人员行为检测方法、装置和终端设备与流程

本发明属于行为检测技术领域，尤其涉及一种人员行为检测方法、装置和终端设备。

背景技术

人员行为检测技术广泛服务于医疗健康和智慧安防等领域。在医疗健康领域，对老人和小孩的日常行为进行监控，减少因摔倒等危险行为对人员造成伤害。在智慧安防领域，对无线网络覆盖区域范围内的人员进行实时行为监控，发现异常行为，系统通过报警获得实时反馈，以达到安防的目的。

传统的人员行为检测技术主要基于传感器、视觉和可穿戴设备来实现。基于传感器的人员检测技术，需要在指定地点部署大量传感器，可移动性差，维护成本相对较高；基于摄像头的检测技术对光线的要求高，在黑暗的环境下失效，检测正确率低；基于可穿戴设备的检测技术要求用户随身佩戴监测设备，增加用户负担，舒适性较差，此外，该技术对于目标人物佩戴设备的自觉性要求极高，不适用于入侵检测、嫌犯追踪等特殊场景。

后来，随着无线网络的发展，无线网逐步实现全覆盖。无线网信号经由移动人体等障碍物时会发生反射、散射等形成多径叠加信号，通过分析人体行为引起无线信号产生的相应变化可进行移动人员检测。现有的无线行为检测技术是通过接收无线信号并利用接收信号强度指示对人体行为进行检测，然而，这种检测方式中的信号是多径传播的叠加效果，不能逐一区分多条信号传播路径，只能进行粗粒度信息的行为检测，且时间稳定性差，使得人体行为检测的正确率低。

技术实现要素：

有鉴于此，本发明实施例提供了一种人员行为检测方法、装置和终端设备，以解决现有技术中基于信号强度的人体行为检测方法，信号的时间稳定性差，且是利用多路径叠加信号检测，使得人体行为检测率低的问题。

本发明实施例的第一方面提供了一种人员行为检测方法，包括：

接收被人体反射的无线信号，并获取所述无线信号的csi(channelstateinformation，信道状态信息)时间序列；

将所述csi时间序列进行预处理，并对预处理后的所述csi时间序列进行特征提取，得到人体行为特征；

通过分类器对所述人体行为特征进行分类，根据分类结果确定人体行为。

可选的，所述csi时间序列包括时间信息和信道状态信息；

所述获取所述无线信号的csi时间序列具体包括：

利用正交频分复用方法获取所述csi时间序列中的信道状态信息；

所述信道状态信息包括多个子载波信息。

可选的，所述将所述csi时间序列进行预处理具体包括：

检测所述csi时间序列中的信息异常值，将所述信息异常值删除；

在所述csi时间序列中删除所述信息异常值的位置进行插值处理；

对进行插值处理后的csi时间序列进行滤波处理，得到预处理后的所述csi时间序列。

可选的，所述检测所述csi时间序列中的信息异常值具体包括：

设置状态信息预设范围；

判断所述信道状态信息中的信息值是否在所述状态信息预设范围内；

将不在所述状态信息预设范围内的所述信息值检测为所述信息异常值。

可选的，所述对预处理后的所述csi时间序列进行特征提取，得到人体行为特征具体包括：

将预处理后的所述csi时间序列进行降维处理，并确定特征主成分和预设数量的主特征向量；

计算每个所述主特征向量的一阶差分均值，计算所述特征主成分的方差，并将所述方差与所述一阶差分均值的比值设置为人体特征值；

预设数量的所述人体特征值组成所述人体行为特征。

可选的，计算所述一阶差分均值具体包括：

其中，n为所述子载波的个数，vi为对应的所述主特征向量。

可选的，在将所述人体行为特征输入到分类器中进行分类之后，还包括：

采用数据融合方法对所述分类结果进行决策，根据决策结果确定人体行为。

本发明实施例的第二方面提供了一种人员行为检测装置，包括：

信息获取模块，用于接收被人体反射的无线信号，并获取所述无线信号的csi时间序列；

特征提取模块，用于将所述csi时间序列进行预处理，并对预处理后的所述csi时间序列进行特征提取，得到人体行为特征；

行为识别模块，用于将所述人体行为特征输入到分类器中进行分类，根据分类结果确定人体行为。

本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述任一项所述方法的步骤。

本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，包括：所述计算机程序被处理器执行时实现如上述任一项所述方法的步骤。

