1.一种基于Wi-Fi的墙后目标行为识别方法，包括以下步骤：步骤一：假设接收机RX接收来自另一房间的发射机TX的信号X，接收机自动获取接收信号的CSI信息；

步骤二：建立滑窗，通过分析滑窗内CSI流的幅值抖动情况判断是否有人活动，若无人活动，则丢弃当前窗口的CSI流并继续判断下一滑窗的CSI流，若有人活动，则进行下一步的处理；

步骤三：通过步骤二判断出有人活动后，对当前的CSI流进行消噪处理，具体的算法流程如下所示：首先对当前滑窗内的CSI流进行中心化处理，消除信号静态成分：然后计算CSI流的协方差矩阵并对协方差矩阵进行特征值分解求出协方差矩阵的特征向量；

最后通过维度转换计算出新的投影矩阵完成目标运动信号重构：Zi＝XTwi

其中，wi和Zi是第i个特征向量和第i个信号主要组成部分；

步骤四：对数据进行特征提取，以便进行后续的行为分类；

步骤五：构建分类器对提取出来的特征进行分类。

2.根据权利要求1所述的一种基于Wi-Fi的墙后目标行为识别方法，所述步骤二，通过分析CSI流的幅值抖动情况判断是否有人活动，包括以下步骤：建立滑窗，通过分析滑窗内CSI流的幅值抖动情况判断是否有人活动，若无人活动，则丢弃当前窗口的CSI流并继续判断下一滑窗的CSI流，若有人活动，则进行下一步的处理，具体的算法如下所示：假设滑窗内的CSI流为：

其中n为CSI流的长度，m代表Wi-Fi信号中子载波的个数，对于CSI流X中的数据点p(xi,yi)，其局部异常因子定义为：其中，两个数据点的距离d(p,o)采用欧式计算方法，即对于p(xi,yi),o(xi,yi)∈X：Nk-dist(p)定义为所有与p的距离不大于k-距离的对象集合，即：Nk-dist(p)＝{q∈X\{p}|d(p,q)≤k-dist(p)}lrdk(p)定义为局部可达密度，对象p的局部可达密度为：式中，reach-distk(p,o)定义为对象p关于对象o的可达距离：reach-distk(p,o)＝max{k-dist(o),d(p,o)}|Nk-dist(p)|为p的k距离领域内所包含的数据点的个数，在一个连续的不确定数据中，某单个数据周围的数据的密集程度可以表示该数据是否异常，局部离群因子算法可以计算出当前CSI流的局部可达密度及其周围数据的局部可达密度，将二者进行比较，最后通过其LOF值来判断是否有人活动。

3.根据权利要求1所述的一种基于Wi-Fi的墙后目标行为识别方法，所述步骤四，对数据进行特征提取，包括以下步骤：针对墙体反射目标较弱且室内目标活动时间一般较短的情况，结合了提取时域特征和频域特征的方法，具体的算法流程如下所示：假设滑窗内的CSI流为：

其中n为CSI流的长度，m代表Wi-Fi信号中子载波的个数，经过步骤三降噪处理后，新的投影矩阵为：Z＝XTw2

其中，w2代表X的协方差矩阵第二大特征值的特征向量，之后对新的投影矩阵Z进行滑窗分段，并对滑窗内的信号进行傅里叶变换：其中，对于信号Z(tn)，假设n＝1,2,3,…,L,则采样间隔Δt＝T/L，M定义为不大于L/2的最大整数，角频率ωm定义为：傅里叶系数am和bm分别定义为：

将Z(tn)表示为Zn，时间序列Z的方差为：代表Zn的平均值，时间序列Z的方差也可以表达为：由于正弦和余弦函数具有正交性质：

定义为Kronecker delta函数，根据以上公式，时间序列Z的方差可以表示为：自动频谱Am可以被视为频谱中包含的能量：因此引入上述自动频谱Am的公式，可以得到时间序列的方差：其中

该自动频谱Am由每个TR链路的CSI振幅和相位计算得出，在每个频谱中，每个频点对应的前五个主要振幅被记录为特征。