CN111191475A - 一种基于uhf rfid的被动式行为识别方法 - Google Patents
一种基于uhf rfid的被动式行为识别方法 Download PDFInfo
- Publication number
- CN111191475A CN111191475A CN202010008039.3A CN202010008039A CN111191475A CN 111191475 A CN111191475 A CN 111191475A CN 202010008039 A CN202010008039 A CN 202010008039A CN 111191475 A CN111191475 A CN 111191475A
- Authority
- CN
- China
- Prior art keywords
- behavior
- fingerprint
- data
- feature
- matrix
- 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 27
- 230000006399 behavior Effects 0.000 claims abstract description 124
- 239000011159 matrix material Substances 0.000 claims abstract description 38
- 239000013598 vector Substances 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims abstract description 5
- 230000009471 action Effects 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000001360 synchronised effect Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 239000013074 reference sample Substances 0.000 claims description 3
- 230000008054 signal transmission Effects 0.000 claims description 3
- 238000007635 classification algorithm Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 239000012634 fragment Substances 0.000 description 6
- 239000000523 sample Substances 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/0008—General problems related to the reading of electronic memory record carriers, independent of its reading method, e.g. power transfer
-
- 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)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明属于射频识别领域，涉及一种基于UHF RFID的被动式行为识别方法。该方法以识别UHF RFID系统环境中的人体行为动作为目的，步骤为：使用滑窗函数将采集到的各种行为RSSI数据流分割成片段并提取统计特征；利用稀疏字典学习算法获得行为字典，使用行为字典计算统计特征的重构偏移向量并以此生成行为指纹；构建特征选择矩阵，使用带特征选择的kNN行为识别的算法识别待测行为指纹从而实现人体行为识别。本发明的特点是通过稀疏重构将统计特征指纹转化为重构偏移指纹，有效提升行为指纹的表征特性，能够满足在实际应用环境中的高精度要求。
Description
技术领域
本发明属于射频识别领域，涉及一种基于UHF RFID的被动式行为识别方法。
背景技术
作为情境感知技术的重要组成部分，行为识别技术已经引起了科研人员的广泛关注，成为了研究的热点。经过多年的技术探索和应用尝试，行为识别技术已经被应用于健康监护、入侵检测、体感游戏、智能家居、智慧空间等多个领域，给人们的生活带了诸多的便利和舒适的体验。在未来，行为识别技术将会应用于更广阔的场景，创造越来越多的实用价值。