本发明实施例中的人体行为检测方法、装置和终端设备与现有技术相比存在的有益效果是：首先，通过接收被人体反射的无线信号，并获取所述无线信号的csi时间序列，用物理层的csi时间序列代替控制层的信号强度等粗粒度信息，为后面的特征提取和检测提供更加细粒度的信息，提高人体行为检测精度；其次，将所述csi时间序列进行预处理，减少csi时间序列中的噪音，提高csi时间序列进行特征提取的准确度，进一步提高人体行为检测的准确率；最后，通过将所述人体行为特征输入到分类器中进行分类，根据分类结果确定人体行为，进一步提高了人体行人检测的精度和准确率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的人员行为检测方法的实现流程示意图；

图2是图1中步骤s102的实现流程示意图；

图3是图2中步骤s201的实现流程示意图；

图4是图1中步骤s102的另一种实现流程示意图；

图5是本发明实施例提供的一种实施场景图；

图6是本发明实施例提供的在无人场景下的信道状态信息变化的示意图；

图7是本发明实施例提供的在有人移动场景下的信道状态信息变化的示意图；

图8是本发明实施例提供的人员行为检测装置的结构框图；

图9是本发明实施例提供的终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

实施例一

参见图1提供了人员行为检测方法的一个实施例实现流程示意图，详述如下：

步骤s101，接收被人体反射的无线信号，并获取所述无线信号的csi时间序列。

可选的，本实施例采用mimo(multiple-inputmultiple-output，多输入多输出)技术，即无线信号发射端和接收端分别使用多个发射天线和多个接收天线，可以获取多个无线信号，即可以全方位获取接收的无线信号的csi时间序列，进一步对csi时间序列中的信道状态信息特征分析，降低人体行为误判率，提高检测精度。

可选的，利用atheros系列网卡或intel5300网卡获取所述csi时间序列。

可选的，所述csi时间序列可以包括时间信息和信道状态信息。

所述信道状态信息是指无线信号物理层的信道状态信息，可以表示为csi，主要包括信号的频域信息，例如幅值和相位等。其中，信道状态信息按时间信息进行排列组成csi时间序列。

实际应用中，信号接收器在接收无线信号时会接收多个数据包，每个数据包均可以包括时间信息和信道状态信息，其中数据包中的信道状态信息可以根据时间信息进行排列形成所述csi时间序列。

可选的，根据时间信息可以检测出接收的无线信号是否有数据丢失现象，例如丢包现象，本实施例还可以对出现丢包的数据进行插值处理，保证信息的正确性。

在一个具体应用场景下，采用无线信号发射器发射无线信号，无线信号接收器对人体反射的信号进行接收。如图5所示，无线发射器发射无线信号，通过无障碍的直通路径以及经过目标人物的反射路径到达无线信号接收器，其中，直通路径即为视距(lineofsight，los)路径，反射路径即为非视距(nonlineofsight，nlos)路径。目标人物移动过程中路径发生变化，信道状态信息发生相应变化。本实施例是通过检测无线信号发射器和无线信号接收器之间的信号的信道状态信息来检测场景内是否有移动人员。

参见图6和图7，图6是无人场景下信道状态信息的变化示意图，图7是有人场景下信道状态信息变化的示意图。从图6和图7可以看出，无人情况下信道状态信息几乎无变化，而当有人在场景内走动时，信道状态信息变化幅度明显变大。

采用物理层的信道状态信息代替传统的介质访问控制层的信号强度信息，可以解决传统方法中时间稳定性差、无法分离多径信号等缺陷，实现更高精度的人体行为检测。

在另一个实施例中，所述获取所述无线信号的csi时间序列具体包括：

利用正交频分复用方法获取所述csi时间序列中的信道状态信息。

具体的，正交频分复用方法主要是将信道分成若干正交子信道，将高速数据信号转换成并行的低速子数据流，调制到在每个子信道上进行传输，即可以获取所述csi时间序列中的信道状态信息以及对应的时间信息，细化获取的信息粒度，提高人体识别的精确度。

可选的，所述信道状态信息包括多个子载波信息。

具体的，接收的所述无线信号可以包括多个子载波，每个csi时间序列中的信道状态信息可以包括多个子载波信息。所述子载波的个数由当前接收设备的带宽决定，例如，20mhz的信号接收设备可以接收包括56个子载波的无线信号，40mhz的信号接收设备可以接收包括114个子载波的无线信号。

