CN108304857A - 一种基于多模感知的身份识别方法 - Google Patents
一种基于多模感知的身份识别方法 Download PDFInfo
- Publication number
- CN108304857A CN108304857A CN201711349393.7A CN201711349393A CN108304857A CN 108304857 A CN108304857 A CN 108304857A CN 201711349393 A CN201711349393 A CN 201711349393A CN 108304857 A CN108304857 A CN 108304857A
- Authority
- CN
- China
- Prior art keywords
- csi
- signal
- confidence level
- voice signal
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000008447 perception Effects 0.000 title claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 230000005236 sound signal Effects 0.000 claims abstract description 9
- 230000035945 sensitivity Effects 0.000 claims description 23
- 230000005021 gait Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 230000001149 cognitive effect Effects 0.000 claims description 3
- FNMKZDDKPDBYJM-UHFFFAOYSA-N 3-(1,3-benzodioxol-5-yl)-7-(3-methylbut-2-enoxy)chromen-4-one Chemical compound C1=C2OCOC2=CC(C2=COC=3C(C2=O)=CC=C(C=3)OCC=C(C)C)=C1 FNMKZDDKPDBYJM-UHFFFAOYSA-N 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于多模感知的身份识别方法，步骤为：在室内布置两个轻量级节点，其中一个节点作为发送方发送无线信号，另外一个作为接收方采集无线信道状态信息CSI；两个节点同时用麦克风采集声音信号；数据训练阶段：在安静的环境下采集用户行走在一条固定的路线上时产生的CSI信号和声音信号；对这些信号进行特征提取，并建立特征数据库和分类器；身份识别阶段：采集用户在任意环境、路线行走时的CSI和声音信号，估计此阶段内的CSI和声音信号的置信度以及环境噪声等级；对CSI和声音信号进行噪声分析和特征提取，将特征数据传输到服务器进行综合分析；比对身份识别阶段提取的特征与训练阶段提取的特征，融合多分类器的分类结果，实现对用户的身份识别。
Description
技术领域
本发明涉及一种基于多模感知的身份识别方法，特别是获取可靠的无线状态信息CSI和声音信息，实现低成本、高精度、高鲁棒的身份识别的方法。
背景技术
身份识别方法的研究一直是国际研究中的热点，在未来的智能家庭环境里更是必不可少的技术需求。利用磁卡等物品的身份识别方法需要使用者随身佩戴这些物品，使用不便且存在冒用隐患。在无需佩戴设备的领域，不同于传统的利用摄像头的身份识别方法，利用无线信号进行身份识别由于其低成本、高普适性和高安全性受到了广泛的关注。在智能家庭中，如果系统可以实现身份识别，便可以进一步为该使用者定制个性化的应用。比如说当用户正在看智能电视，就可以在识别用户后推送他最喜欢的电视频道。或是当某一位家庭成员回到家里，可以通过智能温控系统调到他喜欢的室温。综上所述，研究一种无需携带设备，对用户隐私性保护较好的高精度的身份识别方法是十分重要的。
现有的基于图像的身份识别方法通过在一片区域内进行摄像设备的部署，然后用图像信息处理方法(如剪影分析)对得到的图像进行特征提取实现身份识别。该方法存在一下两点缺陷：1)单摄像头存在检测死角，而在室内大量部署摄像头需要比较大的开销。2)对用户隐私信息侵犯比较大。现有的利用无线信号的身份识别方法主要是利用人的步态信号的独特性，以及步态与CSI信号之间的强关联性，训练一个基于CSI信号的身份识别分类器。再在识别时用此分类器对采集的CSI信号进行分类，从而实现身份识别。但是此类监督学习的方法需要识别时和训练时人在室内走过的路径完全相同，这限制了这类方法的实用价值。
