CN109948481B - 一种基于窄带射频链路采样的无源人体识别方法 - Google Patents
一种基于窄带射频链路采样的无源人体识别方法 Download PDFInfo
- Publication number
- CN109948481B CN109948481B CN201910170070.4A CN201910170070A CN109948481B CN 109948481 B CN109948481 B CN 109948481B CN 201910170070 A CN201910170070 A CN 201910170070A CN 109948481 B CN109948481 B CN 109948481B
- Authority
- CN
- China
- Prior art keywords
- radio frequency
- gaussian mixture
- mixture model
- signal receiving
- receiving intensity
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005070 sampling Methods 0.000 title claims abstract description 25
- 239000000203 mixture Substances 0.000 claims abstract description 67
- 239000013598 vector Substances 0.000 claims abstract description 27
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 16
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000009545 invasion Effects 0.000 abstract description 4
- 238000005286 illumination Methods 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000005021 gait Effects 0.000 description 6
- 230000033001 locomotion Effects 0.000 description 6
- 230000004438 eyesight Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011840 criminal investigation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 210000001145 finger joint Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 210000000554 iris Anatomy 0.000 description 1
- 210000002414 leg Anatomy 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种基于窄带射频链路采样的无源人体识别方法，包括步骤：通过多条射频链路采集待识别行人行走所产生的生物特征信息相匹配射频信号接收强度序列，对所有射频链路的射频信号接收强度序列融合得到融合射频信号接收强度值矢量；将所述融合射频信号接收强度值矢量分别与身份数据库中的每一个高斯混合模型进行最大似然概率估计匹配，并根据输出概率值对待识别行人进行身份识别。本发明通过构建的多条多角度交织的射频链路采样获取待识别行人行走所产生的生物特征信息，有效避免限定环境中用户的强制配合和视觉隐私侵犯，显著降低正确识别对光照、不同穿着衣物的依赖性，还具有非侵扰、难隐藏和难伪装等优点。
Description
技术领域
本发明涉及射频技术识别生物特征技术领域，特别是涉及一种基于窄带射频链路采样的无源人体识别方法。
背景技术
目前，获取人体固有生理结构和动态行为所表征的生物特征信息在识别认证、刑事侦查及医疗诊断等领域具有重要的研究和应用意义。从生物信息获取手段方面来看，大量研究和应用可以分为两类：接触式和非接触式。
在以传统接触式或者短距离接触式获取手段中，采集人体指纹、掌纹、虹膜等生物特征信息已经证明能够完美匹配个体特征并具有高精度识别，可以作为人体身份有效的特征标记并在出入境管理和智能身份证等重要领域中得到了较大规模的应用。此外随着传感器、计算机视觉和模式识别技术的发展，还涌现出了地毯式步态、穿戴式步态、指关节识别和脉搏识别等一系列新兴生物特征感知和识别技术。尽管如此，上述生物信息获取方式存在限定环境和需要用户配合的约束，而不可控环境和非用户配合情况下的生物特征识别技术将有助于提升系统的易用性和适用范围，因而更符合实际需求。
