一種基于CSI的高魯棒性步態識別方法*

郝占軍,喬志強,黨小超,段 渝

(1.西北師范大學計算機科學與工程學院,甘肅 蘭州 730070;2.甘肅省物聯網工程研究中心,甘肅 蘭州 730070)

1 引言

物聯網、無線通信和嵌入式技術發展至今，在為人們日常生活提供快速便捷服務的同時也存在著許多安全隱患。在保障安全性的領域當中，身份認證技術作為其中的核心技術之一已成為各行各業所聚焦的熱點問題。在此領域當中，人員的步態識別作為近年來新興生物特征識別技術被廣泛研究[1]。一般而言，傳統的步態識別方法包含2種形式：接觸與非接觸。接觸式方法往往利用加速度傳感器[2]和地面傳感器[3]等方式進行數據采集；而非接觸式方法采用雷達[4，5]、攝像機[6]和超寬帶UWB(Ultra Wide Band)雷達[7]等方式進行數據采集。接觸式方法需要用戶攜帶額外的設備或者在特定地點進行部署，成本高同時也給用戶帶來了不便。非接觸方法中，基于攝像機的方法往往只適用于明亮的環境且存在隱私問題;基于雷達的方法同樣需要在特定的場景中部署，成本高且普適性差。隨著WiFi設備的大量普及，相較于其他傳統方式，基于WiFi信號的信道狀態信息克服了部署難、環境條件限制、人體接觸等因素，且具有更好的隱私性。自然場景中，受人員身體特征的不同約束，其步態特征大相徑庭。不同的人員在行走的過程中，接收機接收到的信道狀態信息CSI(Channel State Information)會產生不同的變化。因此CSI數據可以反映人與人之間細微的步態生物特征差異,從而達到人員步態的識別。

作為WiFi信號在通信鏈路中的物理層屬性，CSI可以產生出辨識度較高的特征響應，其數據是正交頻分復用技術中對信道狀態的估計參數，能更準確地反映信道的干擾情況，同時也是WiFi感知研究中常用的數據分析源。目前已經有較多使用信道狀態信息的科研成果，文獻[8]利用WiFi中的CSI振幅特征經受限波爾茲曼機對數據進行訓練和分類，以識別復雜的人體動作。文獻[9]使用菲尼爾區模型理論對人體建模，能夠有效地捕獲且感知人類的呼吸。文獻[10]通過支持向量機SVM(Support Vector Machine)算法對采集到的CSI數據特征分類后可以識別人體的6個日常行為。

在步態識別領域中，CSI也有顯著的應用研究。文獻[11]利用CSI信號使用23層的深度卷積神經網絡來提取人員的步態特征。文獻[12]分析了加速度傳感器與CSI信號下的步態時域圖，采用多徑消除與帶通濾波的方法降噪，利用決策樹方法通過提取后的CSI步態特征來進行人員身份識別。文獻[13]使用信號處理技術通過CSI測量數據生成頻譜圖后，使用SVM算法對頻譜圖進行提取特征和匹配。文獻[14]使用固有模態函數的方法從CSI數據中提取步態特征，在10個人中識別1人身份的準確率為90%。文獻[15]首先使用相位差判斷環境中是否有人存在，接著結合主成分分析、離散小波變換和動態時間規整的方法進行人員識別。文獻[16]從采集的CSI信號中人工提取了21個CSI特征，又自動提取了10 880個特征，并通過帶有徑向基函數的支持向量機進行分類，從而達到識別人員步態的目的。

目前，雖然利用CSI對人員的步態識別已有一些成果，但是從物理層信息的視角出發，CSI對室內環境十分敏感，整個傳輸任務在復雜環境中依然存在多普勒頻移、多徑效應和功率衰減與損耗等問題，使得從中提取步態特征的難度上升，導致識別效果較差[17]。其次，近年來的CSI步態研究中深度學習的方法雖然提高了識別的人數與精度，但是深度學習需要采集大量的實驗樣本構建訓練數據集，且未考慮到人員存在不同著裝、不同行走速度及路徑偏移等影響，且由深度學習構建的學習模型往往對新環境適應性較差，使得步態特征的完整性有所缺失，識別魯棒性較低。