根据是否需要用户主动佩戴传感设备，人体行为识别技术分为两类：主动式行为识别和被动式行为识别。主动式行为识别技术主要是通过在用户身上佩戴传感设备，利用传感设备上的陀螺仪、加速度传感器、电磁传感器等，采集用户手臂、腰、腿等部位的空间运动特征数据，从而识别用户行为。被动式行为识别技术则是通过在人体周围环境中部署各种信号采集设备，检测人体各种行为活动所带来的超声信号、可见光信号以及电磁信号的数据变化，采集相关数据信息识别人体行为。与主动式行为识别技术相比，被动式行为识别技术不需要用户主动佩戴传感设备，满足更广泛的应用场景，交互方式更加友好，拥有更好的用户体验，未来将会成为行为识别应用中的主流形式。
现有的行为识别方法中依然存在一些问题：(1)指纹训练时间长。随着行为指纹库的拓展，训练的时间随之呈线性增加甚至指数级增加。(2)依赖大量样本。为了找到清晰的行为指纹，需要采集大量样本进行训练才能获得理想的识别精度。(3)可拓展性差。向行为指纹库中添加新的行为指纹，需要重新训练甚至重建模型。(4)环境依赖性强，抗干扰能力差。这些问题严重制约着被动式行为识别技术在实际中的应用和大规模推广。
基于以上背景，本发明以实现更高稳定性、更强抗干扰能力、更低部署成本的被动式人体行为识别为目标，采用标签阵列反向散射的收信场强指示(Received SignalStrength Indicator，RSSI)作为行为识别依据，提出一种基于超高频射频识别(UltraHigh Frequency Radio Frequency Identification，UHF RFID)的被动式行为识别方法。
发明内容
本发明的目的是提供一种基于UHF RFID的被动式行为识别方法。本发明首先以无源UHF RFID标签和高性能UHF RFID阅读器为基础构建被动式行为识别系统，采集各种行为影响下的RSSI数据，并对数据流进行处理得到连续同步数据流，其次使用滑窗函数将数据流分割成片段，并从片段中提取统计特征，然后利用稀疏字典学习算法获得行为字典，使用行为字典计算统计特征的重构偏移向量并以此生成行为指纹，最后通过对指纹特征的稳定性分析构建特征选择矩阵，并以此对行为指纹的优势特征进行筛选，实现行为指纹优化，同时引入带特征选择的k近邻(k-NearestNeighbor，kNN)算法对行为指纹进行匹配，进而实现人体行为识别。
其具体步骤如下：
步骤1：以无源UHF RFID标签和高性能UHF RFID阅读器为基础构建被动式行为识别系统，阅读器在每个采样周期获取一个数据包，其中包含一个采样周期内读取的所有标签信息，在高采样频率下，一个完整的行为动作信息会被分散到多个连续的数据包中，每个单独的数据包中所包含的信息都不足以表征该行为，将数据包按时间顺序连接成数据流，从而实现抽象行为到可采集数据的转化。
步骤2：从阅读器中直接获取的原始数据流经常出现数据缺失，导致不同标签之间数据流错位，通过对数据采集过程分析，数据缺失原因分为两种：(1)由于设备的性能限制，当设置的采样频率较高，获取到的数据包中会出现增益较差的标签信息缺失，使用上一个完整数据包中对应标签的数据填充数据流中缺失的部分。(2)用户在射频信号覆盖区域内进行各种行为活动，当电子标签与阅读器之间的射频信号传输路径被人体遮挡，就会出现该标签数据连续缺失，使用RSSI最小值填充缺失数据，获得连续同步数据流。
步骤3：为了帮助分类算法更好的获取数据特征，需要将连续的同步数据流划分为一组单独的片段，使得每个片段对应某一特定的行为，通过引入时间信息，利用滑窗函数将数据流划分成若干等长片段，每一个单独的片段数据包含该种行为的所有特征信息。
步骤4：与直接利用测量数据的分类方法相比，基于统计特征的方法不需要建立数据与行为的精确模型，而是通过提取数据片段的最大值、最小值、中位数、平均数、方差、标准差以及最值差这7种轻量级的统计特征，使用统计特征代替测量数据，降低分类模型的复杂度，在同一片段中，每个标签都从不同角度记录了行为特征信息，具有互补性，因此需要对不同标签的统计特征进行拼接，整合成片段统计特征向量，实现片段数据向特征向量的转化，进而实现片段组向特征向量矩阵的转化。
步骤5：从无人环境下采集到的RSSI信号中提取统计特征，构建特征向量集作为参考样本集，通过稀疏字典学习算法，迭代执行两个学习阶段来计算行为字典，第一阶段为稀疏编码阶段，保持字典不变，采用正交匹配追踪(Orthogonal Matching Pursuit，OMP)算法计算稀疏系数矩阵，在第二阶段，在保持稀疏性的条件下奇异值分解残差，对行为字典和稀疏系数矩阵进行逐列顺序更新。
步骤6：利用OMP算法，计算每种行为特征向量的稀疏系数矩阵，利用行为字典和稀疏系数重新构建的特征向量，重构偏移向量为特征向量与重构特征向量之差，使用重构偏移向量作为行为指纹。
步骤7：将行为指纹按类别分类，对于每种类型的指纹，以指纹特征的方差作为稳定性指标对该种指纹的所有特征进行稳定性排序，选出数值变化较稳定的指纹特征，并将一个M维的对角矩阵中相对应的位置的主对角线元素置为1、其他元素置为0作为特征选择矩阵，使得特征选择矩阵的主对角线上的M个元素分别对应着指纹的M个特征，当主对角线元素全为1时，表示指纹特征全部被选择，当主对角线元素全为0时，表示不选择任何的指纹特征，使用特征选择矩阵将指纹投影到能够稳定表征行为的子空间中得到新的指纹，使用新指纹替换原指纹实现指纹优势特征的筛选。
