一種低代價非綁定式活動的識別方法

孟憲佳，紀(jì)青然，李荔垚，趙　月，劉寶英，陳　峰

(西北大學(xué) 信息科學(xué)與技術(shù)學(xué)院，陜西 西安　710127)

現(xiàn)今社會,養(yǎng)老是受到普遍關(guān)注的熱點問題,老年人在家庭中無人看護(hù)的時間是安全事故的高發(fā)期,為了保護(hù)老年人,亟需一種有效的日?？醋o(hù)方法?，F(xiàn)存的主動式活動識別方法需要使用者佩戴相應(yīng)設(shè)備,不便于老年人的日常生活。被動式的識別技術(shù)在兒童保健[1]、智能家居[2]、入侵檢測[3]等場景的應(yīng)用正在高速發(fā)展。然而,依賴于攝像頭的被動識別方法[4]會造成隱私泄露;利用可見光[5]的方法需要花費大量人力修改硬件;使用聲學(xué)信號[6]的方法容易受到噪聲影響;采用RF(射頻)[7-9]、紅外設(shè)備[10]、雷達(dá)[11]等設(shè)備的方法成本過高,均不適用于一般家庭環(huán)境。為了解決上述問題,本文提出一種使用RFID(射頻識別設(shè)備)標(biāo)簽進(jìn)行活動識別的方法,平均每個標(biāo)簽的價格在0.5～1元間,有效降低了成本,提高了部署規(guī)模和復(fù)用率,并改變了現(xiàn)有的基于RFID標(biāo)簽的活動識別方法僅使用了RSS(接收信號強(qiáng)度)信號或相位信號的模式,提高了活動識別的準(zhǔn)確率。

傳統(tǒng)的RFID通信機(jī)制如圖1所示,RFID標(biāo)簽將接收到的信號通過后向散射機(jī)制返回給天線,使用商用的RFID閱讀器(Impinj R420)可以讀出信號的強(qiáng)度值、相位值、標(biāo)簽的閱讀速率以及ID號等信息。本文利用接收到的RSS值和相位值進(jìn)行活動識別。由于環(huán)境影響,接收信號包含大量噪聲，這會降低活動匹配精度。針對該問題,本文采用史坦無偏似然估計算法[12]動態(tài)去除信號中的環(huán)境噪聲。

圖1　RFID系統(tǒng)的通信機(jī)制Fig.1　Conceptual diagram of RFID system

由于不同個體完成相同動作的速度不同,同一個體多次完成相同動作的速度也會變化。某一活動以不同的速度進(jìn)行,會導(dǎo)致RSS值和相位值的變化不同,造成較大匹配誤差。為了解決這個問題,本文采用動態(tài)時間規(guī)整(Dynamic time warping,DTW)算法[13-15]來處理不同速度下的活動識別,再通過建立權(quán)重評價體系將RSS值和相位值相結(jié)合進(jìn)行活動識別。

本文在閱覽室、休息室和實驗室3種不同的環(huán)境下進(jìn)行實驗。實驗結(jié)果表明,不同活動的識別準(zhǔn)確率可達(dá)93%,相同活動不同速度的識別準(zhǔn)確率可達(dá)86%。