可选的，所述信道状态信息包括多个子载波的幅值信息。

具体的，时间信息是指子载波的幅值信息的时间序列；幅值信息是指对应子载波的幅度。

可选的，所述信道状态信息还可以包括：多个子载波的相位信息。

本实施例还可以根据多个子载波的相位信息与时间信息作为一个csi时间序列进行步骤s102至s103，从信号载波的相位信息的方向对人体反射的信号进行分析，例如特征提取、特征训练和特征分类，进一步确定人体行为，提高人体行为检测精度和准确度。

可选的，所述信道状态信息还可以包括：多个子载波的相位信息和幅值信息。

本实施例还可以根据多个子载波的相位信息、幅值信息以及时间信息作为一个csi时间序列进行步骤s102至s103，从信号载波的相位信息和幅值信息的方向对人体反射的信号进行分析，例如特征提取、特征训练和特征分类，进一步确定人体行为，提高人体行为检测精度和准确度。

步骤s102，将所述csi时间序列进行预处理，并对预处理后的所述csi时间序列进行特征提取，得到人体行为特征。

由于外界环境因素的变化以及设备内部的干扰，会导致采集到的原始csi时间序列包含大量噪声和异常点，无法直接用于移动人员检测，也会对人体行为检测精度和准确度造成影响。所以本实施例先对获取的所述csi时间序列进行预处理，去除信息中的异常点和噪声等，再进行特征提取，进而提取的特征更具有代表性，进而提高人体行为检测精度。

参见图2，在另一个实施例中，步骤s102中将所述csi时间序列进行预处理的具体实现过程如下：

步骤s201，检测所述csi时间序列中的信息异常值，将所述信息异常值删除。

实际应用中，由于信号接收设备或外部环境问题，使得获取的无线信号的csi时间序列中的信道状态信息存在异常值，影响对人体行为特征提取的准确度，所以本实施例先检测所述csi时间序列中的信息异常值，然后删掉。

可选的，可以采用hampel滤波器进行异常值检测。

hampel滤波器可以识别监护数据中异常值出现的位置，并采用最小二乘支持向量机回归模型，基于递推预报的方法对于检测csi时间序列中的异常值，实现监测csi时间序列中信息异常值的分析处理。

步骤s202，在所述csi时间序列中删除所述信息异常值的位置进行插值处理。

实际应用中，将csi时间序列中的某位置的异常值删掉后，可能造成信息丢失或缺失现象，会打乱信道状态信息与时间信息的对应关系，进而将影响整个csi时间序列。因此，本实施例还需要在csi时间序列中删除信息异常值的位置进行插值处理，将缺失数据补充，保证csi时间序列的信息序列的准确性。

实际应用中，接收无线信号时会同时接收无线信号的多个数据包，但由于通信质量的问题，在接收无线信号时会发生数据包丢失的现象，而无线信号进行传输时的数据包都是连续的，如果其中的数据包发生丢失，则数据包中的csi时间序列的传输就会出现空洞，造成丢包。可选的，所以本实施例针对丢包现象进行插值处理，保证csi时间序列传输的质量，进而提高人体行为检测的准确度。其中，所述数据包包括csi时间序列。

可选的，进行插值处理的方法可以采用牛顿插值法进行处理。

牛顿插值法计算较简单，即在增加额外的插值点时，可以利用之前的运算结果以降低运算量，优于拉格朗日插值法，即可以加快对csi时间序列进行预处理的速度，进而加快人体行为检测速度。

步骤s203，对进行插值处理后的csi时间序列进行滤波处理，得到预处理后的所述csi时间序列。

在无线通信领域中，无线信号很容易受到外界环境因素的变化以及信号接收设备内部的干扰，进而导致采集到的无线信号的csi时间序列含大量噪声，无法直接用于移动人员检测。

可选的，对进行插值处理后的csi时间序列进行滤波处理的方法可以采用小波去噪法。具体的，小波去噪法主要包括小波变换和小波阈值处理两种方法，小波变换是对含噪声信息进行小波变换，对变换得到的小波系数进行处理，去除其中包含的噪声，最后对处理后的小波系数进行小波逆变换，得到去噪后的信息；小波阈值处理是先对信息进行小波分解，得到尺度系数，然后对尺度系数进行阈值处理，最后再进行小波重构得到去噪后的数据信息。小波去噪法处理的数据信息噪声低，去噪信息精准。

