CN110135378A - 一种基于无源反射信号的人体动作识别方法 - Google Patents
一种基于无源反射信号的人体动作识别方法 Download PDFInfo
- Publication number
- CN110135378A CN110135378A CN201910426844.5A CN201910426844A CN110135378A CN 110135378 A CN110135378 A CN 110135378A CN 201910426844 A CN201910426844 A CN 201910426844A CN 110135378 A CN110135378 A CN 110135378A
- Authority
- CN
- China
- Prior art keywords
- signal
- passive
- data
- template
- identification
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000033001 locomotion Effects 0.000 title claims abstract description 53
- 230000009471 action Effects 0.000 claims abstract description 32
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 230000003044 adaptive effect Effects 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000010801 machine learning Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000000638 solvent extraction Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 claims description 2
- 230000005484 gravity Effects 0.000 claims description 2
- 230000008447 perception Effects 0.000 abstract description 12
- 238000005457 optimization Methods 0.000 description 9
- 238000001228 spectrum Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001953 sensory effect Effects 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 241000083513 Punctum Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于无源反射信号的人体动作识别方法，包括：步骤a，接收无源识别区域中，无源标签对人体动作的反射信号；步骤b，对反射信号通过预处理并滤波后去除噪声得到识别用数据；步骤c，将识别用数据通过自适应迭代处理得出计数结果，计数结果中包含表示动作的分段数据和作为分段划分依据的模板数据；步骤d，通过机器学习的分类方式对计数结果的分段数据和模板数据进行识别，识别出动作类型，完成人体动作的识别。该方法借助无源反射信号来进行人体感知，打破了传统感知的局限性，扩展了物联网的应用前景；另外，无源反射信号能够减少系统间的干扰，不影响信号源，另一方面无源反射信号能量弱，工作范围小，能大幅度减少系统内干扰。
Description
技术领域
本发明涉及无线信号智能感知领域，尤其涉及一种基于无源反射信号的人体动作识别方法。
背景技术
物联网作为信息系统向物理世界的延伸，拓展了人类认知和控制物理世界的能力，已经被称为继计算机和互联网之后的世界信息产业的第三次浪潮，正在深刻地改变着人类的生存环境和生活方式。但是，日益增长的普适化应用需求与供能设备之间出现了鸿沟，想要让物联网中的节点覆盖范围更广，维护更加容易，就必须要解决节点的供电问题。可以说电池的局限性，严重制约了物联网普适化应用，因此，新型的能量获取与运用模式作为有效的补充手段，进一步拓展物联网的应用场景，即能否突破电池电源的瓶颈，成为了当下物联网研究的主要课题之一。
在无线信号中要实现无源，首先需要把生成信号的功耗降下来，从13年开始相继有几篇通信相关的文章，公开了利用反向散射(backscatter)技术实现了无源的低功耗通信，这些方案中实现低功耗的一个关键技术是用到了被动的反向散射，通过反射空间中现有的信号来产生新的信号，而不需要任何射频前端。目前虽有不需要任何射频前端来低功耗产生通信信号，但在感知应用方面，现有的技术无法实现人体动作的识别，也无法实现多人同时识别。
