CN110621038B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110621038B CN110621038B CN201910941909.XA CN201910941909A CN110621038B CN 110621038 B CN110621038 B CN 110621038B CN 201910941909 A CN201910941909 A CN 201910941909A CN 110621038 B CN110621038 B CN 110621038B
- Authority
- CN
- China
- Prior art keywords
- spec
- signal
- mag
- segmentation
- walking
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种基于WiFi信号检测步态实现多用户身份识别的方法及装置,利用WiFi信号,在对无线信号进行离群点移除、高频去噪、主成分分析后,根据训练模型自适应分离得到针对两名用户的不同时域信号,进一步根据步伐分割两条信号,提取特征,训练出能够识别智能空间内多用户身份的分类器模型。解决了智能空间的多用户身份识别问题,利用双人行走下的混合WiFi信号,预处理以及无线信号分离,进而可以有效提取步态信息,从而实现双人用户身份识别。
Description
技术领域
本发明属于无线通信领域,尤其涉及一种基于WiFi信号检测步态实现多用户身份识别的方法及装置。
背景技术
随着近来物联网和无线通信技术的快速发展,包括智能办公室和智能家居的智能空间已经走入大众视线。在2019年,智能家居的普及率已达到了33.2%,并预计在2023年达到53.9%。但在智能空间中,用户私人信息极易被暴露。因此,为了针对性地在智能空间中对已认证的用户提供定制服务,用户身份识别尤其重要。
在智能空间中,具有特定特质的生物特征已被广泛运用,比如:声音、指纹、虹膜等等。近来,人们也逐渐关注根据步态的用户身份识别,因其具有如下超越传统生物特征的优越性。首先,用户的步态特质难以被模仿,使其免于重放攻击和模拟攻击,比如:声音和人脸识别极容易被复制模仿。更重要的是,行走是人在日常生活中最常见也是最自然的行为动作。这种非干扰性、用户友好的用户身份识别系统也无需高价的设备支持。(一个常见的商用虹膜扫描仪的价格高达2200美元)
现已有多种技术可以运用到智能空间中以获取步态信息。最常见的方法是利用摄像头从多个角度进行拍摄,从而构建一个完整的步态信息。但是这种技术对环境光条件和阻碍物相当敏感。地板传感器或地震检波器通过检测地面震动从而可以被运用到步态分析中。然而此类传感器的运用面狭窄,并且要求大量的维护和修缮。此外,可穿戴仪器可为步态分析提供大量信息,但是用户被要求随时穿戴仪器并且一个仪器只能记录一名用户的相关信息。无线感知领域的发展为步态分析提供了一种可靠、便捷、无接触的技术支持,无线感知甚至可以运用到较大空间内或者透过墙体感知,同时无需额外设备。已有的此类WiFi技术却仅局限于单个用户的条件下。这意味着,在感知区域内只允许有一名用户。为了满足更现实的条件,本发明旨在利用WiFi信号,检测步态实现多用户身份的识别。具体来说,两名用户同时近距离行走,在反射得到的WiFi信号中产生复杂的混合步态信息。
简单的思路是将得到的混合信号视为整体,训练出一个可以识别对应两名用户的分类器。但是,有可能的多人组合数量过多,比如:若共有N名用户,则有2N种可能的组合;即使仅考虑两两组合,数量也高达因此,本发明通过分离混合行走信号再修复得到用户个体的信号,然后再对分离后的信号进行身份识别。然而,信号分离并非易事。已有的技术通过天线定位到特定用户,或者采用独立成分分析的方法对深度睡眠用户的呼吸信号进行分离。尽管如此,WiFi设备的天线并不能自动旋转定位,并且行走产生的混合信号更加复杂,也包含大量人与人之间的相互作用,独立成分分析的方法因此不再适用。此外,当两名用户同时行走时,只检测一名用户,而去除另一名用户产生的信号的方法也不再适用。