可选的，对进行插值处理后的csi时间序列进行滤波时采用小波阈值处理方法。例如，可以将csi时间序列先根据小波函数进行两层分解，然后采用无偏似然估计阈值法进行去噪，最后再对信息进行重构，得到去噪后的csi时间序列，即得到所述预处理后的csi时间序列。

参见图3，在另一个实施例中，步骤s201中检测所述csi时间序列中的信息异常值的具体实现过程包括：

步骤s301，设置状态信息预设范围。

可选的，设置状态信息预设范围可以包括：

计算所述信道状态信息的中位数μ以及绝对中位差σ，将区间[μ-3σ,μ+3σ]设置为所述状态信息预设范围。

其中，绝对中位差的计算过程可以包括：先求信道状态信息中的信息值的中位数，然后将所有信息值减去中位数得到的所有绝对值组成一个的信道状态样本，再求信道状态样本的中位数，信道状态样本的中位数即为绝对中位差。

例如，信道状态信息x＝{2387964}，中位数为6，信道状态信息中的每个信息值减去中位数并求绝对值，所有绝对值组成一个的信道状态样本为{4321302}，信道状态样本的中位数是2，所以信道状态信息x＝{2387964}的绝对中位差是2。

步骤s302，判断所述信道状态信息中的信息值是否在所述状态信息预设范围内。

可选的，判断所述信道状态信息中的每个信息值是否在状态信息预设范围[μ-3σ,μ+3σ]内。其中，μ为时间信息的中位数，σ为时间信息的绝对中位差。

步骤s303，将不在所述状态信息预设范围内的所述信息值检测为所述信息异常值。

可选的，判断每个信息值是否在状态信息预设范围[μ-3σ,μ+3σ]内，将不在状态信息预设范围[μ-3σ,μ+3σ]内的信息值确定为信息异常值，并将其删除。

参见图4，在另一个实施例中，步骤s102中对预处理后的所述csi时间序列进行特征提取，得到人体行为特征的具体过程包括：

步骤s401，将预处理后的所述csi时间序列进行降维处理，并确定特征主成分和预设数量的主特征向量。

实际应用中，接收的无线信号的csi时间序列的维度很大，信息维度大使得计算复杂，而且影响人体行为检测速度。为降低计算复杂度，本实施例先将csi时间序列进行降维处理。

可选的，对csi时间序列进行降维的方法可以采用主成分分析法进行降维，或者采用核主成分分析法降维。

示例性的，主成分分析法将预处理后的csi时间序列进行数据降维。具体地，先对预处理后的csi时间序列进行归一化处理，得到归一化csi时间序列，然后归一化csi时间序列进行自相关计算得到相关矩阵，并获得前k个最大的特征值以及对应的特征向量，k个最大特征值对应的特征向量为本实施例中的预设预量的主特征向量；根据k个主特征向量和归一化csi时间序列求取相应的主成分矩阵，即确定所述特征主成分，实现数据降维。其中，k为所述预设数量。

获得前k个最大的特征值可以包括：计算相关矩阵的特征值，将每个特征值进行从大到小的排列，获取前k个最大的特征值，同时获取对应的特征向量，即k个最大的特征值对应的特征向量为预设数量的主特征向量。其中，k小于csi时间序列的矩阵列数。

可选的，k值(预设数量)可以由用户输入设定，也可以由特征值在整体特征中的贡献率决定，所有超过预设贡献率的特征值对应的特征向量则作为预设数量的主特征向量。

例如，归一化后的csi时间序列为信息矩阵h。其中，信息矩阵h的每一列代表单个子载波随时间变化的幅度值，即，信息矩阵h的每一列代表单个子载波随时间信息变化的幅度值；每一行代表不同子载波在同一时刻的幅度值。信息矩阵h的列数n等于子载波的数量，信息矩阵h的行数m等于时间信息的长度。例如，信号接收器在5g频段上采用40mhz的带宽，信号接收器接收一次无线信号的csi时间序列可以是每秒钟收集50个数据，获取10秒钟的数据，则m＝10*50，n＝114。相应地，信息矩阵h的维度就是500*114。

对信息矩阵h进行自相关操作，求得相关矩阵，即相关矩阵c＝h^t×h，其中h^t是信息矩阵h的转置矩阵，相关矩阵c的维度是n×n。对相关矩阵c进行特征值分解，获取前k个最大的特征值和对应的特征向量，例如，k＝6。其中，确定的k个主特征向量表示为v1，v2，……，vk，每个主特征向量的长度为n。由信息矩阵h和主特征向量求取主成分矩阵p(特征主成分)，具体地，根据公式p＝h×vi来获得特征主成分，即通过利用主成分分析法将csi时间序列中时间序列的维度降至k维。