发明内容
基于现有技术所存在的问题，本发明的目的是提供一种基于无源反射信号的人体动作识别方法，能在低能耗下获取感知数据进行人体动作识别，并能实现多人并行识别。
本发明的目的是通过以下技术方案实现的：
本发明实施方式提供一种基于无源反射信号的人体动作识别方法，包括：
步骤a，接收无源识别区域中，无源标签对人体动作的反射信号；
步骤b，对所述反射信号通过预处理并滤波后去除噪声得到识别用数据；
步骤c，将所述识别用数据通过自适应迭代处理得出计数结果，所述计数结果中包含表示动作的分段数据和作为分段划分依据的模板数据；
步骤d，通过机器学习的分类方式对所述计数结果的分段数据和模板数据进行识别，识别出动作类型，完成人体的动作识别。
由上述本发明提供的技术方案可以看出，本发明实施例提供的基于无源反射信号的人体动作识别方法，其有益效果为：
该识别方法借助无源反射信号来进行人体感知，打破了传统感知的局限性，扩展了物联网的应用前景；另外，无源反射信号一方面能对信号进行频谱搬移，能够减少系统间的干扰，不影响信号源，另一方面无源反射信号能量弱，工作范围小，能大幅度减少系统内干扰，使得能在一个区域内同时部署多套设备，这在之前是没有的。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1为本发明实施例提供的基于无源反射信号的人体动作识别方法的流程图；
图2为本发明实施例提供的识别方法的无源识别区域的原理示意图；
图3为本发明实施例提供的识别方法应用的无源感知场景的构成示意图；
图4为本发明实施例提供的识别方法应用的无源感知场景的感知流程示意图；
图5为本发明实施例提供的识别方法中涉及的单点模型的示意图；
图6为本发明实施例提供的识别方法中涉及的单点模型扩展到单人模型的示意图；
图7为本发明实施例提供的识别方法中涉及的单人模型识别动作的示意图；
图8为本发明实施例提供的识别方法中涉及的单人周期性运动对信号产生周期性影响的实验验证示意图；
图9为本发明实施例提供的识别方法中涉及的三个分段进行分类的准确率的曲线图。
具体实施方式
下面结合本发明的具体内容，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
如图1所示，本发明实施例提供一种基于无源反射信号的人体动作识别方法，包括：
步骤a，接收端接收无源识别区域中，无源标签对人体动作的反射信号；
步骤b，对所述反射信号通过预处理并滤波后去除噪声得到识别用数据；
步骤c，将所述识别用数据通过自适应迭代处理得出计数结果，所述计数结果中包含表示动作的分段数据和作为分段划分依据的模板数据；
步骤d，通过机器学习的分类方式对所述计数结果的分段数据和模板数据进行识别，识别出动作类型，完成人体的动作识别。
上述识别方法中，无源识别区域包括：在一个区域中分布设置一个信号源和多组无源标签和接收端对；其中，每组无源标签和接收端对由一个无源的反向散射标签和一个接收端组成。优选的，所述多组无源标签和接收端对的数量与所识别的人的数据相同。
上述方法的步骤b中，对所述反射信号通过预处理并滤波后去除噪声得到识别用数据的处理方式如下：
步骤b1，将所述接收端接收到的原始数据进行平滑滤波处理计算出接收信号的能量；
步骤b2，利用所述步骤b1计算出接收信号的能量去除信号中的噪声(如高斯噪声)得到除躁信号；
步骤b3，对所述步骤b2得到的除躁信号通过低通滤波处理得到识别用数据。
进一步的，上述对所述反射信号通过预处理并滤波后去除噪声得到识别用数据的处理中，还包括：步骤b4，对于人数大于2人的多人场景，利用FastICA算法对所述步骤b3得到的识别用数据进行盲源分离处理，处理后的数据作为识别用数据。
这是因为，在多人场景中，由于多人动作的相互干扰，接收信号是不同动作影响产生的混合信号，将其视为盲源分离问题(Blind Source Separation,BSS),利用FastICA算法处理识别用数据得到每个动作对应的分离信号，这样去除了多人动作的相互干扰，提升后续人体动作识别的准确性。其中涉及的FastICA算法按其惯常使用方式应用即可。
上述方法的步骤c中，将所述识别用数据通过自适应迭代处理得出计数结果包括：
步骤c1，将识别用数据中长度为n的采样序列信号表示为初始化一个随机的动作模板ξ，模板长度m设置为其中tmax和tmin是人为设置的一个动作周期的长度范围，C表示设备采样率；
步骤c2，用初始的模板ξ对信号进行切分，得到一个初始划分划分原则是使得模板ξ和信号之间的距离最小，定义距离的表示为其中是一个动态时间规整函数，用来计算两个不同长度的向量和之间的距离；
步骤c3，通过得到的划分S去更新得到新的模板ξ，更新规则基于各个分段的带权平均，其中各个子序列的权重为子序列的长度占总长度的比重，是一个用来将子序列规整到一个固定长度m的方法，通过三次样条插值来实现；