随着视觉传感设备向低功耗、微型化、低成本、高分辨率等方向发展，基于分布式相机采集人脸及步态等特征是常用的非接触式生物信息获取手段。其中，基于人体行走姿势的感知技术已经吸引了大量的研究，由于其具有非侵扰、难隐藏和难伪装等优点。然而，采用视觉设备获取步态特征的方法在大尺度监控网络环境下具有一些不可避免的局限性：首先，数据获取的图像或者视频本身的时空冗余性，前景物体提取及信息压缩是必要的用于数据的网络传输及存储。其次，可视光学目标提取会受光照的变化而产生不稳定性，再次，基于视觉感知的模式会记录目标的图像细节，这形成对私人隐私的侵犯，在很多场所是不能被使用者所接受的。在克服上述获取手段缺点方面，大量研究者着手探索热释电红外传感器及其网络化检测环境中由于人体运动而引起的红外辐射场的变化，进而提取目标人物行走的运动特征，用以身份识别及认证。尽管如此，实际应用场景中障碍物存在造成对目标体的遮挡问题依旧阻碍了其大规模网络化的应用。
现有的基于射频链路采样获取行人身份特征的技术限于平面分层法，将行人大致分为小腿、大腿和上肢部分进行分别采样并融合，采样特征采用矢量量化或隐马尔可夫模型进行建模并识别决策。已有方法针对小型人群具有较好识别效率，但是较难分辨身高体态近似人群。此外在有遮挡情况下，识别率难以满足需求。
发明内容
本发明为克服上述现有技术所述的不足，提供一种基于窄带射频链路采样的无源人体识别方法。
为解决上述技术问题，本发明的技术方案如下：
一种基于窄带射频链路采样的无源人体识别方法，基于无源人体识别系统，所述系统包括设置于行人路径上的多个射频节点，多个所述射频节点轮流与其空间位置非共线的多个射频节点进行组播，形成多条射频链路，多条所述射频链路交织构建成垂直于行人路径的窄带射频传感网；
所述方法包括如下步骤：
通过多条射频链路采集待识别行人行走所产生的生物特征信息相匹配的射频信号接收强度序列，对所有射频链路的射频信号接收强度序列融合得到融合射频信号接收强度值矢量；
将所述融合射频信号接收强度值矢量分别与身份数据库中的每一个高斯混合模型进行最大似然概率估计匹配，并根据输出概率值对待识别行人进行身份识别。
进一步的，作为优选技术方案，待识别行人的身份识别具体包括：当输出概率值不小于预设阈值时，则判断待识别行人为注册人物，所述输出概率值所对应的高斯混合模型为所判定的注册人物所对应的身份参数模板；当输出概率值小于预设阈值时，则判断待识别行人为未注册人，并拒绝准入。
进一步的，作为优选技术方案，所述输出概率值为融合射频信号接收强度值矢量分别与身份数据库中的每一个高斯混合模型进行最大似然概率估计匹配所得到的多个概率值中的最大值。
进一步的，作为优选技术方案，所述融合射频信号接收强度值通过以下公式计算：
x(t)＝[x1(t),…,xn(t),…,xN(t)]T
其中，x为多维融合射频信号接收强度值，n为链路索引，t为时刻，N为射频链路总数，xn(t)为单一射频链路的射频信号接收强度序列。
进一步的，作为优选技术方案，最大似然概率估计匹配具体包括：贝叶斯最大似然分类器根据待识别行人的融合射频信号接收强度值矢量对身份数据库中的高斯混合模型进行分类，确定具有最大后验概率的高斯混合模型所对应的目标人物的身份参数模板；
所述最大似然概率通过以下公式计算：
其中，xtest为待识别行人的输入测试信号序列，为具有最大后验概率的高斯混合模型所对应的目标人物的身份参数模板。
进一步的，作为优选技术方案，具有最大后验概率的高斯混合模型所对应的目标人物的身份参数模板通过以下公式计算：
其中，xtest为待识别行人的输入测试信号序列，λs为身份数据库中的高斯混合模型。
进一步的，作为优选技术方案，当所述身份数据库中的高斯混合模型所对应的目标人物的出现次数是等概率的，具有最大后验概率的高斯混合模型所对应的目标人物的身份参数模板通过以下公式计算：
其中，xtest为待识别行人的输入测试信号序列，λs为身份数据库中的高斯混合模型。
进一步的，作为优选技术方案，当所述身份数据库中的高斯混合模型所对应的目标人物的身份参数模板的融合射频信号接收强度值的观察矢量之间是相互独立的并取对数，具有最大后验概率的高斯混合模型所对应的目标人物的身份参数模板通过以下公式计算：
其中，xtest为待识别行人的输入测试信号序列，λs为身份数据库中的高斯混合模型。
进一步的，作为优选技术方案，身份数据库的构建包括：
通过多条射频链路采集目标人物行走所产生的生物特征信息相匹配的射频信号接收强度序列，对所有射频链路的射频信号接收强度序列融合得到融合射频信号接收强度值，将所述融合射频信号接收强度值作为目标人物的行走特征样本；
将同一目标人物的多个行走特征样本组建成训练样本集；
对所述训练样本集进行训练得到目标人物的身份参数模板，用多个目标人物的身份参数模板构建身份数据库；
进一步的，作为优选技术方案，目标人物的身份参数模板的获取包括：采用期望最大化方法将所述训练样本集训练成一个统一的M阶高斯混合模型，将所述M阶高斯混合模型作为所述目标人物的身份参数模板；