為此，本文提出一種基于CSI的高魯棒性人員室內步態識別方法WiKown。該方法綜合考慮了復雜環境以及影響人員步態特征的相關因素，首先使用Hampel濾波剔除CSI步態樣本數據中的異常值；然后借助主成分分析PCA(Principal Component Analysis)對CSI數據降維處理，選出對人體步態特征最具代表性的子載波數據；最后通過巴特沃斯低通濾波器濾除與步態信息不相關的高頻信息后提取特征建立觀測序列，觀測序列經高斯混合聚類后輸出觀測概率，引入隱馬爾可夫模型構建人員步態識別模型。實驗表明，該方法能夠有效地分辨出人員的步態信息。

2 相關理論

2.1 信道狀態信息

在室內環境中，由于墻壁、門、家具以及人員的靜止和移動的影響，WiFi信號在傳輸過程中存在散射或反射的情況，從而端到端之間存在多條傳輸路徑。信道沖激響應CIR(Channel Impulse Response)用于評價通信過程中每一條傳播路徑的優劣，可以表示如式(1)所示：

(1)

其中，τ為WiFi信號傳播時延，ai為第i條路徑的幅度衰減，j為復數單位，θi為第i條路徑的相位偏移，τi為第i條路徑的時延，N為多徑總數，δ(·)為脈沖函數。CIR經過快速傅里葉變換可以得到信道頻率響應，在某一子載波上可以由式(2)來表示：

Hk=|Hk|ejsin θk

(2)

其中，Hk為第k個子載波的CSI函數，|Hk|為第k個子載波的振幅，ejsin θk為相位信息。人員作出相應的動作時，CSI所反映的振幅及相位都會發生相應的變化，探索其變化規律即能達到有效的人體動作識別。

2.2 Hampel濾波

由于硬件或環境噪聲的影響，采集到的CSI信息往往存在異常信息，又稱為離群點。離群點會對人體步態特征提取造成干擾，因此需對其進行剔除處理。Hampel濾波以決策的方式尋找到CSI數據序列中的離群點，并用更具代表性的特征數值替換其異常值，從而達到去噪的目的[18]。該濾波器的響應如式(3)所示：

(3)

其中,mk為移動窗口的中值，t為閾值參數，當閾值設為0時，該標準中值濾波器如式(4)所示：

yk|t=0=mk

(4)

Sk為中位絕對偏差，其定義如式(5)所示：

Sk=1.4826×medianj∈[-K,K]{|xk-j-mk|}

(5)

其中K為中值濾波參數。

系數1.482 6使Sk成為高斯數據標準偏差的無偏估計。到達Hampel濾波器的CSI數據組將被給予一個假設的分布和概率模型，根據假設采用不一致檢驗對數據進行處理。當數據大于Hampel設置的判別閾值時，該數據點將被視作離群點被剔除。

2.3 巴特沃斯濾波器

由于巴特沃斯濾波器的設計方法在阻帶中具有緩慢下降的增益，使其衰減速度相比其他類型的濾波器緩慢，所以它不會使人員活動產生的特征信息失真。一個N階的巴特沃斯低通濾波器增益G(Ω)如式(6)所示：

(6)

其中,G(·)為濾波器的放大率，N為濾波器的階數，H(·)為傳遞函數，G0為零頻增益，Ω為信號的角頻率，Ωc為截止頻率。

隨著n趨于無窮，增益會趨近于矩形函數，低于Ωc的信號信息以G0的增益通過，反之抑制。人在行走時，引起的CSI幅值的波動頻率大約分布在0～50 Hz[13 - 15]。為了保留人體步態的特征并消除高頻噪聲的干擾，需調整濾波器參數Ωc與階數N。Ωc的設置如式(7)所示：

Ωc=2πf/Fs

(7)

其中，f為信號頻率，Fs為采樣頻率。

2.4 主成分分析

主成分分析將初始數據以線性變換的方式重新構建，能保留大部分信息的新特征，且對數據進行了有效的降維處理。

(1)中心化處理。

中心化處理是得到CSI矩陣協方差矩陣的前提，協方差矩陣F由式(8)可得:

(8)

其中cov(·)為協方差函數。

(2)特征分解與矩陣重構。

協方差矩陣經特征分解取順序的Y個最大特征值和其對應的特征向量重構為新的特征向量矩陣Q，F主元矩陣如式(9)所示：

F{1:p}=F×Q

(9)