1　相關(guān)研究

現(xiàn)有的活動識別技術(shù)主要包括基于專用硬件設(shè)備、基于RSS和基于CSI這3大類。

基于專用硬件設(shè)備的活動識別方法通常使用攝像機(jī)[4]、紅外設(shè)備[10]、雷達(dá)[16-17]或超聲波[6,18]等進(jìn)行活動識別。雷達(dá)利用微多普勒信息可以測量人體不同部位的運(yùn)動速度。例如,WiTrack[4-5]使用專用調(diào)頻載波信號跟蹤人體的活動。WiVi[19]使用逆合成孔徑雷達(dá)作為天線陣列來追蹤人體運(yùn)動產(chǎn)生的射頻波束,從而進(jìn)行活動識別。然而這些方法有許多限制,如紅外設(shè)備和雷達(dá)設(shè)備造價昂貴[20-21],攝像機(jī)存在光線約束[22-24]、視距限制問題[18]，而且會侵犯個人隱私,超聲波技術(shù)覆蓋范圍小,不便于大規(guī)模部署,而且更易受周圍環(huán)境影響,現(xiàn)有的超聲波識別技術(shù)[6,18]只能識別特定的幾種姿勢,并需要用戶提前做特定的動作才能進(jìn)行,普適性較差。此外,主動式活動識別方法往往要求目標(biāo)穿戴額外的設(shè)備[24-26]，不便于日常普及應(yīng)用。

基于RSS的活動識別方法[27-29]主要利用由活動引起無線信號的變化進(jìn)行活動識別。由于RSS信號容易受到環(huán)境噪聲的影響,基于RSS的活動識別方法只能達(dá)到56%～72%精確度,因此單純利用信號強(qiáng)度隨時間的波動難以準(zhǔn)確識別具體的活動。例如, Sigg等[30]中提到的方法精確度只有56%,Kodeswaran等[31]使用無線電軟件設(shè)備來提高RSS的準(zhǔn)確度,最終將精確度提高到了72%。

基于CSI的活動識別方法[7-8,25-26,32-34]可以實現(xiàn)較高的準(zhǔn)確性,但是需要大量地部署設(shè)備。例如,E-eyes[8]為了提高識別精度,在每個房間都部署了一套WiFi設(shè)備來識別日?；顒印６覟榱颂岣邤?shù)據(jù)讀取速率,從而提高識別精度,基于CSI的活動識別方法通常需要借助其他設(shè)備,這使得系統(tǒng)成本倍數(shù)增加。例如,WiHear[35]需要使用專用的定向天線接收CSI信號變化,來識別唇語。

其他的還有像RFTraffic[33]利用發(fā)動機(jī)排放的射頻噪聲來識別車輛運(yùn)動,從而進(jìn)行交通疏密管制,RFTraffic[34]可以進(jìn)一步識別出車輛和人類的區(qū)別,并探測出車輛的行駛速度。宋曉天[36]使用環(huán)境周圍的調(diào)頻廣播信號進(jìn)行定位與活動識別,其他的還有通過感應(yīng)移動設(shè)備的RSS信號變化情況來判斷用戶的活動。上述方法通常需要大量的訓(xùn)練來實現(xiàn),而且對環(huán)境要求較高,不能達(dá)到細(xì)粒度的活動識別。

本文使用RSS和相位來改善僅基于RSS或相位的活動識別方法的不足。相比之下,本文的方法具有較高的準(zhǔn)確性和較低的成本,更適用于大規(guī)模部署的情況。

2　信號去噪

如圖1所示,閱讀器通過天線與RFID標(biāo)簽進(jìn)行通信,其中,閱讀器接收到的信號強(qiáng)度值可以表示為

(1)

其中，PTx為信號的傳輸功率,γt是閱讀器的傳輸損耗,d表示標(biāo)簽到天線的距離,Gr表示天線的增益,Gt表示標(biāo)簽天線的增益,γt為輻射系數(shù)。

相位值可以表示為

(2)

其中，θT表示相位偏差,由標(biāo)簽本身引起,D表示信號在空氣中的傳播距離,γ表示電磁波在空氣中傳播的波長,θS表示相位偏移，是由閱讀器自身電路造成的。

環(huán)境中存在多徑效應(yīng),RFID閱讀器本身也會產(chǎn)生相位偏移,這些影響使得接收到的原始信號包含噪聲,不能直接使用。本文利用史坦無偏似然估計方法[11，37]對原始信號進(jìn)行去噪處理。該方法是一種利用二次方程原理的自適應(yīng)閾值選擇去噪方法。其定義為