所述M阶高斯混合模型通过以下公式表示：
λ＝{ωm,μm,∑m；m＝1,2,…,M}
其中，ωm表示混合权重值，m＝1,2,...,M，M为高斯混合模型总个数，并满足μm是第m个高斯混合模型的均值向量，Σm是其对应协方差矩阵。
与现有技术相比，本发明技术方案的有益效果是：
本发明通过构建的多条多角度交织的射频链路将待识别行人行走运动产生的细粒度时空运动特征转化到窄带射频传感网测量空间，实现对待识别行人行走所产生的生物特征信息，即通过射频链路采样获取待识别行人行走的射频信号接收强度矢量，然后将射频信号接收强度矢量与身份数据库中的已注册人物的身份参数模板进行匹配计算，从而对待识别行人进行身份识别。通过本方法的实现，可有效避免限定环境中用户的强制配合和视觉隐私侵犯，显著降低正确识别对光照、不同穿着衣物的依赖性，还具有非侵扰、难隐藏和难伪装等优点。
同时，通过多条多角度交织射频链接取限定区域待识别行人行走所产生的生物特征信息，用以克服传统射频采样法无法实现对一个步态周期的稳定、完整全覆盖。本方法的窄带射频传感网支持行走运动特征的多高度多角度和细粒度的肢体运动信息采集，时序的射频信号接收强度变化矢量可直接作为人体行走产生的生物特征信息。且，采样获取的待识别行人的生物特征信息能够提供更稳定的人体步态表示，支持获取更丰富的、有助于辨别行人身份的特征标签。基于射频链路采样的窄带射频传感网支持集成获取特征传感模式，可以将特征编码为低维测量矢量，因此可以直接在低维测量空间上执行识别任务的操作，这将促进实现实时和多人跟踪的交互系统。
附图说明
图1为本发明的无源人体识别系统结构图。
图2为本发明的单一射频节点进行组播建立射频链路。
图3为本发明的图2中的其中一条射频链路的射频信号接收强度序列示意图。
图4为本发明的图2中的其中一条射频链路的射频信号接收强度序列示意图。
图5为本发明的窄带射频传感网形成交织采样链路示意图。
图6为本发明的窄带射频传感网形成交织采样链路时序融合示意图。
图7为本发明的无源人体识别方法结构框图
附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的；相同或相似的标号对应相同或相似的部件；附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征更易被本领域技术人员理解，从而对本发明的保护范围作出更为清楚的界定。
实施例1
一种基于窄带射频链路采样的无源人体识别方法，基于无源人体识别系统，所述无源人体识别系统，如图1-4所示：包括设置于行人路径上的多个射频节点，多个射频节点轮流与其空间位置非共线的多个射频节点进行组播，形成多条射频链路，多条射频链路交织构建成垂直于行人路径的窄带射频传感网，以对穿过该窄带射频传感网的行人行走所产生的生物特征信息进行采样。
在本实施例中，行人路径上下左右皆需布置射频节点以对行人行走所产生的生物特征信息进行采样，且窄带射频传感网的采样区域至少覆盖范围为宽度1.5m和高度2.4m覆盖，射频节点的布置如图1所示，共布置20个射频节点，其中，行人路径上下两端相邻两射频节点之间的间距是50cm，行人路径左右两侧相邻两射频节点之间的间距是30cm。在实际布置过程中，具体的射频节点数量可根据实际需求递增，如窄带射频传感网的采样区域所需覆盖范围，行人路径上下左右相邻两射频节点之间的间距等。在本发明中，由于射频节点的制作属于成熟技术，可采用单片机加射频基带模块实现，因此，不在此进行赘述。
在本实施例中，每一个射频节点对与其空间位置非共线的多个射频节点进行组播，形成多条射频链路，如图2所示。其中，一个射频节点以固定频率发送其节点编号，与其组播成多条射频链路的射频节点接收射频信号接收强度，并将接收到的射频信号接收强度进行解析形成射频信号接收强度序列，不同的射频链路以不同高度对行人行走所产生的生物特征信息进行采样，从而形成不同的射频信号接收强度序列，如图3-4所示。20个射频节点分别对与其空间位置非共线的多个射频节点进行组播，形成多条射频链路，多条射频链路交织构建成垂直于行人路径的窄带射频传感网，如图5所示。
所述方法如图7所示，包括如下步骤：
第一步，构建身份数据库，身份数据库的构建包括：
S11.通过多条射频链路采集目标人物行走所产生的生物特征信息相匹配的射频信号接收强度序列，对所有射频链路的射频信号接收强度序列融合得到融合射频信号接收强度值，将所述融合射频信号接收强度值作为目标人物的行走特征样本；将同一目标人物的多个行走特征样本组建成训练样本集。
本步骤具体为：目标人物穿过窄带射频传感网时，窄带射频传感网的多条射频链路分别采集目标人物行走所产生的生物特征信息相匹配的射频信号接收强度序列xn(t)，所有射频链路所采集的射频信号接收强度序列经时序融合得到融合射频信号接收强度值x，融合后的融合射频信号接收强度值x可直接作为目标人物的身份特征，如图6所示。