其中F{1:p}是一個維度為N×Y的矩陣，每一列都包含了原始的CSI數據,p表示起主導作用的元素。

2.5 GMM-HMM算法

人員在行走過程中，由于難以保持勻速運動，所以需要分成多個階段，因此需要采集的信息分布在多個時間窗口。分割后的窗口包含步態的相關特征，歸并窗口后的特征構成時間序列，對其進行訓練建模。隱馬爾科夫模型HMM(Hidden Markov Model)作為時序的經典概率模型算法，對時間序列的處理有著良好的效果。一個HMM模型可定義如式(10)所示：

λ=(A,B,π)

(10)

其中,A為狀態轉移矩陣，B為觀測狀態概率矩陣，π為初始概率分布。通常HMM算法用于離散樣本點，對于連續的樣本數據需先通過高斯混合模型GMM(Gaussian Mixture Model)進行預處理，每一個狀態用一個GMM來表征。GMM作為生成模型可以輸出時間序列的似然概率,即HMM模型所需的觀測概率。將時序CSI序列使用引入高斯混合模型的隱馬爾科夫模型進行處理。一個取值服從高斯分布的隨機向量x其概率密度函數表示如式(11)所示：

(11)

其中，μ為n維均值向量，δ為n×n協方差矩陣。混合高斯分布的經典形式如式(12)所示：

(12)

混合高斯分布包含j個成分，每個成分是均值、協方差參數映射下的高斯分布。ai為該分布下的權重系數，μi和δi為子高斯分布的參數。GMM-HMM模型示意圖如圖1所示。其中，s為狀態，a為狀態轉移概率。圖1描述了特征矢量被切割為單元后由GMM模型處理，得到每個單元屬于每個狀態的概率，根據每個動作的HMM狀態轉移概率計算每個狀態生成該單元的概率，根據最大概率值判斷動作。

Figure 1 Model diagram of GMM-HMM 圖1 GMM-HMM模型示意圖

3 人員步態識別方法

CSI步態數據經降噪處理后，從中提取步態序列特征并通過GMM-HMM模型進行訓練和識別。識別方法流程圖如圖2所示。

Figure 2 Flow chart of GMM-HMM圖2 GMM-HMM流程圖

3.1 數據預處理

為了獲取與人員步態相關的CSI信息，實驗首先設置受試人員在0～3 s靜止，4～6 s行走2步，7～10 s靜止。

(1)Hampel濾波器降噪。

原始采集的步態信息CSI矩陣如式(13)所示:

(13)

HCSI為來自3根天線的30個子載波。選取出振幅最大且方差最小和振幅最小且方差最大的2根天線[19]。實驗首先采用Hampel濾波器剔除CSI步態信息中的離群點。當采集的步態CSI序列HCSI=[H1，H2，…，Hn]T進入濾波器時，計算其中位數Hm，構建序列ΦCSI如式(14)所示：

ΦCSI=[φ1,φ2,…,φn]T=

[|H1-Hm|,|H2-Hm|,…,|Hn-Hm|]T

(14)

計算ΦCSI中位數Φm,則構建ξk如式(15)所示：

(15)

步態CSI信息R經Hampel濾波器降噪后的效果如圖3所示。

Figure 3 Hampel filter圖3 Hampel濾波

(2)PCA降維處理。

對于去除異常值的步態CSI信息R進行PCA降維處理。確定步態CSI樣本集R=[r1,r2,…,rn]T及低維空間維數d′。步態樣本集R中心化如式(16)所示:

(16)

重新構建步態樣本集RC=[r1,r2,…,rn]T,RC的協方差矩陣R′C可由式(8)得到。

對協方差矩陣R′C特征值分解，所構成的特征值排序為λ=[λ1,λ2,…,λn]，取前d′個特征值對應的特征向量構成矩陣W=[ω1,ω2,…,ωd′]T，前d′個特征互不相關。將中心化處理的RC與特征向量矩陣W相乘，重構原始步態CSI數據包中的信息,如式(17)所示:

Rp=RC×W

(17)

經PCA降維處理后的CSI信息如圖4a所示。可以發現信號包含較多原始特征信息，但依然存在與步態信息無關的高頻噪聲。

(3)巴特沃斯低通濾波。

巴特沃斯濾波器去除頻率高于50 Hz的部分以去除由多徑效應引起的噪聲，保留了人員的步態特征。濾波器階數設置為6階，實驗采樣頻率Fs為1 000 Hz。巴特沃斯濾波器降噪后的子載波如圖4b所示。