本发明通过WiFi信号识别近距离行走双方的身份。本发明的关键点在于分离多用户产生的混合WiFi信号。受语音分离启发,本发明首先将混合WiFi信号通过短时傅里叶变换得到谱图,再通过深度神经网络得到两个分配指示图。根据分配指示图可以将混合信号的谱图分离为两个谱图,进而通过快速傅里叶逆变换得到最终分离后的信号。最终利用分离后的信号进行单用户的身份识别。
发明内容
本发明针对现有技术的不足,提供一种基于WiFi信号检测步态实现多用户身份识别的方法及装置。
本发明所涉及的基于WiFi信号检测步态实现多用户身份识别的方法,其特殊之处在于,包含以下步骤:
步骤1,从接收到的双人行走WiFi信号中获取按照时间变化的信道状态信息(CSI)流,并进行预处理;
步骤2,将预处理后的CSI分离得到两条信号波;
步骤3,对分离得到的两条信号波进行有效步伐分割
步骤4,对每个所述分割片段进行时域和频域的特征提取,以用户的身份作为该片段的标签,通过特征和标签训练得到多用户身份识别分类器。利用该分类器进行多用户的身份识别。
进一步地,所述步骤1中的预处理具体过程如下:
1)动态计算平均值和方差,检测由硬件及传输所产生的离群值,再用相邻点的平均值代替,从而获得相对平滑的信号波;
2)用低通滤波器对每条信道状态信息流进行高频去噪,保留表征行走的低频信息;
3)最后对多条信道状态信息流采取主成分分析,为获得高质量的信号波,保留第一主成分Sm作为后续分析。
更进一步第,所述步骤2的具体过程如下:
通过短时傅里叶变换,将Sm和两名用户单独行走得到的第一主成分I1和I2分别变换为SPEC、MAG1和MAG2;根据横纵轴将SPEC、MAG1和MAG2划分成a·b个最小单位,比较MAG1和MAG2在各个最小单位的值,得到两个由0、1组成的分配指示图Y1和Y2,其中,a为时域帧的个数,b为频域频率的个数;通过对(Sm,Y1,Y2)的训练可以得到一个仅输入Sm便输出分配指示图V1和V2的神经网络,再根据V1和V2中1的分布,将SPEC分配成两个谱图SPEC1和SPEC2,最后利用快速傅里叶逆变换将SPEC1和SPEC2转换成时域的两条波S1和S2,S1和S2即分别代表两名用户。
再进一步第,所述步骤3的具体过程如下:
通过一个低通滤波器对S1和S2分别处理,首先利用滤波后的平滑波寻找行走起始点,当某点与该点前点的平均值的绝对值之差大过某个阈值,则将其置为起始点;其次按照极值点进行分割,对起始点后的波段寻找极值点,若相邻极值点hi和hi+1的间隔时间小于某阈值t1,则舍弃hi+1,继续包含寻找下一个极值点并计算间隔总和,如此重复,直至大于t1;若相邻极值点hi和hi+1的间隔大于某阈值t2,则将hi和hi+1中间点作为分割点;最后根据分割点对S1和S2进行分割,得到对应两个不同用户的步伐分割片段。
优选地,所述步骤2中,在比较MAG1和MAG2中对应每个最小单位值的大小,大的一方在对应的分配指示图Y1或Y2中对应的最小单位标注为1,否则为0;将SPEC分配到两个谱图SPEC1和SPEC2时,若V1对应的最小单位为1,则将SPEC的该最小单位分配到SPEC1对应位置,否则分配到SPEC2中。
进一步第,所述步骤4中,时域的特征包括:信号的最小值、最大值、十分位数、第90百分位数、第一四分位数、第二四分位数、第三四分位数、方差、平均值、极差、标准差、偏度、峰度、平均过零率、自相关、波形下方面积和标准差与平均值之比;频域的特征包括:各频率能量之和、熵、快速傅里叶变换系数最大值与快速傅里叶变换系数和之比。
基于同样的发明构思,本发明第二方面提供了一种基于WiFi信号检测步态实现多用户身份识别装置,包括:
信号流获取模块,从接收到的双人行走WiFi信号中获取按照时间变化的信道状态信息(CSI)流,并进行预处理;
信号波分离模块,将预处理后的CSI分离得到两条信号波;
有效步伐分割模块,对分离得到的两条信号波进行有效步伐分割;
分类器训练模块,对每个所述分割片段进行时域和频域的特征提取,以用户的身份作为该片段的标签,通过特征和标签训练得到多用户身份识别分类器,利用该分类器进行多用户的身份识别。
基于同样的发明构思,本发明第三方面提供了一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被执行时实现如权利要求1至6中任一项权利要求所述的方法。