在本步骤中，融合射频信号接收强度值通过以下公式计算：
x(t)＝[x1(t),…,xn(t),…,xN(t)]T
其中，x为多维融合射频信号接收强度值，n为链路索引，t为时刻，N为射频链路总数，xn(t)为单一射频链路的射频信号接收强度序列。
S12.对训练样本集进行训练得到目标人物的身份参数模板，用多个目标人物的身份参数模板构建身份数据库。
其中，目标人物的身份参数模板的获取包括：采用期望最大化方法将训练样本集训练成一个统一的M阶高斯混合模型，将M阶高斯混合模型作为目标人物的身份参数模板。
M阶高斯混合模型通过以下公式表示：
λ＝{ωm,μm,∑m；m＝1,2,...,M}
其中，ωm表示混合权重值，m＝1,2,...,M，M为高斯混合模型总个数，并满足μm是第m个高斯混合模型的均值向量，∑m是其对应协方差矩阵。
假设共有S个已备案注册人物，对应的高斯混合模型分别为{λ1,...,λs,...,λS}，即多个目标人物的身份参数模板所构建身份数据库为{λ1,...,λs,…,λS}。
在本步骤中，假设射频信号接收强度值矢量序列之间是相互独立的，利用期望最大化通过迭代计算高斯混合模型参数，高斯混合模型参数可以采用随机初始化，直到到达阈值迭代过程结束，因此，高斯混合模型参数通过如下公式计算：
其中，和/>分别为第m个高斯混合模型分量得到的加权值、期望值以及协方差矩阵。
上述M阶高斯混合模型的训练过程如下：每个人的M阶的高斯混合模型的概率密度函数可由M个高斯概率密度函数加权求和得到的，所述高斯混合模型的概率密度函数通过以下公式表示：
其中ωm表示混合权重值，m＝1,2,…,M，M为高斯混合模型总个数，并满足bm(x)为高斯概率分布。
而高斯概率分布bm(x)通过以下公式表示：
其中，μm是第m个高斯模型的均值向量，∑m是其对应协方差矩阵。
第二步，对无源人体进行识别，具体包括：
S21.通过多条射频链路采集待识别行人行走所产生的生物特征信息相匹配的射频信号接收强度序列，对所有射频链路的射频信号接收强度序列融合得到融合射频信号接收强度值矢量。
本步骤具体为：待识别行人穿过窄带射频传感网时，窄带射频传感网的多条射频链路分别采集待识别行人行走所产生的生物特征信息相匹配的射频信号接收强度序列xn(t)，所有射频链路所采集的射频信号接收强度序列经时序融合得到融合射频信号接收强度值x，融合后的融合射频信号接收强度值x可直接作为待识别行人的身份特征，如图6所示。
在本步骤中，融合射频信号接收强度值通过以下公式计算：
x(t)＝[x1(t),…,xn(t),…,xN(t)]T
其中，x为多维融合射频信号接收强度值，n为链路索引，t为时刻，N为射频链路总数，xn(t)为单一射频链路的射频信号接收强度序列。
S22.将融合射频信号接收强度值矢量分别与身份数据库中的每一个高斯混合模型进行最大似然概率估计匹配，并根据输出概率值对待识别行人进行身份识别。
在本步骤中，待识别行人的身份识别具体包括：当输出概率值不小于预设阈值时，则判断待识别行人为注册人物，输出概率值所对应的高斯混合模型为所判定的注册人物所对应的身份参数模板；当输出概率值小于预设阈值时，则判断待识别行人为未注册人，并拒绝准入。
其中，输出概率值为融合射频信号接收强度值矢量分别与身份数据库中的每一个高斯混合模型进行最大似然概率估计匹配所得到的多个概率值中的最大值。
本步骤中的最大似然概率估计匹配具体包括：贝叶斯最大似然分类器根据待识别行人的融合射频信号接收强度值矢量对身份数据库中的高斯混合模型进行分类，确定具有最大后验概率的高斯混合模型所对应的目标人物的身份参数模板。
最大似然概率通过以下公式计算：
其中，xtest为待识别行人的输入测试信号序列，为具有最大后验概率的高斯混合模型所对应的目标人物的身份参数模板。
而具有最大后验概率的高斯混合模型所对应的目标人物的身份参数模板通过以下公式计算：
其中，xtest为待识别行人的输入测试信号序列，λs为身份数据库中的高斯混合模型。
当身份数据库中的高斯混合模型所对应的目标人物的出现次数是等概率的，具有最大后验概率的高斯混合模型所对应的目标人物的身份参数模板通过以下公式计算：
其中，xtest为待识别行人的输入测试信号序列，λs为身份数据库中的高斯混合模型。
当身份数据库中的高斯混合模型所对应的目标人物的身份参数模板的融合射频信号接收强度值的观察矢量之间是相互独立的并取对数，具有最大后验概率的高斯混合模型所对应的目标人物的身份参数模板通过以下公式计算：
其中，xtest为待识别行人的输入测试信号序列，λs为身份数据库中的高斯混合模型。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (8)
1.一种基于窄带射频链路采样的无源人体识别方法，其特征在于，基于无源人体识别系统，所述系统包括设置于行人路径上的多个射频节点，多个所述射频节点轮流与其空间位置非共线的多个射频节点进行组播，形成多条射频链路，多条所述射频链路交织构建成垂直于行人路径的窄带射频传感网；