Figure 4 PCA & Butterworth low-pass filter圖4 PCA與巴特沃斯低通濾波器

3.2 行走監測

現實場景中，系統應在人員經過WiFi檢測區域時開始識別。為了提升系統的效率與性能，需要設置一個閾值來判斷行人是否以步行的方式進入監測區域。文獻[20]中已證明人員的不同行為活動會使能量強度和頻率產生差別。在無人環境中時，其快速傅里葉變換FFT(Fast Fourier Transform)曲線如圖5a所示，當人員以步行方式經過監測區域時FFT曲線如圖5b所示。與行走時引起的能量變化相比，無人環境中能量更低。因此，本文設置了一個能量指示器來檢測行走行為的發生。

Figure 5 FFT transform curve圖5 FFT變換曲線

能量指示器根據降噪后的步態CSI序列來檢測CSI的FFT變換值如式(18)所示：

(18)

其中,Ew為計算得到的能量，m為時間窗的長度，mag為每1 000 ms時間窗內計算得到的歸一化FFT系數。本文將實驗過程中由步行活動引起的平均最低能量波動與無人時平均最高能量波動差設定為正閾值，其相反數設定為負閾值。

WiKnow監測2個連續窗口中短期運動能量的差異。當差異大于設置的正閾值時，WiKnow將認為有行人通過部署區域。行人完全通過部署區域時，監測區域內處于無人狀態，窗口中的運動能量將急劇下降，此時差值應小于設置的負閾值。

3.3 特征提取

經過能量監測后，若窗口能量差大于閾值，則從降噪后的CSI時間序列中提取步態特征。本文使用時頻分析提取由步態引起的CSI變化，選擇方差均值比、峰值系數和自相關系數3個特征的組合作為步態CSI的時間序列。為此本文需要采集連續的CSI步態信息，將實驗設置改為實驗人員從2 s后正常行走至10 s，從圖6中可以看出，不同人員經過WiFi監測區域時其波形相似，但是引起波動的波峰波谷存在差異。

Figure 6 CSI gait waveforms of different persons圖6 不同人員的CSI步態波形

本文根據CSI的時域信息來提取每個用戶的步態波動輪廓，選擇了代表CSI波形形狀和趨勢的方差均值比、峰值系數和自相關系數3個特征。選用方差均值比作為特征更穩定，峰值系數對波形變化較為敏感，自相關系數可以反映出信號的波動程度。計算去噪后的CSI子載波時間序列XCSI={X1,X2,…,Xn}方差均值比XC如式(19)所示：

(19)

峰值系數Xf的計算如式(20)所示：

Xf=xf/Xr

(20)

其中，xf為子載波波形的峰值;Xr為均方根值,其計算如式(21)所示：

(21)

自相關系數Rx(τ)的計算如式(22)所示：

(22)

通過能量檢測后的CSI步態數據將被分割成若干個滑動窗口，每個窗口大小為1 000 ms，計算每個窗口的3個特征值，總計30個特征值，將特征按順序組合為新的步態時間觀測序列Rv=[rv1,rv2,…,rv30]。

3.4 GMM-HMM模型及識別算法

觀測序列Rv=[rv1,rv2,…,rv30]在經GMM模型預處理后作為HMM的觀測變量輸入，對模型參數的求導一般通過極大似然求解，從而得到數據服從的分布過程，即最大似然估計值。其最大化似然函數如式(23)所示：

L(θ|Rv,Z)=logP(Rv,Z|θ)

(23)

其中，Rv為觀測變量，Z為隱含變量，θ為模型參數。最大化觀測序列的對數邊際函數似然如式(24)所示：

L(θ|Rv,Z)=logP(Rv,Z|θ)=

log∑ZP(Rv,Z|θ)

(24)

建立人員步態信息的檢測模型將根據模型的輸出概率來確定，具體算法過程可分解為以下4個步驟:

步驟1初始化模型的參數θ0，求得式(24)第iter次迭代后的極大值后，則第iter+1次迭代模型參數的極大似然估計如式(25)和式(26)所示：

L′(θ,θiter)=∑ZP(Rv,Z|θ)P(Z|Rv,θiter)