步骤c4，重复步骤c3和c4，直到两次更新的模板ξ之间差别小于预定阈值，则将此时的分段S作为本次的动作划分结果。
上述方法的步骤d中，通过机器学习的分类方式对所述计数结果的分段数据和模板数据进行识别，识别出动作类型包括：
将所述步骤c得到的模板数据直接送入训练好的SVM分类池进行分类判断动作的类型，和/或将分段数据送入训练好的SVM分类池识别得出动作类型，完成人体动作的识别；
其中，所述SVM分类池中的每个SVM分类器用的是3次多项式核函数，每个SVM分类器采用一对一的多分类方法。
上述方法的步骤d中，为识别重复性的动作，还包括：若计算得到的计数结果为n，则从分段数据里拿出k组分段数据并分别对其分类，k≤n，k组分段数据能得出k组分类结果，最后用投票的方式从k组分类结果得到一个新的分类结果作为最终的识别结果。
本发明的方法利用了无源反射信号能量弱干扰小，以及能实现频谱搬移的特点，加上盲源分离的信号处理技术，实现了临近区域的多人并行识别，能有效减少系统内和系统间干扰。
下面对本发明实施例具体作进一步地详细描述。
本发明实施例的基于无源反射信号的人体动作识别方法，是一种新型的人体感知模式，通过捕捉无源标签反射空间中已有信号来实现人体感知。该方法所应用系统的部署主要有3部分，如图2所示，其中，
TX代表的是发送端，也就是信号源，它充当一个能量源的角色，可以是现在空间中广泛存在的WiFi信号，蓝牙信号，TV广播信号等等。
Tag是一个无源的反向散射标签，由天线和微控制器等组成，微控制器能够控制天线的通(absorb)断(reflect)状态，使得tag的天线在反射和不反射两个状态来回切换，由此产生两个频段的反射信号(如前面所介绍的频谱搬移)。
无源标签反射信号的能量可以表示如下：
其中Ptx和Gtx代表发送端的传输能量和天线增益，d表示Tx和Tag之间的距离，ΔΓ表示RCS(Radar Cross Section)的变化，其表示如下：
上式中，λ表示信号的波长，Gtag表示tag的天线增益，Γ*表示反射系数，其具体表示如下：
上式中，Za＝Ra+jXa是天线的复阻抗，通过控制天线的通断使得阻抗在两个值之间跳变，以此产生反射信号，阻抗跳变的频率决定了反射信号的便宜频率。
RX表示接收端，如果Δf表示天线通断跳变的频率，那么反射信号的频率为f+Δf和f-Δf(频谱搬移)。接收端能选择两个频率中的一个接收。
这种信号的产生利用空间中已有的信号，仅仅需要一个廉价的无源反射设备就能够产生新的信号，并且反射信号的能量十分微弱，工作范围短，但是能在空间域上减少系统之间的干扰，在频谱域上也能通过可控的Δf来控制偏移频率避免或减少其他信道的干扰。
本发明是利用该方式实现多人的感知识别系统，一个实现场景图如图3所示。
利用同一个信号源，部署多个Tag-Rx对，实现多人的感知识别。由于反射信号能量弱，覆盖范围小，相互之间的干扰也很小。
本发明方法应用的一个感知系统如图4所示，其中，用NI的USRP设备充当Tx和Rx的角色，用tag(可采用商用现成品组装的反射标签)反射Tx发送的信号并用Rx接收。对Rx收到的信号能量进行低通滤波，得出人体动作对信号强度的影响，对于周期性的重复动作，得到周期性变化的信号。对于不同的动作，能用机器学习的方式区分出各个动作。
因为信道在一个短时间内是稳定的，可以认为信号的变化主要是由人的运动引起的。如图2所示，把反射路径分为动态和静态两部分。从tag到Rx的路径有无数条，如果信号在路径中不受人体影响(直线传输，或者从静态物体反射)，即认为是静态的，如图2中的h8，如果信号受到人体影响，即认为是动态的，如图2中h5+h6。
如果定义接收端RX收到的能量为Prx，那么可以表示Prx为静态分量Pstatic和动态分量Pdynamic的和，在时间和频率上可以表示如下：
Prx(f，t)＝Pstatic(f)+Pdynamic(f，t)
其中动态信号只与人体的动作有关，人在一段时间内做了一个特定动作，就会导致信号在一段时间内产生特定的变化。
进一步分析，最简单的反射模型是单点模型，因为它只会产生一条动态反射的路径。如果同时考虑幅度和相位，可以表示这个单点的反射信号为：
其中a(f，t)是‘Tag’反射信号强度的复数表示，d(t)表示‘Tag’到‘Rx’在时刻t的距离，表示相位在d(t)路径上的偏移。如图5所示，点P1,P2,P3…,Pn表示在各个采样时刻点(t1，t2，t3，...，tn)的观察位置。信号从‘Tag’→Pi→‘Rx’即认为是所说的动态路径。进一步的，可以得到：
当考虑周期性运动，点将会从P1移动到Pn，然后从Pn返回P1，如图5中上部的点虚线和下部的线段虚线所示(来回的路径不一定相同)。进一步地，如果指定：
表示单点周期运动的第k轮产生的变化信号，能在接收端信号上看到周期变化的信号，尽管对于不同的k运动的路径、经历的时间有可能不同，但是通过在时间维度上拉伸或者压缩信号，可以看到对于不同的k，信号的变化模式基本相同。