η=(2logn)1/2ξ。

(3)

其中,ξ是估計的噪聲值,通過式(3)可以計算出準(zhǔn)確的閾值η。之后,利用式(4)計算η的似然估計值，

L′=minL(η;Y)。

(4)

其中,Y是服從概率分布的測量值,L表示η的似然估計值。最終的閾值T可以通過式(5)得出，

(5)

其中,A是指示函數(shù),Nk是原始函數(shù)的第k階導(dǎo)數(shù)。如圖2所示,去噪后的信號特征表現(xiàn)的更明顯。

圖2　去噪前/后的RSS和相位值Fig.2　RSS and phase measurement before/after denoising

3　特征匹配

目標(biāo)執(zhí)行連續(xù)動作時,在進(jìn)行特征匹配前需要先劃分不同動作,本文采用動態(tài)滑動窗口匹配的方法,劃分不同的動作。首先根據(jù)數(shù)據(jù)庫中每個動作的數(shù)據(jù)集大小動態(tài)規(guī)定每次的匹配窗口和待測數(shù)據(jù)窗口的大小,二者大小相同,待測窗口從待測數(shù)據(jù)集的第一個數(shù)據(jù)開始。設(shè)數(shù)據(jù)庫中已知動作的數(shù)據(jù)集為ges={ges1,ges2,…,gesm}，大小為m,則定義匹配窗口和初始待測數(shù)據(jù)窗口為m,待測數(shù)據(jù)集大小為n。然后將已知動作的信號特征和待測數(shù)據(jù)窗口的信號特征進(jìn)行匹配,匹配結(jié)果分為以下3種情況：①匹配成功；②待測數(shù)據(jù)窗口的信號特征和已知動作的信號特征的一部分匹配成功；③匹配失敗。匹配過程具體算法如下:

a) 若ges與rec的信號特征匹配成功，rec={recx,recx+1,……,recx+m}(i≤x≤n-m),ges={ges1,ges2，…,gesm}，則數(shù)據(jù)集rec的識別結(jié)果為ges對應(yīng)的已知動作。

b) 若數(shù)據(jù)集rec與己知動作的部分ges′匹配成功,ges′={ges1,ges2,…,gesx},(1≤x≤m),rec={recx,recx+1,…,recx+m}(i≤x≤n-m)。

令增加因子γ=m%x,將待測數(shù)據(jù)窗口大小擴(kuò)大為m+γ,繼續(xù)匹配,若匹配成功則不斷擴(kuò)大數(shù)據(jù)窗口,直至完全匹配成功;若匹配失敗則將待測數(shù)據(jù)窗口恢復(fù)初始化狀態(tài)。

c) 若ges與rec的信號特征匹配失敗,則將待測窗口向后滑動λ個數(shù)據(jù)，繼續(xù)匹配ges和recλ，ges={ges1,ges2,…,gesm},recλ={recx+λ,recx+λ+1,…,recx+λ+m}。

利用DTW算法,匹配已知動作的數(shù)據(jù)窗口和待測數(shù)據(jù)窗口的信號特征。同一個人,做兩次相同的動作,由于兩次動作的速度或方向有差別,會對信號產(chǎn)生不同的影響,使用DTW算法可以有效地解決這類問題。它可以計算兩個不同長度的數(shù)據(jù)集之間的相似性,同時也可以調(diào)節(jié)時間上的差異。對于每個活動,分別用對應(yīng)的RSS值信息和相位值信息進(jìn)行匹配,得到兩個結(jié)果。

設(shè)數(shù)據(jù)庫中的某活動數(shù)據(jù)集為:ges={ges1,ges2,…,gesm}(1

Ddis(m,n)=(ges-rec)2,1

(6)

將計算得出的歐拉距離投影到坐標(biāo)系中,形成一個m*n的矩陣,并利用式(7)求出最短總路徑:

DDS(m,n)=Ddis(m,n)+min{DDS(m-1,n),DDS(m-1,n-1),DDS(m,n-1)}。

(7)

其中，1

4　活動識別

熵權(quán)法的基本思想是根據(jù)指標(biāo)的變化來確定客觀權(quán)重。本文采用熵權(quán)法建立權(quán)重評估系統(tǒng)來綜合評估確定最終匹配結(jié)果。該方法包括3個主要階段：①數(shù)據(jù)標(biāo)準(zhǔn)化；②計算每個指標(biāo)的信息熵；③確定每個指標(biāo)的權(quán)重。

本文設(shè)置了多個指標(biāo)(Fk)對識別結(jié)果進(jìn)行評估,包括:識別準(zhǔn)確率(F1),識別區(qū)域大小(F2),原始數(shù)據(jù)集的大小(F3)。不同指標(biāo)的維度和大小是不同的，采用式(8)對每個指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理，

(8)

信息熵是指信息源的不確定性程度。用Qj代表信息熵,由式(9)計算各項指標(biāo)的信息熵(Q=(Q1,Q2,…,Qk))：

(9)

其中，Pi是信息源中第i個數(shù)據(jù)的概率。

根據(jù)式(10)分別計算RSS和相位的權(quán)重，

(10)

指標(biāo)的信息熵越小,該指標(biāo)提供的信息量越大,在綜合評價中所起作用就越大,權(quán)重就應(yīng)該越高。

最后利用式(11)計算最終的識別結(jié)果，

Ffinal=A×WweightRss+B×WweightPhase。

(11)

其中,WweightRss和WweightPhase是通過式(10)計算得到的RSS和相位的權(quán)重。A和B是通過大量前期實驗確定的,A近似等于0.72,B的值在0.34和0.41之間。

上述方法只研究了單個標(biāo)簽的情況,部署多個標(biāo)簽會使識別結(jié)果更精確。因此,本文采用投票機(jī)制,將所有受影響的標(biāo)簽的識別結(jié)果進(jìn)行組合,以獲得較高的識別精度。假設(shè)每個活動都有M個受影響的標(biāo)簽和N個指紋數(shù)據(jù)集。我們定義一個長度為N且初始值全0的投票向量V。根據(jù)每個受影響標(biāo)簽的識別結(jié)果,給相應(yīng)的Vi(1

(12)

最后，取投票向量V中最大的元素(Vi)對應(yīng)的活動為最終的識別結(jié)果，

g=arg maxiVi。

(13)

5　實驗結(jié)果與分析

文中對6種不同活動進(jìn)行了監(jiān)測,并通過一系列實驗對本文提出方法的準(zhǔn)確性和魯棒性進(jìn)行了評估。實驗中,使用現(xiàn)有的商用RFID設(shè)備,其中包括頻率為924.375MHz,帶寬為231.25kHz的ImpinjR420閱讀器,全向天線和RFID標(biāo)簽。同時,設(shè)置閱讀器工作在“DenseReaderM8”的讀取模式。

表2示，將單因素分析中對生存有影響的各個因素進(jìn)行Cox分析，F(xiàn)IGO分期、是否滿意減瘤、病灶累及單雙側(cè)卵巢是影響卵巢透明細(xì)胞癌預(yù)后的獨立影響因素。在對生存有影響的各個因素作用下(圖1)，隨著時間的推移，累計生存率下降。

首先,在6m×10m的實驗室進(jìn)行實驗。標(biāo)簽陣列放置在距地面高度為1.05m的監(jiān)測區(qū)域。在標(biāo)簽陣列的相對面部署一個天線。每個天線與標(biāo)簽陣列之間的距離約為2.5m,標(biāo)簽之間的距離為0.6m,閱讀器部署在距天線0.5m的地方,在上述部署中獲取參考指紋。之后,在3個特殊的室內(nèi)場景中使用完全相同的部署進(jìn)行驗證。