(25)

θiter+1=argmaxL′(θ,θiter)

(26)

步驟2重復步驟1直到迭代停止。停止條件可以由ε來確定，即給定一個任意小的整數ε，若滿足|θiter+1-θiter|<ε則停止迭代。

步驟3產生觀測數據的子高斯模型未知，引入一個0～1的隨機變量γ表示第k個子模型在觀測數據影響下的響應度。若γ=1則觀測數據來自子模型；γ=0則觀測數據不是來自子模型。若觀測數據總量為n，似然函數如式(27)所示：

(27)

計算后可得對數似然函數，根據EM(Expectation-Maximization)算法求其參數[21]。通過對數似然函數對隱變量的期望，重復迭代E與M步驟，模型參數收斂時結束迭代過程，該參數即為混合高斯模型的模型參數。根據當前模型參數獲得觀測概率矩陣B，為HMM的建立提供輸入信息。

步驟4根據步態的HMM狀態轉移概率A計算生成概率。其計算輸出概率的偽代碼如算法1所示。

算法1GMM-HMM

Input:A:每個步態的HMM狀態轉移概率矩陣,B:觀測概率矩陣,p:初始狀態的概率分布,初態時間t與終態時間T,O:觀測序列,G[2][n]:記錄表格，利用滾動數組節約存儲空間。

Output:p:經模型識別后的概率。

1sum=0;

2forj1∈{0,…,n-1}do

3ifN.Lengththen

4fori1∈{0,…,N-1}

5sum+=G[(t-1)%2][i1]*A[i1][j1];

6endfor

7endif

8 //前向算法求當前時刻的識別概率

9G[t%2][j1]=sum*B[j1][O[t]];/*定義初始概率*/

10p=0;

11fori1∈{0,…,n-1}do/*前向算法求當前時刻的識別概率*/

12p+=G[(T-1)%2][i1];

13endfor

14endfor

15 輸出p

4 實驗與結果分析

4.1 實驗部署

實驗所用硬件設備分為接收端與發射端。接收端和發射端分別為包含Intel 5300網卡的電腦1臺，無線網卡連接3根外部全向天線，使用CSI tool工具提取網卡中的CSI信息。實驗設置了3根發射天線和1根接收天線共3條傳輸鏈路。信道的中心頻率設置在5.7 GHz，調整采樣率至1 000 Hz。發射端和接收端2設備之間相距2 m，高度為0.5 m。

在初始訓練樣本時，不同的實驗環境、實驗人員、人員規模以及人員的不同狀態都會對人員的步態識別產生影響。為了測試算法的魯棒性，本文設置了多組對比實驗。實驗招募了10名志愿者(3女7男)組成受試人員，并采集了他們的CSI步態信息，如表1所示。

Table 1 Personal information of the volunteers表1 志愿者個人具體信息

受試人員在發射端和接收端之間垂直行走。為了控制信號以外的其他變量，實驗設置了一個計時器，當計時到2 s時受試人員開始行走。以Person_1為例，Person_1以正常步速行走直至10 s計時器計時結束。每人各采集10組數據，每人單次采集時長為10 s。其余受試人員重復以上實驗。

實驗分別在3種環境中進行：大廳、走廊和實驗室。實驗室大小為10 m×7 m，大廳大小為10 m×8 m，走廊大小為10 m×2 m。實驗環境場景圖及其平面結構圖如圖7所示。

Figure 7 Real environments of the experiments圖7 實驗真實環境

4.2 人員影響

為了驗證WiKown對不同人員識別的魯棒性，實驗測試了每一個受試人員通過WiFi監測區域時的識別率。在現實場景中，人員的分布往往以小規模的形式分布，因此本文將人員設置在2～10人，對每一位受試人員進行單獨的步態識別。圖8為3種不同環境中WiKown對單個人員的識別率。