步骤8：引入kNN算法，通过计算待测指纹与行为指纹库中的指纹之间的相似程度，选择相似度最高的k个指纹，根据所选指纹的类型推断待测指纹的类型，并且在kNN的基础上增加特征选择策略，使用带特征选择的欧氏距离作为相似度衡量指标，提高了指纹匹配性能，进而提高行为识别算法的识别精度。
附图说明：
图1是本发明的行为识别系统流程图；
图2是本发明的行为识别系统结构框图；
图3是四种行为的重构偏移向量指纹图；
图4是四种特征选择优化后行为重构偏移向量指纹图；
具体实施方式：
首先，以无源UHF RFID标签和高性能UHF RFID阅读器为基础构建被动式行为识别系统，使用阅读器每个采样周期获取一个数据包，从数据包中可以获取阅读器在一个采样周期内读取的所有标签信息，在高采样频率下，一个完整的行为动作信息会被分散到了多个连续的数据包中，每个单独的数据包中所包含的信息都不足以表征该行为，因此，将数据包按时间顺序连接成数据流，从而实现抽象行为到可采集数据的转化。
然而从阅读器中直接获取的原始数据流经常出现部分标签的数据缺失，导致不同标签之间数据流错位，为了获取连续的同步数据流，需要对数据流中缺失的部分进行有效的填充，经过对实验数据分析可以将数据流缺失的原因总结为以下两种：(1)由于设备的性能限制，当设置的采样频率较高，获取到的数据包中会出现增益较差的标签信息缺失，，对于这种情况的数据缺失，使用临近数据填充法，即使用上一个完整数据包中对应标签的数据填充数据流中缺失的部分；(2)在实验过程中，用户在射频信号覆盖区域内进行各种行为活动，当电子标签与阅读器之间的射频信号传输路径被人体遮挡，就会出现该标签数据连续缺失，为了保证数据流的完整性且不损失数据中包含的有效信息，使用RSSI最小值填充缺失数据，通过上述两种方法，识别并填充两种不同形式的残缺数据包，获得的连续同步数据流Sh可以表示为：
其中，H为指纹库行为数量，h∈[1，H]表示行为编号，T表示标签阵列中的标签数量，t∈[1，T]表示标签编号，P表示数据包数量，p∈[1，P]表示数据包序号，rtp表示第p个包中的第t个标签的RSSI值。
其次，引入了时间信息，利用滑窗函数将数据流划分成若干等长片段，使得每个片段对应某一特定的行为，例如挥手、行走、坐等。分割方式可以表示为：
其中，si∈RTL表示一个片段，L表示片段的大小，每一个单独的片段数据包含该种行为的所有特征信息。
与直接利用测量数据的分类方法相比，基于统计特征的方法不需要建立数据与行为的精确模型，而是通过提取数据的最大值、最小值、中位数、平均数、方差、标准差以及最值差这7种轻量级的统计特征，使用统计特征代替测量数据，降低分类模型的复杂度。
在同一片段中，每个标签都从不同角度记录了行为特征信息，具有互补性，因此需要对不同标签的统计特征进行拼接，整合成片段统计特征向量，实现片段数据si向特征向量oi的转化，进而实现片段组Sh向特征向量矩阵Oh＝(o1，o2，o3…oN)，oi∈RM的转化，每个片段包含T个标签数据，给个标签提取7个统计特征，则片段的统计特征数量M＝7×T。
然后，从无人环境下采集到的RSSI信号中提取统计特征，构建特征向量集作为参考样本集O0＝{o1，o2，o3…on}，其中oi∈RM，M是特征向量维度，每一个特征向量oi作为一条样本，生成的行为字典可表示为D∈RM×K(K＞M)，其中K是字典中原子的个数，为了保持稀疏性，稀疏系数中的非零元素个数T0＜＜K，通过稀疏字典学习算法，迭代执行两个学习阶段来计算行为字典，第一阶段为稀疏编码阶段，保持D不变，采用OMP算法计算稀疏系数矩阵X，在第二阶段，在保持稀疏性的条件下奇异值分解残差Ek，对行为字典D和稀疏系数矩阵X进行逐列顺序更新。
利用OMP算法，计算每种行为特征向量Oh∈RM×N的稀疏矩阵Xh＝OMP(D，Oh，τ0)，Xh∈RK×N，利用行为字典和系数稀疏重新构建的特征向量，计算重构特征矩阵O′h＝D×Xh，O′h∈RM×N，则重构偏移矩阵为Ch＝Oh-O′h，Ch∈RM×N，其每个列向量
表示一个重构偏移向量指纹，每个重构偏移矩阵包含N个重构偏移向量指纹，图3是跌倒、行走、站立以及挥左手四种行为指纹的曲线图，每条曲线表示一条该类型的重构偏移向量指纹。
最后，将行为指纹按行为类别分类，对指纹特征稳定性进行排序，以行为指纹特征的方差作为指纹特征稳定性指标，选出数值变化较稳定的指纹特征，将一个M维的对角矩阵中相对应的位置的主对角线元素置为1、其他元素置为0作为特征选择矩阵
即
其中X为稳定特征序号集合，特征选择矩阵的主对角线上的M个元素分别对应着指纹的M个特征，当主对角线元素全为1时，表示指纹特征全部被选择，当主对角线元素全为0时，表示不选择任何的指纹特征，使用特征选择矩阵将指纹投影到能够稳定表征行为的子空间中，得到新的指纹
新指纹如图4所示，使用新指纹替换原指纹，实现指纹优势特征的筛选。
为了实现行为识别，引入kNN算法来匹配行为指纹，由于在实际构建的指纹中含有随机波动的不稳定特征，对相似度的评定有较大的影响，现有的kNN算法中使用的相似度评价指标不能消除不稳定特征的影响，因此需要在kNN算法中增加特征选择策略，使用特征选择矩阵对指纹向量进行降维，消除不稳定特征的影响，根据指纹库指纹类型选取对应的特征选择矩阵，计算待测指纹向量与指纹库指纹向量在降维特征空间中的欧式距离，作为相似度的衡量指标，对于待测行为指纹c*∈RM，其相似度距离公式为：
其中，
是Ch的列向量，表示一条h类指纹库中的指纹，使用指纹库指纹的类型动态选择特征选择矩阵，实现了未知类型指纹的优化，通过计算待测指纹与行为指纹库中的指纹之间的相似程度，选择相似度最高的k个指纹，根据所选指纹的类型推断待测指纹的类型，进而实现行为识别。
假设被动式行为识别系统行为指纹库包括跌倒、站立、行走、坐、坐下、起立、挥左手、挥右手、踢左腿以及踢右腿10种行为，即H＝10，系统的采样周期为200ms，稀疏系数中的非零元素个数T0设为3，特征选择矩阵所选择的特征数量X设为40，分别采集6位志愿者的十种行为动作的数据，每种行为动作重复采集20个样本，每人总计获得200个样本，将所有样本数据按1∶9比例划分成训练样本集和测试样本集，使用训练样本集构建指纹库，使用测试样本集验证本发明所提出的行为识别系统，以F1分数作为识别性能评估指标，在无干扰条件下系统的精度达96％，在动态干扰条件下系统的精度保持90％以上，在视距链路被遮挡的条件下系统精度仍然保持在89％以上，能够满足在实际应用环境中的高精度要求。
Claims (2)
1.一种基于UHF RFID的被动式行为识别方法，其具体步骤如下：
步骤1：以无源UHF RFID标签和高性能UHF RFID阅读器为基础构建被动式行为识别系统，阅读器在每个采样周期获取一个数据包，其中包含一个采样周期内读取的所有标签信息，在高采样频率下，一个完整的行为动作信息会被分散到多个连续的数据包中，每个单独的数据包中所包含的信息都不足以表征该行为，将数据包按时间顺序连接成数据流，从而实现抽象行为到可采集数据的转化；
步骤2：从阅读器中直接获取的原始数据流经常出现数据缺失，导致不同标签之间数据流错位，通过对数据采集过程分析，数据缺失原因分为两种：(1)由于设备的性能限制，当设置的采样频率较高，获取到的数据包中会出现增益较差的标签信息缺失，使用上一个完整数据包中对应标签的数据填充数据流中缺失的部分，(2)用户在射频信号覆盖区域内进行各种行为活动，当电子标签与阅读器之间的射频信号传输路径被人体遮挡，就会出现该标签数据连续缺失，使用RSSI最小值填充缺失数据，获得连续同步数据流；
步骤3：为了帮助分类算法更好的获取数据特征，需要将连续的同步数据流划分为一组单独的片段，使得每个片段对应某一特定的行为，通过引入时间信息，利用滑窗函数将数据流划分成若干等长片段，每一个单独的片段数据包含该种行为的所有特征信息；
步骤4：与直接利用测量数据的分类方法相比，基于统计特征的方法不需要建立数据与行为的精确模型，而是通过提取数据片段的最大值、最小值、中位数、平均数、方差、标准差以及最值差这7种轻量级的统计特征，使用统计特征代替测量数据，降低分类模型的复杂度，在同一片段中，每个标签都从不同角度记录了行为特征信息，具有互补性，因此需要对不同标签的统计特征进行拼接，整合成片段统计特征向量，实现片段数据向特征向量的转化，进而实现片段组向特征向量矩阵的转化；
步骤5：从无人环境下采集到的RSSI信号中提取统计特征，构建特征向量集作为参考样本集，通过稀疏字典学习算法，迭代执行两个学习阶段来计算行为字典，第一阶段为稀疏编码阶段，保持字典不变，采用正交匹配追踪(Orthogonal Matching Pursuit，OMP)算法计算稀疏系数矩阵，在第二阶段，在保持稀疏性的条件下奇异值分解残差，对行为字典和稀疏系数矩阵进行逐列顺序更新；
步骤6：利用OMP算法，计算每种行为特征向量的稀疏系数矩阵，利用行为字典和稀疏系数重新构建的特征向量，重构偏移向量为特征向量与重构特征向量之差，使用重构偏移向量作为行为指纹；
步骤7：对每种行为指纹特征进行稳定性排序，分别构建特征选择矩阵，使用特征选择矩阵将指纹投影到能够稳定表征行为的子空间中，得到新的指纹，使用新指纹替换原指纹，实现指纹优势特征的筛选；
步骤8：引入kNN算法，通过计算待测指纹与行为指纹库中的指纹之间的相似程度，选择相似度最高的k个指纹，根据所选指纹的类型推断待测指纹的类型，并且在kNN的基础上增加特征选择策略，使用带特征选择的欧氏距离作为相似度衡量指标，提高了指纹匹配性能，进而提高行为识别算法的识别精度。
2.根据权利要求1所述的基于UHF RFID的被动式行为识别方法，其特征在于步骤7中，由于不同种行为指纹的稳定特征不同，所以将行为指纹按行为类别分类，分别为每种类型行为指纹构建一个特征选择矩阵，为了简化计算，使用主对角矩阵作为特征选择矩阵原型，矩阵维度等于指纹的特征数量M，主对角线上的M个元素分别对应着指纹的M个特征，当主对角线元素为1时，表示对应的指纹特征被选择，当主对角线元素为0时，表示对应的指纹特征被过滤，对指纹特征稳定性进行排序，以方差作为指纹特征稳定性指标选出数值变化较稳定的指纹特征，生成特征选择矩阵
其中h为行为编号，则优化后的行为指纹矩阵表示为
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010008039.3A CN111191475A (zh) | 2020-01-06 | 2020-01-06 | 一种基于uhf rfid的被动式行为识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010008039.3A CN111191475A (zh) | 2020-01-06 | 2020-01-06 | 一种基于uhf rfid的被动式行为识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111191475A true CN111191475A (zh) | 2020-05-22 |
Family
ID=70708735
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010008039.3A Pending CN111191475A (zh) | 2020-01-06 | 2020-01-06 | 一种基于uhf rfid的被动式行为识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111191475A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113952707A (zh) * | 2021-12-16 | 2022-01-21 | 广州优刻谷科技有限公司 | 基于rfid的体感游戏动作识别方法、打分方法及系统 |
| CN116451087A (zh) * | 2022-12-20 | 2023-07-18 | 石家庄七彩联创光电科技有限公司 | 性格匹配方法、装置、终端及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2240878A2 (en) * | 2007-12-12 | 2010-10-20 | 3M Innovative Properties Company | Identification and verification of an unknown document according to an eigen image process |
| US20150057994A1 (en) * | 2013-08-20 | 2015-02-26 | Eric Hong Fang | Unified Mobile Learning Platform |
| CN106897740A (zh) * | 2017-02-17 | 2017-06-27 | 重庆邮电大学 | 基于惯性传感器的人体行为识别系统下eemd‑dfa特征提取方法 |
| CN106971180A (zh) * | 2017-05-16 | 2017-07-21 | 山东大学 | 一种基于语音字典稀疏迁移学习的微表情识别方法 |
-
2020
- 2020-01-06 CN CN202010008039.3A patent/CN111191475A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2240878A2 (en) * | 2007-12-12 | 2010-10-20 | 3M Innovative Properties Company | Identification and verification of an unknown document according to an eigen image process |
| US20150057994A1 (en) * | 2013-08-20 | 2015-02-26 | Eric Hong Fang | Unified Mobile Learning Platform |
| CN106897740A (zh) * | 2017-02-17 | 2017-06-27 | 重庆邮电大学 | 基于惯性传感器的人体行为识别系统下eemd‑dfa特征提取方法 |
| CN106971180A (zh) * | 2017-05-16 | 2017-07-21 | 山东大学 | 一种基于语音字典稀疏迁移学习的微表情识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 楼中望等: "基于W2KPCA-KNN 算法的人体异常行为识别", 《计算机系统应用》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113952707A (zh) * | 2021-12-16 | 2022-01-21 | 广州优刻谷科技有限公司 | 基于rfid的体感游戏动作识别方法、打分方法及系统 |
| CN116451087A (zh) * | 2022-12-20 | 2023-07-18 | 石家庄七彩联创光电科技有限公司 | 性格匹配方法、装置、终端及存储介质 |
| CN116451087B (zh) * | 2022-12-20 | 2023-12-26 | 石家庄七彩联创光电科技有限公司 | 性格匹配方法、装置、终端及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rußwurm et al. | Self-attention for raw optical satellite time series classification | |
| Kampffmeyer et al. | Urban land cover classification with missing data modalities using deep convolutional neural networks | |
| CN107122752B (zh) | 一种人体动作比对方法及装置 | |
| CN111027487A (zh) | 基于多卷积核残差网络的行为识别系统、方法、介质及设备 | |
| US20110282828A1 (en) | Method of identification and devices thereof | |
| CN111443165A (zh) | 一种基于气体传感器与深度学习的气味识别方法 | |
| Héas et al. | Modeling trajectory of dynamic clusters in image time-series for spatio-temporal reasoning | |
| CN104966105A (zh) | 一种鲁棒机器错误检索方法与系统 | |
| CN110674875A (zh) | 一种基于深度混合模型的行人运动模式识别方法 | |
| CN106326906A (zh) | 活动识别方法和装置 | |
| CN111191475A (zh) | 一种基于uhf rfid的被动式行为识别方法 | |
| CN116304604B (zh) | 多变量时间序列数据异常检测、模型训练方法和系统 | |
| EP4010998A1 (en) | System and method for event recognition | |
| CN114818788A (zh) | 基于毫米波感知的追踪目标状态识别方法和装置 | |
| CN114913547B (zh) | 基于改进的Transformer网络的跌倒检测方法 | |
| CN111931616A (zh) | 基于移动智能终端传感器设备的情绪识别方法及系统 | |
| CN116861217B (zh) | 用于移动终端的身份识别方法及系统 | |
| Wang et al. | Sparse representation of local spatial-temporal features with dimensionality reduction for motion recognition | |
| Yin et al. | Human identification via unsupervised feature learning from UWB radar data | |
| Cominelli et al. | Accurate Passive Radar via an Uncertainty-Aware Fusion of Wi-Fi Sensing Data | |
| Zhou et al. | Binary classification of floor vibrations for human activity detection based on dynamic mode decomposition | |
| Cho et al. | A space-time graph optimization approach based on maximum cliques for action detection | |
| CN115100733B (zh) | Rfid手势识别方法、计算机装置、产品及存储介质 | |
| Nowak et al. | Machine learning methods in data fusion systems | |
| Mithal et al. | Change detection from temporal sequences of class labels: Application to land cover change mapping |
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 | ||
| AD01 | Patent right deemed abandoned | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20221018 |