基于同样的发明构思,本发明第四方面提供了一种计算机设备,包括存储器、处理器及存储再存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6中任一项权利要求所述的方法。
本发明利用步态对于用户身份的独有性和有效性以及WiFi信号对步态的感知特性,通过对无线信号预处理、分离、波形分割、特征提取,从而训练得到分类器,从而可以实现智能空间内多用户的同步身份识别。
附图说明
图1是本发明实施例的训练流程图。
图2是本发明实施例的用户身份识别测试流程图。
图3是本发明实施例的信号分离流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细描述:
本发明所设计的基于WiFi信号检测步态实现多用户身份识别的方法,包含以下步骤:
步骤1,从接收到的双人行走WiFi信号中获取按照时间变化的信道状态信息(CSI)流,并进行预处理;预处理具体过程如下:
1)动态计算平均值和方差,检测由硬件及传输所产生的离群值,再用相邻点的平均值代替,从而获得相对平滑的信号波;
2)用低通滤波器对每条信道状态信息流进行高频去噪,保留表征行走的低频信息;
3)最后对多条信道状态信息流采取主成分分析,为获得高质量的信号波,保留第一主成分Sm作为后续分析。
步骤2,将预处理后的CSI分离得到两条信号波。
通过短时傅里叶变换,将Sm和两名用户单独行走得到的第一主成分I1和I2分别变换为SPEC、MAG1和MAG2;根据横纵轴将SPEC、MAG1和MAG2划分成a·b个最小单位,比较MAG1和MAG2在各个最小单位的值,得到两个由0、1组成的分配指示图Y1和Y2,其中,a为时域帧的个数,b为频域频率的个数;通过对(Sm,Y1,Y2)的训练可以得到一个仅输入Sm便输出分配指示图V1和V2的神经网络,再根据V1和V2中1的分布,将SPEC分配成两个谱图SPEC1和SPEC2,最后利用快速傅里叶逆变换将SPEC1和SPEC2转换成时域的两条波S1和S2,S1和S2即分别代表两名用户。在比较MAG1和MAG2中对应每个最小单位值的大小,大的一方在对应的分配指示图Y1或Y2中对应的最小单位标注为1,否则为0;将SPEC分配到两个谱图SPEC1和SPEC2时,若V1对应的最小单位为1,则将SPEC的该最小单位分配到SPEC1对应位置,否则分配到SPEC2中。
步骤3,对分离得到的两条信号波进行有效步伐分割。
通过一个低通滤波器对S1和S2分别处理,首先利用滤波后的平滑波寻找行走起始点,当某点与该点前点的平均值的绝对值之差大过某个阈值,则将其置为起始点;其次按照极值点进行分割,对起始点后的波段寻找极值点,若相邻极值点hi和hi+1的间隔时间小于某阈值t1,则舍弃hi+1,继续包含寻找下一个极值点并计算间隔总和,如此重复,直至大于t1;若相邻极值点hi和hi+1的间隔大于某阈值t2,则将hi和hi+1中间点作为分割点;最后根据分割点对S1和S2进行分割,得到对应两个不同用户的步伐分割片段。
步骤4,对每个所述分割片段进行时域和频域的特征提取,以用户的身份作为该片段的标签,通过特征和标签训练得到多用户身份识别分类器。利用该分类器进行多用户的身份识别。
其中,时域的特征包括:信号的最小值、最大值、十分位数、第90百分位数、第一四分位数、第二四分位数、第三四分位数、方差、平均值、极差、标准差、偏度、峰度、平均过零率、自相关、波形下方面积和标准差与平均值之比;频域的特征包括:各频率能量之和、熵、快速傅里叶变换系数最大值与快速傅里叶变换系数和之比。
本发明主要基于无线通信和智能感知,考虑多人行走对WiFi信号的影响和WiFi信号对物体移动的感知特性和依赖特性,提出的一种基于WiFi信号,根据步态识别多用户身份的方法及系统。本方法充分考虑了在智能空间中,WiFi信号对多人行走的感知特性,通过训练得到的模型可以识别多用户的身份。通过本发明获得的结果更加科学,更加精确。
基于同样的发明构思,本发明第二方面提供了一种基于WiFi信号检测步态实现多用户身份识别装置,包括:
信号流获取模块,从接收到的双人行走WiFi信号中获取按照时间变化的信道状态信息(CSI)流,并进行预处理;
