基于智能终端的被动感知技术研究
| 摘要 | 第10-11页 |
| ABSTRACT | 第11页 |
| 第一章 绪论 | 第13-17页 |
| 1.1 选题背景及意义 | 第13-14页 |
| 1.2 主要工作和创新 | 第14-15页 |
| 1.2.1 基于声音的人车环境感知 | 第15页 |
| 1.2.2 基于Wi-Fi信号的手势感知 | 第15页 |
| 1.3 国内外研究现状 | 第15-16页 |
| 1.4 论文结构组织 | 第16-17页 |
| 第二章 相关工作与前置知识 | 第17-27页 |
| 2.1 被动感知技术的应用 | 第17-19页 |
| 2.1.1 环境感知 | 第17页 |
| 2.1.2 人机互交 | 第17-18页 |
| 2.1.3 被动感知的优势 | 第18-19页 |
| 2.2 相关工作 | 第19-23页 |
| 2.2.1 基于摄像头的环境感知技术 | 第19-20页 |
| 2.2.2 基于麦克风的声音感知技术 | 第20页 |
| 2.2.3 基于无线信号的位置感知与追踪技术 | 第20-21页 |
| 2.2.4 基于无线信号行为识别技术 | 第21-23页 |
| 2.3 前置知识 | 第23-27页 |
| 2.3.1 音频分析方法 | 第23-24页 |
| 2.3.2 Wi-Fi信号简介 | 第24-27页 |
| 第三章 基于声音的人车环境被动感知技术 | 第27-45页 |
| 3.1 引言 | 第27-28页 |
| 3.1.1 人车环境感知需求 | 第27页 |
| 3.1.2 相关工作 | 第27-28页 |
| 3.1.3 基于声音感知的优势及困难 | 第28页 |
| 3.2 基于时频分析的感知模型 | 第28-33页 |
| 3.2.1 音频预处理 | 第28-29页 |
| 3.2.2 声音来源的初步分析 | 第29页 |
| 3.2.3 车辆噪声周期特性提取 | 第29-31页 |
| 3.2.4 车辆噪声频谱特征分析 | 第31-33页 |
| 3.3 基于K近邻算法的感知模型 | 第33-36页 |
| 3.3.1 K近邻算法的优势 | 第34-35页 |
| 3.3.2 分类特征选取 | 第35-36页 |
| 3.3.3 分类效果 | 第36页 |
| 3.4 系统设计与实现 | 第36-40页 |
| 3.4.1 系统架构 | 第36-37页 |
| 3.4.2 数据获取 | 第37-38页 |
| 3.4.3 用户行走状态分析模块 | 第38-39页 |
| 3.4.4 噪声属性分析与分类模块 | 第39-40页 |
| 3.5 实验及评估 | 第40-42页 |
| 3.5.1 模块效果评估 | 第40-41页 |
| 3.5.2 环境对系统效果的影响 | 第41-42页 |
| 3.6 本章小结 | 第42-45页 |
| 第四章 基于Wi-Fi信号的手势被动感知技术 | 第45-63页 |
| 4.1 引言 | 第45-47页 |
| 4.1.1 Wi-Fi信号与感知 | 第45页 |
| 4.1.2 相关工作 | 第45-46页 |
| 4.1.3 基于Wi-Fi信号感知的优势及困难 | 第46页 |
| 4.1.4 从信号强度到信道状态信息 | 第46-47页 |
| 4.2 系统设计与实现 | 第47-52页 |
| 4.2.1 系统架构 | 第47-48页 |
| 4.2.2 环境设置与手势设计 | 第48-49页 |
| 4.2.3 CSI数据的获取 | 第49-51页 |
| 4.2.4 数据可视化 | 第51-52页 |
| 4.3 手势感知模型 | 第52-58页 |
| 4.3.1 CSI数据变化分析 | 第52-55页 |
| 4.3.2 动作存在性检测模型 | 第55-57页 |
| 4.3.3 动作数量检测模型 | 第57页 |
| 4.3.4 基于SVM的动作分类模型 | 第57-58页 |
| 4.4 综合评估 | 第58-60页 |
| 4.4.1 存在性检测 | 第58-59页 |
| 4.4.2 数量检测 | 第59页 |
| 4.4.3 SVM分类效果 | 第59-60页 |
| 4.5 本章小结 | 第60-63页 |
| 第五章 总结与展望 | 第63-65页 |
| 5.1 本文总结 | 第63页 |
| 5.2 未来展望 | 第63-65页 |
| 致谢 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 作者在学期间取得的学术成果 | 第73页 |