實驗場景如圖3所示，圖3(a)為4m×6m的閱讀室，圖3(b)為休息室，圖3(c)為6m×10m的實驗室。

圖3　實驗場景Fig.3　Deployment in different scenarios

在每個場景中,為了降低錯誤率,同一種動作讓同一個志愿者至少做5次。每個動作的平均測量時間見表1。兩個連續(xù)的活動之間是有間隔的,利用此間隔將連續(xù)的活動分割成多個單一的動作。使用活動的估計持續(xù)時間和實際持續(xù)時間的公共部分來評估分割的準(zhǔn)確性。最后,分析識別的準(zhǔn)確性。

表1　活動信息Tab.1　The activity information

如圖4所示,3個場景的識別準(zhǔn)確度均在80%和93%之間,且在實驗室的準(zhǔn)確性高于其他場景,這是由于實驗室場景的多徑效應(yīng)影響較小。同時,3種場景下摔倒的平均準(zhǔn)確率約為89%,輕微擺臂的平均準(zhǔn)確率只有83%,而人行走的平均準(zhǔn)確率是85%。由此,可以得到以下結(jié)果:動作的執(zhí)行速度越快,分割精度越高。除此之外,其他類型活動的平均準(zhǔn)確率較高,證明了活動分割的魯棒性。

為了評估活動識別的準(zhǔn)確性,本文使用了兩個指標(biāo):一個是真陽性率(TPR),即正確識別某一活動的次數(shù)占總實驗次數(shù)的比率;另一個是假陽性率(FPR),即被錯誤識別為某一活動的次數(shù)占該活動總實驗次數(shù)的比率。在3種不同情況下使用TPR和FPR評估本文實驗的穩(wěn)定性。結(jié)果如圖5所示，3種環(huán)境下的6種活動的TPR在81%到89%之間,FPR小于15%,這說明,該方法在不同的環(huán)境中具有較高的魯棒性。

本文實驗通過分析不同目標(biāo)、標(biāo)簽數(shù)量、活動強(qiáng)度以及天線與標(biāo)簽距離的實驗結(jié)果,得出如下結(jié)論:

1) 不同目標(biāo)的影響:隨機(jī)抽取7名身高體重不同的志愿者,測量不同目標(biāo)對實驗結(jié)果的影響。讓7名志愿者在默認(rèn)的環(huán)境中執(zhí)行相同的活動。結(jié)果如圖6(a)所示,TPR平均達(dá)到了85%,FPR平均不超過12%。因此,不同目標(biāo)對活動識別準(zhǔn)確率影響不大。

2) 標(biāo)簽數(shù)量的影響:在默認(rèn)環(huán)境下進(jìn)行8組對比實驗,標(biāo)簽數(shù)分別為2, 4, 6, 8, 11, 13, 16, 20。結(jié)果如圖6(b)所示,當(dāng)標(biāo)簽數(shù)量增加時,其準(zhǔn)確性會先提高,標(biāo)簽數(shù)量在6個到8個之間時,準(zhǔn)確度最高,之后隨著標(biāo)簽數(shù)量的增加,精度下降。所以,標(biāo)簽數(shù)量對活動識別準(zhǔn)確率有較大的影響。

圖4　不同環(huán)境下的活動識別準(zhǔn)確度Fig.4　Separation accuracy under different environment

圖5　不同環(huán)境下的真陽性率和假陽性率Fig.5　True positive rate and false positive rate under different environment

圖6　7個目標(biāo)、不同標(biāo)簽數(shù)目以及不同活動強(qiáng)度對應(yīng)的真陽性和假陽性Fig.6　TPR and FPR beyond seven volunteers and with different quantity of tags and different strength

圖7　天線和標(biāo)簽的不同距離對應(yīng)的準(zhǔn)確性和CDFFig.7　The accuracy and CDF with different distance between antenna and tags