信号波分离模块,将预处理后的CSI分离得到两条信号波;
有效步伐分割模块,对分离得到的两条信号波进行有效步伐分割;
分类器训练模块,对每个所述分割片段进行时域和频域的特征提取,以用户的身份作为该片段的标签,通过特征和标签训练得到多用户身份识别分类器,利用该分类器进行多用户的身份识别。
基于同样的发明构思,本发明第三方面提供了一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被执行时实现如上所述的方法。
基于同样的发明构思,本发明第四方面提供了一种计算机设备,包括存储器、处理器及存储再存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如上所述的方法。
图1为本发明的流程图。为了进一步实现本发明,本发明还进行了有效的实验,实施例训练集为5人,包含男性和女性,身高体重各异,对本发明的流程进行一个具体的阐述,如下:
首先,对于实施例具体的硬件设备和实施方案说明如下:
硬件设备为:两个通用软件无线电外设(USRP)、一台联想电脑、一台戴尔电脑。统一软件无线电外设一台作为发送端,与联想电脑连接,另一台作为接收端,与戴尔电脑连接。两台电脑通过Ubuntu14.04中的GNU Radio进行CSI的处理。发送端不断以1800Hz进行传输。WiFi信号的传输频率为2.4GHz,带宽为8MHz。发送功率设置为默认。
实施方案为:在6.5m×5m的会议室或20m×2m的走廊或能容纳200人的阶梯教室中,接收端与发送端相距3米。双人行走时,前后相距1-1.5米,行走路径距离发送-接收的平行距离为1-1.5米。两名用户同时共同行走10步,USRP设备在行走期间不断进行通信。
步骤1,在双人同时行走时,从接收到的WiFi信号中获取按照时间变化的信道状态信息(CSI),获取到一定数量的信道状态信息流,再进行预处理。预处理方法为,1)动态计算平均值和方差,检测由硬件及传输所产生的离群值,再用相邻点的平均值代替,从而获得相对平滑的信号波,2)用低通滤波器对每条信道状态信息流进行高频去噪,保留表征行走的低频信息,3)最后对多条信道状态信息流采取主成分分析,为获得高质量的信号波,保留第一主成分Sm作为后续分析。
实施例具体的实施过程说明如下:
从WiFi设备上获取信道状态信息。每个20MHz的WiFi信道共有64个子载波,其中48个子载波用于802.11a/g的数据,52个子载波用于802.11n/ac的数据。每个子载波的信道状态信息都表征了传输速率的改变、功率、高频噪声等等。
其次,通过hampel辨识器来找到信道状态信息中的离群值,并用平均值将其取代。定义hi为信道状态信息第i个值,median(hi,N)是以hi为中心的相邻N点平均值,std(hi,N)是以hi为中心的相邻N点标准差,若hi满足:
|hi-median(hi,N)|>σ×std(hi,N)
则用median(hi,N)将其取代。其中σ=1.3。
随后用巴特沃斯滤波器去除高频噪声,截止频率为60Hz。尽管行走时身体移动产生的频率不会高于3Hz,但是为了保留更多信息,因此采用60Hz作为截止频率。在步骤三中还会进一步保留低频信号。
最后,通过主成分分析技术提取载波相关性和相似性,来获取更高质量的信号以便后续处理。本例中,接收端一共接收到52条子载波,通过主成分分析后,仅保留包含大量信息的第一主成分。定义改第一主成分为Sm,从步骤二起均仅对此第一主成分Sm处理。
步骤2,根据采用步骤1所得Sm分离得到两条信号波S1和S2。Sm、S1和S2均为随时间变化的信号波,分离得到S1和S2分别作为样本以便后续步骤识别出两名用户身份。
定义I1和I2是两名用户单独行走时按照上述步骤得到的两条信号波。训练阶段输入Sm、I1和I2,输出S1和S2;而测试阶段仅需输入Sm,即可输出S1和S2。
实施例具体的实施过程说明如下:
首先通过短时傅里叶变换得到频谱图。短时傅里叶变换的时间滑动窗口为256,步长为64,频谱图包含三维信息:时间、频率、傅里叶变换系数。训练阶段通过短时傅里叶变换将Sm、I1和I2变换得到SPEC、MAG1和MAG2。测试阶段将Sm变换为SPEC。