最后，对于一个人运动的情况，可以推广单点模型得到。如图6所示，假设一个人体是由无穷多个分隔的单点组成的，也就是说，一个人体的运动可以看出是无穷多个分段的运动的组合，表示如下：
对于人体的周期性运动，各个分部分也可以认为是周期的，所以对于这些分部分的影响求和仍然是周期的，通过图7展示了这个原理，如果做周期性的运动，信号分量Pdynamic(f，t)也会周期性变化，因此接收能量Prx(f，t)也是周期变化。其实验结果如图8所示，同个人做三种不同的动作(蹲起、俯卧撑、仰卧起坐)，可以看到在时间上不同的周期性动作都能引起信号的周期性变化，并且不同的动作有不同的信号变化模式，既可以计数也可以分类。
对于上述周期性信号提供了一个算法用于动作计数。对于周期性的动作，因为对信号有周期性的影响，所以一个很直观的想法就是找到动作的模板，然后通过模板在接收信号的时域上做匹配从而达到计数的目的。这样的模板可以通过预先学习的方式得到，但是有个不好的地方就是模板可能会随着环境和场景的变化而变化，适用性较差，更换环境之后就需要重新学习模板，希望给出的是一个能够对环境自适应的，或者说对环境变化无感的动作计数方案。
首先定义表示长度为n的采样序列。对动作进行计数实际上就是在这段信号上找到一个互相不重叠的划分其中表示的一个子序列，包含个点，并且满足
为了找到这样一个划分，是要使得各个划分子序列之间的差别尽可能小(因为是周期性动作)，例如最小化分段间的方差。但是数学上向量距离的定义只针对等长向量间的计算，为了能计算不同长度的子序列之间的差别，扩展向量距离的定义到不同长度。
Definition 1:向量和向量之间的距离表示为：
其中是一个动态时间规整(dynamic time warping)的函数，用来计算两个不同长度序列的距离。它在实现过程中会拉伸两个向量和到一个共同的长度使得对应元素的欧几里得距离之和最小。为了拉伸向量，dtw会重复和重的某些元素。
接着，定义了划分S和动作模板ξ(一般未知)之间的距离：
Definition 2:划分和模板ξ之间的距离表示为：
于是自适应计算算法的目标就是要找到最优的划分S*和最优的模板ξ*，来最小化Dist(S，ξ)。因为在这里划分S和模板ξ都是未知的，可以形式化表述这个联合优化问题：
其中tmin和tmax是对周期动作每个周期的时间长度约束，C表示设备采样率。尝试找到最优的划分S*和最优的模板ξ*来最小化划分S和模板ξ的距离。这个优化问题是很难的，因为它同时包含组合优化S和数值优化ξ，使用穷举的方式显然是行不通的。
本发明的自适应计算算法采用的不是同时计算划分S和模板ξ，而是在划分和模板之间交替迭代更新。在每次迭代中，用给定当前的模板来计算新的划分，然后通过新的划分来得到新的模板，一直到算法收敛为止。对于这两个子问题，本发明的算法都能达到全局最优并且是线性时间复杂度。
更新划分：在第j次迭代中，给定当前的模板ξj，新的划分Sj+1通过如下方式得到：
虽然随着长度的增加，划分的可能性是指数增加的，但是能通过高效的动态规划方法得到该优化问题的解。动态规划的递推关系表示如下：如果Dl表示子序列最小代价(这里的最小代价表示在序列上，Dist(S，ξ)的最小值)，那么有：
其中并且代表τ的可能选择。该动态规划算法的时间复杂度为O(C(tmax-tmin)n)＝O(C′n),为线性时间复杂度，并且能保证全局最优。
更新模板：在第j次迭代中，给定当前划分Sj，新的模板ξj+1通过如下方式得到：
显然，上述优化问题用搜索的方法是很难得到最优解的，这里引入一个类比的方法来得到一个可行解。
考虑另一个相似的问题：给定一个数组找到一个数字x，使得x到数组中所有元素的距离之和最小。如果令y表示距离和，那么得到表达式如下：
其中显然这是一个二次函数的优化问题，可以很容易得到它的最优解为也就是说最优解为向量中个元素的平均值。
同样地，将这个问题映射到优化问题中，向量的元素a[i]映射成子序列优化目标x映射成模板向量ξ，两个数字之间的距离变成了两个向量之间的距离，最优解x*就可以映射为子序列的带权平均，因此得到可行解如下：
其中各个子序列的权重为子序列的长度占总长度的比重，是一个用来将子序列规整到一个固定长度m的方法，通过三次样条插值来实现。
到这里就介绍完了的自适应计算算法，算法的伪代码如下：
本发明的方法借助无源反射信号来进行人体感知，打破了传统感知的局限性，扩展了物联网的应用前景；另外，无源反射信号一方面能对信号进行频谱搬移，能够减少系统间的干扰，不影响信号源，另一方面无源反射信号能量弱，工作范围小，能大幅度减少系统内干扰，使得能在一个区域内同时部署多套设备，这在之前是没有的。
实施例
参见图1、4，本实施例的基于无源反射信号的人体动作识别方法，包括以下步骤：