发明内容
本发明要克服现有技术的上述缺点,提供了一种基于多模感知的身份识别方法。
为实现以上目的，本发明所采取的技术方案是：一种基于多模感知的身份识别方法，包括以下步骤：
步骤1，获取无线信道状态信息CSI和声音信号，包括：
(1.1)集成硬件节点，声音采集模块，无线传输网卡和全向天线；
(1.2)在室内布置两个节点，其中一个发送无线信号，另一个接收无线信号并采集CSI数据；
(1.3)两个节点同时采集声音信号；
(1.4)对于(1.2)和(1.3)中采集的数据，都传输到服务器进行综合处理、分析；
步骤2，训练阶段，提取数据特征并建立特征数据库和分类器，包括：
(2.1)在安静的环境下采集用户行走在一条固定的路线上时产生的CSI信号和声音信号；
(2.2)对步骤(2.1)中获得的信号，在三种特征空间(置信度独立空间，CSI置信度敏感空间，声音置信度敏感空间)下进行训练特征提取；
(2.3)对步骤(2.2)中获得的三种特征空间下的特征，分别在各个特征空间内构建三个概率分类器，概率分类器可以输出当前数据属于各个身份类别的概率；
步骤3，识别阶段，数据预处理并融合分类器结果,包括：
(3.1)消除采集的CSI信号中较长的传播路径，去除其中离异的数据点并消除CSI信号中普遍存在的高频噪声的影响；消除声音信号中存在的高斯噪声；
(3.2)对于(3.1)中得到的CSI和声音信号，分别计算能量和方差得到是否有人在室内行走；
(3.3)对于(3.1)中得到的声音信号，根据其幅值变化实现步态检测；
(3.5)根据(2.1)和(3.1)中两个阶段的CSI和声音信号，分别计算识别时采集的CSI信号和声音信号的置信度；CSI信号的置信度是测试时CSI能量波动和训练时能量波动的对比；声音信号的置信度是测试时声音信号信噪比和训练时信噪比的比值；
(3.6)对于(3.1)中得到的CSI和声音信号，在三种特征空间(置信度独立空间，CSI置信度敏感空间，声音置信度敏感空间)下进行特征提取；用(2.3)中的分类器对这些特征进行分类，三个分类器都得到各个身份类别的概率值。再结合(3.5)中得到的置信度对这些概率值进行加权求和，得到最终各个候选身份的概率。此概率最高所对应的候选身份就是系统最终的识别结果。
进一步地，本发明在所述步骤(1.1)所述的硬件节点，是集成现有商用无线芯片和声音传感器的节点原型。
进一步地，本发明在所述步骤(3.5)所述的CSI信号和声音信号置信度，是分别根据无线信道状态信息方差和声音信噪比计算得到的。
本文提出了基于多模感知的身份识别方法，本发明的有益效果是：本方法针对通过综合分析在节点上采集的无线信号和声音信号，有效地提高了身份识别的准确率；该方法在CSI和声音信号上进行噪声分析，衡量当前的环境噪声、系统噪声(测试路径和训练路径的偏离)对这些信号的影响，并建立噪声分析模型计算两种信号对应的置信度，从而有效地提升分类准确率。
附图说明
图1是本发明方法的身份识别工作流程图。
图2是本发明方法的在三种特征空间中的身份识别分类模型的训练过程示意图。
具体实施方式
下面结合附图对本发明作进一步描述。本发明的具体实施方式如下：
步骤1，获取无线信道状态信息CSI和声音信号，包括：
(1.1)集成硬件节点HummingBoard Pro，声音采集模块，搭载intel5300无线传输网卡和全向天线，最终集成的硬件节点原型的大小为100*75*57mm；523g。
(1.2)在室内布置两个节点，其中一个发送无线信号，设置为AP模式，另一个接收无线信号并采集CSI数据，设置为客户端模式。
(1.3)两个节点同时使用单向电容式麦克风采集声音信号。
(1.4)对于(1.2)和(1.3)中采集的数据，都传输到服务器进行综合处理、分析。
步骤2，训练阶段，提取数据特征并建立特征数据库和分类器，包括：
(2.1)在安静的环境下采集用户行走在一条固定的路线上时产生的CSI信号和声音信号。在接收节点处采集CSI信号并在两个节点同时采集声音信号。
(2.2)对步骤(2.1)中获得的信号，在三种特征空间(置信度独立空间，CSI置信度敏感空间，声音置信度敏感空间)下进行训练特征提取。其中用CSI信号搭配声音信号生成CSI置信度敏感空间特征(包括行走检测和步态检测两个过程的CSI信号形状，信号形状又包括最小值、最大值、平均值、标准差、斜率、峰值、谱熵、四分之一点、中值点、四分之三点、平均穿越率)；用声音信号生成置信度独立空间特征(包括步态周期，步态间隔)和声音置信度敏感空间特征(包括美尔频率倒谱系数MFCC，能量，脚步持续时间)。
(2.3)对步骤(2.2)中获得的三种特征空间下的特征，结合身份类别真实值的标记，可以用搭载径向基函数RBF内核的支持向量机SVM分别在各个特征空间内构建三个概率分类器。概率分类器可以输出当前数据属于各个身份类别的概率。