所述方法包括如下步骤：
通过多条射频链路采集待识别行人行走所产生的生物特征信息相匹配的射频信号接收强度序列，对所有射频链路的射频信号接收强度序列融合得到融合射频信号接收强度值矢量；
将所述融合射频信号接收强度值矢量分别与身份数据库中的每一个高斯混合模型进行最大似然概率估计匹配，当输出概率值不小于预设阈值时，则判断待识别行人为注册人物，所述输出概率值所对应的高斯混合模型为所判定的注册人物所对应的身份参数模板；当输出概率值小于预设阈值时，则判断待识别行人为未注册人，并拒绝准入；
其中，所述输出概率值为融合射频信号接收强度值矢量分别与身份数据库中的每一个高斯混合模型进行最大似然概率估计匹配所得到的多个概率值中的最大值。
2.根据权利要求1所述的基于窄带射频链路采样的无源人体识别方法，其特征在于，所述融合射频信号接收强度值通过以下公式计算：
其中， 为多维融合射频信号接收强度值，/> 为链路索引，/> 为时刻，N为射频链路总数，/>为单一射频链路的射频信号接收强度序列，T为对信号序列进行转置操作。
3.根据权利要求1所述的基于窄带射频链路采样的无源人体识别方法，其特征在于，最大似然概率估计匹配具体包括：贝叶斯最大似然分类器根据待识别行人的融合射频信号接收强度值矢量对身份数据库中的高斯混合模型进行分类，确定具有最大后验概率的高斯混合模型所对应的目标人物的身份参数模板；
所述最大似然概率通过以下公式计算：
其中，为待识别行人的输入测试信号序列，/>为具有最大后验概率的高斯混合模型所对应的目标人物的身份参数模板，/>为数字信号的总长度，/>为以/>为行人参数的条件下，输入测试信号序列/>的似然概率值。
4.根据权利要求3所述的基于窄带射频链路采样的无源人体识别方法，其特征在于，具有最大后验概率的高斯混合模型所对应的目标人物的身份参数模板通过以下公式计算：
其中，s为行人数据库中注册的总人数，为待识别行人的输入测试信号序列，/>s为身份数据库中的高斯混合模型，/>为以输入测试信号序列后验概率值，/>为以似然概率值，/>为，/>为/>。
5.根据权利要求4所述的基于窄带射频链路采样的无源人体识别方法，其特征在于，当所述身份数据库中的高斯混合模型所对应的目标人物的出现次数是等概率的，具有最大后验概率的高斯混合模型所对应的目标人物的身份参数模板通过以下公式计算：
其中，s为行人数据库中注册的总人数，为待识别行人的输入测试信号序列，/>s为身份数据库中的高斯混合模型，/>为以似然概率值。
6.根据权利要求4所述的基于窄带射频链路采样的无源人体识别方法，其特征在于，当所述身份数据库中的高斯混合模型所对应的目标人物的身份参数模板的融合射频信号接收强度值的观察矢量之间是相互独立的并取对数，具有最大后验概率的高斯混合模型所对应的目标人物的身份参数模板通过以下公式计算：
其中，s为行人数据库中注册的总人数，为待识别行人的输入测试信号序列，/>s为身份数据库中的高斯混合模型，/>为以似然概率值。
7.根据权利要求1所述的基于窄带射频链路采样的无源人体识别方法，其特征在于，身份数据库的构建包括：
通过多条射频链路采集目标人物行走所产生的生物特征信息相匹配射频信号接收强度序列，对所有射频链路的射频信号接收强度序列融合得到融合射频信号接收强度值，将所述融合射频信号接收强度值作为目标人物的行走特征样本；
将同一目标人物的多个行走特征样本组建成训练样本集；
对所述训练样本集进行训练得到目标人物的身份参数模板，用多个目标人物的身份参数模板构建身份数据库。
8.根据权利要求7所述的基于窄带射频链路采样的无源人体识别方法，其特征在于，目标人物的身份参数模板的获取包括：采用期望最大化方法将所述训练样本集训练成一个统一的M阶高斯混合模型，将所述M阶高斯混合模型作为所述目标人物的身份参数模板；
所述M阶高斯混合模型通过以下公式表示：
其中，表示混合权重值，/>，/>为高斯混合模型总个数，并满足，/>是第/> 个高斯混合模型的均值向量，/>是其对应协方差矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910170070.4A CN109948481B (zh) | 2019-03-07 | 2019-03-07 | 一种基于窄带射频链路采样的无源人体识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910170070.4A CN109948481B (zh) | 2019-03-07 | 2019-03-07 | 一种基于窄带射频链路采样的无源人体识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109948481A CN109948481A (zh) | 2019-06-28 |
| CN109948481B true CN109948481B (zh) | 2024-02-02 |
Family
ID=67009239