Figure 8 Single person recognition rate in three environments圖8 單個人員在3種環境中的識別率

從圖8a和圖8b中可知在走廊與大廳中，單個人員的平均識別率能保持在95%左右，復雜環境下(實驗室)為90%左右。這充分驗證了模型對單個人員的步態識別具有較高的分辨率。實驗的10名志愿者中，前7位為男性后3位為女性。實驗結果表明，總體上男性的識別率較差，究其原因是受試男性較多，且存在身高步長類似的人員，容易產生相似的步態特征，從而影響識別率。3種環境中Person_1的平均識別率為96.4%，根據表1，Person_1的體態特征較其他受試人員而言相對特殊，使得其步態特征能夠更容易被識別。女性識別率較高，3位女性識別率分別為90%,93%和85%,Person_10的識別率較低，是由于Person_9與Person_10有相似的體態與步長，導致分類的準確度有所下降。

總體上，WiKnow可以從多人中識別出一個人的步態特征且具有較高的準確率。為了測試WiKnow的魯棒性，改變實驗設置，當能量指示器判斷監測區域內無人時，受試人員開始行走，完全通過監測區后，下一個受試人員開始行走，每一個受試人員有一段單獨的步態CSI序列，實驗分別設置人數規模為2～10人。圖9為在不同人數規模和不同環境中識別受試人員的平均識別率。

Figure 9 Recognition rate under different numbers of people圖9 不同人數規模下的識別率

隨著人數規模的增加，3種環境中的識別率在下降，這也是實驗所預期的，因為隨著人數規模的增加相似的人員步態也在增加，概率模型會出現輸出概率相似的情況。人數規模為2人時，人員步態識別的平均準確率與最高識別率為95.6%與97.3%，當規模上升至10人時，平均識別率下降至81.6%。在3種不同的實驗環境中，人數規模達到10人的情況下WiKnow依然可以達到超過80%的識別率。可見，對于小規模室內人員步態的識別，WiKnow具有較高的分辨率與魯棒性。但是，其隨著人數的增加，斜率變化較大，超大規模時會出現2個人員步態相同的情況，Wiknow顯然就不適用了。

4.3 狀態影響

由于多徑效應的存在，同一人員的不同著裝、不同行走速度、攜帶背包以及行走方向偏移，都會影響CSI信號中的步態信息。因此，實驗設置讓不同人員以不同的狀態來測試算法的魯棒性。以實驗環境設置在空曠的大廳(弱多徑效應)為例，受試人員以正常步速、快速和慢速通過傳播路徑，識別結果如圖10a所示。為了比較人員衣著對步態的影響，本文又設置了一組對比實驗，受試人員以正常穿著(短袖長褲)、改變穿著(增加長款服裝)、改變負重(背包或者提包)通過監測區域，實驗結果如圖10b所示。

Figure 10 Recognition rate at different speed or with different outfit圖10 不同速度或不同裝備下的識別率

為進一步探究WiKnow步態識別的魯棒性，除人員衣裝穿著影響之外，人員鞋子的多樣性也應該同時考慮在其中。為此，本文在保持受試人員衣著統一的情況下，改變其鞋子種類(高跟鞋、平底鞋和拖鞋)，實驗選擇了3位女性受試人員，實驗結果如圖11a所示。人員在通過WiFi傳播路徑時，行走路徑通常并不是垂直于視距路徑，而是存在路徑偏移的現象。實驗設置受試人員偏移原始路徑30°、45°和以垂直視距路徑通過檢測區域，實驗結果如圖11b所示。

Figure 11 Recognition rate with different shoes or in different paths圖11 不同鞋子或不同偏移路徑下的識別率

圖10a比較了不同人數和人員速度快慢的識別精度以及綜合性能。觀察發現，受試人員改變行走速度會引起識別準確率的變化。當受試人員快速通過傳播路徑時其識別準確率變化幅度較小，慢速時識別精度大幅度降低。這是因為行走速度的放慢會丟失較多的人員步態特征。從圖10b中不難發現，由于增加長款衣物，人員的識別率呈下降趨勢。這是因為受試人員在行走過程中，長款衣物的衣角擺動會混淆其步態樣本特征，當受試人員負重(手提包或背包)時，其腿部反映的步態特征受影響較小，所以依然具有較高的識別率。由圖11a發現,女性受試人員在穿著高跟鞋后其步態特征會發生變化，WiKnow平均識別準確率為88.4%，而當其穿著拖鞋與平底鞋時，識別率都高于90%。這是因為鞋跟較高，容易使身體重心前移，上半身向前傾斜，而人體為了保持平衡，腰部后仰，步態發生變化導致識別準確率下降。觀察圖11b可知，在多人情況下，路徑的偏移雖然會影響受試人員步態的識別率，但影響程度較小，這是因為路徑偏移未使受試人員的步態周期發生變化。