步骤a.所用到的设备有无源反射标签(如图2、3所示)和信号收发设备，设备的数量和需要同时识别的人数有关，如需要同时对P个人进行识别，则需要P个反射标签，每个反射标签附近(几十厘米内)需要有一个信号接收设备，标签不需要贴在人身上，可以部署在基础设施上，如地面、墙面、健身器材等。为了减少干扰，这P组设备需要保持一定的距离(建议2m左右)。此外，需要一个额外信号发送设备作为信号激励源(P组设备可共用)，发送单音正弦信号载波频率为f，用于激发标签的反射。每个标签附近的接收端设备接收标签的反射信号，标签附近人体产生的动作能通过信号变化的形势被接收端接收下来。接收信号的频率为f+Δf或者f-Δf，Δf为标签的天线阻抗变化频率，该频率可控，可依据实际情况设置。
步骤b.拿到接收端的信号后，会首先根据处理算法预处理成想要的信号，并且通过滤波等方式去除噪声。将处理过后的数据给到的自适应计数算法和训练好的SVM分类池(这里用的是SVM一对一的多分类方法，每个SVM分类器用的是3次多项式核函数)中。
步骤c.自适应计数算法在拿到一段时间预处理好的接收数据之后，会进入迭代计数的过程，依据的迭代优化算法在“模板”和“分段”之间来回更新直到收敛，收敛后得到的分段即为算法计数的结果，每个分段代表一个动作，而模板就是算法找出的划分依据，也可以认为是多次动作对信号影响的平均反映。
进一步的，还包括：步骤d.自适应计数算法结束之后，可以将得到的“模板”直接送入SVM分类池进行分类判断动作的类型，也可以将“分段”的结果送入SVM分类池得到动作类型。需要特别指出的是，对于重复性的动作，如果技术算法得到的计数结果为n，则可以从“分段”结果里拿到k组(k≤n)数据并分别对其分类，每组结果都能得到一个分类结果，最后用投票的方式得到一个新的结果，能进一步提高准确率。以k＝3为例，假设一次分类的准确率为p，拿到三个分段进行分类的准确率它的曲线如图9所示，从图9中可以看出，单p＝0.9时，pcorrect能提升至0.9810，当p＝0.95时pcorrect能提升至0.9951。
本领域普通技术人员可以理解：实现上述实施例方法中的全部或部分流程是可以通过程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。
Claims (7)
1.一种基于无源反射信号的人体动作识别方法，其特征在于，包括：
步骤a，计收端接收无源识别区域中，无源标签对人体动作的反射信号；
步骤b，对所述反射信号通过预处理并滤波后去除噪声得到识别用数据；
步骤c，将所述识别用数据通过自适应迭代处理得出计数结果，所述计数结果中包含表示动作的分段数据和作为分段划分依据的模板数据；
步骤d，通过机器学习的分类方式对所述计数结果的分段数据和模板数据进行识别，识别出动作类型，完成人体的动作识别。
2.根据权利要求1所述的基于无源反射信号的人体动作识别方法，其特征在于，所述无源识别区域包括：
在一个区域中分布设置一个信号源、多组无源标签和接收端对；其中，每组无源标签和接收端对由一个无源的反向散射标签和一个接收端组成。
3.根据权利要求2所述的基于无源反射信号的人体动作识别方法，其特征在于，所述多组无源标签和接收端对的数量与所识别的人的数据相同。
4.根据权利要求1所述的基于无源反射信号的人体动作识别方法，其特征在于，所述方法的步骤b中，对所述反射信号通过预处理并滤波后去除噪声得到识别用数据的方式如下：
步骤b1，对接收端接收到的原始数据进行平滑滤波处理计算出接收信号的能量；
步骤b2，利用所述步骤b1计算出接收信号的能量去除信号中的噪声得到除躁信号；
步骤b3，对所述步骤b2得到的除躁信号通过低通滤波处理得到识别用数据。
5.根据权利要求1至4任一项所述的基于无源反射信号的人体动作识别方法，其特征在于，所述方法的步骤c中，处理所述识别用数据得出计数结果的自适应迭代处理包括：
步骤c1，将识别用数据中长度为n的采样序列信号表示为初始化一个随机的动作模板ξ，模板长度m设置为其中tmax和tmin是人为设置的一个动作周期的长度范围，C表示设备采样率；
步骤c2，用初始的模板ξ对信号进行切分，得到一个初始划分划分原则是使得模板ξ和信号之间的距离最小，定义距离的表示为其中是一个动态时间规整函数，用来计算两个不同长度的向量和之间的距离；
步骤c3，通过得到的划分S去更新得到新的模板ξ，更新规则基于各个分段的带权平均，其中各个子序列的权重为子序列的长度占总长度的比重，是一个用来将子序列规整到一个固定长度m的方法，通过三次样条插值来实现；
步骤c4，重复步骤c3和c4，直到两次更新的模板ξ之间差别小于预定阈值，则将此时的分段S作为本次的动作划分结果。
6.根据权利要求1至4任一项所述的基于无源反射信号的人体动作识别方法，其特征在于，所述方法的步骤d中，通过机器学习的分类方式对所述计数结果的分段数据和模板数据进行识别，识别出动作类型包括：
将所述步骤c得到的模板数据直接送入训练好的SVM分类池进行分类判断动作的类型，和/或将分段数据送入训练好的SVM分类池识别得出动作类型，完成人体动作的识别；