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910170070.4A Active CN109948481B (zh) | 2019-03-07 | 2019-03-07 | 一种基于窄带射频链路采样的无源人体识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109948481B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110443137B (zh) * | 2019-07-03 | 2023-07-25 | 平安科技（深圳）有限公司 | 多维度身份信息识别方法、装置、计算机设备及存储介质 |
| CN110738167B (zh) * | 2019-10-14 | 2022-07-19 | 武汉大学 | 一种基于多域空间属性关联分析的行人辨识方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101627913A (zh) * | 2009-08-18 | 2010-01-20 | 清华大学深圳研究生院 | 一种身份信息识别方法及其系统 |
| CN102324232A (zh) * | 2011-09-12 | 2012-01-18 | 辽宁工业大学 | 基于高斯混合模型的声纹识别方法及系统 |
| CN106057206A (zh) * | 2016-06-01 | 2016-10-26 | 腾讯科技（深圳）有限公司 | 声纹模型训练方法、声纹识别方法及装置 |
| CN106303425A (zh) * | 2016-08-15 | 2017-01-04 | 深圳市校联宝科技有限公司 | 一种运动目标的监控方法及监控系统 |
| CN106446828A (zh) * | 2016-09-22 | 2017-02-22 | 西北工业大学 | 一种基于Wi‑Fi信号的用户身份识别方法 |
| CN107742141A (zh) * | 2017-11-08 | 2018-02-27 | 重庆西南集成电路设计有限责任公司 | 基于rfid技术的智能身份信息采集方法及系统 |
| CN108474841A (zh) * | 2015-04-20 | 2018-08-31 | 瑞思迈传感器技术有限公司 | 由特征信号对人类的检测和识别 |
| CN109212499A (zh) * | 2017-07-07 | 2019-01-15 | 英飞凌科技股份有限公司 | 使用雷达传感器识别目标的系统和方法 |
| CN109376675A (zh) * | 2018-11-01 | 2019-02-22 | 廖芳婧 | 一种远距离人脸识别签到系统及方法 |
-
2019
- 2019-03-07 CN CN201910170070.4A patent/CN109948481B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101627913A (zh) * | 2009-08-18 | 2010-01-20 | 清华大学深圳研究生院 | 一种身份信息识别方法及其系统 |
| CN102324232A (zh) * | 2011-09-12 | 2012-01-18 | 辽宁工业大学 | 基于高斯混合模型的声纹识别方法及系统 |
| CN108474841A (zh) * | 2015-04-20 | 2018-08-31 | 瑞思迈传感器技术有限公司 | 由特征信号对人类的检测和识别 |
| CN106057206A (zh) * | 2016-06-01 | 2016-10-26 | 腾讯科技（深圳）有限公司 | 声纹模型训练方法、声纹识别方法及装置 |
| CN106303425A (zh) * | 2016-08-15 | 2017-01-04 | 深圳市校联宝科技有限公司 | 一种运动目标的监控方法及监控系统 |
| CN106446828A (zh) * | 2016-09-22 | 2017-02-22 | 西北工业大学 | 一种基于Wi‑Fi信号的用户身份识别方法 |
| CN109212499A (zh) * | 2017-07-07 | 2019-01-15 | 英飞凌科技股份有限公司 | 使用雷达传感器识别目标的系统和方法 |
| CN107742141A (zh) * | 2017-11-08 | 2018-02-27 | 重庆西南集成电路设计有限责任公司 | 基于rfid技术的智能身份信息采集方法及系统 |