步骤s402，计算每个所述主特征向量的一阶差分均值，计算所述特征主成分的方差，并将所述方差与所述一阶差分均值的比值设置为人体特征值。

参见图6和图7，可以看出，无人情况下的信道状态信息几乎无变化，而当有人在场景内走动时，信道状态信息变化幅度明显变大。也就是，当场景内有人时，主成分变化大，相应地方差值很大，同时，主特征向量变化平缓，相应地一阶差分均值小；相反地，当场景内无人时，主成分变化小，方差值小，同时，主特征向量变化随机，一阶差分均值大。所以本实施例选取方差与一阶差分均值的比值作为特征值。

可选的，计算所述一阶差分均值具体包括：

其中，n为所述子载波的个数，vi为对应的所述主特征向量。

可选的，计算所述方差具体包括：

其中，l为所述子载波的个数，pi为对应的所述特征主成分的向量，为对应的所述特征主成分的向量的均值。

步骤s403，预设数量的所述人体特征值组成所述人体行为特征。

具体的，将预设数量的主特征向量均求取一阶差分均值，并求取所述特征主成分的方差，将方差与一阶差分均值的比值设置为人体特征值，即人体行为特征由所述预设数量的人体特征值组成。

步骤s103，通过分类器对所述人体行为特征进行分类，根据分类结果确定人体行为。

可选的，本实施例中的分类器选用bp(errorbackpropagationtraining，误差反向传播算法)神经网络。bp神经网络广泛应用于分类问题中。

bp神经网络主要包括信号的前向传播和误差的反向传播两个过程，即计算误差输出时按从输入到输出的方向进行，而调整权值和阈值则从输出到输入的方向进行。

具体的，前向传播时，输入特征通过隐含层作用于输出节点，经过非线性变换，产生输出信号，若实际输出的分类情况与期望输出的分类不相符，则转入误差的反向传播过程；误差反传是将输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调整各单元权值的依据，通过调整输入节点与隐层节点的联接强度、隐层节点与输出节点的联接强度以及分类阈值，使误差沿梯度方向下降，即根据梯度下降法调节误差。

可选的，梯度下降法可以是通过调节梯度下降的步长，结合调节学习训练的速率，使每一个卷积层更新的步伐不同，进而提高调节误差的精度；梯度下降法还可以包括小批量梯度下降(mini-batchgradientdescent)法，每次更新根据人体行为特征计算的梯度的一阶差分均值，根据所述一阶差分均值去调节误差，进而提高调节误差的精度；另外，梯度下降法还可以包括动量(momentum)优化法和nesterov动量(涅斯捷罗夫动量)法，以减少梯度的动荡，加快收敛。

上述bp神经网络中，对输入的特征信息经过反复的前向传播和误差反传的学习训练，确定与最小误差相对应的权值和分类阈值，说明bp神经网络模型已训练好，同时训练的分类模型更为精准。

本实施例的分类过程主要是，先对有人场景下的信道状态特征和无人场景下的信道状态特征进行标记，然后将有人场景下的信道状态特征和无人场景下的信道状态特征输入到bp神经网络中进行训练，也就是一部分有人场景下的信道状态特征和无人场景下的信道状态特征作为训练集，在bp神经网络中训练，当训练好之后，然后将再获取的csi时间序列进行特征提取，得到的人行为特征作为测试集输入到经过训练的bp神经网络，训练好的bp神经网络就可以对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息，也就是分类结果。

具体的，获取不同的环境状态对应的csi时间序列形成训练数据集。在获取过程中，对无线信号的csi时间序列中的人体行为特征进行人工标注，即标明人体行为特征对应哪种环境状态。针对有人环境状态，可以获取目标人物在不同位置及方位下进行活动的csi时间序列。对于训练数据集中的不同场景下的csi时间序列，可以利用上述步骤s102和步骤s103中信息预处理方法和特征提取方法进行处理，获得相应的人体行为特征直接输入到bp神经网络进行训练。然后，将训练好的bp神经网络作为分类器进行移动人员检测。

上述利用bp神经网络对人体行为特征进行分类，即利用前向传播和误差的反向传播反复训练和测试，得到分类结果，根据分类结果确定人体行为，使得特征分类更加精准，分类结果更加准确。

