 Wi Tread，利用行走中静止和行走两种状态对 CSI 数据造成不同的影响进行步态行为检测，确定有效的步态行为数据范围。在算法设计上，通过分析子载波中 CSI 数据的空间相关性，建立了用于深度学习的输入矩阵，采用二维卷积运算提取相邻子载波的局部空间特征并进行行走检测，减少了数据预处理工作量，确定了包含步态行为的数据部分。在实验方面，从不同人数的步态行为检测、步态行为数据范围预测和不同算法对比这些实验中，验证了算法的有效性，为基于步态的身份识别提供有效支撑。
（2）提出一种基于步态的身份识别算法 WiID，从不同目标行走的 CSI 数据进行身份识别。构建了一个端到端的深度学习模型，从时间维度对空间特征进行时序建模，完成空间和时间两个维度的步态特征提取，实现了非接触式身份识别。并且通过采集不同的数据，进行了大量对比实验，验证了算法的良好识别效果及鲁棒性，另外设置实验验证了步态行为检测的效果。
参考文献（略）