其次,在训练阶段通过MAG1和MAG2得到分配指示图Y1和Y2。分配指示图Y1和Y2用于将SPEC谱图分离。在短时傅里叶变换中,时间滑动窗口为a=256,因此每个窗口下产生256个最小单位。若窗口数量为b=n,则谱图SPEC共有M=256×n个最小单位。定义Y1={y1,k|y1,k∈{0,1}}和Y2={y2,k|y2,k∈{0,1}},k=1,2,...,M,k表示第k个最小单位。Y1和Y2分别作为分离得到S1和S2时的分配指示图。同理,定义MAGi,k和MAG2,k分别为MAG1和MAG2中第k个最小单位。y1,k的定义如下:若MAG1,k>MAG2,k,则y1,k=1;若MAG1,k<MAG2,k,则y1,k=0;若MAG1,k=MAG2,k,则y1,k=0或1,随机选取;y2,k的定义如下:y2,k=1-y1,k。
随后,在训练阶段进一步将SPEC作为输入,Y=(Y1,Y2)作为输出,训练得到神经网络。该神经网络在测试阶段可通过SPEC的输入,即输出分配指示图V=(V1,V2)。该神经网络由两层双向长短时记忆(BLSTM)和一个前馈层组成。BLSTM有600个隐藏神经元,前馈层有M个神经元,随机梯度下降法的学习率为10-5,动量为0.9。此外,神经网络包含两个激活函数(logistic与tanh)。传播时,期望为0、方差为0.4的高斯分布噪声被加入到了权重中。权重随机初始化时,满足期望为0、方差为0.1。代价函数为:
之后,根据分配指示图V=(V1,V2)和分配指示函数对SPEC进行分离,分离得到SPEC1和SPEC2,即定义SPECk为SPEC中第k个最小单位,SPEC1,k表示SPEC1中第k个最小单位,SPEC2,k表示SPEC2中第k个最小单位。定义为:若V1,k=1,则SPEC1,k=SPECk,SPEC2,k=SPECk-SPEC1,k;否则,SPEC1,k=0,SPEC2,k=SPECk-SPEC1,k。换言之,Vi,k=1表示将SPEC中第k个最小单位分配给第i个用户,而每一个最小单位仅分配给一名用户。
最后,将上述得到的谱图SPEC1和SPEC2通过快速傅里叶逆变换(IFFT)变换得到分离后的时间序列信号波S1和S2。快速傅里叶逆变换的参数同短时傅里叶变换,且分别对SPEC1和SPEC2进行变换操作。
步骤3,对S1和S2按照波形进行有效步伐分割,以便后续步骤对每个分割片段进行特征提取和用户身份识别。通过定位行走起始点、分割来完成步骤3。
实施例具体的实施过程说明如下:
首先寻找行走的起始点。为了更准确地检测信号波的起伏,减少无效的极值对检测的干扰,用8Hz为截止频率的巴特沃斯低通滤波器对S1和S2进行滤波,对滤波后更光滑的信号波进行检测。因为WiFi信号在环境没有变化和干扰时相对平稳,极少出现波动,所以利用WiFi信号对于环境的敏感性来检测行走起始点。定义hi为S1和S2信号波上某点,mean(hi)和std(hi)分别表示先于hi的平均值、标准差。若hi满足:
|hi-median(hi,N)|>σ×std(hi,N)
其中σ=0.8,则记hi为起始点。
其次,对起始点hi后的信号段进行按照极小值进行分割。鉴于行走频率为1Hz到3Hz,定义阈值τ1=0.3s和τ2=1s分别为最小和最大单步时长。若两相邻极小值点hi和hi+1的时间间隔小于τ1,则舍弃hi+1,继续寻找下一个极小值,直至找到hj满足时间间隔大于τ1,且小于τ2,则将hj作为分割点;若两相邻极小值点hi和hi+1的时间间隔大于τ2,则取(hi+hi+1)/2为分割点。随后按照分割点按照时间进行分割。
步骤4,对每个分割片段进行时域和频域的特征提取,以用户的身份作为该片段的标签,通过特征和标签训练得到多用户身份识别分类器。特征的选取包括时域特征和频域特征。
时域特征用于表征用户行走时的速度、步长、肢体移动。时域特征包括:信号的最小值、最大值、十分位数、第90百分位数、第一四分位数、第二四分位数、第三四分位数、方差、平均值、极差、标准差、偏度、峰度、平均过零率、自相关、波形下方面积和标准差与平均值之比。