步骤3，识别阶段，数据预处理并融合分类器结果,包括：
(3.1)对CSI数据做逆傅里叶变换并去除传播时间大于一定阈值(0.1ms)的部分，这样做可以消除采集过程中CSI信号中较长的传播路径。用Hampel滤波器去除CSI数据中离异的数据点并用通带频率为10-80Hz的巴特沃斯滤波器消除CSI信号中普遍存在的高频噪声的影响。用短时傅里叶变换搭配谱减法消除声音信号中存在的高斯噪声。
(3.2)对于(3.1)中得到的CSI和声音信号，分别计算CSI能量 (windowlength是计算能量的时间窗口大小，magnitude是在此窗口内计算的标准化的傅里叶系数)和噪声方差var(noise)(noise是声音信号中的幅值)。根据以上两个值判断是否有人在室内行走。
(3.3)对于(3.1)中得到的声音信号，根据其幅值变化实现步态检测，并根据日常经验设定步态周期的最大最小值(分别设置为2s和0.2s)对检测结果进行校准。
(3.5)根据(2.1)和(3.1)中两个阶段的CSI和声音信号，分别计算识别时采集的CSI信号和声音信号的置信度，并将这些置信度标准化。CSI信号的置信度是测试时CSI能量波动和训练时能量波动的对比，如公式(1)所示：
其中代表的是训练时CSI信号的能量的方差，CPVtest是识别时实时采集的CSI信号的能量的方差。
声音信号的置信度是测试时声音信号信噪比和训练时信噪比的比值，如公式(2)所示：
其中SSNRAtest是识别时的算数分段信噪比，是训练时的算数分段信噪比。SSNRA的计算方式如公式(3)所示：
其中K是时间窗口内分段的数量，Mi是第i个声音分段内的样本数，si[j]和ni[j]。分别表示第i个声音分段内第j个脚步声样本(识别时)和第j个噪声样本(训练时)。之所以要分段计算是因为在移动场景中的声音的信噪比会不断变化，分段计算类似于积分的思想使得最终结果更加接近实际的平均信噪比。
(3.6)对于(3.1)中得到的CSI和声音信号，在三种特征空间(置信度独立空间，CSI置信度敏感空间，声音置信度敏感空间)下同样提取(2.2)中的特征。用(2.3)中的分类器对这些特征进行分类，其中CSI信号特征和声音模块的步态特征输入CSI置信度敏感空间概率分类器，声音信号特征输入置信度独立空间概率分类器和声音置信度敏感空间概率分类器。最终三个分类器都得到采集的CSI信号对应各个身份类别的概率值。再结合(3.5)中得到的CSI置信度和声音置信度对CSI置信度敏感空间的结果和声音置信度敏感空间的结果进行加权求和(置信度独立空间结果的置信度默认为1)，得到最终各个候选身份的概率。此概率最高所对应的候选身份就是系统最终的识别结果。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (2)
1.一种基于多模感知的身份识别方法，其特征在于以下步骤：
步骤1，获取无线信道状态信息CSI和声音信号，包括：
(1.1)集成硬件节点，声音采集模块，无线传输网卡和全向天线；
(1.2)在室内布置两个节点，其中一个发送无线信号，另一个接收无线信号并采集CSI数据；
(1.3)两个节点同时采集声音信号；
(1.4)对于(1.2)和(1.3)中采集的数据，都传输到服务器进行综合处理、分析；
步骤2，训练阶段，提取数据特征并建立特征数据库和分类器，包括：
(2.1)在安静的环境下采集用户行走在一条固定的路线上时产生的CSI信号和声音信号。在接收节点处采集CSI信号并在两个节点同时采集声音信号；
(2.2)对步骤(2.1)中获得的信号，在三种特征空间(置信度独立空间，CSI置信度敏感空间，声音置信度敏感空间)下进行训练特征提取；其中用CSI信号搭配声音信号生成CSI置信度敏感空间特征，CSI置信度敏感空间特征包括行走检测和步态检测两个过程的CSI信号形状，信号形状又包括最小值、最大值、平均值、标准差、斜率、峰值、谱熵、四分之一点、中值点、四分之三点、平均穿越率；用声音信号生成置信度独立空间特征和声音置信度敏感空间特征，置信度独立空间特征包括步态周期和步态间隔，声音置信度敏感空间特征包括美尔频率倒谱系数MFCC，能量，脚步持续时间；
(2.3)对步骤(2.2)中获得的三种特征空间下的特征，结合身份类别真实值的标记，可以用搭载径向基函数RBF内核的支持向量机SVM分别在各个特征空间内构建三个概率分类器；概率分类器可以输出当前数据属于各个身份类别的概率；
步骤3，识别阶段，数据预处理并融合分类器结果,包括：
(3.1)对CSI数据做逆傅里叶变换并去除传播时间大于阈值的部分，以消除采集过程中CSI信号中较长的传播路径；用Hampel滤波器去除CSI数据中离异的数据点并用通带频率为10-80Hz的巴特沃斯滤波器消除CSI信号中普遍存在的高频噪声的影响；用短时傅里叶变换搭配谱减法消除声音信号中存在的高斯噪声；