3) 活動強(qiáng)度:為了驗證活動強(qiáng)度對活動識別準(zhǔn)確性的影響,我們進(jìn)行了活動強(qiáng)度大小分別為低速、中速、高速的3組實驗。結(jié)果如圖6(c)所示,隨著活動強(qiáng)度的增加,TPR逐漸增加,FPR逐漸下降。由此表明,高強(qiáng)度活動可以顯著提高活動識別準(zhǔn)確率。

6　存在問題討論

本文提出的方法在不同環(huán)境中均達(dá)到了較高的準(zhǔn)確性,但仍有進(jìn)一步加強(qiáng)的空間,以下闡述相關(guān)問題和該方法的局限性;

1) 在實際情況中,如果目標(biāo)以不同的方向執(zhí)行相同的活動,如面對標(biāo)簽或者背對標(biāo)簽,是否會對活動識別精度產(chǎn)生影響。針對該問題,我們進(jìn)行了補(bǔ)充性實驗,讓同一個志愿者分別在面朝標(biāo)簽0°,45°,90°方向勻速行走,觀察接收到的RSS信號與相位信號,我們發(fā)現(xiàn),雖然信號波動的峰值有所變化,但是基本特征依然不變,匹配結(jié)果基本沒有變化。因此,活動方向不同對識別結(jié)果產(chǎn)生的影響較輕,可以忽略。

2) 在多目標(biāo)場景下,多目標(biāo)在監(jiān)測區(qū)域內(nèi)同時進(jìn)行活動時,存在相互干擾的問題,是否會對活動識別精確度產(chǎn)生影響。針對該問題,我們進(jìn)行了補(bǔ)充實驗,實驗結(jié)果表明:如果兩個目標(biāo)間隔大于2m,目標(biāo)之間的相互干擾作用極小;如果兩個目標(biāo)間隔小于2m時,目標(biāo)之間的相互影響不可以忽略,所以監(jiān)測系統(tǒng)收到的信號是混雜的,這會導(dǎo)致錯誤的識別結(jié)果，從而降低識別精度。另外,在現(xiàn)有的研究工作中[38],多目標(biāo)定位依然是一個難點,目前還未找到恰當(dāng)?shù)姆椒ń鉀Q這個問題,這正是本文提出的方法在實際應(yīng)用中的限制,即只能應(yīng)用于單一目標(biāo)的場景。在后續(xù)工作中,將嘗試采用不同的方法解決多目標(biāo)活動的相互干擾問題。

3) 目標(biāo)在進(jìn)行連續(xù)活動時,如何劃分不同動作。本文提出的活動識別方法采用動態(tài)滑動窗口匹配的方法劃分不同的動作。該方法存在一定的不足,如匹配量較大,數(shù)據(jù)庫中的每個動作都需要和待測數(shù)據(jù)集匹配多次,降低了匹配效率。在后續(xù)工作中,我們會不斷改進(jìn)該方法。

7　結(jié)　語

本文主要有兩個貢獻(xiàn)：第一,提出了RSS-相位模型,該模型是一種使用無源RFID設(shè)備進(jìn)行活動識別的方法,它的識別精度與傳統(tǒng)的只使用RSS或相位的方法相比有明顯的提高。第二,利用DTW算法進(jìn)行特征匹配,提高了匹配精確度。通過在3個不同實驗環(huán)境中的測試,平均識別準(zhǔn)確率達(dá)到87.9%,證明了方法的有效性。

參考文獻(xiàn)：

[1]CHANDRASHEKHAR M, KUSHBU,KURIAN M. Design and implementation of child activity recognition using accelerometer and rfid cards[J].International Journal of Advanced Research in Computer Engineering & Technology (IJARCET), 2014, 3(4).

[2]FORTIN-SIMARD D, JEAN-SEBASTIEN B,BOUCHARD K, et al. Exploiting passive rfid technology for activity recognition in smart homes[J].IEEE Intelligent Systems, 2015, 30(4):7-15.