频域特征用于表征用户行走时各身体部位不同的移动频率。频域特征包括:各频率能量之和、熵、快速傅里叶变换系数最大值与快速傅里叶变换系数和之比。在计算频域特征前,根据信号在频域的变化定义三个频段:0-0.7Hz的低能量段、0.3-2Hz的活动段、0.7-15Hz的高能量段。选取三个频段的原因是:在0-15Hz的低频段中,信号波动明显且特异,而在高于15Hz的频段中,信号幅度几乎为0。低能量段反应了慢速移动的整体姿势改变信息;活动段反应了肢体移动,比如:挥手、抬腿;高能量段反应了更细微的移动,比如:手指的移动。频域特征在三个频段中均计算。
最后,按照上述得到的特征集合训练出分类器。训练样本是分割后得到的每个分割片段中提取的时域和频域特征,标签为该分割片段所属的用户身份。通过支持向量机(SVM)和训练样本训练出分类器。
测试阶段,将接收到的混合信号通过步骤1的预处理后,在步骤2的神经网络中得到分配指示图V,进而进行分离得到S1和S2,继续通过步骤3对S1和S2分割,在步骤4中对分割片段提取特征后,最后在步骤5训练得到的分类器中预测得到该片段的标签。因为一次行走产生多个分割片段,因此对每名用户的分割片段采取多数决原则,最后分别识别出两名用户的身份。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (8)
1.一种基于WiFi信号检测步态实现多用户身份识别的方法,其特征在于,包含以下步骤:
步骤1,从接收到的双人行走WiFi信号中获取按照时间变化的信道状态信息CSI流,并进行预处理,具体如下:
1)动态计算平均值和方差,检测由硬件及传输所产生的离群值,再用相邻点的平均值代替,从而获得相对平滑的信号波;
2)用低通滤波器对每条信道状态信息流进行高频去噪,保留表征行走的低频信息;
3)最后对多条信道状态信息流采取主成分分析,为获得高质量的信号波,保留第一主成分Sm作为后续分析;
步骤2,将预处理后的CSI通过短时傅里叶变换结合深度神经网络分离为两个谱图,再利用快速傅里叶变换分离得到两条信号波;
步骤3,对分离得到的两条信号波进行有效步伐分割;
步骤4,对每个所述步伐分割得到的片段进行时域和频域的特征提取,以用户的身份作为该片段的标签,通过特征和标签训练得到多用户身份识别分类器,利用该分类器进行多用户的身份识别。
2.根据权利要求1所述的方法,其特征在于:所述步骤2的具体过程如下:
通过短时傅里叶变换,将Sm和两名用户单独行走得到的第一主成分I1和I2分别变换为SPEC、MAG1和MAG2;根据横纵轴将SPEC、MAG1和MAG2划分成a·b个最小单位,比较MAG1和MAG2在各个最小单位的值,得到两个由0、1组成的分配指示图Y1和Y2,其中,a为时域帧的个数,b为频域频率的个数;通过对(Sm,Y1,Y2)的训练可以得到一个仅输入Sm便输出分配指示图V1和V2的神经网络,再根据V1和V2中1的分布,将SPEC分配成两个谱图SPEC1和SPEC2,最后利用快速傅里叶逆变换将SPEC1和SPEC2转换成时域的两条波S1和S2,S1和S2即分别代表两名用户。
3.根据权利要求2所述的方法,其特征在于:所述步骤3的具体过程如下:
通过一个低通滤波器对S1和S2分别处理,首先利用滤波后的平滑波寻找行走起始点,当某点与该点前点的平均值的绝对值之差大过某个阈值,则将其置为起始点;其次按照极值点进行分割,对起始点后的波段寻找极值点,若相邻极值点hi和hi+1的间隔时间小于某阈值t1,则舍弃hi+1,继续包含寻找下一个极值点并计算间隔总和,如此重复,直至大于t1;若相邻极值点hi和hi+1的间隔大于某阈值t2,则将hi和hi+1中间点作为分割点;最后根据分割点对S1和S2进行分割,得到对应两个不同用户的步伐分割片段。
4.根据权利要求2所述的方法,其特征在于:所述步骤2中,在比较MAG1和MAG2中对应每个最小单位值的大小,大的一方在对应的分配指示图Y1或Y2中对应的最小单位标注为1,否则为0;将SPEC分配到两个谱图SPEC1和SPEC2时,若V1对应的最小单位为1,则将SPEC的该最小单位分配到SPEC1对应位置,否则分配到SPEC2中。
5.根据权利要求1所述的方法,其特征在于:
所述步骤4中,时域的特征包括:信号的最小值、最大值、十分位数、第90百分位数、第一四分位数、第二四分位数、第三四分位数、方差、平均值、极差、标准差、偏度、峰度、平均过零率、自相关、波形下方面积和标准差与平均值之比;频域的特征包括:各频率能量之和、熵、快速傅里叶变换系数最大值与快速傅里叶变换系数和之比。
6.一种基于WiFi信号检测步态实现多用户身份识别装置,其特征在于,包括:
信号流获取模块,从接收到的双人行走WiFi信号中获取按照时间变化的信道状态信息CSI流,并进行预处理,具体如下:
1)动态计算平均值和方差,检测由硬件及传输所产生的离群值,再用相邻点的平均值代替,从而获得相对平滑的信号波;
2)用低通滤波器对每条信道状态信息流进行高频去噪,保留表征行走的低频信息;
3)最后对多条信道状态信息流采取主成分分析,为获得高质量的信号波,保留第一主成分Sm作为后续分析;
信号波分离模块,将预处理后的CSI通过短时傅里叶变换结合深度神经网络分离为两个谱图,再利用快速傅里叶变换分离得到两条信号波;
有效步伐分割模块,对分离得到的两条信号波进行有效步伐分割;
分类器训练模块,对每个所述步伐分割得到的片段进行时域和频域的特征提取,以用户的身份作为该片段的标签,通过特征和标签训练得到多用户身份识别分类器,利用该分类器进行多用户的身份识别。
7.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至5中任一项权利要求所述的方法。
8.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5中任一项权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910941909.XA CN110621038B (zh) | 2019-09-30 | 2019-09-30 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910941909.XA CN110621038B (zh) | 2019-09-30 | 2019-09-30 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110621038A CN110621038A (zh) | 2019-12-27 |
CN110621038B true CN110621038B (zh) | 2021-07-20 |
Family
ID=68925179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910941909.XA Active CN110621038B (zh) | 2019-09-30 | 2019-09-30 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110621038B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114339859B (zh) * | 2020-09-27 | 2023-08-15 | 中国移动通信集团广东有限公司 | 识别全屋无线网络WiFi潜在用户的方法、装置及电子设备 |
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 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106899968B (zh) * | 2016-12-29 | 2020-04-24 | 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 |
CN110288018B (zh) * | 2019-06-24 | 2022-08-12 | 桂林电子科技大学 | 一种融合深度学习模型的WiFi身份识别方法 |
-
2019
- 2019-09-30 CN CN201910941909.XA patent/CN110621038B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110621038A (zh) | 2019-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yousefi et al. | A survey on behavior recognition using WiFi channel state information | |