綜上，改變人員的狀態會影響WiKnow對人員步態的識別，使識別率有不同程度的下降，表2給出了WiKnow對單個受試人員在不同場景、不同狀態的識別準確率。相比于正常情況,改變受試者的穿著，使得WiFi信號傳播路徑發生改變,影響了人員步態CSI信息,路徑的偏移會影響人員的步態周期變化，從而使識別率下降；速度方面，慢速通過時影響較大，快速通過時識別率較為穩定。雖然受試人員的不同狀態使識別率有不同程度的降低，但3種環境中人員步態平均識別率為91.51%，由此可見WiKnow對適應人員不同狀態依然具有良好的魯棒性。

Table 2 Influence of the different states on gait表2 不同狀態對步態的影響 %

4.4 性能分析

(1) 不同分類方法比較。

為了評估WiKnow與其他識別方法，實驗設置在空曠大廳的環境中，分別設置2～10人進行對比實驗。采用同一批受試人員與設備進行對比實驗，選擇分析步態的常見方法：決策樹、動態時間規整DTW(Dynamic Time Warping)和長短期記憶LSTM(Long Short-Term Memory)網絡與本文WiKnow進行對比。采用誤識率FAR(False Acceptance Rate)、拒識率FRR(False Rejection Rate)、ROC(Receiver Operator Characteristic Curve)曲線和準確率作為評價指標。FAR指在識別人員步態時不同人員步態的匹配得分大于閾值被認為是相同人員步態的比例。FRR為在識別人員步態時相同人員步態的匹配得分低于給定閾值被認為是不同人員的步態比例。

本文對每一位受試人員采集的步態樣本進行了10次交叉驗證，取FAR與FRR的平均值繪制了WiKnow模型的ROC曲線，等錯誤率EER(Equal Error Rate)為FAR和FRR的收斂點。為研究WiKnow的魯棒性，采用不同的分類器模型分別進行10次交叉驗證。

圖12對比了決策樹、DTW、LSTM和本文WiKnow。相較于其他方法，WiKnow在識別精度上得到了有效提升，對人員步態的識別能力整體優于其他方法。

(2) 不同步態識別模型比較。

本文進一步比較了環境設置在分辨率較高的弱多徑效應環境(大廳)時,WiKnow與FreeSense、WiFi-ID[22]在不同規模下的性能。FreeSense使用固有模態函數的方法從CSI數據中提取步態特征;WiFi-ID使用連續小波變換對CSI信息進行濾波;然后通過基于稀疏逼近分類的方法識別人員步態信息。本文將準確率作為評價3種方法的指標，其具體結果如圖13所示。

Figure 12 ROC comparison of different methods圖12 不同方法的ROC對比

Figure 13 Comparison chart of the accuracy of different recognition methods圖13 不同識別方法的準確率對比圖

觀察圖13可知，3種識別方法中，WiKnow的識別準確率整體高于其他2種方法的。其他2種方法隨著人數規模的增加，識別率隨之降低，在人數規模為6人以上時，識別率下降幅度較大，而WiKnow依然具有出色的表現。綜上，WiKnow適用于一般室內環境中的人員步態識別，且具有較高的識別率與良好的魯棒性。

5 結束語

本文提出一種基于CSI的人員步態識別方法WiKown，綜合考慮復雜環境以及影響人員步態特征的相關因素，使用FFT檢測人員以步行方式進入檢測區域，并使用Hampel濾波和PCA與巴特沃斯濾波器對采集的CSI數據進行篩選與降噪處理并建立觀測序列。觀測序列經高斯混合聚類后得到觀測概率，將觀測概率輸入HMM模型構建人員步態識別模型。實驗在多個真實的室內環境中進行，結果表明，在多人環境中，WiKown對于單個人員步態的平均識別率為92.71%,在精確性、魯棒性和可持續性的人員步態識別方面取得了顯著的效果。

未來將在以下幾個方面開展研究：(1)提升WiKnow模型的泛化能力，能在不同環境中高效地對更多人員步態進行識別;(2)進一步開展行走速度方面的特征提取，完善人員的步態特征，進一步提高其魯棒性。