[3]RAHEJA J L, DEORA S, CHAUDHARY A. Cross border intruder detection in hilly terrain in dark environment[J].Optik-International Journal for Light and Electron Optics, 2016, 127(2):535-538.

[4]AGGARWAL J K,RYOO M S. Human activity analysis: Areview[J].ACM Computing Surveys (CSUR), 2011, 43(3):16.

[5]CHOUDHURY T, CONSOLVO S, HARRISON B, et al. The mobile sensing platform: An embedded activity recognition system[J].IEEE Pervasive Computing, 2008, 7(2).

[6]KHARRAT M, RAMASSO E, PLACET V, et al. A signal processing approach for enhanced acoustic emission data analysis in high activity systems:Application to organic matrix composites[J].Mechanical Systems and Signal Processing, 2016, 70 : 1038-1055.

[7]WANG W, LIU A X, SHAHZAD M, et al. Understanding and modeling of wifi signal based human activity recognition[C]∥In Proceedings of the 21st Annual International Conference on Mobile Computing and Networking. ACM, 2015:65-76.

[8]WANG Y, LIU J, CHEN Y Y, et al. E-eyes: Device-free location-oriented activity identification using fine-grained wifi signatures[C]∥In Proceedings of the 20th Annual International Conference on Mobile Computing and Networking.ACM, 2014:617-628.

[9]翟黎. RFID快速隱私保護(hù)認(rèn)證協(xié)議[J].軟件學(xué)報,2015,26(12):3215-3222.

[10] SHOAIB M, BOSCH S, INCEL O D, et al. Fusion of smartphone motion sensors for physical activity recognition[J].Sensors, 2014, 14(6) : 10146-10176.

[11] Google project soli[EB/OL].[2017-10-05].https://www.youtube.com/watch?v=0QNiZfSsPc0.

[12] CANDES E J, SING-LONG C A, TRZASKO J D. Unbiased risk estimates for singular value thresholding and spectral estimators[J].IEEE Transactions on Signal Processing, 2013, 61(19) : 4643-4657.

[13] WANG J, KATABI D. Dude, where's my card?: Rfid positioning that works with multipath and non-line of sight[J].ACM SIGCOMM Computer Communication Review, 2013, 43(4):51-62.

[14] SALVADOR S, CHAN P. Toward accurate dynamic time warping in linear time and space[J].Intelligent Data Analysis, 2007, 11(5) : 561-580.

[15] 楊艷林,葉楓,呂鑫,等. 一種基于DTW聚類的水文時間序列相似性挖掘方法[J].計算機(jī)科學(xué),2016,43(2):245-249.

[16] KHAN M A H, KUKKAPALLI R, WARADPANDE P, et al. RAM: Radar-based activity monitor[C]∥IEEE INFOCOM 2016-The 35th Annual IEEE International Conference on Computer Communications. IEEE, 2016 : 1-9.

[17] CHENG J Y, AMFT O, LUKOWICZ P. Action capacitive sensing: Exploring a new wearable sensing modality for activity recognition[C]∥International Conference on Pervasive Computing.Springer, 2010 : 319-336.

[18] YATANI K,TRUONGK N.Bodyscope: A wearable acoustic sensor for activity recognition[C]∥Proceedings of the 2012 ACM Conference on Ubiquitous Computing, 2012:341-350.

[19] ADID F, KATABI D. See through walls with WiFi![C]∥ACM SIGCOMM 2013 Conference on SIGCOMM.ACM, 2013:75-86.

[20] CHANG H L, TIAN J B, LAI T T, et al. Spinning beacons for Precise indoor localization[C]∥Proceedings of the 6th ACM Conference on Embedded Network Sensor Systems.ACM, 2008:127-140.