Jiang et al. | Towards environment independent device free human activity recognition | |
CN106407905B (zh) | 基于机器学习的无线感知动作识别方法 | |
Zhang et al. | Wifi-id: Human identification using wifi signal | |
Xu et al. | WiStep: Device-free step counting with WiFi signals | |
CN107968689A (zh) | 基于无线通信信号的感知识别方法及装置 | |
CN106899968A (zh) | 一种基于WiFi信道状态信息的主动非接触身份认证方法 | |
Xu et al. | Attention-based gait recognition and walking direction estimation in wi-fi networks | |
CN110730473B (zh) | 面向WiFi活动识别的信号特征提取方法 | |
CN110621038B (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 | |
CN107202559B (zh) | 基于室内声学信道扰动分析的物体识别方法 | |
CN110287918A (zh) | 活体识别方法及相关产品 | |
Wang et al. | CSIID: WiFi-based human identification via deep learning | |
CN110414468A (zh) | WiFi环境下基于手势信号的身份验证方法 | |
Hao et al. | CSI‐HC: a WiFi‐based indoor complex human motion recognition method | |
Chen et al. | WiFace: Facial expression recognition using Wi-Fi signals | |
Avola et al. | Person re-identification through Wi-Fi extracted radio biometric signatures | |
CN110059612A (zh) | 一种基于信道状态信息的位置无关的手势识别方法及系统 | |
Venkatnarayan et al. | WiFi based multi-user gesture recognition | |
CN111142668B (zh) | 一种基于Wi-Fi指纹的定位和活动手势联合识别的交互方法 | |
Zhu et al. | Wi-ATCN: Attentional temporal convolutional network for human action prediction using WiFi channel state information | |
Bocus et al. | UWB and WiFi systems as passive opportunistic activity sensing radars | |
CN113743374A (zh) | 一种基于信道状态信息呼吸感知的人员身份识别方法 | |
Ge et al. | A doppler-based human activity recognition system using wifi signals | |
CN111652132B (zh) | 基于深度学习的非视距身份识别方法、设备及存储介质 |
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 |