所述SVM分类池中的每个SVM分类器用的是3次多项式核函数，每个SVM分类器采用一对一的多分类方法。
7.根据权利要求1至3任一项所述的基于无源反射信号的人体动作识别方法，其特征在于，所述方法的步骤d中，为识别重复性的动作，还包括：若计算得到的计数结果为n，则从分段数据里拿出k组分段数据并分别对其分类，k≤n，k组分段数据能得出k组分类结果，最后用投票的方式从k组分类结果得到一个新的分类结果作为最终的识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910426844.5A CN110135378A (zh) | 2019-05-16 | 2019-05-16 | 一种基于无源反射信号的人体动作识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910426844.5A CN110135378A (zh) | 2019-05-16 | 2019-05-16 | 一种基于无源反射信号的人体动作识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110135378A true CN110135378A (zh) | 2019-08-16 |
Family
ID=67571952
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910426844.5A Pending CN110135378A (zh) | 2019-05-16 | 2019-05-16 | 一种基于无源反射信号的人体动作识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110135378A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112910516A (zh) * | 2020-12-31 | 2021-06-04 | 重庆邮电大学 | 一种降低Wi-Fi无源感知系统带宽开销的方法 |
| CN115428488A (zh) * | 2020-07-29 | 2022-12-02 | Oppo广东移动通信有限公司 | 基于反向散射的检测方法、检测设备和可穿戴设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101344932A (zh) * | 2007-06-20 | 2009-01-14 | 香港科技大学 | 针对rfid标签的可读区域决定rfid天线放置的方法与系统 |
| CN109359523A (zh) * | 2018-09-06 | 2019-02-19 | 东南大学 | 一种基于svm多分类算法的卫星导航干扰类型识别方法 |
-
2019
- 2019-05-16 CN CN201910426844.5A patent/CN110135378A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101344932A (zh) * | 2007-06-20 | 2009-01-14 | 香港科技大学 | 针对rfid标签的可读区域决定rfid天线放置的方法与系统 |
| CN109359523A (zh) * | 2018-09-06 | 2019-02-19 | 东南大学 | 一种基于svm多分类算法的卫星导航干扰类型识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| NING XIAO ET AL.: "motion-fi：recognition and counting repetitive motions with passive wireless backscattering", 《IEEE CONFERENCE ON COMPUTER COMMUNICATIONS》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115428488A (zh) * | 2020-07-29 | 2022-12-02 | Oppo广东移动通信有限公司 | 基于反向散射的检测方法、检测设备和可穿戴设备 |
| CN112910516A (zh) * | 2020-12-31 | 2021-06-04 | 重庆邮电大学 | 一种降低Wi-Fi无源感知系统带宽开销的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Thornton et al. | Deep reinforcement learning control for radar detection and tracking in congested spectral environments | |
