CN112100572A - 人机物的无线边缘感知点云提取与识别方法与系统 - Google Patents
人机物的无线边缘感知点云提取与识别方法与系统 Download PDFInfo
- Publication number
- CN112100572A CN112100572A CN202010821442.8A CN202010821442A CN112100572A CN 112100572 A CN112100572 A CN 112100572A CN 202010821442 A CN202010821442 A CN 202010821442A CN 112100572 A CN112100572 A CN 112100572A
- Authority
- CN
- China
- Prior art keywords
- matrix
- point cloud
- measurement
- configuration
- point
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000008447 perception Effects 0.000 title claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 213
- 238000005259 measurement Methods 0.000 claims abstract description 185
- 239000013598 vector Substances 0.000 claims abstract description 129
- 238000012549 training Methods 0.000 claims abstract description 71
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 56
- 238000005457 optimization Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000009471 action Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 241000969729 Apteryx rowi Species 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 6
- 238000010845 search algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/003—Transmission of data between radar, sonar or lidar systems and remote stations
- G01S7/006—Transmission of data between radar, sonar or lidar systems and remote stations using shared front-end circuitry, e.g. antennas
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/003—Bistatic radar systems; Multistatic radar systems
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Algebra (AREA)
- Physiology (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例涉及射频感知技术领域，具体而言，涉及一种人机物的无线边缘感知点云提取与识别方法与系统。所述方法包括：基于可重构智能超材料表面建立测量矩阵；对点云识别模块进行训练；对所述待测量目标空间中的人和/或物体进行测量，得到测量向量，通过经过训练后的所述点云识别模块识别所述从测量向量中提取的点云，实现对待测的人和/或物体进行识别。本申请使用射频信号进行感知，不需要借助可穿戴传感器,以及摄像头等视频采集设备进行训练数据采集，具有较高的隐私保护性；通过改变空间中的射频环境，射频信号在多种环境中传播得到的目标空间的信息，相比环境不可变的情况下得到的信息要更丰富，从而提高了点云提取和识别的准确性。
Description
技术领域
本申请实施例涉及射频感知技术领域，具体而言，涉及一种人机物的无线边缘感知点云提取与识别方法与系统。
背景技术
射频感知是通过识别感知目标对无线信号传输的影响，来实现对于目标的状态，如位置、材质的感知。
传统的射频感知基于WIFI或mmWave收发设备，其效果受限于射频信号传播环境的影响。比如，当环境保持稳定时，射频信号经过目标的路径基本固定，接收端在较长时间内感知的结果都差不多，能获得的目标的信息有限。也有一些借助可穿戴设备中的传感器进行感知的方法以及基于摄像头的视频监测进行感知的方法，然而这些方法会和感知目标发生直接接触，从而可能引起一些隐私问题。
发明内容
为解决上述技术问题，本申请实施例提供一种人机物的无线边缘感知点云提取与识别方法与系统。
本申请实施例第一方面提供一种基于可重构智能反射面(以下简称RIS)的人机物的无线边缘感知点云提取与识别方法，所述方法包括如下步骤：
S1建立测量矩阵，所述建立测量矩阵包括：
确定待测量目标空间中的M个空间点作为测量点集合；
确定一个测量周期内RIS改变配置的次数K；
通过配置优化算法，最小化对于M个空间点处有反射体时对应的测量向量之间的平均互相关系数，获得所述RIS改变配置K次所对应组成的RIS配置矩阵C；
在所述测量点集合内的所有测量点处安置信号反射体，接收端获得所述信号反射体反射的M个K维测量向量，将所述M个K维测量向量按列排列；
采用所述RIS配置矩阵C，根据所述接收端获得的M个K维测量向量计算出K×M维的测量矩阵H；
S2对点云识别模块进行训练；
S3采用所述RIS配置矩阵C，对所述待测量目标空间中的人和/或物体进行测量，得到测量向量，从所述测量向量中提取点云；
通过经过训练后的所述点云识别模块识别所述从测量向量中提取的点云，实现对待测的人和/或物体进行识别。
可选地，所述采用所述RIS配置矩阵C，根据所述接收端获得的M个K维测量向量计算出K×M维的测量矩阵H，包括：
在所有测量点处安置信号反射体的情况下，采用所述RIS配置矩阵C，接收端获得M个K维向量；
移除所有测量点处安置的信号反射体，采用所述RIS配置矩阵C，接收端获得K维环境向量；
将所述M个K维向量减去所述K维环境向量，将得到的向量按列排列，得到所述K×M维的测量矩阵H。
可选地，所述配置优化算法，包括：
S11设置当前最优配置矩阵为初始配置矩阵C*＝C(0)，根据超平面信道模型计算当前最优配置矩阵对应的在K个配置中空间中M个点处的信号所组成的测量矩阵，并计算其测量矩阵向量平均互相关值记为μ*；
S12设置连续无改进迭代次数Nnon＝0，并记当前配置序号k＝1；
S13基于当前最优的配置矩阵C*，对其进行连续化得到结果，记为连续化配置矩阵
记连续化配置矩阵中第k行为
除了第k行的
的其它行组成的矩阵记为
S14利用模式搜索算法，在固定所述
的其它行的情况下，通过优化
最小化所述连续化配置矩阵
所对应的测量矩阵的平均互相关值，记结果为
S15约化
为最接近的离散配置，记为c′k；
S16通过遗传算法，给定配置矩阵第k行配置以外的配置向量，优化离散配置c′k，最小化产生的测量矩阵的平均互相关系数，记优化结果的配置为
对应的平均互相关系数为μ*‘；
S17如果μ*‘＜μ*，更新μ*＝μ*‘，并更新最优配置矩阵C*的第k行为
如果μ*‘＞μ*，则使Nnon＝Nnon+1；
S18如果Nnon＜K，设置k为配置矩阵中下一行配置对应的序号，即k＝mod(k+1，K)+1，跳转至步骤S13；否则，输出当前最优配置矩阵C*和对应的测量矩阵的平均互相关系数的值μ*。
可选地，所述对点云识别模块进行训练，包括：
生成含有人和物体的训练集，所述训练集合包含已标记的点云，所述已标记的点云中每个点的特征信息包含了点的位置信息和点的语义标记；
按照所述训练集中已标记的点云的信息，在所述目标空间中的相应位置安置人和/或物体；
采用所述RIS配置矩阵C，所述接收端测量所述训练集中已标记的点云，得到对应的接收信号集；
利用压缩感知算法，通过所述测量矩阵H和所述接收信号集，计算出所述测量点集合中各点相对于信号反射体的反射系数，形成反射系数点云；
基于所述训练集中的语义标记和计算出的所述反射系数点云，通过监督学习算法，训练所述点云识别模块中的神经网络识别所述训练集的点云的语义标记。
可选地，所述采用所述RIS配置矩阵C，对所述待测量目标空间中的人和/或物体进行测量，得到测量向量，从所述测量向量中提取点云，包括：
采用所述RIS配置矩阵C，测量在一个测量周期内，处于所述待测量目标空间内的人和/或物体的K维测量向量；
利用压缩感知算法，从所述K维测量向量中提取点云中的空间点相对于所述反射体的反射系数；
通过所述经过训练的神经网络，处理所述具有反射系数信息的点云，得到点云中各点的语义标记，实现对待测的人和/或物体进行识别。
本申请实施例第二方面提供一种基于可重构智能反射面的人机物的无线边缘感知点云提取与识别装置，所述装置包括：
测量矩阵建立模块，被配置为：确定待测量目标空间中的M个空间点作为测量点集合；
确定一个测量周期内RIS改变配置的次数K；
通过配置优化算法，最小化对于M个空间点处有反射体时对应的测量向量之间的平均互相关系数，获得所述RIS改变配置K次所对应组成的RIS配置矩阵C；
在所述测量点集合内的所有测量点处安置信号反射体，接收端获得所述信号反射体反射的M个K维测量向量，将所述M个K维测量向量按列排列；
采用所述RIS配置矩阵C，根据所述接收端获得的M个K维测量向量计算出K×M维的测量矩阵H；
训练模块，被配置为对点云识别模块进行训练；
点云提取模块，被配置为采用所述RIS配置矩阵C，对所述待测量目标空间中的人和/或物体进行测量，得到测量向量，从所述测量向量中提取点云；
点云识别模块，被配置为通过经过训练后的所述点云识别模块识别所述从测量向量中提取的点云，实现对待测的人和/或物体进行识别。
可选地，所述测量矩阵建立模块还包括：
测量矩阵生成模块，被配置为：
在所有测量点处安置信号反射体的情况下，采用所述RIS配置矩阵C，接收端获得M个K维向量；
移除所有测量点处安置的信号反射体，采用所述RIS配置矩阵C，接收端获得K维环境向量；
将所述M个K维向量减去所述K维环境向量，将得到的向量按列排列，得到所述K×M维的测量矩阵H。
可选地，所述装置还包括：
配置优化算法模块，被配置为：
S11设置当前最优配置矩阵为初始配置矩阵C*＝C(0)，根据超平面信道模型计算当前最优配置矩阵对应的在K个配置中空间中M个点处的信号所组成的测量矩阵，并计算其测量矩阵向量平均互相关值记为μ*；
S12设置连续无改进迭代次数Nnon＝0，并记当前配置序号k＝1；
S13基于当前最优的配置矩阵C*，对其进行连续化得到结果，记为连续化配置矩阵
记连续化配置矩阵中第k行为
除了第k行的
的其它行组成的矩阵记为
S14利用模式搜索算法，在固定所述
的其它行的情况下，通过优化
最小化所述连续化配置矩阵
所对应的测量矩阵的平均互相关值，记结果为
S15约化
为最接近的离散配置，记为c′k；
S16通过遗传算法，给定配置矩阵第k行配置以外的配置向量，优化离散配置c′k，最小化产生的测量矩阵的平均互相关系数，记优化结果的配置为
对应的平均互相关系数为μ*‘；
S17如果μ*‘＜μ*，更新μ*＝μ*‘，并更新最优配置矩阵C*的第k行为
如果μ*‘＞μ*，则使Nnon＝Nnon+1；
S18如果Nnon＜K，设置k为配置矩阵中下一行配置对应的序号，即k＝mod(k+1，K)+1，跳转至步骤S13；否则，输出当前最优配置矩阵C*和对应的测量矩阵的平均互相关系数的值μ*。
可选地，所述训练模块还包括：
训练集生成模块，被配置为生成含有人和物体的训练集，所述训练集合包含已标记的点云，所述已标记的点云中每个点的特征信息包含了点的位置信息和点的语义标记；
目标安置模块，被配置为按照所述训练集中已标记的点云的信息，在所述目标空间中的相应位置安置人和/或物体；
信号测量模块，被配置为采用所述RIS配置矩阵C，所述接收端测量所述训练集中已标记的点云，得到对应的接收信号集；
反射系数计算模块，被配置为利用压缩感知算法，通过所述测量矩阵H和所述接收信号集，计算出所述测量点集合中各点相对于信号反射体的反射系数，形成反射系数点云；
学习模块，被配置为基于所述训练集中的语义标记和计算出的所述反射系数点云，通过监督学习算法，训练所述点云识别模块中的神经网络识别所述训练集的点云的语义标记。
可选地，所述点云提取模块还包括：
点云提取子模块，被配置为采用所述RIS配置矩阵C，测量在一个测量周期内，处于所述待测量目标空间内的人和/或物体的K维测量向量；
利用压缩感知算法，从所述K维测量向量中提取点云中的空间点相对于所述反射体的反射系数；
所述点云识别模块包括：
点云识别子模块，被配置为通过所述经过训练的神经网络，处理所述具有反射系数信息的点云，得到点云中各点的语义标记，实现对待测的人和/或物体进行识别。
本申请实施例第三方面提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现本申请第一方面所述的方法中的步骤。
本申请实施例第四方面提供一种电子设备，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，所述处理器执行所述计算机程序时，实现本申请第一方面所述的方法中的步骤。
采用本申请提供的基于可重构智能反射面的人机物的无线边缘感知点云提取与识别方法,通过射频信号进行感知，不需要借助可穿戴传感器,而且不需要借助摄像头等视频采集设备进行训练数据采集，可具有较高的隐私保护性。
在基于超平面的射频感知系统中，本申请通过改变RIS的配置，即改变空间中的射频环境，使射频信号的传播途径改变，而射频信号在多种环境中传播得到的目标空间的信息，相比环境不可变的情况下得到的信息要更丰富，从而提高了点云提取和识别的准确性。
通过配置优化算法，降低了测量向量之间的平均相关性，实现提高感知效果。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提出的一种基于可重构智能反射面的人机物的无线边缘感知点云提取与识别方法的流程图；
图2是本申请一实施例提出的一种基于可重构智能反射面的人机物的无线边缘感知点云提取与识别方法中建立测量矩阵的示意图；
图3是本申请一实施例提出的一种基于可重构智能反射面的人机物的无线边缘感知点云提取与识别方法中训练过程的示意图；
图4是本申请一实施例提出的一种基于可重构智能反射面的人机物的无线边缘感知点云提取与识别方法中点云提取与识别的示意图；
图5是本申请一实施例提出的一种基于可重构智能反射面的人机物的无线边缘感知点云提取与识别装置的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请中的“RIS”是指：ReconfigurableIntelligentSurface，中文解释为：可重构智能反射面。是一种由大量小尺寸的RIS单元规则排列组成的一个二维平面，可反射空间中的电磁波信号。每一个RIS单元由数个二极管连接金属片管组成。通过改变加在二极管上的偏置电压，可以改变二极管的通断状态，从而改变超平面单元的状态。处于不同状态的超平面单元对于在其上反射的电磁波具有不同的反射系数。具体而言，反射后的电磁波相比入射电磁波会发生幅度改变和相位移动，而幅度和相位的改变量是和RIS单元的状态有关的。
我们称RIS上所有RIS单元所处于的状态组成的向量为RIS的配置。RIS通过改变其配置，可对入射到其上的电磁波进行波束赋形，从而改变反射的电磁波的空间分布，实现反射波定向、汇集、发散等功能。
本申请中的“USRP”是指：UniversalSoftwareRadioPeripheral，中文解释为：通用软件无线电外设。是一种软件定义无线电设备。利用Python等编程语言，可以在主机上对USRP进行编程，控制USRP实现对射频信号的各种模式的调制解调以及在不同的频率上进行收发。相比于传统的射频通信链路的硬件实现，USRP具有更强的灵活性，可以按照设计人员的需求进行部署。
本申请中的“点云”是指：一种包含有空间点特征信息的数据集合，包含了某一时刻，多个空间位置处的位置信息和特征信息的集合。具体而言，集合中的每一个元素包含了该元素对应的空间位置的三位坐标，以及某种特征信息，如：对无线信号的反射系数，或者该点所属于的物体的类别等。
本申请中“语义标记”的解释为：点的语义标记在本专利中指空间点处所属于的人或物体的种类，如：该点是箱子上的一个点，则该点的语义标记为箱子。通过对点云中各点进行语义标记，可以识别空间中的物体，并对物体进行定位。
本申请中的“压缩感知”是一种寻找欠定线性系统的稀疏解的技术。用于获取和重构稀疏或可压缩的信号。在本专利中，利用压缩感知技术从接收端得到的测量信号，和系统的测量矩阵，还原目标空间点云的反射系数系数向量。由于空间点云中包含众多的点，而只有部分能将RIS的反射信号朝着接收天线反射的平面附近的点才会有反射系数，因此目标空间点云的反射系数向量是个稀疏向量，可以用压缩感知进行还原。
本申请所需要的系统构件如图2所示，该系统包含了一块RIS，两个USRP两个USRP按功能分为发送USRP和接收USRP，分别记为TxUSRP和RxUSRP，以及一个定向发送天线，一个全向接收天线和一台服务器。该系统中，RIS通过改变配置可以实现对射频信号传播环境进行定制化改变。
TxUSRP通过定向发送天线，发送指向RIS的信号，经过RIS的反射，到达RIS前面的目标空间。经过目标空间中人或物体的反射，到达RxUSRP的全向接收天线。RxUSRP将接收到的信号发送给服务器，在服务器中进行数据处理，包括点云提取和识别。
参考图1，图1是本申请一实施例提出的一种基于可重构智能反射面的人机物的无线边缘感知点云提取与识别方法的流程图。如图1所示，该方法包括以下步骤：
本申请实施例第一方面提供一种基于可重构智能反射面的人机物的无线边缘感知点云提取与识别方法，所述方法包括如下步骤：
S1建立测量矩阵，所述建立测量矩阵包括：
确定待测量目标空间中的M个空间点作为测量点集合。
在本申请中，目标空间即是指待测量的人或物体所在的空间，确定M个点作为测量点集合，测量点过多可能会造成计算量较大的问题，而测量点较少也可能会引起测量不够精确的问题，因此测量点M的数量要适宜，在一个具体的实施例中，选取M＝400个空间点作为测量点集合。
确定一个测量周期内RIS改变配置的次数K。
在本申请中，测量过程按照周期划分，称为测量周期，RIS是一种由大量小尺寸的RIS单元规则排列组成的一个二维平面，RIS上所有RIS单元所处于的状态组成的向量为RIS的配置，改变其配置，可对入射到其上的电磁波进行波束赋形，从而改变反射的电磁波的空间分布。在一个具体的实施例中，选取在一个测量周期内RIS改变配置的次数K为100。
通过配置优化算法，最小化对于M个空间点处有反射体时对应的测量向量之间的平均互相关系数，获得所述RIS改变配置K次所对应组成的RIS配置矩阵C。
在本申请中，平均互相关系数指的是测量矩阵的列向量两两做相关运算，然后取平均值；通过配置优化算法，最小化对于M个空间点处有反射体时对应的测量向量之间的平均互相关系数，有利于提升点云提取的准确度。
在所述测量点集合内的所有测量点处安置信号反射体，接收端获得所述信号反射体反射的M个K维测量向量，将所述M个K维测量向量按列排列。
在本申请中，所述测量点集合内的所有测量点是指待测量目标空间中的M个空间点，在M个空间点处安置信号反射体，本实施例中安置的是标准金属片，金属片尺寸不超过两个空间点之间的最小距离；由于一共有M个测量点，而RIS可以改变配置的次数为K，因此，当RIS共改变K次配置，信号端可以从M个信号反射体处共接收M个K维向量。
采用所述RIS配置矩阵C，根据所述接收端获得的M个K维测量向量计算出K×M维的测量矩阵H。
在本申请中，配置矩阵C是测量时的一个标准矩阵，由于每一个RIS单元的状态不同，导致反射后的电磁波相比入射电磁波会发生幅度改变和相位移动，因此在测量或者训练时，均采用配置矩阵C，保证RIS的反射系数前后一致。在接收端获得M个K维向量之后，减去在未安置信号反射体时测量得到的K维环境向量后，将M个向量按列排列，获得K×M维的测量矩阵H。
S2对点云识别模块进行训练。
在本申请中，点云识别系统用于对接收到的信号进行识别，而点云识别系统是通过不断的训练和学习，实现对不同人或者物体所反射的信号进行识别的，具体的训练方法可以采用如监督学习算法这样的方式实现对点云识别模块的训练。
S3采用所述RIS配置矩阵C，对所述待测量目标空间中的人和/或物体进行测量，得到测量向量，从所述测量向量中提取点云；
通过经过训练后的所述点云识别模块识别所述从测量向量中提取的点云，实现对待测的人和/或物体进行识别。
在本申请中，RIS配置矩阵C相当于本实施例中的一个标准矩阵，在进行测量时，采用RIS配置矩阵C，对待测量目标空间中的人和/或物体进行测量。得到测量向量后，通过点云提取模块从测量向量中提取点云，由于在上一步骤中已对点云识别模块进行训练，即训练后的点云识别模块可以准确地识别出对应的人或者物体的点云，因此，通过经过训练后的点云识别模块识别从测量向量中提取的点云，即可实现对待测的人和/或物体的识别。
在本申请一个可行的实施例中，所述配置优化算法，包括：
S11设置当前最优配置矩阵为初始配置矩阵C*＝C(0)，根据超平面信道模型计算当前最优配置矩阵对应在K个配置中空间中M个点处的信号所组成的测量矩阵，并计算其测量矩阵向量平均互相关值记为μ*。
本实施例中的当前最优配置矩阵指的是一个迭代更新的配置矩阵，起到一个暂存的作用，在算法开始的时候是一个随机的配置矩阵，然后会进入算法的迭代过程，每一步都会更新一个当前最优配置矩阵，迭代完毕之后，输出的当前最优配置矩阵即为该算法结果的最优配置矩阵。超平面信道模型即是指RIS：可重构智能反射面，由于一个测量周期内RIS改变配置的次数最大为K，因此在RIS配置改变K次的情况下，计算出当前最优配置矩阵对应在K个配置中空间中M个点处的信号所组成的测量矩阵，平均互相关值指的是测量矩阵的列向量两两做相关运算，然后得出的平均值。
S12设置连续无改进迭代次数Nnon＝0，并记当前配置序号k＝1；
S13基于当前最优的配置矩阵C*，对其进行连续化得到结果，记为连续化配置矩阵
记连续化配置矩阵中第k行为
除了第k行的
的其它行组成的矩阵记为
S14利用模式搜索算法，在固定所述
的其它行的情况下，通过优化
最小化所述连续化配置矩阵
所对应的测量矩阵的平均互相关值，记结果为
S15约化
为最接近的离散配置，记为c′k；
S16通过遗传算法，给定配置矩阵第k行配置以外的配置向量，优化离散配置c′k，最小化产生的测量矩阵的平均互相关系数，记优化结果的配置为
对应的平均互相关系数为μ*‘；
S17如果μ*‘＜μ*，更新μ*＝μ*‘，并更新最优配置矩阵C*的第k行为
如果μ*‘＞μ*，则使Nnon＝Nnon+1；
S18如果Nnon＜K，设置k为配置矩阵中下一行配置对应的序号，即k＝mod(k+1，K)+1，跳转至步骤S13；否则，输出当前最优配置矩阵C*和对应的测量矩阵的平均互相关系数的值μ*。
在本申请另一个实施例中，所述对点云识别模块进行训练，包括：
生成含有人和物体的训练集，所述训练集合包含已标记的点云，所述已标记的点云中每个点的特征信息包含了点的位置信息和点的语义标记。
训练集主要用于对点云识别模块进行训练，而点云识别模块需要能够准确地识别出人或者物体，因此训练集中需包含人和物体，具体的，包含人和物体已标记的点云，已标记的点云中每个点的特征信息包含了点的位置信息和点的语义标记，点云识别模块通过识别点云中每个点的特征信息对空间中的人或物体进行识别，例如语义标记为1：代表空间点；语义标记为2：代表人身上的点；语义标记为3：代表物体上的点；语义标记和每个点的位置信息用于帮助识别模块了解目标空间中的人和物体。
按照所述训练集中已标记的点云的信息，在所述目标空间中的相应位置安置人和/或物体。
训练集中的点云信息即为目标空间中所对应的人和物体的信息，按照已标记的点云信息在目标空间中安置对应的目标物，通过具体的人或物体，对TxUSRP发射的信号进行反射，通过对反射的信号进行提取和识别，以实现对识别模块的训练。
采用所述RIS配置矩阵C，所述接收端测量所述训练集中已标记的点云，得到对应的接收信号集；
利用压缩感知算法，通过所述测量矩阵H和所述接收信号集，计算出所述测量点集合中各点相对于信号反射体的反射系数，形成反射系数点云。
在本实施例中，在建立测量矩阵时，建立了相应的RIS配置矩阵C，通过所述RIS配置矩阵C以及标准信号反射体，计算出了相应的测量矩阵H。在训练过程中，由于目标空间中放置的是具体的人或物体，而非标准的信号反射体，为了求得人或物体基于标准信号反射体的反射系数，在对识别模块进行训练时，也采用RIS配置矩阵C，即基于同一RIS配置矩阵C，对识别模块的识别能力进行训练，这样可通过在采用同一配置矩阵C下，通过接收端测量训练集中已标记的点云，从而得到相应的接收信号集。
然后利用压缩感知算法，通过所述测量矩阵H和所述接收信号集，计算出所述测量点集合中各点相对于信号反射体的反射系数，形成反射系数点云，测量矩阵H对应的是标准信号反射体所反射后的信号所形成的，而接收信号集是人或物体所反射后所形成的信号集，因此可以计算出测量点集合中各点，即具体的人或物体的点相对于信号反射体的反射系数，形成反射系数云。具体的计算过程可采用压缩感知算法进行计算，压缩感知算法是现有的一种信号处理方法，具体的，可采用如一阶范数最小化的方法，在此不做赘述。
基于所述训练集中的语义标记和计算出的所述反射系数点云，通过监督学习算法，训练所述点云识别模块中的神经网络识别所述训练集的点云的语义标记。
在本实施例中，利用监督学习算法对点云识别模块中的神经网络进行识别训练，监督学习算法是现有的一种算法，该算法用于对点云数据中每一个点代表的物理意义进行识别，基本框架是传统的监督学习算法。与传统监督学习算法的区别在于该算法考虑到了点云中特有的数据结构的对称性，以及全局信息和局部信息的关联性，设计了如下特点：
1.对称多层感知机网络：算法中对于点云中的每一个点，使用一个多层感知机来处理。因此一共有M个多层感知机，并行地处理点云中M个点的数据。此外，这M个多层感知机中的参数(包含节点间的连接权重和节点中的偏置系数)是保持一致的，这称为对称多层感知机网络。
2.特征聚合：该算法考虑到对于点云中每一个点的物理意义的识别需要参考到全局的信息，因此设置了两层结构：首先，通过对称多层感知机网络与一个传统多层感知机网络连接，由对称多层感知机网络获得每一个点的特征向量，再将所有点的特征向量输入连接的传统多层感知机网络，提取出来全局特征向量。之后，将全局特征向量连接到每一个点的特征向量后，生成每一个点的特征和全局特征聚合的特征向量，再经过后续的对称多层感知机网络处理，得到每一个点的分类结果。
在实现过程中，利用上述算法，输入的是数据集中点云中每一个点的信息，包括位置坐标和其反射系数的实部和虚部连接成的特征向量，经过对称多层感知机网络-特征聚合-多层感知机网络，获得每一个点的分类预测结果，并且和数据集中该点云的标签信息做对比，通过传统的反向传播算法，降低预测结果和真实结果的差异，从而完成训练过程。得到的训练完成的神经网络，即为点云识别模块，可以对点云提取的模块进行物理意义的识别。
在本申请另一个实施例中，所述采用所述RIS配置矩阵C，对所述待测量目标空间中的人和/或物体进行测量，得到测量向量，从所述测量向量中提取点云，包括：
采用所述RIS配置矩阵C，测量在一个测量周期内，处于所述待测量目标空间内的人和/或物体的K维测量向量；
利用压缩感知算法，从所述K维测量向量中提取点云中的空间点相对于所述反射体的反射系数；
通过所述经过训练的神经网络，处理所述具有反射系数信息的点云，得到点云中各点的语义标记，实现对待测的人和/或物体进行识别。
由于在对识别模块进行训练时，是采用RIS配置矩阵C进行测量的，从而得出人或物体相对于标准信号反射体之间的反射系数，因此经训练后的识别模块识别的信号是通过RIS配置矩阵C得到的。在进行测量时，以一个测量周期为单位进行测量，采用RIS配置矩阵C进行测量，而RIS可以改变配置的次数为K，因此，可以得到一个测量周期内待测量目标空间内的人和/或物体的K维测量向量，然后通过压缩算法，从得到的K维向量中提取点云中的空间点相对于标准反射体的反射系数，由于识别模块是经过训练学习的，具有对相关的反射系数进行识别的能力，因此通过训练后的识别模块即可识别提取的反射系数点云，得到所述反射系数点云所对应的语义标记，从而识别出目标空间中的待测人或物体。
本实施例在基于超平面的射频感知系统中，通过改变空间中的射频环境，射频信号在多种环境中传播得到的目标空间的信息，相比环境不可变的情况下得到的信息要更丰富，从而提高了点云提取和识别的准确性。
通过在不同的空间点处安置标准信号反射体，在接收端得到对应的接收信号向量，通过算法优化降低测量向量之间的平均相关性，实现提高感知效果。
基于同一发明构思，本申请一实施例提供一种基于可重构智能反射面的人-物体点云提取与识别装置。参考图5，图5是本申请一实施例提出的基于可重构智能反射面的人机物的无线边缘感知点云提取与识别装置的示意图。如图5所示，该装置包括：
测量矩阵建立模块10，被配置为：确定待测量目标空间中的M个空间点作为测量点集合；
确定一个测量周期内RIS改变配置的次数K；
通过配置优化算法，最小化对于M个空间点处有反射体时对应的测量向量之间的平均互相关系数，获得所述RIS改变配置K次所对应组成的RIS配置矩阵C；
在所述测量点集合内的所有测量点处安置信号反射体，接收端获得所述信号反射体反射的M个K维测量向量，将所述M个K维测量向量按列排列；
采用所述RIS配置矩阵C，根据所述接收端获得的M个K维测量向量计算出K×M维的测量矩阵H；
训练模块20，被配置为对点云识别模块进行训练；
点云提取模块30，被配置为采用所述RIS配置矩阵C，对所述待测量目标空间中的人和/或物体进行测量，得到测量向量，从所述测量向量中提取点云；
点云识别模块40，被配置为通过经过训练后的所述点云识别模块识别所述从测量向量中提取的点云，实现对待测的人和/或物体进行识别。
可选地，所述测量矩阵建立模块还包括：
测量矩阵生成模块，被配置为：在所有测量点处安置信号反射体的情况下，采用所述RIS配置矩阵C，接收端获得M个K维向量；
移除所有测量点处安置的信号反射体，采用所述RIS配置矩阵C，接收端获得K维环境向量；
将所述M个K维向量减去所述K维环境向量，将得到的向量按列排列，得到所述K×M维的测量矩阵H。
可选地，所述装置还包括：
配置优化算法模块101，被配置为：
S11设置当前最优配置矩阵为初始配置矩阵C*＝C(0)，根据超平面信道模型计算当前最优配置矩阵对应的在K个配置中空间中M个点处的信号所组成的测量矩阵，并计算其测量矩阵向量平均互相关值记为μ*。
S12设置连续无改进迭代次数Nnon＝0，并记当前配置序号k＝1；
S13基于当前最优的配置矩阵C*，对其进行连续化得到结果，记为连续化配置矩阵
记连续化配置矩阵中第k行为
除了第k行的
的其它行组成的矩阵记为
S14利用模式搜索算法，在固定所述
的其它行的情况下，通过优化
最小化所述连续化配置矩阵
所对应的测量矩阵的平均互相关值，记结果为
S15约化
为最接近的离散配置，记为c′k；
S16通过遗传算法，给定配置矩阵第k行配置以外的配置向量，优化离散配置c′k，最小化产生的测量矩阵的平均互相关系数，记优化结果的配置为
对应的平均互相关系数为μ*‘；
S17如果μ*‘＜μ*，更新μ*＝μ*‘，并更新最优配置矩阵C*的第k行为
如果μ*‘＞μ*，则使Nnon＝Nnon+1；
S18如果Nnon＜K，设置k为配置矩阵中下一行配置对应的序号，即k＝mod(k+1，K)+1，跳转至步骤S13；否则，输出当前最优配置矩阵C*和对应的测量矩阵的平均互相关系数的值μ*。
可选地，所述训练模块20还包括：
训练集生成模块201，被配置为生成含有人和物体的训练集，所述训练集合包含已标记的点云，所述已标记的点云中每个点的特征信息包含了点的位置信息和点的语义标记；
目标安置模块202，被配置为按照所述训练集中已标记的点云的信息，在所述目标空间中的相应位置安置人和/或物体；
信号测量模块203，被配置为采用所述RIS配置矩阵C，所述接收端测量所述训练集中已标记的点云，得到对应的接收信号集；
反射系数计算模块204，被配置为利用压缩感知算法，通过所述测量矩阵H和所述接收信号集，计算出所述测量点集合中各点相对于信号反射体的反射系数，形成反射系数点云；
学习模块205，被配置为基于所述训练集中的语义标记和计算出的所述反射系数点云，通过监督学习算法，训练所述点云识别模块中的神经网络识别所述训练集的点云的语义标记。
可选地，所述点云提取模块30还包括：
点云提取子模块301，被配置为采用所述RIS配置矩阵C，测量在一个测量周期内，处于所述待测量目标空间内的人和/或物体的K维测量向量；
利用压缩感知算法，从所述K维测量向量中提取点云中的空间点相对于所述反射体的反射系数；
所述点云识别模块40包括：
点云识别子模块401，被配置为通过所述经过训练的神经网络，处理所述具有反射系数信息的点云，得到点云中各点的语义标记，实现对待测的人和/或物体进行识别。
基于同一发明构思，本申请另一实施例提供一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请上述任一实施例所述的一种基于可重构智能反射面的人机物的无线边缘感知点云提取与识别方法中的步骤。
基于同一发明构思，本申请另一实施例提供一种电子设备，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，所述处理器执行时实现本申请上述任一实施例所述的一种基于可重构智能反射面的人机物的无线边缘感知点云提取与识别方法中的步骤。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种基于可重构智能反射面的人机物的无线边缘感知点云提取与识别方法与系统，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (12)
1.一种基于可重构智能反射面的人机物的无线边缘感知点云提取与识别方法，其特征在于，所述方法包括如下步骤：
S1建立测量矩阵，所述建立测量矩阵包括：
确定待测量目标空间中的M个空间点作为测量点集合；
确定一个测量周期内RIS改变配置的次数K；
通过配置优化算法，最小化对于M个空间点处有反射体时对应的测量向量之间的平均互相关系数，获得所述RIS改变配置K次所对应组成的RIS配置矩阵C；
在所述测量点集合内信号接收端的所有测量点处安置信号反射体，接收端获得所述信号反射体反射的M个K维测量向量，将所述M个K维测量向量按列排列；
采用所述RIS配置矩阵C，根据所述接收端获得的M个K维测量向量计算出K×M维的测量矩阵H；
S2对点云识别模块进行训练；
S3采用所述RIS配置矩阵C，对所述待测量目标空间中的人和/或物体进行测量，得到测量向量，从所述测量向量中提取点云；
通过经过训练后的所述点云识别模块识别所述从测量向量中提取的点云，实现对待测的人和/或物体进行识别。
2.根据权利要求1所述的方法，其特征在于，所述采用所述RIS配置矩阵C，根据所述接收端获得的M个K维测量向量计算出K×M维的测量矩阵H，包括：
在所有测量点处安置信号反射体的情况下，采用所述RIS配置矩阵C，接收端获得M个K维向量；
移除所有测量点处安置的信号反射体，采用所述RIS配置矩阵C，接收端获得K维环境向量；
将所述M个K维向量减去所述K维环境向量，将得到的向量按列排列，得到所述K×M维的测量矩阵H。
3.根据权利要求1所述的方法，其特征在于，所述配置优化算法，包括：
S11设置当前最优配置矩阵为初始配置矩阵C*＝C(0)，根据超平面信道模型计算当前最优配置矩阵对应的在K个配置中空间中M个点处的信号所组成的测量矩阵，并计算其测量矩阵向量平均互相关值记为μ*；
S12设置连续无改进迭代次数Nnon＝0，并记当前配置序号k＝1；
S13基于当前最优的配置矩阵**，对其进行连续化得到结果，记为连续化配置矩阵
记连续化配置矩阵中第k行为
除了第k行的
的其它行组成的矩阵记为
S14利用模式搜索算法，在固定所述
的其它行的情况下，通过优化
最小化所述连续化配置矩阵
所对应的测量矩阵的平均互相关值，记结果为
S15约化
为最接近的离散配置，记为c′k；
S16通过遗传算法，给定配置矩阵第k行配置以外的配置向量，优化离散配置c′k，最小化产生的测量矩阵的平均互相关系数，记优化结果的配置为
对应的平均互相关系数为μ*‘；
S17如果μ*‘＜μ*，更新μ*＝μ*‘，并更新最优配置矩阵C*的第k行为
如果μ*‘＞μ*，则使Nnon＝Nnon+1；
S18如果Nnon＜K，设置k为配置矩阵中下一行配置对应的序号，即k＝mod(k+1，K)+1，跳转至步骤S13；否则，输出当前最优配置矩阵C*和对应的测量矩阵的平均互相关系数的值μ*。
4.根据权利要求1所述的方法，其特征在于，所述对点云识别模块进行训练，包括：
生成含有人和物体的训练集，所述训练集合包含已标记的点云，所述已标记的点云中每个点的特征信息包含了点的位置信息和点的语义标记；
按照所述训练集中已标记的点云的信息，在所述目标空间中的相应位置安置人和/或物体；
采用所述RIS配置矩阵C，所述接收端测量所述训练集中已标记的点云，得到对应的接收信号集；
利用压缩感知算法，通过所述测量矩阵H和所述接收信号集，计算出所述测量点集合中各点相对于信号反射体的反射系数，形成反射系数点云；
基于所述训练集中的语义标记和计算出的所述反射系数点云，通过监督学习算法，训练所述点云识别模块中的神经网络识别所述训练集的点云的语义标记。
5.根据权利要求1所述的方法，其特征在于，所述采用所述RIS配置矩阵C，对所述待测量目标空间中的人和/或物体进行测量，得到测量向量，从所述测量向量中提取点云，包括：
采用所述RIS配置矩阵C，测量在一个测量周期内，处于所述待测量目标空间内的人和/或物体的K维测量向量；
利用压缩感知算法，从所述K维测量向量中提取点云中的空间点相对于所述反射体的反射系数；
通过所述经过训练的神经网络，处理所述具有反射系数信息的点云，得到点云中各点的语义标记，实现对待测的人和/或物体进行识别。
6.一种基于可重构智能反射面的人机物的无线边缘感知点云提取与识别装置，其特征在于，所述装置包括：
测量矩阵建立模块，被配置为：确定待测量目标空间中的M个空间点作为测量点集合；
确定一个测量周期内RIS改变配置的次数K；
通过配置优化算法，最小化对于M个空间点处有反射体时对应的测量向量之间的平均互相关系数，获得所述RIS改变配置K次所对应组成的RIS配置矩阵C；
在所述测量点集合内的所有测量点处安置信号反射体，接收端获得所述信号反射体反射的M个K维测量向量，将所述M个K维测量向量按列排列；
采用所述RIS配置矩阵C，根据所述接收端获得的M个K维测量向量计算出K×M维的测量矩阵H；
训练模块，被配置为对点云识别模块进行训练；
点云提取模块，被配置为采用所述RIS配置矩阵C，对所述待测量目标空间中的人和/或物体进行测量，得到测量向量，从所述测量向量中提取点云；
点云识别模块，被配置为通过经过训练后的所述点云识别模块识别所述从测量向量中提取的点云，实现对待测的人和/或物体进行识别。
7.根据权利要求6所述的装置，其特征在于，所述测量矩阵建立模块还包括：
测量矩阵生成模块，被配置为：在所有测量点处安置信号反射体的情况下，采用所述RIS配置矩阵C，接收端获得M个K维向量；
移除所有测量点处安置的信号反射体，采用所述RIS配置矩阵C，接收端获得K维环境向量；
将所述M个K维向量减去所述K维环境向量，将得到的向量按列排列，得到所述K×M维的测量矩阵H。
8.根据权利要求6所述的装置，其特征在于，所述装置还包括：
配置优化算法模块，被配置为：
S11设置当前最优配置矩阵为初始配置矩阵C*＝C(0)，根据超平面信道模型计算当前最优配置矩阵对应的在K个配置中空间中M个点处的信号所组成的测量矩阵，并计算其测量矩阵向量平均互相关值记为μ*；
S12设置连续无改进迭代次数Nnon＝0，并记当前配置序号k＝1；
S13基于当前最优的配置矩阵C*，对其进行连续化得到结果，记为连续化配置矩阵
记连续化配置矩阵中第k行为
除了第k行的
的其它行组成的矩阵记为
S14利用模式搜索算法，在固定所述
的其它行的情况下，通过优化
最小化所述连续化配置矩阵
所对应的测量矩阵的平均互相关值，记结果为
S15约化
为最接近的离散配置，记为c′k；
S16通过遗传算法，给定配置矩阵第k行配置以外的配置向量，优化离散配置c′k，最小化产生的测量矩阵的平均互相关系数，记优化结果的配置为
对应的平均互相关系数为μ*‘；
S17如果μ*‘＜μ*，更新μ*＝μ*‘，并更新最优配置矩阵C*的第k行为
如果μ*‘＞μ*，则使Nnon＝Nnon+1；
S18如果Nnon＜K，设置k为配置矩阵中下一行配置对应的序号，即k＝mod(k+1，K)+1，跳转至步骤S13；否则，输出当前最优配置矩阵C*和对应的测量矩阵的平均互相关系数的值μ*。
9.根据权利要求6所述的装置，其特征在于，所述训练模块还包括：
训练集生成模块，被配置为生成含有人和物体的训练集，所述训练集合包含已标记的点云，所述已标记的点云中每个点的特征信息包含了点的位置信息和点的语义标记；
目标安置模块，被配置为按照所述训练集中已标记的点云的信息，在所述目标空间中的相应位置安置人和/或物体；
信号测量模块，被配置为采用所述RIS配置矩阵C，所述接收端测量所述训练集中已标记的点云，得到对应的接收信号集；
反射系数计算模块，被配置为利用压缩感知算法，通过所述测量矩阵H和所述接收信号集，计算出所述测量点集合中各点相对于信号反射体的反射系数，形成反射系数点云；
学习模块，被配置为基于所述训练集中的语义标记和计算出的所述反射系数点云，通过监督学习算法，训练所述点云识别模块中的神经网络识别所述训练集的点云的语义标记。
10.根据权利要求6所述的装置，其特征在于，所述点云提取模块还包括：
点云提取子模块，被配置为采用所述RIS配置矩阵C，测量在一个测量周期内，处于所述待测量目标空间内的人和/或物体的K维测量向量；
利用压缩感知算法，从所述K维测量向量中提取点云中的空间点相对于所述反射体的反射系数；
所述点云识别模块包括：
点云识别子模块，被配置为通过所述经过训练的神经网络，处理所述具有反射系数信息的点云，得到点云中各点的语义标记，实现对待测的人和/或物体进行识别。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现如权利要求1至4任一所述的方法中的步骤。
12.一种电子设备，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计算机程序时，实现如权利要求1至4任一所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010821442.8A CN112100572B (zh) | 2020-08-14 | 2020-08-14 | 人机物的无线边缘感知点云提取与识别方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010821442.8A CN112100572B (zh) | 2020-08-14 | 2020-08-14 | 人机物的无线边缘感知点云提取与识别方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112100572A true CN112100572A (zh) | 2020-12-18 |
| CN112100572B CN112100572B (zh) | 2021-07-06 |
Family
ID=73753795
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010821442.8A Active CN112100572B (zh) | 2020-08-14 | 2020-08-14 | 人机物的无线边缘感知点云提取与识别方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112100572B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113489553A (zh) * | 2021-07-06 | 2021-10-08 | 东南大学 | 一种智能反射面反射系数与偏置电压关系的测量方法 |
| US20220052764A1 (en) * | 2020-08-14 | 2022-02-17 | Huawei Technologies Co., Ltd. | Media-based reconfigurable intelligent surface-assisted modulation |
| WO2022213782A1 (zh) * | 2021-04-08 | 2022-10-13 | 荣耀终端有限公司 | 协作感知的方法、电子设备和可读存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106557784A (zh) * | 2016-11-23 | 2017-04-05 | 上海航天控制技术研究所 | 基于压缩感知的快速目标识别方法和系统 |
| CN111010219A (zh) * | 2019-11-28 | 2020-04-14 | 东南大学 | 可重构智能表面辅助的多用户mimo上行链路传输方法 |
-
2020
- 2020-08-14 CN CN202010821442.8A patent/CN112100572B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106557784A (zh) * | 2016-11-23 | 2017-04-05 | 上海航天控制技术研究所 | 基于压缩感知的快速目标识别方法和系统 |
| CN111010219A (zh) * | 2019-11-28 | 2020-04-14 | 东南大学 | 可重构智能表面辅助的多用户mimo上行链路传输方法 |
Non-Patent Citations (1)
| Title |
|---|
| JINGZHI HU 等: "Reconfigurable Intelligent Surfaces based RF Sensing: Design, Optimization, and Implementation", 《HTTPS://ARXIV.ORG/ABS/1912.09198》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220052764A1 (en) * | 2020-08-14 | 2022-02-17 | Huawei Technologies Co., Ltd. | Media-based reconfigurable intelligent surface-assisted modulation |
| US11848709B2 (en) * | 2020-08-14 | 2023-12-19 | Huawei Technologies Co., Ltd. | Media-based reconfigurable intelligent surface-assisted modulation |
| WO2022213782A1 (zh) * | 2021-04-08 | 2022-10-13 | 荣耀终端有限公司 | 协作感知的方法、电子设备和可读存储介质 |
| CN113489553A (zh) * | 2021-07-06 | 2021-10-08 | 东南大学 | 一种智能反射面反射系数与偏置电压关系的测量方法 |
| CN113489553B (zh) * | 2021-07-06 | 2022-07-05 | 东南大学 | 一种智能反射面反射系数与偏置电压关系的测量方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112100572B (zh) | 2021-07-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112100572B (zh) | 人机物的无线边缘感知点云提取与识别方法与系统 | |
| Hsieh et al. | Deep learning-based indoor localization using received signal strength and channel state information | |
| CN103038725B (zh) | 使用连续波超声信号的无触摸感测和手势辨识 | |
| Mohanty et al. | Deep gesture: static hand gesture recognition using CNN | |
| Gu et al. | WiGRUNT: WiFi-enabled gesture recognition using dual-attention network | |
| Carneiro et al. | Flexible spatial configuration of local image features | |
| CN114332530A (zh) | 图像分类方法、装置、计算机设备及存储介质 | |
| US20230366982A1 (en) | Method and apparatus with radar data recognition | |
| CN113569607A (zh) | 动作识别方法、装置、设备以及存储介质 | |
| Arsalan et al. | Radarsnn: A resource efficient gesture sensing system based on mm-wave radar | |
| Spera et al. | EgoCart: A benchmark dataset for large-scale indoor image-based localization in retail stores | |
| CN115343704A (zh) | 基于多任务学习的fmcw毫米波雷达的手势识别方法 | |
| CN115131604A (zh) | 一种多标签图像分类方法、装置、电子设备及存储介质 | |
| CN114423034A (zh) | 一种室内人员动作识别方法、系统、介质、设备及终端 | |
| Ng et al. | Intelligent book positioning for library using RFID and book spine matching | |
| Liu et al. | TransTM: A device-free method based on time-streaming multiscale transformer for human activity recognition | |
| CN115469303A (zh) | 一种检测人体姿态和生命体征的认知生物雷达方法与装置 | |
| Berz et al. | Machine‐learning‐based system for multi‐sensor 3D localisation of stationary objects | |
| CN117055004A (zh) | 一种基于毫米波雷达稀疏点云的三维人体骨架估计方法 | |
| CN116738144A (zh) | 基于rfid的人体行为检测方法、装置、介质及设备 | |
| CN116433722A (zh) | 目标跟踪方法、电子设备、存储介质及程序产品 | |
| Li et al. | Flexible heterogeneous data fusion strategy for object positioning applications in edge computing environment | |
| CN115393955A (zh) | 一种利用WiFi基于BVP和WiTransformer的手势识别方法及系统 | |
| CN111880146B (zh) | 声源定向方法和装置及存储介质 | |
| Qiao et al. | Gesture-ProxylessNAS: A lightweight network for mid-air gesture recognition based on UWB radar |
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 |