CN106250787A - 一种低代价高鲁棒性的非绑定式活动识别方法 - Google Patents

Abstract

本发明公开了一种低代价高鲁棒性的非绑定式活动识别方法，该方法利用RFID系统获取目标活动引起的获取离线阶段的多普勒频移信息并存储，再将离线指纹信息和每个活动对应的在线指纹信息进行匹配，计算得到当前人执行的活动；本发明利用多普勒频移信息和指纹匹配来识别目标的活动，仅需要少量廉价的RFID被动式标签就可以对目前人所做的活动进行识别，所需经济成本低，突破了传统意义上使用昂贵设备才能实现活动识别，在无线活动识别领域是一种未被探讨的新活动识别方法。

Description

一种低代价高鲁棒性的非绑定式活动识别方法

技术领域

本发明属于无线行为监测领域，涉及一种非绑定式活动识别方法，具体涉及一种低代价高鲁棒性的非绑定式活动识别方法。

背景技术

在现今很多应用场景中，如老人跌倒监测、病人看护、幼童活动监测、智能家居等，获取目标的活动信息是很有必要的，这在过去的几年中吸引了大批学者进行相关研究工作。其中，非绑定式(无携带其他设备)活动识别方法在行为监测应用中一直有着重要的作用，尤其是针对在复杂环境中的活动识别。

现有活动识别方法要求目标携带可穿戴式传感器，然而要求人们时时刻刻记得携带设备是很难的，因此不能得到广泛地应用。目前已有的非绑定式活动识别方法采用专用设备(USRP、WARP、雷达等)，设备价格过高，很难应用到实际生活中；同时采用摄像头会造成用户隐私泄露问题，不被大众认可。低成本的非绑定式活动识别方法中，利用环境中多径作为指纹来标示目标活动，但当被监测环境发生变化时，多径信息也会发生变化，因此训练得到的多径指纹已不能用来识别新环境下的活动，从而造成系统识别率很低，不能够为目标活动提供依据。

综上，现有的被动式活动识别方法普遍存在以下缺陷：1)设备昂贵，成本高；2)不同环境中的适应性差。

发明内容

针对上述现有技术中存在的缺陷或不足，本发明的目的在于，提供一种低代价高鲁棒性的非绑定式活动识别方法，该方法能够在被监测区域内能有效获取目标活动带来的多普勒频移变化，从而适应不同的多径情况，解决了活动识别算法在环境变化方面的缺陷。

为了实现上述任务，本发明采用如下技术方案予以实现：

一种低代价高鲁棒性的非绑定式活动识别方法，具体包括以下步骤：

步骤一，在监测区域中部署RFID系统，RFID系统包括多个RFID标签、多个天线和一个RFID读写器；所述多个RFID标签组成一排部署至监测区域边缘，所述多个天线组成一排部署至标签对面的监测区域边缘，天线和RFID标签覆盖监测区域；

步骤二，获取离线指纹信息并存储；离线指纹信息是指离线阶段中每个活动对应的多普勒频移信息；

步骤三，在线阶段目标活动时，持续从RFID系统中的RFID读写器获取由目标活动产生的相位值，并对获取到的目标活动的相位值进行去噪处理；

步骤四，利用步骤三得到的去噪处理后的目标活动的相位值计算目标活动对应的多普勒频移信息；

步骤五，对步骤四得到的目标活动对应的多普勒频移信息进行分解，判断每个活动的开始和结束的时间点，保存为在线指纹信息；在线指纹信息即为在线阶段中每个活动对应的多普勒频移信息；

步骤六，根据步骤二得到的离线阶段中每个活动对应的多普勒频移信息和步骤五得到的在线阶段中每个活动对应的多普勒频移信息，计算得到一个标签对应的目标可能执行的活动；

步骤七，重复执行步骤二至步骤六，计算得到每个标签对应的目标可能执行的活动；

步骤八：从多个标签对应的目标可能执行的活动中选出出现概率最大的活动作为目标所做的活动。

本发明还有如下区别技术特征，

进一步的，步骤二的具体步骤如下：

步骤2.1，使目标在天线及RFID标签之间的做出不同的活动，做每个活动时，从RFID读写器采集得到相位值，利用相位值计算每个活动对应的多普勒频移信息，计算公式如下：

$\mathrm{\Δ}f\∝\frac{2vcos\mathrm{\Θ}}{c}{f}_0$

$2v\·(t_{i+1}-t_i)\·cos\mathrm{\Θ}=\mathrm{\λ}\·\frac{{\mathrm{\θ}}_{i+1}-{\mathrm{\θ}}_i}{2\mathrm{\π}}$

$\mathrm{\Δ}f=\frac{2vcos\mathrm{\Θ}}{c}{f}_0=\frac{{\mathrm{\θ}}_{i+1}-{\mathrm{\θ}}_i}{4\mathrm{\π}\·(t_{i+1}-t_i)}$

其中

λ＝c/f₀

式中：Δf表示多普勒频移值；V表示目标的移动速度；Θ表示角度，即目标移动方向与信号传播方向间的夹角角度；f₀表示RFID的中心频率；c表示光速；θ表示相位值；θ_i表示第i个相位值，θ_i+1表示第i+1个相位值；t表示从RFID读写器中获取相位值的时间，t_i表示获取第i个相位值的时间，t_i+1表示获取第i+1个相位值的时间；

步骤2.2，将目标的每个活动对应的多普勒频移信息作为离线阶段指纹信息进行存储。

进一步的，步骤三的去噪处理包括：

步骤3.1：跳变校正处理，通过RFID读写器采集由目标活动引起的相位值，计算每个相位值分布中相位值数量Q_i和平均值Aver_i(1≤i≤N)，找出相位值数量最大的分布平均值Aver_m；

对每个相位值分布R_i(1≤i≤N)校正的公式如下：

R_i(j)＝R_i(j)-Aver_i+Aver_m,1≤i≤N,1≤j≤Q_i

整合上述公式后，得到对所有未校正的相位值S进行校正的公式为：

C(k)＝S(k)-Aver_i+Aver_m，S(k)∈R_i

式中：S表示采集到的所有未校正的相位值，S(k)表示所有未校正的相位值中第k个相位值，C(k)表示校正后的所有相位值中第k个相位值，R_i(1≤i≤N)表示按照相位值的不同将S分成的N个相位值分布，即：S＝(R₁,R₂,......,R_N)。