(3.2)对于(3.1)中得到的CSI和声音信号，分别计算CSI能量和噪声方差var(noise)，windowlength是计算能量的时间窗口大小，magnitude是在此窗口内计算的标准化的傅里叶系数，noise是声音信号中的幅值；根据以上两个值判断是否有人在室内行走；
(3.3)对于(3.1)中得到的声音信号，根据其幅值变化实现步态检测，并根据日常经验设定步态周期的最大最小值对检测结果进行校准；
(3.5)根据(2.1)和(3.1)中两个阶段的CSI和声音信号，分别计算识别时采集的CSI信号和声音信号的置信度，并将这些置信度标准化；CSI信号的置信度是测试时CSI能量波动和训练时能量波动的对比，如公式(1)所示：
其中代表的是训练时CSI信号的能量的方差，CPVtest是识别时实时采集的CSI信号的能量的方差；
声音信号的置信度是测试时声音信号信噪比和训练时信噪比的比值，如公式(2)所示：
其中SSNRAtest是识别时的算数分段信噪比，是训练时的算数分段信噪比；SSNRA的计算方式如公式(3)所示：
其中K是时间窗口内分段的数量，Mi是第i个声音分段内的样本数，si[j]和ni[j]，分别表示第i个声音分段内第j个识别时脚步声样本和第j个训练时噪声样本；
(3.6)对于(3.1)中得到的CSI和声音信号，在三种特征空间下同样提取(2.2)中的特征；用(2.3)中的分类器对这些特征进行分类，其中CSI信号特征和声音模块的步态特征输入CSI置信度敏感空间概率分类器，声音信号特征输入置信度独立空间概率分类器和声音置信度敏感空间概率分类器；最终三个分类器都得到采集的CSI信号对应各个身份类别的概率值；再结合(3.5)中得到的CSI置信度和声音置信度对CSI置信度敏感空间的结果和声音置信度敏感空间的结果进行加权求和，得到最终各个候选身份的概率；此概率最高所对应的候选身份就是系统最终的识别结果。
2.根据权利要求1所述的一种基于多模感知的身份识别方法，其特征在于在所述步骤(1.1)所述的硬件节点，是集成现有商用无线芯片和声音传感器的节点原型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711349393.7A CN108304857A (zh) | 2017-12-15 | 2017-12-15 | 一种基于多模感知的身份识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711349393.7A CN108304857A (zh) | 2017-12-15 | 2017-12-15 | 一种基于多模感知的身份识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108304857A true CN108304857A (zh) | 2018-07-20 |
Family
ID=62870137
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711349393.7A Withdrawn CN108304857A (zh) | 2017-12-15 | 2017-12-15 | 一种基于多模感知的身份识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108304857A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109087668A (zh) * | 2018-08-31 | 2018-12-25 | 中国电子科技集团公司电子科学研究院 | 一种步态识别的方法及装置 |
| CN109657572A (zh) * | 2018-12-04 | 2019-04-19 | 重庆邮电大学 | 一种基于Wi-Fi的墙后目标行为识别方法 |
| CN111753678A (zh) * | 2020-06-10 | 2020-10-09 | 西北工业大学 | 基于超声波的多设备协同步态感知与身份识别方法 |
| CN111787499A (zh) * | 2020-06-28 | 2020-10-16 | 中国海洋大学 | 复用基站蜂窝信号的用户识别和计数方法 |
| CN112333653A (zh) * | 2020-09-22 | 2021-02-05 | 西安电子科技大学 | 基于WiFi信道状态信息的身份智能识别方法、系统 |
| CN113300750A (zh) * | 2021-05-24 | 2021-08-24 | 南京邮电大学 | 基于wifi信号的人员身份认证和手写字母识别方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102254165A (zh) * | 2011-08-12 | 2011-11-23 | 北方工业大学 | 一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法 |
| US20120185094A1 (en) * | 2010-05-20 | 2012-07-19 | Irobot Corporation | Mobile Human Interface Robot |
| CN103544953A (zh) * | 2013-10-24 | 2014-01-29 | 哈尔滨师范大学 | 一种基于背景噪声最小统计量特征的声音环境识别方法 |
| CN106452780A (zh) * | 2016-09-08 | 2017-02-22 | 中国科学院信息工程研究所 | 一种适用于mimo rfid系统的身份认证方法 |
| CN106658590A (zh) * | 2016-12-28 | 2017-05-10 | 南京航空航天大学 | 基于WiFi信道状态信息多人室内环境状态监控系统的设计与实现 |
| CN106899968A (zh) * | 2016-12-29 | 2017-06-27 | 南京航空航天大学 | 一种基于WiFi信道状态信息的主动非接触身份认证方法 |
-
2017
- 2017-12-15 CN CN201711349393.7A patent/CN108304857A/zh not_active Withdrawn
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120185094A1 (en) * | 2010-05-20 | 2012-07-19 | Irobot Corporation | Mobile Human Interface Robot |
| CN102254165A (zh) * | 2011-08-12 | 2011-11-23 | 北方工业大学 | 一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法 |
| CN103544953A (zh) * | 2013-10-24 | 2014-01-29 | 哈尔滨师范大学 | 一种基于背景噪声最小统计量特征的声音环境识别方法 |
| CN106452780A (zh) * | 2016-09-08 | 2017-02-22 | 中国科学院信息工程研究所 | 一种适用于mimo rfid系统的身份认证方法 |
| CN106658590A (zh) * | 2016-12-28 | 2017-05-10 | 南京航空航天大学 | 基于WiFi信道状态信息多人室内环境状态监控系统的设计与实现 |
| CN106899968A (zh) * | 2016-12-29 | 2017-06-27 | 南京航空航天大学 | 一种基于WiFi信道状态信息的主动非接触身份认证方法 |
Non-Patent Citations (2)
| Title |
|---|
| YUANYING CHEN: "Rapid: A Multimodal and Device-free Approach Using Noise Estimation for Robust Person Identification", 《PROCEEDINGS OF THE ACM ON INTERACTIVE, MOBILE, WEARABLE AND UBIQUITOUS TECHNOLOGIES》 * |
| 罗军舟 等: "网络空间安全体系与关键技术", 《中国科学:信息科学》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109087668A (zh) * | 2018-08-31 | 2018-12-25 | 中国电子科技集团公司电子科学研究院 | 一种步态识别的方法及装置 |
| CN109657572A (zh) * | 2018-12-04 | 2019-04-19 | 重庆邮电大学 | 一种基于Wi-Fi的墙后目标行为识别方法 |
| CN111753678A (zh) * | 2020-06-10 | 2020-10-09 | 西北工业大学 | 基于超声波的多设备协同步态感知与身份识别方法 |
| CN111753678B (zh) * | 2020-06-10 | 2023-02-07 | 西北工业大学 | 基于超声波的多设备协同步态感知与身份识别方法 |
| CN111787499A (zh) * | 2020-06-28 | 2020-10-16 | 中国海洋大学 | 复用基站蜂窝信号的用户识别和计数方法 |