[21] SMISEK J, JANCOSEK M, PAJDLA T. 3D with Kinect[M]∥Consmer Depth Cameras for Computer Vision.London:Springer,2013:3-25.

[22] LEI J N, REN X F, FOX D. Fine-grained kitchen activity recognition using rgb-d[C]∥Proceedings of the 2012 ACM Conference on Ubiquitous Computing.ACM,2012:208-211.

[23] LI L Q, HU P, PENG C Y,et al. Epsilon: A visible light based positioning system[C]∥National Spatial Data Infrastructure.USENIX,2014:331-343.

[24] PU Q F,GUPTA S, GOLLAKOTA S, et al. Whole-home gesture recognition using wireless signals[C]∥Proceedings of the 19th Annual International Conference on Mobile Computing & Networking. ACM, 2013:27-38.

[25] WANG G H, ZOU Y P, ZHOU Z M, et al. We can hear you with wi-fi![J].IEEE Transactions on Mobile Computing, 2016, 15(11) :2907-2920.

[26] ABDELNASSER H, YOUSSEF M, HARRAS K A.Wigest: A ubiquitous wifi-basedgesture recognition system[C]∥2015 IEEE International Conference on Computer Communications (INFOCOM).IEEE,2015:1472-1480.

[27] YANG S W, DESSAI P, VERMA M, et al.Freeloc:Calibration-free crowdsourced indoor localization[C]∥2013 IEEE International Conference on Computer Communications.IEEE，2013：2481-2489.

[28] SIGG S, SCHOLZ M, SHI S Y, et al. Rf-sensing ofactivities from non-cooperative subjects indevice-free recognition systems using ambient and local signals[J].IEEE Transactions on Mobile Computing, 2014, 13(4):907-920.

[29] SIGG S, BLANKE U, TROSTER G. The telepathic phone: Frictionless activity recognition from WiFi-RSSI[C]∥IEEE International Conference on Pervasive Computing and Communications.IEEE, 2014:148-155.

[30] SIGG S, SCHOLZ M, SHI S, et al. RF-sensing of activities from non-cooperative subjects in device-free recognition systems using ambient and local signals[J].IEEE Transactions on Mobile Computing,2014,13(4)：907-920.

[31] KODESWARAN P, KOKKU R, MALLICK M,et al.Demultiplexing activities of daily livingin iot enabled smarthomes[C]∥IEEE INFOCOM 2016-The 35th Annual IEEE International Conference on Computer Communications.IEEE,2016 : 1-9.

[32] ALI K, LIU A X, WANG W, et al.Keystroke recognition usingwifi signals[C]∥Proceedings of the 21st Annual International Conference on Mobile Computing and Networking.ACM, 2015 : 90-102.

[33] SHI S, SIGG S, JI Y. Joint localization and activity recognition from ambient FM broadcast signals[C]∥Conference on Pervasive & Ubiquitous Computing Adjunct Publication. ACM,2013:521-530.

[34] DING Y, BANITALEBI B, MIYAKI T, et al. RFTraffic: Passive traffic awareness based on emitted RF noise from the vehicles[C]∥International Conference on ITS Telecommunications. IEEE, 2011:393-398.

[35] AL-HUSSEINY A, YOUSSEf M. RF-based traffic detection and identification[C]∥Vehicular Technology Conference. IEEE, 2012:1-5.

[36] KASSEM N, KOSBA A E, YOUSSEF M. RF-Based Vehicle Detection and Speed Estimation[C]∥Vehicular Technology Conference(VTC Fall). IEEE, 2012:1-5.

[37] 宋曉天. 高敏感度無源RFID傳感標(biāo)簽的設(shè)計研究[D].合肥：中國科學(xué)技術(shù)大學(xué),2017.

[38] 程光, 羅予頻, 王宏寶. 聯(lián)合輪廓法在低分辨率視頻下的多目標(biāo)追蹤[J].計算機(jī)工程與應(yīng)用, 2007, 43(2):64-66.