进一步的，步骤三的去噪处理还包括：

步骤3.2：利用卡尔曼滤波器对步骤3.1处理过的相位值进行平滑噪声处理；卡尔曼滤波假定相位值均由前一时刻变化而来，符合下列方程：

x_t＝(1-F_t)·x_t-1+F_t·x_t

$F_t=\frac{F_{t-1}}{F_{t-1}+1},1<t\&le;L$

式中：X_t表示第t个相位值，t为下标，用来表示相位值的顺序；F表示权重系数，F_t表示第t个相位值的权重系数；L表示相位值的个数。

步骤三的去噪处理还包括：

步骤3.3：利用DWT对步骤3.2处理过的相位值进行降噪处理。

进一步的，步骤四中，利用所述的相位值计算多普勒频移信息，计算公式如下：

$\mathrm{\&Delta;}f\&Proportional;\frac{2vcos\mathrm{\&Theta;}}{c}{f}_0$

$2v\&CenterDot;(t_{i+1}-t_i)\&CenterDot;cos\mathrm{\&Theta;}=\mathrm{\&lambda;}\&CenterDot;\frac{{\mathrm{\&theta;}}_{i+1}-{\mathrm{\&theta;}}_i}{2\mathrm{\&pi;}}$

$\mathrm{\&Delta;}f=\frac{2vcos\mathrm{\&Theta;}}{c}{f}_0=\frac{{\mathrm{\&theta;}}_{i+1}-{\mathrm{\&theta;}}_i}{4\mathrm{\&pi;}\&CenterDot;(t_{i+1}-t_i)}$

其中

λ＝c/f₀

式中：Δf表示多普勒频移值；V表示目标的移动速度；Θ表示角度，即目标移动方向与信号传播方向间的夹角角度；f₀表示RFID的中心频率；c表示光速；θ表示相位值；θ_i表示第i个相位值，θ_i+1表示第i+1个相位值；t表示从RFID读写器中获取相位值的时间，t_i表示获取第i个相位值的时间，t_i+1表示获取第i+1个相位值的时间；

进一步的，步骤五的具体步骤包括：

步骤5.1：利用小波转换函数wavedec对步骤四得到的多普勒频移信息在不同频率上进行分解，采用db5小波基，得到一个低频系数和n个高频系数，n为可分解最大层数；

步骤5.2：利用小波转换函数wrcoef对步骤5.1分解得到的低频系数和高频系数进行重构，重构后的第一层高频系数中显示出多普勒频移信息中活动间隔对应的高频信息，从而获取前一个活动结束和后一个活动开始的时间点，保存为该活动的在线指纹信息，即实时多普勒频移信息。

进一步的，步骤六包括：

根据步骤二得到的离线阶段中每个活动对应的多普勒频移信息和步骤五得到的在线阶段中每个活动对应的多普勒频移信息，计算与一个标签对应的目标可能执行的活动的在线指纹信息差异，选出差异最小的离线指纹信息即为目标可能执行的活动。

进一步的，一条离线指纹信息与目标活动的在线指纹信息的差异为：

${\mathrm{SLT}}_{M,R}=\min \underset{i,j=1}{\overset{L}{\&Sigma;}}{d}_{i,j}$

d_i,j＝|D_M(i)-D_R(j)|²，1≤i≤L_M，1≤j≤L_R

$D_M\left(i\right)=\frac{\left(f_M\right(i)-f_M(i-1\left)\right)+\left(f_M\right(i+1)-f_M(i-1\left)\right)/2}{2},1\&le;i\&le;L_M$

$D_R\left(j\right)=\frac{\left(f_R\right(j)-f_R(j-1\left)\right)+\left(f_R\right(i+1)-f_R(i-1\left)\right)/2}{2},1\&le;j\&le;L_R$

式中：

f_M表示一条离线指纹信息，f_M(i)表示这条离线指纹信息中第i个多普勒频移；f_R表示目标活动对应的在线指纹信息，f_R(j)表示这条在线指纹信息中第j个多普勒频移；SLT_M,R表示f_M和f_R的差异；L_M表示此条离线指纹信息的长度；L_R表示目标活动的在线指纹信息的长度。

进一步的，步骤八的具体步骤包括：

利用投票机制，对目标可能执行的每个活动进行判断，从多个标签对应的活动中选出出现概率最大的活动作为目标所做活动；假设有N个标签，F种活动，利用每个标签的多普勒频移信息判断出某一活动时，该活动对应的计分器V_i增加1，同时V_i满足以下条件：

$\underset{i=1}{\overset{F}{\&Sigma;}}{V}_i=N,1\&le;i\&le;F$

分数最高的V_i对应的活动即是最终的投票结果：

g＝arg max V_i

g为最后所求活动。

本发明与现有技术相比，具有以下优点：

(1)本发明利用多普勒频移信息和指纹匹配来识别目标的活动，仅需要少量廉价的RFID被动式标签就可以对目前人所做的活动进行识别，即所需经济成本低，突破了传统意义上使用昂贵设备才能实现活动识别，在无线活动识别领域是一种未被探讨的新活动识别方法。

(2)本发明的活动识别方法将活动引起的多普勒频移作为指纹信息，而目前活动识别方法中则利用多径，因此目前活动识别方法在多径条件不同的环境中不能实现高精度的活动识别，而本发明能够适应多个不同的环境，且在这些多径条件差异较大的环境中实现高精度的活动识别。

(3)本发明设计了实时活动切割技术，能有效实时地判断活动的开始结束，且此技术可用于其他设备下的活动识别、目标追踪以及行为感知等，具有普适性和实用性。

(4)本发明巧妙利用投票机制，有效综合多个RFID标签的活动识别结果，从而实现高精度活动识别，具有可靠性和实用性。

附图说明

图1(a)为CSI方法实现活动识别时的说明图；

图1(b)为本发明方法实现活动识别时的说明图；

图2为本发明的活动识别工作流程图；

图3(a)为噪声引起的相位值分布图；

图3(b)为校正处理后的相位值分布图；

图4为滤波处理前后的相位值的变化图；

图5为目标活动分割示意图；

图6(a)为执行DDTW前两个指纹的匹配情况；

图6(b)为执行DDTW后两个指纹的匹配情况；

图7(a)为实验室环境下进行实验的场景图；

图7(b)为在家居室内环境下进行实验的场景图；

图7(c)为在图书馆进行实验的场景图；

图8(a)为实验室环境下进行实验的平面图；

图8(b)为家居室内环境下进行实验的平面图；

图8(c)为图书馆进行实验的平面图；

图9为三个不同场景(实验室、家居室内、图书馆)下的活动分割精度分布图；

图10为三个场景(实验室、家居室内、图书馆)下所有活动识别实验中平均识别精度的混淆矩阵图；

图11(a)为三个场景(实验室、家居室内、图书馆)下的活动识别真阳率图；

图11(b)为三个场景(实验室、家居室内、图书馆)下的活动识别假阳率图；

图12(a)为实验室场景下不同人做活动时的活动分割精度图；

图12(b)为实验室场景下不同人做活动时的活动识别真阳率图和假阳率图；

图13(a)为实验室场景下不同标签数量条件下的活动分割精度图；

图13(b)为实验室场景下不同标签数量条件下的活动识别真阳率图和假阳率图。

以下结合附图和实施例对本发明的具体内容作进一步详细地解释和说明。

具体实施方式

为了使本发明的目的、技术方案及优势更加清楚，结合附图及实施例对本发明做进一步详细说明，本发明的一种低代价高鲁棒性的非绑定式活动识别方法，具体包括以下步骤：

步骤一，场景设置

在监测区域中部署多个RFID被动式标签，RFID标签组成一排被部署至监测区域边缘，相邻标签以0.5m间距组成标签矩阵，并将一个RFID读写器连接四个天线，天线通过RFID读写器的操控，以反向散射的方式与标签进行通信；标签间的间距以及天线间的间距根据监测区域长度进行调整，最终使天线和标签能覆盖监测区域；天线分别被放置于标签阵列的正对面，RFID天线和标签阵列均距离地面1m～1.5m。

步骤二，获取离线阶段指纹信息并存储；离线指纹信息是指离线阶段中每个活动对应的多普勒频移信息；

步骤2.1：选择一个高度为170cm～180cm的人，在天线及RFID标签之间的视距区域内做出规定的动作(如表1所示)，每个动作做一次即可，此时标签与天线进行通信，人做动作时，RFID读写器可测得动作引起每个标签的相位值变化，然后通过多普勒效应原理，利用相位值推导多普勒频移信息，目标的活动信息及相应的多普勒频移作为离线阶段指纹信息存储于服务器数据库中；

根据多普勒效应原理，多普勒频移可通过目标速度、移动方向、信号传播速度和收发设备中心频率推到得出，

$\mathrm{\&Delta;}f\&Proportional;\frac{2vcos\mathrm{\&Theta;}}{c}{f}_0$

而事实上，根据RFID设备的反向散射原理，RFID信号从天线发出需通过标签反射再回到天线，因此经过两倍的天线到标签距离，从而两倍的目标活动产生的影响等同于相位值得变化，进而得出以下公式：

$2v\&CenterDot;(t_{i+1}-t_i)\&CenterDot;cos\mathrm{\&Theta;}=\mathrm{\&lambda;}\&CenterDot;\frac{{\mathrm{\&theta;}}_{i+1}-{\mathrm{\&theta;}}_i}{2\mathrm{\&pi;}}$

综合公式(2)和(3)，可得出以下公式：

$\mathrm{\&Delta;}f=\frac{2vcos\mathrm{\&Theta;}}{c}{f}_0=\frac{{\mathrm{\&theta;}}_{i+1}-{\mathrm{\&theta;}}_i}{4\mathrm{\&pi;}\&CenterDot;(t_{i+1}-t_i)}$

其中

λ＝c/f₀

式中：Δf表示多普勒频移值；V表示目标的移动速度；Θ表示角度，即目标移动方向与信号传播方向间的夹角角度；f₀表示RFID的中心频率；c表示光速；θ表示相位值；θ_i表示第i个相位值，θ_i+1表示第i+1个相位值；t表示从RFID读写器中获取相位值的时间，t_i表示获取第i个相位值的时间，t_i+1表示获取第i+1个相位值的时间；

表1活动表

活动类型缩写	活动类型	训练时间
			P	捡东西	11.29s
F	摔倒	7.04s
			L	躺下	7.77s
Si	坐下	5.30s
			St	站立	6.06s
Sq	蹲下	7.81s
			W	走路	19.61s
B	刷牙	18.81s
			N	无活动	10.81s

步骤2.2，将目标的每个活动对应的多普勒频移信息作为离线阶段指纹信息存储于服务器数据库中。

步骤三，在线阶段下(现实情况中在不知道人所做活动的类型时)人做活动时，持续从RFID系统中的RFID读写器获取由人活动产生的相位值，并对获取到的人所做活动的相位值进行去噪处理；

步骤3.1：目标实时进行活动(活动类型如表1所示)，通过RFID读写器采集由人活动引起的相位值，理论上这些相位值是连续的，但实际上设备噪声会导致部分相位值不同程度地偏离真实相位值，从而形成多个相位值分布；假如此时有N个相位值分布时，需计算每个相位值分布中相位值数量Q_i和平均值Aver_i(1≤i≤N)，且找出相位值数量最大的分布平均值Aver_m；

对每个相位值分布R_i(1≤i≤N)校正的公式如下：

R_i(j)＝R_i(j)-Aver_i+Aver_m,1≤i≤N,1≤j≤Q_i

整合上述公式后，得到对所有未校正的相位值S进行校正的公式为：

C(k)＝S(k)-Aver_i+Aver_m，S(k)∈R_i

式中：S表示采集到的所有未校正的相位值，S(k)表示所有未校正的相位值中第k个相位值，C(k)表示校正后的所有相位值中第k个相位值，R_i(1≤i≤N)表示按照相位值的不同将S分成的N个相位值分布，即：S＝(R₁,R₂,......,R_N)；

步骤3.2：由于校正后的相位值受系统噪声的影响呈高斯分布，利用卡尔曼滤波器有效的平滑噪声，减少高斯噪声的影响，提高相位值的稳定性，卡尔曼滤波假定相位值均由前一时刻变化而来，且符合下列方程：

x_t＝(1-F_t)·x_t-1+F_t·x_t

$F_t=\frac{F_{t-1}}{F_{t-1}+1},1<t\&le;L$

式中：X_t表示第t个相位值，t为下标，用来表示相位值的顺序；F表示权重系数，F_t表示第t个相位值的权重系数；L表示相位值的个数；

根据多次实验求得F₁取值为0.995。

步骤3.3：RFID相位受到复杂的多路径传播以及各种设备系统噪声的影响，为了保证活动识别的精度，除了步骤3.1跳变校正处理与步骤3.2滤波处理之外，还需利用DWT(离散小波变换，Discrete Wavelet Transform)进一步进行降噪处理；DWT方法主要分为三阶段：分解，使用动态阈值去噪以及重建；

首先，DWT利用递归方法将原始射频信号在多个频率进行分解，最终得到一系列的细节系数和近似系数，分解方程如下：

${\mathrm{\&beta;}}_k^{\left(l\right)}=\underset{n\&Element;Z}{\&Sigma;}{s}_n{h}_{n-2^{l}k}^l,l\&Element;(1,2,...,J)$

${\mathrm{\&alpha;}}_k^{\left(J\right)}=\underset{n\&Element;Z}{\&Sigma;}{s}_n{g}_{n-2^{J}k}^J,J\&Element;Z$

式中:表示细节系数；表示近似系数；J表示分解级数；即将原始射频信号分解为J级；s_n表示第n级的平滑相位值；g表示haar小波基；h表示haar小波基。

其次，进行阈值处理，在分解后的信号中，近似系数包含原始信号的主要信息，但细节系数包含了主要的高频噪声，故利用动态阈值方法过滤每个细节系数中的高频噪声，本方法使用极大极小阈值法过滤噪声，设定动态阈值Th，通过求出下列方程的最小值来确定动态阈值：

$\begin{array}{c}\inf \sup \\ Th\mathrm{\&mu;}\end{array}\frac{R_{Th}\left(\mathrm{\&mu;}\right)}{n^{-1}+\min ({\mathrm{\&mu;}}^2,1)}$

其中，

R_th(μ)＝E(θ_i-μ)²,θ_i～N(μ,1)

上式中：μ的值为0.01；n的值为0.3；θ表示细节系数，θ_i表示第i个细节系数；E(θ_i-μ)表示θ_i和μ的欧式距离；N(μ,1)表示正态分布；

最后，将处理过的不同频率下的细节系数与近似系数重建，组成滤波后的相位。

步骤四，根据多普勒效应原理，利用步骤三得到的去噪处理后的目标活动的相位值计算目标活动对应的多普勒频移信息；本发明利用RFID读写器所获得的相位测量值进行多普勒频移信息的提取，具体的计算公式如下：

$\mathrm{\&Delta;}f\&Proportional;\frac{2vcos\mathrm{\&Theta;}}{c}{f}_0$

$2v\&CenterDot;(t_{i+1}-t_i)\&CenterDot;cos\mathrm{\&Theta;}=\mathrm{\&lambda;}\&CenterDot;\frac{{\mathrm{\&theta;}}_{i+1}-{\mathrm{\&theta;}}_i}{2\mathrm{\&pi;}}$

$\mathrm{\&Delta;}f=\frac{2vcos\mathrm{\&Theta;}}{c}{f}_0=\frac{{\mathrm{\&theta;}}_{i+1}-{\mathrm{\&theta;}}_i}{4\mathrm{\&pi;}\&CenterDot;(t_{i+1}-t_i)}$

其中

λ＝c/f₀

式中：Δf表示多普勒频移值；V表示目标的移动速度；Θ表示角度，即目标移动方向与信号传播方向间的夹角角度；f₀表示RFID的中心频率；c表示光速；θ表示相位值；θ_i表示第i个相位值，θ_i+1表示第i+1个相位值；t表示从RFID读写器中获取相位值的时间，t_i表示获取第i个相位值的时间，t_i+1表示获取第i+1个相位值的时间；

步骤五，对步骤四得到的目标活动对应的多普勒频移信息进行分解，判断每个活动的开始和结束的时间点，保存为在线指纹信息，在线指纹信息即为每个活动的在线阶段中每个活动对应的多普勒频移信息；

人做不同活动时，会产生不同频率的多普勒频移信息，这些信息并不是连续的，频率切换时存在一个高频信息，因此检测此高频信息则可判断不同活动之间的间隔(即判断不同活动开始和结束)，为了检测高频信息，采用小波转换进行数据处理；

步骤5.1：利用小波转换函数wavedec对步骤四得到的多普勒频移信息在不同频率上进行分解，采用db5小波基，得到一个低频系数和n个高频系数，n为可分解最大层数；

步骤5.2：利用小波转换函数wrcoef对步骤5.1分解得到的各个系数进行重构，重构后的第一层高频系数中显示出多普勒频移信息中活动间隔对应的高频信息，从而获取前一个活动结束和后一个活动开始的时间点，保存为该活动的在线指纹信息，即实时多普勒频移信息；

步骤六，根据步骤二得到的离线阶段中每个活动对应的多普勒频移信息和步骤五得到的在线阶段中每个活动对应的多普勒频移信息，利用DDTW(Derivative Dynamic TimeWarping)计算与一个标签对应的目标可能执行的活动的在线指纹信息差异，选出差异最小的离线指纹信息即为目标可能执行的活动；DDTW的优势是能够自动调整两个不同的指纹，且能找到这两个指纹的最小差距；

假设f_M和f_R分别为离线指纹信息和未知活动的在线指纹信息，则需对指纹信息进行求导，具体如下公式：

$D_M\left(i\right)=\frac{\left(f_M\right(i)-f_M(i-1\left)\right)+\left(f_M\right(i+1)-f_M(i-1\left)\right)/2}{2},1\&le;i\&le;L_M$

$D_R\left(j\right)=\frac{\left(f_R\right(j)-f_R(j-1\left)\right)+\left(f_R\right(i+1)-f_R(i-1\left)\right)/2}{2},1\&le;j\&le;L_R$

其次，可利用下面公式计算离线指纹信息f_M和在线指纹信息f_R的欧式距离，即

d_i,j＝|D_M(i)-D_R(j)|²，1≤i≤L_M，1≤j≤L_R

最后，离线指纹信息f_M和在线指纹信息f_R的差异为

${\mathrm{SLT}}_{\mathrm{\&alpha;},\mathrm{\&beta;}}=\min \underset{i,j=1}{\overset{L}{\&Sigma;}}{d}_{i,j}$

式中：f_M表示一条离线指纹信息；f_M(i)表示这条离线指纹信息中第i个多普勒频移；f_R表示未知活动对应的在线指纹信息；f_R(j)表示这条在线指纹信息中第j个多普勒频移；SLT_M,R表示f_M和f_R的差异；L_M表示此条离线指纹信息的长度；L_R表示未知活动的在线指纹信息的长度。

步骤七，重复执行步骤二至步骤六，计算得到每个标签对应的目标可能执行的活动；

步骤八：从多个标签对应的目标可能执行的活动中选出出现概率最大的活动作为目标所做的活动；

利用投票机制，对目标可能执行的每个活动进行判断，从多个标签对应的活动中选出出现概率最大的活动作为目标所做活动；该投票机制类似于目前现有的投票方案，比如微信投票，选出支持者最多的选手，这里的支持者即为每个标签，选手即为目标可执行的活动种类。

假设有N个标签，F种活动，利用每个标签的多普勒频移信息判断出某一活动时，该活动对应的计分器V_i增加1，同时V_i满足以下条件：

$\underset{i=1}{\overset{F}{\&Sigma;}}{V}_i=N,1\&le;i\&le;F$

分数最高的V_i对应的活动即是最终的投票结果：

g＝arg max V_i

g为最后所求活动。

概况地描述本发明中的活动识别方法：本发明中提出一种低代价高鲁棒性非绑定式活动识别方法主要包括四个阶段：相位预处理、多普勒频移推导、活动分割以及活动匹配，如图2所示。

实施例：

使用一套通用的RFID系统在西北大学信息科学与技术学院的通信实验室、西北大学长安校区图书馆以及一般家居环境中完成测试，三种不同的室内环境形成三种不同的多径条件。本实验中，总共有三种不同的实验(即验证不同环境、不同监测目标、不同标签数量)用于验证本发明的有效性、可行性以及鲁棒性，三种不同的实验场景分别有24、29和31个测试点，在每个测试点需要对每个活动进行5次测试，实验持续36个小时，共收数据17180条数据，全部实验由8个志愿者完成。

示意图1(a)表示使用CSI设备进行活动识别的例子，当相同的人在不同的环境下执行相同的摔倒活动时，会产生明显不同的CSI信号变化，因此当离线环境和在线环境不同时，使用CSI进行活动识别会导致较低精度的识别率，也就是说CSI不能提供适应不同环境的活动识别，鲁棒性差。

示意图1(b)表示在本发明监测环境下进行活动识别的例子，当相同人在不同环境中执行相同的摔倒活动时，获得到的多普勒频移信息是相同的，因此本发明能够很容易地工作在不同的环境中，对环境具有鲁棒性

本实施例的一种低代价高鲁棒性的非绑定式活动识别方法，具体按照以下步骤进行：

步骤一，场景设置

在监测区域中部署17个RFID被动式标签，相邻标签以0.5m间距组成标签矩阵，标签矩阵为1行17列，标签EPC编号为0001～0025，按序列排序；标签阵列的正对面3.6m处放置四个定向天线，天线间距为2.7m，四个定向天线连接有一个RFID读写器，RFID天线和标签阵列均距离地面1.04m，虽然标签密度较大，但RFID标签便宜(每个3～5美分)，标签总价格较低，因此部署成本低；标签与天线距离为，

步骤二，获取离线阶段指纹信息并存储

本实施例建立离线阶段指纹信息是在实验室环境中。

步骤2.1：选择一个高度为175cm的人，在天线及RFID标签之间的视距区域内做出规定的活动(如表1所示)，每个动作做一次即可，此时标签与天线进行通信，人做动作时，RFID读写器可测得动作引起每个标签的相位值变化，然后通过多普勒效应原理，利用相位值推导多普勒频移信息，目标的活动信息及相应的多普勒频移作为离线阶段指纹信息存储于服务器数据库中；

根据多普勒效应原理，多普勒频移可通过目标速度、移动方向、信号传播速度和收发设备中心频率推到得出，

$\mathrm{\&Delta;}f\&Proportional;\frac{2vcos\mathrm{\&Theta;}}{c}{f}_0$

而事实上，根据RFID设备的反向散射原理，RFID信号从天线发出需通过标签反射再回到天线，因此经过两倍的天线到标签距离，从而两倍的目标活动产生的影响等同于相位值得变化，进而得出以下公式：

$2v\&CenterDot;(t_{i+1}-t_i)\&CenterDot;cos\mathrm{\&Theta;}=\mathrm{\&lambda;}\&CenterDot;\frac{{\mathrm{\&theta;}}_{i+1}-{\mathrm{\&theta;}}_i}{2\mathrm{\&pi;}}$

综合公式(2)和(3)，可得出以下公式：

$\mathrm{\&Delta;}f=\frac{2vcos\mathrm{\&Theta;}}{c}{f}_0=\frac{{\mathrm{\&theta;}}_{i+1}-{\mathrm{\&theta;}}_i}{4\mathrm{\&pi;}\&CenterDot;(t_{i+1}-t_i)}$

其中

λ＝c/f₀

式中：Δf表示多普勒频移值；V表示目标的移动速度；Θ表示角度，即目标移动方向与信号传播方向间的夹角角度；f₀表示RFID的中心频率；c表示光速；θ表示相位值；θ_i表示第i个相位值，θ_i+1表示第i+1个相位值；t表示从RFID读写器中获取相位值的时间，t_i表示获取第i个相位值的时间，t_i+1表示获取第i+1个相位值的时间；

步骤2.2，将目标的每个活动对应的多普勒频移信息作为离线阶段指纹信息存储于服务器数据库中。

步骤三，在线阶段下人做活动时，持续从RFID系统中的RFID读写器获取由该活动产生的相位值，进而对获取到的相位值进行去噪处理；

步骤3.1：跳变校正处理，通过RFID读写器采集由目标活动引起的相位值，计算每个相位值分布中相位值数量Q_i和平均值Aver_i(1≤i≤N)，找出相位值数量最大的分布平均值Aver_m；

对每个相位值分布R_i(1≤i≤N)校正的公式如下：

R_i(j)＝R_i(j)-Aver_i+Aver_m,1≤i≤N,1≤j≤Q_i

整合上述公式后，得到对所有未校正的相位值S进行校正的公式为：

C(k)＝S(k)-Aver_i+Aver_m，S(k)∈R_i

式中：S表示采集到的所有未校正的相位值，S(k)表示所有未校正的相位值中第k个相位值，C(k)表示校正后的所有相位值中第k个相位值，R_i(1≤i≤N)表示按照相位值的不同将S分成的N个相位值分布，即：S＝(R₁,R₂,......,R_N)；

图3为相位校正处理情况，图3(a)中静态环境下采集到的相位呈现两个独立的相位分布，通过本发明提供的方法校正后，最后处理得到的相位呈现正常的一种相位分布如图3(b)所示。

步骤3.2：利用卡尔曼滤波器对步骤3.1处理过的相位值进行平滑噪声处理，提高相位值的稳定性。卡尔曼滤波假定相位值均由前一时刻变化而来，符合下列方程：

x_t＝(1-F_t)·x_t-1+F_t·x_t

$F_t=\frac{F_{t-1}}{F_{t-1}+1},1<t\&le;L$

式中：X_t表示第t个相位值，t为下标，用来表示相位值的顺序；F表示权重系数，F_t表示第t个相位值的权重系数；L表示相位值的个数；

根据多次实验求得F₁取值为0.995。

图4展示了在静态环境对相位进行卡尔曼滤波前后对比情况，卡尔曼滤波前的相位值存在高斯噪声，如图4中处理前的数据情况，相位值的标准差为0.227，而经过滤波平滑后的相位值标准差为0.009，因此卡尔曼滤波能有效去除校正后的相位值高斯噪声。

步骤3.3：利用DWT对步骤3.2处理过的相位值进行降噪处理，主要分为三阶段：分解，使用动态阈值去噪以及重建；

首先，DWT利用递归方法将原始射频信号在多个频率进行分解，最终得到一系列的细节系数和近似系数，分解方程如下：

${\mathrm{\&beta;}}_k^{\left(l\right)}=\underset{n\&Element;Z}{\&Sigma;}{s}_n{h}_{n-2^{l}k}^l,l\&Element;(1,2,...,J)$

${\mathrm{\&alpha;}}_k^{\left(J\right)}=\underset{n\&Element;Z}{\&Sigma;}{s}_n{g}_{n-2^{J}k}^J,J\&Element;Z$

式中：表示细节系数；表示近似系数；J表示分解级数，即将原始射频信号分解为J级；s_n表示第n级的平滑相位值；g，h均表示haar小波基；

其次，进行阈值处理，在分解后的信号中，近似系数包含原始信号的主要信息，但细节系数包含了主要的高频噪声，故利用动态阈值方法过滤每个细节系数中的高频噪声，本方法使用极大极小阈值法过滤噪声，设定动态阈值Th，通过求出下列方程的最小值来确定动态阈值：

$\begin{array}{c}\inf \sup \\ Th\mathrm{\&mu;}\end{array}\frac{R_{Th}\left(\mathrm{\&mu;}\right)}{n^{-1}+\min ({\mathrm{\&mu;}}^2,1)}$

其中，

R_th(μ)＝E(θ_i-μ)²,θ_i～N(μ,1)

根据上述计算，得到本实施例的3个场景下阈值分别为0.183、0.352和0.325。每组细节系数中小于相应阈值的是噪声，大于相应阈值的是有用数据。

最后，将处理过的不同频率下的细节系数与近似系数重建，组成滤波后的相位。

步骤四，根据多普勒效应原理，利用步骤三得到的去噪处理后的目标活动的相位值计算目标活动对应的多普勒频移信息；本发明利用RFID读写器所获得的相位测量值进行多普勒频移信息的提取，具体的计算公式如下：

$\mathrm{\&Delta;}f\&Proportional;\frac{2vcos\mathrm{\&Theta;}}{c}{f}_0$

$2v\&CenterDot;(t_{i+1}-t_i)\&CenterDot;cos\mathrm{\&Theta;}=\mathrm{\&lambda;}\&CenterDot;\frac{{\mathrm{\&theta;}}_{i+1}-{\mathrm{\&theta;}}_i}{2\mathrm{\&pi;}}$

$\mathrm{\&Delta;}f=\frac{2vcos\mathrm{\&Theta;}}{c}{f}_0=\frac{{\mathrm{\&theta;}}_{i+1}-{\mathrm{\&theta;}}_i}{4\mathrm{\&pi;}\&CenterDot;(t_{i+1}-t_i)}$

其中

λ＝c/f₀

式中：Δf表示多普勒频移值；V表示目标的移动速度；Θ表示角度，即目标移动方向与信号传播方向间的夹角角度；f₀表示RFID的中心频率；c表示光速；θ表示相位值；θ_i表示第i个相位值，θ_i+1表示第i+1个相位值；t表示从RFID读写器中获取相位值的时间，t_i表示获取第i个相位值的时间，t_i+1表示获取第i+1个相位值的时间；

步骤五，对步骤四得到的目标活动对应的多普勒频移信息进行分解，判断每个活动的开始和结束的时间点，保存为在线指纹信息，在线指纹信息即为每个活动的在线阶段中每个活动对应的多普勒频移信息；

人做不同活动时，会产生不同频率的多普勒频移信息，这些信息并不是连续的，频率切换时存在一个高频信息，因此检测此高频信息则可判断不同活动之间的间隔(即判断不同活动开始和结束)，为了检测高频信息，采用小波转换进行数据处理；

步骤5.1：利用小波转换函数wavedec对步骤四得到的多普勒频移信息在不同频率上进行分解，采用db5小波基，得到一个低频系数和n个高频系数，n为可分解最大层数；

步骤5.2：利用小波转换函数wrcoef对步骤5.1分解得到的各个系数进行重构，重构后的第一层高频系数中显示出多普勒频移信息中活动间隔对应的高频信息，从而获取前一个活动结束和后一个活动开始的时间点，保存为该活动的在线指纹信息，即实时多普勒频移信息；

步骤六，根据步骤二得到的离线阶段中每个活动对应的多普勒频移信息和步骤五得到的在线阶段中每个活动对应的多普勒频移信息，利用DDTW(Derivative Dynamic TimeWarping)计算与一个标签对应的目标可能执行的活动的在线指纹信息差异，选出差异最小的离线指纹信息即为目标可能执行的活动；DDTW的优势是能够自动调整两个不同的指纹，且能找到这两个指纹的最小差距；

假设f_M和f_R分别为离线指纹信息和未知活动的在线指纹信息，则需对指纹信息进行求导，具体如下公式：

$D_M\left(i\right)=\frac{\left(f_M\right(i)-f_M(i-1\left)\right)+\left(f_M\right(i+1)-f_M(i-1\left)\right)/2}{2},1\&le;i\&le;L_M$

$D_R\left(j\right)=\frac{\left(f_R\right(j)-f_R(j-1\left)\right)+\left(f_R\right(i+1)-f_R(i-1\left)\right)/2}{2},1\&le;j\&le;L_R$

其次，可利用下面公式计算离线指纹信息f_M和在线指纹信息f_R的欧式距离，即

d_i,j＝|D_M(i)-D_R(j)|²，1≤i≤L_M，1≤j≤L_R

最后，离线指纹信息f_M和在线指纹信息f_R的差异为

${\mathrm{SLT}}_{\mathrm{\&alpha;},\mathrm{\&beta;}}=\min \underset{i,j=1}{\overset{L}{\&Sigma;}}{d}_{i,j}$

式中：f_M表示一条离线指纹信息；f_M(i)表示这条离线指纹信息中第i个多普勒频移；f_R表示未知活动对应的在线指纹信息；f_R(j)表示这条在线指纹信息中第j个多普勒频移；SLT_M,R表示f_M和f_R的差异；L_M表示此条离线指纹信息的长度；L_R表示未知活动的在线指纹信息的长度。

步骤七，重复执行步骤二至步骤六，计算得到每个标签对应的目标可能执行的活动；

步骤八：从多个标签对应的目标可能执行的活动中选出出现概率最大的活动作为目标所做的活动。

利用投票机制，对目标可能执行的每个活动进行判断，从多个标签对应的活动中选出出现概率最大的活动作为目标所做活动；该投票机制类似于目前现有的投票方案，比如微信投票，选出支持者最多的选手，这里的支持者即为每个标签，选手即为目标可执行的活动种类。

假设有N个标签，F种活动，利用每个标签的多普勒频移信息判断出某一活动时，该活动对应的计分器V_i增加1，同时V_i满足以下条件：

$\underset{i=1}{\overset{F}{\&Sigma;}}{V}_i=N,1\&le;i\&le;F$

分数最高的V_i对应的活动即是最终的投票结果：

g＝arg max V_i

g为最后所求活动。

活动识别效果验证：

实验I：

实验I的目标在于验证本发明的有效性和鲁棒性；首先，在三个不同的室内场景部署相同数量的标签、天线以及RFID读写器，三个场景分别为实验室、图书馆、室内家居，如图7所示；实验过程中，在这三个场景下进行24、29和31个测试点，如图8，在每个测试点需要对每个活动进行5次测试。

实验I的测试效果：

实验结果如图9所示，对于大多数的活动，本发明设计方法能达到0.90～0.97的切割精度，然而“躺下”活动的切割精度稍低，平均精度为0.88～0.90，主要原因为“躺下”对多普勒频移的影响程度偏小；总体上，9种活动中有8种活动的切割精度均达到了较高精度，因此本发明在活动切割方面具有有效性。根据图9，三个场景下活动切割精度平均精度为0.9433、0.9311和0.9278，差别不大，从而本发明方法在活动切割方面具有鲁棒性。

通过三个不同场景下的实验，得到不同场景下的活动识别精度。针对有效性，从图10可以看出，混淆矩阵中显示所有场景下每种活动的活动识别精度的平均值，这些平均值均维持在0.89～0.97，所以本发明在活动识别方面具有有效性；针对鲁棒性，从图11可以看出，三个场景下每种活动的平均真阳率均大于0.87，平均假阳率均小于0.15。同时三个场景所有活动的的平均真阳率分别为0.926、0.931和0.918，假阳率分别为0.074、0.079和0.069，可见三个场景在真阳率和假阳率上差别不大，所以本发明方法在活动识别方面具有鲁棒性。

实验II：

实验II的目标在于验证本发明在目标个体不同时的情况；首先，在第一个室内场景即实验室部署相同数量的标签、天线以及RFID读写器，分别选择8个体型差别较大的志愿者进行活动，然后使用本发明方法进行验证。

实验II的测试效果：

如图12(a)所示，8个志愿者执行活动的切割精度均维持在0.90～0.96，表明本发明方法在被检测目标不同时能达到较高的活动切割精度；同时图12(b)表示不同监测目标时的活动识别精度，根据图中显示，本发明方法针对大多数志愿者执行的活动，均能达到0.90以上的真阳率，但针对志愿者ID3、ID4和ID6，真阳率只能达到0.83～0.89之间。针对所有目标，假阳率均维持在0.02～0.22之间，出现以上情况，主要原因为不同志愿者执行同一个活动时的习惯是不同的。

实验III：

实验III的目标在于验证本发明在不同数量标签时的情况，在第一个室内场景(即实验室)分别部署数量为9、11、17、21、33和41个标签，每种数量下标签间的间隔分别为1m、0.8m、0.5m、0.4m、0.25m和0.2m，在实验室内同时采用4个天线，天线间的间距为2.7m，所有天线连接到1个RFID读写器上，读写器放置于天线附近即可；分别选择同一个志愿者(身高175cm)进行活动，然后使用本发明方法进行验证。

实验III的测试效果：

如图13(a)所示，同一个志愿者在不同标签数量时执行活动的切割精度均维持在0.87～0.94，表明本发明方法在标签数量不同时能达到较高的活动切割精度；图13(b)表示不同标签数量时的活动识别精度，从图中可以看出，真阳率随着标签数量的增加不断增加，但当标签数量大于21时，真阳率不断降低，假阳率的情况与真阳率的情况相反。一般情况下，随着标签数量增多，真阳率会不断增大，但事实情况并不是这样，当标签数量大于某个程度时，真阳率不但不增加，反而降低。主要原因为当标签数量过多会造成每个标签的采样率降低，从而对活动不敏感，造成了真阳率的降低。

Claims (10)

1.一种低代价高鲁棒性的非绑定式活动识别方法，其特征在于，具体包括以下步骤：

步骤一，在监测区域中部署RFID系统，RFID系统包括多个RFID标签、多个天线和一个RFID读写器；所述多个RFID标签组成一排部署至监测区域边缘，所述多个天线组成一排部署至标签对面的监测区域边缘，天线和RFID标签覆盖监测区域；

步骤二，获取离线指纹信息并存储；离线指纹信息是指离线阶段中每个活动对应的多普勒频移信息；

步骤三，在线阶段目标活动时，持续从RFID系统中的RFID读写器获取由目标活动产生的相位值，并对获取到的目标活动的相位值进行去噪处理；

步骤四，利用步骤三得到的去噪处理后的目标活动的相位值计算目标活动对应的多普勒频移信息；

步骤五，对步骤四得到的目标活动对应的多普勒频移信息进行分解，判断每个活动的开始和结束的时间点，保存为在线指纹信息；在线指纹信息即为在线阶段中每个活动对应的多普勒频移信息；

步骤六，根据步骤二得到的离线阶段中每个活动对应的多普勒频移信息和步骤五得到的在线阶段中每个活动对应的多普勒频移信息，计算得到一个标签对应的目标可能执行的活动；

步骤七，重复执行步骤二至步骤六，计算得到每个标签对应的目标可能执行的活动；

步骤八：从多个标签对应的目标可能执行的活动中选出出现概率最大的活动作为目标所做的活动。

2.如权利要求1所述的一种低代价高鲁棒性的非绑定式活动识别方法，其特征在于，所述步骤二的具体步骤如下：

步骤2.1，使目标在天线及RFID标签之间的做出不同的活动，做每个活动时，从RFID读写器采集得到相位值，利用相位值计算每个活动对应的多普勒频移信息，计算公式如下：

其中

λ＝c/f₀

式中：Δf表示多普勒频移值；V表示目标的移动速度；Θ表示角度，即目标移动方向与信号传播方向间的夹角角度；f₀表示RFID的中心频率；c表示光速；θ表示相位值；θ_i表示第i个相位值，θ_i+1表示第i+1个相位值；t表示从RFID读写器中获取相位值的时间，t_i表示获取第i个相位值的时间，t_i+1表示获取第i+1个相位值的时间；

步骤2.2，将目标的每个活动对应的多普勒频移信息作为离线阶段指纹信息进行存储。

3.如权利要求1所述的一种低代价高鲁棒性的非绑定式活动识别方法，其特征在于，步骤三的去噪处理包括：

步骤3.1：跳变校正处理，通过RFID读写器采集由目标活动引起的相位值，计算每个相位值分布中相位值数量Q_i和平均值Aver_i(1≤i≤N)，找出相位值数量最大的分布平均值Aver_m；

对每个相位值分布R_i(1≤i≤N)校正的公式如下：

R_i(j)＝R_i(j)-Aver_i+Aver_m,1≤i≤N,1≤j≤Q_i

整合上述公式后，得到对所有未校正的相位值S进行校正的公式为：

C(k)＝S(k)-Aver_i+Aver_m，S(k)∈R_i

式中：S表示采集到的所有未校正的相位值，S(k)表示所有未校正的相位值中第k个相位值，C(k)表示校正后的所有相位值中第k个相位值，R_i(1≤i≤N)表示按照相位值的不同将S分成的N个相位值分布，即：S＝(R₁,R₂,......,R_N)。

4.如权利要求3所述的一种低代价高鲁棒性的非绑定式活动识别方法，其特征在于，步骤三的去噪处理还包括：

步骤3.2：利用卡尔曼滤波器对步骤3.1处理过的相位值进行平滑噪声处理；卡尔曼滤波假定相位值均由前一时刻变化而来，符合下列方程：

x_t＝(1-F_t)·x_t-1+F_t·x_t

式中：X_t表示第t个相位值，t为下标，用来表示相位值的顺序；F表示权重系数，F_t表示第t个相位值的权重系数；L表示相位值的个数。

5.如权利要求4所述的一种低代价高鲁棒性的非绑定式活动识别方法，其特征在于，步骤三的去噪处理还包括：

步骤3.3：利用DWT对步骤3.2处理过的相位值进行降噪处理。

6.如权利要求1所述的一种低代价高鲁棒性的非绑定式活动识别方法，其特征在于，所述步骤四中，利用所述的相位值计算多普勒频移信息，计算公式如下：

其中

λ＝c/f₀

式中：Δf表示多普勒频移值；V表示目标的移动速度；Θ表示角度，即目标移动方向与信号传播方向间的夹角角度；f₀表示RFID的中心频率；c表示光速；θ表示相位值；θ_i表示第i个相位值，θ_i+1表示第i+1个相位值；t表示从RFID读写器中获取相位值的时间，t_i表示获取第i个相位值的时间，t_i+1表示获取第i+1个相位值的时间。

7.如权利要求1所述的一种低代价高鲁棒性的非绑定式活动识别方法，其特征在于，所述步骤五的具体步骤包括：

步骤5.1：利用小波转换函数wavedec对步骤四得到的多普勒频移信息在不同频率上进行分解，采用db5小波基，得到一个低频系数和n个高频系数，n为可分解最大层数；

步骤5.2：利用小波转换函数wrcoef对步骤5.1分解得到的低频系数和高频系数进行重构，重构后的第一层高频系数中显示出多普勒频移信息中活动间隔对应的高频信息， 从而获取前一个活动结束和后一个活动开始的时间点，保存为该活动的在线指纹信息，即实时多普勒频移信息。

8.如权利要求1所述的一种低代价高鲁棒性的非绑定式活动识别方法，其特征在于，所述步骤六包括：

根据步骤二得到的离线阶段中每个活动对应的多普勒频移信息和步骤五得到的在线阶段中每个活动对应的多普勒频移信息，计算与一个标签对应的目标可能执行的活动的在线指纹信息差异，选出差异最小的离线指纹信息即为目标可能执行的活动。

9.如权利要求8所述的一种低代价高鲁棒性的非绑定式活动识别方法，其特征在于，一条离线指纹信息与目标活动的在线指纹信息的差异为：

d_i,j＝|D_M(i)-D_R(j)|²，1≤i≤L_M，1≤j≤L_R

式中：

f_M表示一条离线指纹信息，f_M(i)表示这条离线指纹信息中第i个多普勒频移；f_R表示目标活动对应的在线指纹信息，f_R(j)表示这条在线指纹信息中第j个多普勒频移；SLT_M,R表示f_M和f_R的差异；L_M表示此条离线指纹信息的长度；L_R表示目标活动的在线指纹信息的长度。

10.如权利要求1所述的一种低代价高鲁棒性的非绑定式活动识别方法，其特征在于，所述步骤八的具体步骤包括：

利用投票机制，对目标可能执行的每个活动进行判断，从多个标签对应的活动中选出出现概率最大的活动作为目标所做活动；假设有N个标签，F种活动，利用每个标签的多普勒频移信息判断出某一活动时，该活动对应的计分器V_i增加1，同时V_i满足以下条件：

分数最高的V_i对应的活动即是最终的投票结果：

g＝arg max V_i

g为最后所求活动。