| Liu et al. | DeepCount: Crowd counting with WiFi via deep learning | |
| Zhang et al. | An indoor positioning method based on CSI by using features optimization mechanism with LSTM | |
| Bkassiny et al. | A survey on machine-learning techniques in cognitive radios | |
| CN106789788B (zh) | 一种无线数字信号调制方式识别方法及装置 | |
| CN110166154B (zh) | 一种基于神经网络的软件无线电频谱监测识别的方法 | |
| Zhang et al. | Signal detection and classification in shared spectrum: A deep learning approach | |
| Xiao et al. | Motion-Fi: Recognizing and counting repetitive motions with passive wireless backscattering | |
| CN104914428B (zh) | 一种基于超高频射频识别标签的速度测量系统和测量方法 | |
| Jagannath et al. | Multi-task learning approach for automatic modulation and wireless signal classification | |
| Nguyen et al. | Deep Q-learning with multiband sensing for dynamic spectrum access | |
| CN110120926A (zh) | 基于演化bp神经网络的通信信号调制方式识别方法 | |
| CN110135378A (zh) | 一种基于无源反射信号的人体动作识别方法 | |
| CN108462509A (zh) | 基于时频图信息的异步跳频网台分选方法 | |
| Ribero et al. | Deep learning propagation models over irregular terrain | |
| CN105469109A (zh) | 一种用于遥感图像分类的基于类心对齐的迁移学习方法 | |
| Shao et al. | Machine Learning-Assisted Sensing Techniques for Integrated Communications and Sensing in WLANs: Current Status and Future Directions. | |
| Wang et al. | Adoption of hybrid time series neural network in the underwater acoustic signal modulation identification | |
| Liu et al. | Multi-armed bandit problems with heavy-tailed reward distributions | |
| Zhao et al. | DeepCount: Crowd counting with Wi-Fi using deep learning | |
| CN112672426A (zh) | 一种基于在线学习的抗干扰频点分配方法 | |
| Shachi et al. | Convolutional neural network for cooperative spectrum sensing with spatio-temporal dataset | |
| US20230385610A1 (en) | Indoor passive human behavior recognition method and device | |
| Ahmad et al. | Fuzzy logic based signal classification with cognitive radios for standard wireless technologies | |
| WO2024041053A1 (zh) | 一种室内被动式人体行为识别方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190816 |
|
| RJ01 | Rejection of invention patent application after publication |