| CN111787499B (zh) * | 2020-06-28 | 2023-09-22 | 中国海洋大学 | 复用基站蜂窝信号的用户识别和计数方法 |
| CN112333653A (zh) * | 2020-09-22 | 2021-02-05 | 西安电子科技大学 | 基于WiFi信道状态信息的身份智能识别方法、系统 |
| CN113300750A (zh) * | 2021-05-24 | 2021-08-24 | 南京邮电大学 | 基于wifi信号的人员身份认证和手写字母识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108304857A (zh) | 一种基于多模感知的身份识别方法 | |
| Clemente et al. | Smart seismic sensing for indoor fall detection, location, and notification | |
| CN107590439B (zh) | 基于监控视频的目标人物识别追踪方法和装置 | |
| CN106407905B (zh) | 基于机器学习的无线感知动作识别方法 | |
| CN107749143B (zh) | 一种基于WiFi信号的穿墙室内人员跌倒探测系统及方法 | |
| CN106104569B (zh) | 用于在电子装置之间建立连接的方法及设备 | |
| TWI587717B (zh) | 用於適應性多重特徵語意位置感測之系統及方法 | |
| CN112699808B (zh) | 密集目标检测方法、电子设备及相关产品 | |
| CN110456320B (zh) | 一种基于自由空间步态时序特征的超宽带雷达身份识别方法 | |
| Clemente et al. | Indoor person identification and fall detection through non-intrusive floor seismic sensing | |
| CN111914919A (zh) | 基于深度学习的开放集辐射源个体识别方法 | |
| Xu et al. | Attention-based gait recognition and walking direction estimation in wi-fi networks | |
| CN111930336A (zh) | 音频设备的音量调节方法、设备及存储介质 | |
| CN104394588A (zh) | 基于Wi-Fi指纹和多维尺度分析的室内定位方法 | |
| CN106817677A (zh) | 一种基于多传感器的室内目标信息识别方法、装置及系统 | |
| WO2017113078A1 (zh) | 一种切换方法及便携式电子设备 | |
| CN109657572A (zh) | 一种基于Wi-Fi的墙后目标行为识别方法 | |
| CN110800053A (zh) | 基于音频数据获取事件指示的方法和设备 | |
| Nguyen et al. | UMLI: An unsupervised mobile locations extraction approach with incomplete data | |
| US20240107254A1 (en) | Method and System for Detecting Sound Event Liveness Using a Microphone Array | |
| Hao et al. | KS-fall: Indoor human fall detection method under 5GHZ wireless signals | |
| Diaconita et al. | Do you hear what i hear? using acoustic probing to detect smartphone locations | |
| Tian et al. | Indoor device-free passive localization for intrusion detection using multi-feature PNN | |
| CN110621038A (zh) | 一种基于WiFi信号检测步态实现多用户身份识别的方法及装置 | |
| Ciabattoni et al. | Complex activity recognition system based on cascade classifiers and wearable device data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180720 |