CN111652132B - 基于深度学习的非视距身份识别方法、设备及存储介质 - Google Patents

基于深度学习的非视距身份识别方法、设备及存储介质 Download PDF

Info

Publication number
CN111652132B
CN111652132B CN202010492366.0A CN202010492366A CN111652132B CN 111652132 B CN111652132 B CN 111652132B CN 202010492366 A CN202010492366 A CN 202010492366A CN 111652132 B CN111652132 B CN 111652132B
Authority
CN
China
Prior art keywords
matrix
sequence
amplitude
short
time energy
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
Application number
CN202010492366.0A
Other languages
English (en)
Other versions
CN111652132A (zh
Inventor
魏忠诚
张新秋
赵继军
鲍泰梁
陈湘国
李志华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei University of Engineering
Original Assignee
Hebei University of Engineering
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hebei University of Engineering filed Critical Hebei University of Engineering
Priority to CN202010492366.0A priority Critical patent/CN111652132B/zh
Publication of CN111652132A publication Critical patent/CN111652132A/zh
Application granted granted Critical
Publication of CN111652132B publication Critical patent/CN111652132B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/16—Classification; Matching by matching signal segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
    • H04B7/0621—Feedback content
    • H04B7/0626—Channel coefficients, e.g. channel state information [CSI]
    • 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
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis

Abstract

本发明公开了一种基于深度学习的非视距身份识别方法、设备及存储介质，属于无线网络和非视距下的行为识别技术领域。本发明方法利用普通商用路由器收集CSI数据，通过对原始CSI数据进行预处理，并使用MSCNN算法从处理后的活动片段自动提取能够区分不同个体的特征，最后使用SoftMax函数实现穿墙情况下的活动人员的身份识别。本发明方法易于实现，便于实施，执行效率高，识别结果准确性高。

Description

基于深度学习的非视距身份识别方法、设备及存储介质
技术领域
本发明涉及无线网络和非视距下的行为识别技术领域，尤其涉及一种基于深度学习的非视距身份识别方法、设备及存储介质，可用于穿墙情况下的无线身份识别。
背景技术
随着我国公共安全体系的逐步完善，身份识别相关应用场景也逐步延伸到了社区安全、楼宇安全、家居安全等多个领域，对室内人员身份验证技术要求越来越高。
传统的身份识别技术主要基于身份标识物品及知识技术、计算机视觉和可穿戴传感器。但在某种程度上具有一定的局限性。身份标识物品及知识技术，其中身份标识物品技术是一种个人持有物，如IC/感应式ID/RFID卡证件，身份标识知识技术包括个人识别码和密码，两者也可以一起使用。它们是人们日常使用率最高的识别技术。但是容易遗忘、丢失或伪造，当被非法者持有时，便可以得到与合法用户相同的权利；计算机视觉通过摄像头采集人体生理和活动的图像和视频数据，利用计算机视觉计算方法提取独特的身份特征进而进行感知识别，识别准确度高，但是计算量巨大，容易侵犯个人隐私、且易受到光照条件以及障碍物的影响等；可穿戴传感器从人体各处的传感器获取运动数据，使用常见的分段技术对数据进行分段并提取特征实现细粒度的感知识别，但是它要求用户佩戴专用传感器，容易引起用户不适。
随着无线网络的发展，Wi-Fi技术设备在全球范围内已经广泛普及。在布满无线信号空间中，人体活动会对无线信号产生反射、折射和衍射等，发生多径效应，接收端的信号蕴含着人体以及环境信息，通过分析接收端信号可以进行人体活动识别。并且Wi-Fi信号可穿墙、覆盖范围广、部署成本低，将Wi-Fi技术引入到身份识别中能够有效弥补传统身份识别技术所带来的不足。
Wi-Fi的活动识别技术有基于接收信号强度指示(Received Signal StrengthIndicator，RSSI)、软件无线电(Universal Software Radio Peripheral，USRP)等。但是，RSSI信号提供的是粗粒度信息，感知效果较差。USRP设备的人体行为识别成本较大，具有较低的实用性。2010年，研究人员发布了基于Intel 5300网卡的CSI测量工具(CSI-Tool)，开始可以从Wi-Fi设备中提取信道状态信息(Channel State Information，CSI)。相对于RSSI，USRP设备，CSI信息获取设备低廉，可以从幅值和相位提取更为细粒度的信息实现身份识别。近几年基于CSI的无线身份识别技术受到了研究者的广泛关注，研究成果显著。但目前的研究缺乏对非视距情况的考虑。
发明内容
有鉴于此，本发明提出了一种基于深度学习的非视距身份识别方法、设备及存储介质，该方法的实现成本低、识别精度高、识别粒度细，且具有可扩展性。
为了实现上述目的，本发明采用的技术方案是：
一种基于深度学习的非视距身份识别方法，其包括以下步骤：
(1)通过接收端天线m接收来自于发射端天线n的无线信号，从接收端天线收到的数据包中获取CSI数据，每个CSI数据为一个包含幅值信息和相位信息的复数值；1≤m≤M，1≤n≤N，M为接收端的天线总数，N为发射端的天线总数；
(2)从CSI数据中提取幅值信息，将幅值信息组成M×N个幅值矩阵，每个幅值矩阵对应于一个天线对，幅值矩阵中的一列对应于一个子载波，一行对应于一个数据包；将这M×N个幅值矩阵的各列组合成一行，构成一个整体幅值矩阵；
(3)通过基于增广拉格朗日乘子法的鲁棒主成分分析，对整体幅值矩阵进行分解和降维，得到稀疏矩阵，选取稀疏矩阵的前六列作为有效矩阵，通过小波分析对有效矩阵进行去噪处理；
(4)对去噪处理后有效矩阵的每一列做滑窗处理，计算每个滑窗的短时能量值，得到短时能量值矩阵；对短时能量值矩阵的每一行求均值，各行均值组成短时能量值序列，然后对短时能量值序列进行平滑处理；
(5)计算平滑处理后短时能量值序列的均值，并取该均值的8倍作为阈值；取短时能量值序列中的最大值，判断该最大值是否大于所述阈值，若是，则记录该最大值在短时能量值序列中的位置；
(6)根据步骤(5)所记录的位置选取有效矩阵中各列相应位置的滑窗，这些滑窗的短时能量值的均值即为步骤(5)中所获得的最大值；然后，在有效矩阵中，以该位置滑窗的中点为中心截取前后一段时间内的行数据作为活动片段；
(7)将活动片段输入经过训练的多尺度卷积神经网络，通过神经网络得到非视距身份识别结果。
进一步的，所述步骤(2)中，将这M×N个幅值矩阵的各列组合成一行，构成一个整体幅值矩阵的具体方式为：将M×N个幅值矩阵相同位置的列取出，按第一顺序从左到右排列，得到对应于该位置列的子矩阵，然后将所有子矩阵按第二顺序从左到右排列，组成整体幅值矩阵；所述第一顺序为M×N个幅值矩阵的排序，所述第二顺序为幅值矩阵中各位置列的排序。
进一步的，所述步骤(3)中，通过基于增广拉格朗日乘子法的鲁棒主成分分析，对整体幅值矩阵进行分解和降维，得到稀疏矩阵的具体方式为，通过基于增广拉格朗日乘子法的鲁棒主成分分析法直接对整体幅值矩阵进行分解和降维处理，公式为：
min||A||*+γ||E||1约束条件：A+E＝D
其中，A为低秩矩阵，E为稀疏矩阵，||A||*表示矩阵A的秩，||E||1表示矩阵E的1范数，γ为一个变量，D为整体幅值矩阵。
进一步的，所述步骤(3)中通过小波变换对有效矩阵进行去噪处理的具体方式为：
选取daubechies 6小波基和5层的分解层数，对有效矩阵进行离散小波变换，得到高频的细节分量以及低频的近似分量；
选取硬阈值为阈值函数，使用固定阈值，去除高频细节分量；
用处理后的分量进行小波重构，得到去噪后的有效矩阵。
进一步的，所述步骤(4)中滑窗处理的具体方式为：
(401)设置滑窗大小k；
(402)对于有效矩阵的每一列，首先选取最上面的k个元素作为第一个滑窗，计算得到该列的第一个短时能量值，然后选取第2个到第k+1个元素作为第二个滑窗，计算得到该列的第二个短时能量值，接着选取第3个到第k+2个元素作为第三个滑窗，计算得到该列的第三个短时能量值；以此类推，直至滑窗结束。
进一步的，所述步骤(4)中对短时能量值序列进行平滑处理的具体方式为中值滤波处理。
进一步的，步骤(6)中所述的一段时间为1.5秒。
进一步的，所述步骤(7)的具体方式为：
(701)将CSI活动片段的各行按行序号逐个连接，组成CSI序列，放入多尺度卷积神经网络中，通过多组降频因子和滑动窗口对CSI序列进行处理，得到多个时间序列；
(702)为了防止过拟合，使用滑动窗口M在时间序列上截取数据，并共享同一个类别标签，同时增加测试集和训练集的规模；
(703)对时间序列进行一维局部卷积操作，提取特征；采用ReLU激活函数将神经网络中的线性运算转变为非线性运算；
(704)选择步长，对特征进行最大池化，实现特征选择和维度降低；
(705)使用Concatenate函数对步骤(704)处理后的特征进行合并拼接；
(706)对步骤(705)合并拼接后的特征进行全卷积、非线性运算和池化操作；
(707)使用Flatten函数对步骤(706)处理后的特征进行处理，得到一个一维特征序列，通过全连接层对一维特征序列中的特征进行级联；
(708)使用SoftMax函数对级联的特征进行分类，并将分类结果映射到区间(0，1)之间；
(709)采用损失函数计算误差，通过反向传播的方式指导网络参数的更新优化，从而实现身份识别；
所述损失函数为：
Figure BDA0002521541120000061
其中，Lauth为损失值，P代表身份识别种类，R表示训练或测试样本数，cr示第r个样本的真实值，dr,p表示第r个样本中第p个人的预测值。
一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述方法的步骤。
本发明的有益效果在于：
1、本发明针对传统身份识别技术的不足，利用Wi-Fi技术获取不同环境状态的CSI数据，依托信号处理技术和神经网络，能够实现高精度的非视距下的身份识别。
2、本发明方法易于实现，便于实施，执行效率高。
附图说明
图1是本发明的一个实施场景示意图。
图2是本发明一个实施例的流程图。
图3a～图3d是CSI数据的所有天线对的幅值图。
图4是基于增广拉格朗日乘子法的鲁棒主成分分析得到的稀疏矩阵的第一列示例图。
图5是使用小波变换进行去噪后的有效矩阵的第一列示例图。
图6是短时能量值序列示例图。
图7是经过中值滤波后的短时能量值序列示例图。
图8是人体活动所对应的活动片段的第一列示例图。
图9是MSCNN网络结构图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细说明。
一种基于深度学习的非视距身份识别方法，包括以下步骤：
(1)通过接收端天线m接收来自于发射端天线n的无线信号，从接收端天线收到的数据包中获取CSI数据，每个CSI数据为一个包含幅值信息和相位信息的复数值；1≤m≤M，1≤n≤N，M为接收端的天线总数，N为发射端的天线总数；
(2)从CSI数据中提取幅值信息，将幅值信息组成M×N个幅值矩阵，每个幅值矩阵对应于一个天线对，幅值矩阵中的一列对应于一个子载波，一行对应于一个数据包；将这M×N个幅值矩阵的各列组合成一行，构成一个整体幅值矩阵；
(3)通过基于增广拉格朗日乘子法的鲁棒主成分分析，对整体幅值矩阵进行分解和降维，得到稀疏矩阵，选取稀疏矩阵的前六列作为有效矩阵，通过小波变换对有效矩阵进行去噪处理；
(4)对去噪处理后有效矩阵的每一列做滑窗处理，计算每个滑窗的短时能量值，得到短时能量值矩阵；对短时能量值矩阵的每一行求均值，各行均值组成短时能量值序列，然后对短时能量值序列进行平滑处理；
(5)计算平滑处理后短时能量值序列的均值，并取该均值的8倍作为阈值；取短时能量值序列中的最大值，判断该最大值是否大于所述阈值，若是，则记录该最大值在短时能量值序列中的位置；
(6)根据步骤(5)所记录的位置选取有效矩阵中各列相应位置的滑窗，这些滑窗的短时能量值的均值即为步骤(5)中所获得的最大值；然后，在有效矩阵中，以该位置滑窗的中点为中心截取前后一段时间内的行数据作为活动片段；
(7)将活动片段输入经过训练的多尺度卷积神经网络，通过神经网络得到非视距身份识别结果。
进一步的，所述步骤(2)中，将这M×N个幅值矩阵的各列组合成一行，构成一个整体幅值矩阵的具体方式为：将M×N个幅值矩阵相同位置的列取出，按第一顺序从左到右排列，得到对应于该位置列的子矩阵，然后将所有子矩阵按第二顺序从左到右排列，组成整体幅值矩阵；所述第一顺序为M×N个幅值矩阵的排序，所述第二顺序为幅值矩阵中各位置列的排序。
进一步的，所述步骤(3)中，通过基于增广拉格朗日乘子法的鲁棒主成分分析，对整体幅值矩阵进行分解和降维，得到稀疏矩阵的具体方式为，通过基于增广拉格朗日乘子法的鲁棒主成分分析法直接对整体幅值矩阵进行分解和降维处理，公式为：
min||A||*+γ||E||1限制条件：A+E＝D
其中，A为低秩矩阵，E为稀疏矩阵，||A||*表示矩阵A的秩，||E||1表示矩阵E的1范数，γ为一个变量，D为整体幅值矩阵。
进一步的，所述步骤(3)中通过小波变换对有效矩阵进行去噪处理的具体方式为：
选取daubechies 6小波基和5层的分解层数，对有效矩阵进行离散小波变换，得到高频的各细节分量以及低频的近似分量；
选取硬阈值为阈值函数，使用固定阈值，去除高频细节分量；
用处理后的分量进行小波重构，得到去噪后的有效矩阵。
进一步的，所述步骤(4)中滑窗处理的具体方式为：
(401)设置滑窗大小k；
(402)对于有效矩阵的每一列，首先选取最上面的k个元素作为第一个滑窗，计算得到该列的第一个短时能量值，然后选取第2个到第k+1个元素作为第二个滑窗，计算得到该列的第二个短时能量值，接着选取第3个到第k+2个元素作为第三个滑窗，计算得到该列的第三个短时能量值；以此类推，直至滑窗结束。
进一步的，所述步骤(4)中对短时能量值序列进行平滑处理的具体方式为中值滤波处理。
进一步的，步骤(6)中所述的一段时间为1.5秒。
进一步的，所述步骤(7)的具体方式为：
(701)将CSI活动片段的各行按行序号逐个连接，组成CSI序列，放入多尺度卷积神经网络中，通过多组降频因子和滑动窗口对CSI序列进行处理，得到多个时间序列；
(702)为了防止过拟合，使用滑动窗口M在时间序列上截取数据，并共享同一个类别标签，同时增加测试集和训练集的规模；
(703)对时间序列进行一维局部卷积操作，提取特征；采用ReLU激活函数将神经网络中的线性运算转变为非线性运算；
(704)选择步长，对特征进行最大池化，实现特征选择和维度降低；
(705)使用Concatenate函数对步骤(704)处理后的特征进行合并拼接；
(706)对步骤(705)合并拼接后的特征进行全卷积、非线性运算和池化操作；
(707)使用Flatten函数对步骤(706)处理后的特征进行处理，得到一个一维特征序列，通过全连接层对一维特征序列中的特征进行级联；
(708)使用Softmax函数对级联的特征进行分类，并将分类结果映射到区间(0，1)之间；
(709)采用损失函数计算误差，通过反向传播的方式指导网络参数的更新优化，从而实现身份识别；
所述损失函数为：
Figure BDA0002521541120000101
其中，Lauth为损失值，P代表身份识别种类，R表示训练或测试样本数，cr示第r个样本的真实值，dr,p表示第r个样本中第p个人的预测值。
以下为一个更具体的实施例：
图1是一个实施场景。场景中有一个无线信号发射端和一个无线信号接收端，发射端和接收端各有两个天线，可组成4个天线对。无线信号经由发射端发射，传播过程中穿过墙体造成信号衰弱，然后剩余信号通过直达路径以及环境反射、折射和衍射等形成的多径效应，最终叠加在一起被接收端接收。当人体在无线信号传播空间中活动时，会对无线信号产生遮挡和反射等现象，持续性地影响无线信号，通过对接收端无线信号进行分析，进而实现身份识别。本方法通过收集接收端接收到的信号，对信号进行处理来实现场景中的身份识别。
本方法主要包括数据收集、预处理、人员检测、特征提取和身份识别五部分组成，整个处理流程如图2所示，分述如下：
1、数据收集。
主要由Atheros AR9382网卡和Linux 802.11n Atheros-CSI-Tool组成。Atheros-CSI-Tool是通过修改Linux开源网卡驱动程序得到的一个CSI获取工具，通过在Ubuntu系统下配置该工具包来获取物理层CSI。发射机是TP-LINK TL-WDR3500路由器，接收机是装有Ubuntu系统的笔记本电脑。
2、预处理。
接收端接收的CSI数据为一个包含幅值信息和相位信息的复数值，对这些CSI数据进行如下处理：
1)首先计算每个复数值的幅值，得到CSI幅值矩阵，每个幅值矩阵对应于一个天线对，幅值矩阵中的一列对应于一个子载波，一行对应于一个数据包，共有114个子载波，即幅值矩阵有114列。
2)数据连接。图3a～图3d展示的是所有天线对的幅值矩阵示意图。因为不同天线对的CSI数据存在差异，所以需要对不同天线对的数据进行连接，使用全部天线对的CSI信息，连接后的矩阵即为整体幅值矩阵。
具体的连接方式为，首先将幅值矩阵排序，然后将各幅值矩阵的第一列取出，并按照幅值矩阵排序的顺序从左到右排列，构成第一子块，然后将各幅值矩阵的第二列取出，并按照幅值矩阵排序的顺序从左到右排列，构成第二子块，以此类推，共形成对应于幅值矩阵114个列的114个子块，然后将114个子块按照幅值矩阵中各列的顺序从左到右排列，构成整体幅值矩阵。
3)同一天线对的数据存在冗余，并且穿墙后，人体活动引起的CSI变化相对较小，复杂的室内环境湮没了人体活动引起的CSI信息。通过分析整体幅值矩阵D可知，整体幅值矩阵具有低秩特性和稀疏特性，其中与人体活动相关的数据具有稀疏特性，因此可以通过基于增广拉格朗日乘子法的鲁棒主成分分析分解得到低秩矩阵A和稀疏矩阵E，调节变量γ，从而获取有效数据。
整体幅值矩阵D的分解和降维方式为公式(1)：
min||A||*+γ||E||1限制条件：A+E＝D(1)
其中，||A||*表示矩阵A的秩，||E||1表示矩阵E的1范数，γ为一个变量，D为整体幅值矩阵。
由于只取稀疏矩阵E的前六列便可基本表达出稀疏矩阵的绝大部分信息。因此，本方法选取前6列组成有效矩阵，如图4所示。
4)由于周围环境的影响，原始的CSI存在着大量的噪声，可利用小波分析进行去噪。它可以在不同的分解层次上，有效地区分信号和噪声，实现高效的滤波去噪效果。选取“Daubechies 6”小波进行小波去噪。图5为离散小波变换后的有效矩阵。
3、人员检测。
该步骤主要是从有效矩阵中将人体活动所对应的活动片段提取出来。具体方式如下：
1)首先设置窗口大小，每个滑动窗口为一个帧，计算每帧的短时能量值，得到短时能量值矩阵，并计算均值得到短时能量值序列，如图6所示。采用中值滤波对短时能量值序列进行平滑处理，处理后的波形如图7所示。
2)计算短时能量值序列的均值，将均值的8倍设定为阈值。若短时能量值序列的最大值大于阈值，则认为该CSI幅值序列中包含人员活动信息。
3)设置活动持续时间为3秒，将短时能量值序列的最大值所在位置对应有效矩阵的中心，并前后截取1.5秒长度。提取后的活动片段如图8所示。
4、特征提取。
由于时域和频域都体现了CSI数据的变化，因此时域的特征与频域的特征对于身份识别具有重要的作用。本方法从多角度考虑时频域特征，使用多尺度卷积神经网络(Multi-scale Convolutional Neural Network,MSCNN)实现多人数、高精度的身份识别。图9是MSCNN的网络架构图。多尺度卷积神经网络的具体处理过程如下：
1)将CSI活动片段的六行按行序号逐个连接，放入MSCNN神经网络中，通过多组降频因子K和滑动窗口L对CSI序列进行处理，得到多个时间序列。
2)对时间序列进行一维局部卷积操作，提取特征。为增强网络的逼近效果，并解决在权值反向传播中带来的梯度消失或者梯度爆炸问题，采用ReLU激活函数将神经网络中的线性运算转变为非线性运算。
3)选择合适的步长，对特征进行最大池化，实现特征选择和降低维度。
4)使用Concatenate函数对特征进行合并拼接。
5)对特征进行全卷积、非线性运算和池化操作。
6)使用Flatten函数得到一个一维特征序列，通过全连接层对特征进行级联，使用级联的特征进行分类。
5、身份识别。
对于多分类任务，神经网络使用了SoftMax函数，并设计了损失函数计算误差，通过反向传播的方式指导深度网络参数的更新优化，实现非视距的身份识别。
身份识别的损失函数如公式(2)：
Figure BDA0002521541120000131
其中，Lauth为损失值，P代表身份识别种类，R表示训练或测试样本数，cr示第r个样本的真实值，dr,p表示第r个样本中第p个人的预测值。
在网络中为了防止过拟合，可以使用滑动窗口M在时间序列上截取数据，并共享同一个类别标签，同时可增加测试集和训练集的规模。这些都是现有技术，此处不再赘述。
此外，上述方法还可以以软件程序的形式安装在计算终端设备或计算机可读存储介质上，这些终端设备及计算机可读存储介质也在本专利的保护范围之内。
总之，本发明方法利用普通商用路由器收集CSI数据，通过对原始CSI数据进行预处理，并从处理后的活动片段中提取出表征人员活动的相关特征，最后通过MSCNN算法自动选取能够区分不同个体的特征，能够对活动的人员进行非视距的身份识别。

Claims (9)

1.一种基于深度学习的非视距身份识别方法，其特征在于，包括以下步骤：
(1)通过接收端天线m接收来自于发射端天线n的无线信号，从接收端天线收到的数据包中获取CSI数据，每个CSI数据为一个包含幅值信息和相位信息的复数值；1≤m≤M，1≤n≤N，M为接收端的天线总数，N为发射端的天线总数；
(2)从CSI数据中提取幅值信息，将幅值信息组成M×N个幅值矩阵，每个幅值矩阵对应于一个天线对，幅值矩阵中的一列对应于一个子载波，一行对应于一个数据包；将这M×N个幅值矩阵的各列组合成一行，构成一个整体幅值矩阵；其中，将这M×N个幅值矩阵的各列组合成一行，构成一个整体幅值矩阵的具体方式为：将M×N个幅值矩阵相同位置的列取出，按第一顺序从左到右排列，得到对应于该位置列的子矩阵，然后将所有子矩阵按第二顺序从左到右排列，组成整体幅值矩阵；所述第一顺序为M×N个幅值矩阵的排序，所述第二顺序为幅值矩阵中各位置列的排序；
(3)通过基于增广拉格朗日乘子法的鲁棒主成分分析，对整体幅值矩阵进行分解和降维，得到稀疏矩阵，选取稀疏矩阵的前六列作为有效矩阵，通过小波变换对有效矩阵进行去噪处理；
(4)对去噪处理后有效矩阵的每一列做滑窗处理，计算每个滑窗的短时能量值，得到短时能量值矩阵；对短时能量值矩阵的每一行求均值，各行均值组成短时能量值序列，然后对短时能量值序列进行平滑处理；
(5)计算平滑处理后短时能量值序列的均值，并取该均值的8倍作为阈值；取短时能量值序列中的最大值，判断该最大值是否大于所述阈值，若是，则记录该最大值在短时能量值序列中的位置；
(6)根据步骤(5)所记录的位置选取有效矩阵中各列相应位置的滑窗，这些滑窗的短时能量值的均值即为步骤(5)中所获得的最大值；然后，在有效矩阵中，以该位置滑窗的中点为中心截取前后一段时间内的行数据作为活动片段；
(7)将活动片段输入经过训练的多尺度卷积神经网络，通过神经网络得到非视距身份识别结果。
2.根据权利要求1所述的一种基于深度学习的非视距身份识别方法，其特征在于，所述步骤(3)中，通过基于增广拉格朗日乘子法的鲁棒主成分分析，对整体幅值矩阵进行分解和降维，得到稀疏矩阵的具体方式为，通过基于增广拉格朗日乘子法的鲁棒主成分分析法直接对整体幅值矩阵进行分解和降维处理，公式为：
min||A||*+γ||E||1约束条件：A+E＝D
其中，A为低秩矩阵，E为稀疏矩阵，||A||*表示矩阵A的秩，||E||1表示矩阵E的1范数，γ为一个变量，D为整体幅值矩阵。
3.根据权利要求1所述的一种基于深度学习的非视距身份识别方法，其特征在于，所述步骤(3)中通过小波变换对有效矩阵进行去噪处理的具体方式为：
选取daubechies 6小波基和5层的分解层数，对有效矩阵进行离散小波变换，得到高频的细节分量以及低频的近似分量；
选取硬阈值为阈值函数，使用固定阈值，去除高频细节分量；
用处理后的分量进行小波重构，得到去噪后的有效矩阵。
4.根据权利要求1所述的一种基于深度学习的非视距身份识别方法，其特征在于，所述步骤(4)中滑窗处理的具体方式为：
(401)设置滑窗大小k；
(402)对于有效矩阵的每一列，首先选取最上面的k个元素作为第一个滑窗，计算得到该列的第一个短时能量值，然后选取第2个到第k+1个元素作为第二个滑窗，计算得到该列的第二个短时能量值，接着选取第3个到第k+2个元素作为第三个滑窗，计算得到该列的第三个短时能量值；以此类推，直至滑窗结束。
5.根据权利要求1所述的一种基于深度学习的非视距身份识别方法，其特征在于，所述步骤(4)中对短时能量值序列进行平滑处理的具体方式为中值滤波处理。
6.根据权利要求1所述的一种基于深度学习的非视距身份识别方法，其特征在于，步骤(6)中所述的一段时间为1.5秒。
7.根据权利要求1所述的一种基于深度学习的非视距身份识别方法，其特征在于，所述步骤(7)的具体方式为：
(701)将CSI活动片段的各行按行序号逐个连接，组成CSI序列，放入多尺度卷积神经网络中，通过多组降频因子和滑动窗口对CSI序列进行处理，得到多个时间序列；
(702)为了防止过拟合，使用滑动窗口M在时间序列上截取数据，并共享同一个类别标签，同时增加测试集和训练集的规模；
(703)对时间序列进行一维局部卷积操作，提取特征；采用ReLU激活函数将神经网络中的线性运算转变为非线性运算；
(704)选择步长，对特征进行最大池化，实现特征选择和维度降低；
(705)使用Concatenate函数对步骤(704)处理后的特征进行合并拼接；
(706)对步骤(705)合并拼接后的特征进行全卷积、非线性运算和池化操作；
(707)使用Flatten函数对步骤(706)处理后的特征进行处理，得到一个一维特征序列，通过全连接层对一维特征序列中的特征进行级联；
(708)使用SoftMax函数对级联的特征进行分类，并将分类结果映射到区间(0，1)之间；
(709)采用损失函数计算误差，通过反向传播的方式指导网络参数的更新优化，从而实现身份识别；
所述损失函数为：
Figure FDA0003626672500000031
其中，Lauth为损失值，P代表身份识别种类，R表示训练或测试样本数，cr表示第r个样本的真实值，dr,p表示第r个样本中第p个人的预测值。
8.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至7任一项所述方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN202010492366.0A 2020-06-03 2020-06-03 基于深度学习的非视距身份识别方法、设备及存储介质 Active CN111652132B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010492366.0A CN111652132B (zh) 2020-06-03 2020-06-03 基于深度学习的非视距身份识别方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010492366.0A CN111652132B (zh) 2020-06-03 2020-06-03 基于深度学习的非视距身份识别方法、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111652132A CN111652132A (zh) 2020-09-11
CN111652132B true CN111652132B (zh) 2022-06-21

Family

ID=72347071

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010492366.0A Active CN111652132B (zh) 2020-06-03 2020-06-03 基于深度学习的非视距身份识别方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111652132B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112839327B (zh) * 2021-01-21 2022-08-16 河北工程大学 基于WiFi信号的人员合法性检测方法及装置
CN115051778B (zh) * 2022-06-07 2023-06-27 西安微电子技术研究所 一种Linux模块化PRP协议栈系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108901021A (zh) * 2018-05-31 2018-11-27 大连理工大学 一种基于无线网络信道状态信息的深度学习身份识别系统及方法
CN110062379A (zh) * 2019-04-15 2019-07-26 哈尔滨工程大学 一种人体行为场景下基于信道状态信息的身份认证方法
CN110113116A (zh) * 2019-05-14 2019-08-09 山东科技大学 基于wifi信道信息的人体行为识别方法
CN110287863A (zh) * 2019-06-24 2019-09-27 桂林电子科技大学 一种基于WiFi信号的手势识别方法
CN110288018A (zh) * 2019-06-24 2019-09-27 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
CN110730473A (zh) * 2019-09-03 2020-01-24 中国人民解放军陆军工程大学 面向WiFi活动识别的信号特征提取方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108901021A (zh) * 2018-05-31 2018-11-27 大连理工大学 一种基于无线网络信道状态信息的深度学习身份识别系统及方法
CN110062379A (zh) * 2019-04-15 2019-07-26 哈尔滨工程大学 一种人体行为场景下基于信道状态信息的身份认证方法
CN110113116A (zh) * 2019-05-14 2019-08-09 山东科技大学 基于wifi信道信息的人体行为识别方法
CN110287863A (zh) * 2019-06-24 2019-09-27 桂林电子科技大学 一种基于WiFi信号的手势识别方法
CN110288018A (zh) * 2019-06-24 2019-09-27 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
CN110730473A (zh) * 2019-09-03 2020-01-24 中国人民解放军陆军工程大学 面向WiFi活动识别的信号特征提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Deep-WiID: WiFi-Based Contactless Human Identification via Deep Learning;Zhiyi Zhou,et al.;《IEEE》;20191231;全文 *
R-DEHM: CSI-Based Robust Duration Estimation of Human Motion with WiFi;Jijun Zhao，et al.;《sensors》;20190322;全文 *
基于信道状态信息的身份认证技术研究;赵晓宁;《信息科技辑》;20200315;全文 *

Also Published As

Publication number Publication date
CN111652132A (zh) 2020-09-11

Similar Documents

Publication Publication Date Title
Dokht et al. Seismic event and phase detection using time–frequency representation and convolutional neural networks
Zhou et al. Adaptive genetic algorithm-aided neural network with channel state information tensor decomposition for indoor localization
CN104135327B (zh) 基于支持向量机的频谱感知方法
CN109325399B (zh) 一种基于信道状态信息的陌生人手势识别方法及系统
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
CN108680796B (zh) 用于计算机显示器的电磁信息泄漏检测系统及方法
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
CN110958568B (zh) 基于WiFi的船舶驾驶室人员值班行为识别方法及系统
CN110730473B (zh) 面向WiFi活动识别的信号特征提取方法
Zhang et al. WiFi-based cross-domain gesture recognition via modified prototypical networks
CN110062379B (zh) 一种人体行为场景下基于信道状态信息的身份认证方法
CN112333653A (zh) 基于WiFi信道状态信息的身份智能识别方法、系统
CN105117708A (zh) 人脸表情识别的方法和装置
CN111901028B (zh) 一种基于多天线上csi的人体行为识别方法
CN111698258A (zh) 一种基于WiFi的环境入侵检测方法和系统
Cao et al. A lightweight deep learning algorithm for WiFi-based identity recognition
Ma et al. Multiscale 2-D singular spectrum analysis and principal component analysis for spatial–spectral noise-robust feature extraction and classification of hyperspectral images
Zhu et al. Wi-ATCN: Attentional temporal convolutional network for human action prediction using WiFi channel state information
CN106156728B (zh) 基于光谱空间分解和噪声成分分析的超光谱图像降维方法及系统
CN114578963A (zh) 一种基于特征可视化和多模态融合的脑电身份识别方法
CN112380903B (zh) 一种基于WiFi-CSI信号增强的人体活动识别方法
CN109728863A (zh) 人员活动持续时间估计方法、装置和终端设备
CN117115675A (zh) 一种跨时相轻量化空谱特征融合高光谱变化检测方法、系统、设备及介质
CN106707789A (zh) 一种基于指纹识别的智能家居控制系统
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

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