在另一个实施例中，在将所述人体行为特征输入到分类器中进行分类之后，还包括：

采用数据融合方法对所述分类结果进行决策，根据决策结果确定人体行为。

可选的，数据融合方法可以包括d-s证据理论方法。d-s证据理论方法具有处理不确定信息的能力，作为一种不确定推理方法，d-s证据理论的主要特点是满足比贝叶斯概率论更弱的条件，具有直接表达“不确定”和“不知道”的能力。利用d-s证据理论方法对上述多天线的分类结果进行决策，可以提高人体行为检测的识别精度，降低错误率。

上述人员行为检测方法，先通过接收被人体反射的无线信号，并获取所述无线信号的csi时间序列，用物理层的csi时间序列代替控制层的信号强度等粗粒度信息，为后面的特征提取和检测提供更加细粒度的信息，提高人体行为检测精度；其次，将所述csi时间序列进行预处理，减少csi时间序列中的噪音，提高csi时间序列进行特征提取的准确度，进一步提高人体行为检测的准确率；最后通过将所述人体行为特征输入到分类器中进行分类，根据分类结果确定人体行为，进一步提高了人体行人检测的精度和准确率。

本领域技术人员可以理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

实施例二

对应于上文实施例一所述的人员行为检测方法，图8中示出了本发明实施例二中人员行为检测装置的结构框图。为了便于说明，仅示出了与本实施例相关的部分。

该装置包括：信息获取模块110、特征提取模块120和行为识别模块130。

信息获取模块110用于接收被人体反射的无线信号，并获取所述无线信号的csi时间序列。

特征提取模块120用于将所述csi时间序列进行预处理，并对预处理后的所述csi时间序列进行特征提取，得到人体行为特征。

行为识别模块130用于将所述人体行为特征输入到分类器中进行分类，根据分类结果确定人体行为。

上述人员行为检测装置中，信息获取模块110接收被人体反射的无线信号，并获取所述无线信号的csi时间序列，用物理层的csi时间序列代替控制层的信号强度等粗粒度信息，为后面的特征提取和检测提供更加细粒度的信息，提高人体行为检测精度；其次，特征提取模块120将所述csi时间序列进行预处理，减少csi时间序列中的噪音，提高csi时间序列进行特征提取的准确度，进一步提高人体行为检测的准确率；最后，行为识别模块130通过将所述人体行为特征输入到分类器中进行分类，根据分类结果确定人体行为，进一步提高了人体行人检测的精度和准确率。

实施例三

图9是本发明实施例三提供的终端设备100的示意图。如图9所示，该实施例的终端设备100包括：处理器140、存储器150以及存储在所述存储器150中并可在所述处理器140上运行的计算机程序151，例如人员行为检测方法的程序。所述处理器140在执行所述计算机程序151时实现上述人员行为检测方法实施例中的步骤，例如图1所示的步骤101至103。或者，所述处理器140执行所述计算机程序151时实现上述各装置实施例中各模块/单元的功能，例如图8所示模块110至130的功能。

示例性的，所述计算机程序151可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器150中，并由所述处理器140执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序151在所述终端设备100中的执行过程。例如，所述计算机程序151可以被分割成信息获取模块、特征提取模块和行为识别模块，各模块具体功能如下：

信息获取模块用于接收被人体反射的无线信号，并获取所述无线信号的csi时间序列。

特征提取模块用于将所述csi时间序列进行预处理，并对预处理后的所述csi时间序列进行特征提取，得到人体行为特征。

行为识别模块用于将所述人体行为特征输入到分类器中进行分类，根据分类结果确定人体行为。

所述终端设备100可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备100可包括，但不仅限于处理器140、存储器150。本领域技术人员可以理解，图9仅仅是终端设备100的示例，并不构成对终端设备100的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备100还可以包括输入输出设备、网络接入设备、总线等。

所称处理器140可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器150可以是所述终端设备100的内部存储单元，例如终端设备100的硬盘或内存。所述存储器150也可以是所述终端设备100的外部存储设备，例如所述终端设备100上配备的插接式硬盘，智能存储卡(smartmediacard，smc)，安全数字(securedigital，sd)卡，闪存卡(flashcard)等。进一步地，所述存储器150还可以既包括所述终端设备100的内部存储单元也包括外部存储设备。所述存储器150用于存储所述计算机程序以及所述终端设备100所需的其他程序和数据。所述存储器150还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模型的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。