| CN109376675A (zh) * | 2018-11-01 | 2019-02-22 | 廖芳婧 | 一种远距离人脸识别签到系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| Radio Received Signal Strength based Biometric Sensing for Lightweight Walker Recognition;Tong Liu 等;《IEEE》;20171023;期刊正文第189-193页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109948481A (zh) | 2019-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Meng et al. | Gait recognition for co-existing multiple people using millimeter wave sensing | |
| Chen et al. | A novel human activity recognition scheme for smart health using multilayer extreme learning machine | |
| Yu et al. | Noninvasive human activity recognition using millimeter-wave radar | |
| Singh et al. | A survey of behavioral biometric gait recognition: Current success and future perspectives | |
| Aurangzeb et al. | Human behavior analysis based on multi-types features fusion and Von Nauman entropy based features reduction | |
| CN108764059A (zh) | 一种基于神经网络的人体行为识别方法及系统 | |
| CN104539874B (zh) | 融合热释电传感与摄像机的人体混合监控系统及方法 | |
| CN101807245A (zh) | 基于人工神经网络的多源步态特征提取与身份识别方法 | |
| CN110728213A (zh) | 一种基于无线射频信号的细粒度人体姿态估计方法 | |
| CN101630364A (zh) | 基于融合特征的步态信息处理与身份识别方法 | |
| CN101571924B (zh) | 一种多区域特征融合的步态识别方法及系统 | |
| CN109948481B (zh) | 一种基于窄带射频链路采样的无源人体识别方法 | |
| Xia et al. | Person identification with millimeter-wave radar in realistic smart home scenarios | |
| CN107194314B (zh) | 融合模糊2dpca和模糊2dlda的人脸识别方法 | |
| CN111914643A (zh) | 一种基于骨骼关键点检测的人体动作识别方法 | |
| CN112464730A (zh) | 一种基于域无关前景特征学习的行人再识别方法 | |
| CN106096528B (zh) | 一种基于二维耦合边距Fisher分析的跨视角步态识别方法 | |
| Cao et al. | A lightweight deep learning algorithm for WiFi-based identity recognition | |
| Luo et al. | Multi-set canonical correlation analysis for 3D abnormal gait behaviour recognition based on virtual sample generation | |
| Nasir et al. | ENGA: elastic net-based genetic algorithm for human action recognition | |
| CN115731579A (zh) | 基于交叉注意力Transformer网络的陆生动物个体识别方法 | |
| CN115410222A (zh) | 一种姿态感知的视频行人再识别网络 | |
| Xie et al. | RPM: RF-based pose machines | |
| Soni et al. | Grassmann manifold based framework for automated fall detection from a camera | |
| CN114783054B (zh) | 一种基于无线和视频特征融合的步态识别方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |