CN113449587B - 一种人体行为识别和身份认证方法、装置和电子设备 - Google Patents

一种人体行为识别和身份认证方法、装置和电子设备 Download PDF

Info

Publication number
CN113449587B
CN113449587B CN202110481401.3A CN202110481401A CN113449587B CN 113449587 B CN113449587 B CN 113449587B CN 202110481401 A CN202110481401 A CN 202110481401A CN 113449587 B CN113449587 B CN 113449587B
Authority
CN
China
Prior art keywords
gesture recognition
time
sensing data
task
frequency
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
CN202110481401.3A
Other languages
English (en)
Other versions
CN113449587A (zh
Inventor
景晓军
张荣辉
穆俊生
黄海
崔原豪
张芳沛
张�浩
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202110481401.3A priority Critical patent/CN113449587B/zh
Publication of CN113449587A publication Critical patent/CN113449587A/zh
Application granted granted Critical
Publication of CN113449587B publication Critical patent/CN113449587B/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
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明实施例提供了一种人体行为识别和身份认证方法、装置和电子设备，涉及无线感技术领域，其中，一种人体行为识别和身份认证方法，包括：获取手势识别感知数据，手势识别感知数据是信道状态信息CSI感知数据；对手势识别感知数据进行预处理，得到预处理后的手势识别感知数据；对预处理后的手势识别感知数据进行时频变换，得到手势识别感知数据对应的时频图，时频图用于反映人体手势引起的信号波动信息；将时频图输入预先训练好的多任务模型，通过多任务模型输出手势识别结果以及身份认证结果。通过本发明实施例提供的人体行为识别和身份认证方法、装置和电子设备，能够提高行为识别的准确度和身份认证的准确度。

Description

一种人体行为识别和身份认证方法、装置和电子设备
技术领域
本发明涉及无线感技术领域，特别是涉及一种人体行为识别和身份认证方法、装置和电子设备。
背景技术
生物识别技术是指根据个体的生物学和行为特性自动识别身份的能力。在人机交互领域，通过行为识别的结果，执行相应的操作，可以实现无接触交互。且在行为识别的过程中可以进行身份认证，即认证是特定身份后再执行该行为相应的操作。可以看出，执行何种操作依赖于身份认证的结果以及行为识别的结果，因此，身份认证和行为识别是利用生物识别技术实现人机交互的重要内容。
发明内容
本发明实施例的目的在于提供一种人体行为识别和身份认证方法、装置和电子设备，以提高行为识别的准确度和身份认证的准确度。具体技术方案如下：
本发明实施例提供了一种人体行为识别和身份认证方法，包括：
获取手势识别感知数据，所述手势识别感知数据是信道状态信息CSI感知数据；
对所述手势识别感知数据进行预处理，得到预处理后的手势识别感知数据；
对所述预处理后的手势识别感知数据进行时频变换，得到所述手势识别感知数据对应的时频图，所述时频图用于反映人体手势引起的信号波动信息；
将所述时频图输入预先训练好的多任务模型，通过所述多任务模型输出手势识别结果以及身份认证结果；其中，所述多任务模型是基于多个样本数据对多任务学习模型训练得到的，所述多任务学习模型是基于手势识别任务和身份认证双重任务而构建的，所述样本数据是无线设备与接收设备之间存在人体手势时而采集的CSI感知数据；多个样本数据至少包括不同人作出相同人体手势时而采集的多个CSI感知数据。
可选的，所述CSI感知数据为
Figure BDA0003049402500000021
其中，H(f,t)表示t时刻的CSI感知数据，N表示多径的数量，αn表示路径n下的复衰落，τn表示路径n下的传播延迟，ε(f,t)表示由时序对准偏移，采样频率偏移和载波频率偏移引起的相位误差，f表示频率，j表示虚数的虚部；
所述对所述手势识别感知数据进行预处理，得到预处理后的手势识别感知数据，包括：
通过
Figure BDA0003049402500000022
将所述手势识别感知数据转换为稳态信号和动态信号，并提取所述动态信号，所述动态信号为所述预处理后的手势识别感知数据；其中，HS(f)表示所有稳态信号的和，Pd表示动态信号集合；u表示用于积分的时间标识，Dn表示第n条路径的长度。
可选的，所述对所述预处理后的手势识别感知数据进行时频变换，得到所述手势识别感知数据对应的时频图，包括：
通过短时傅里叶变换对所述预处理后的手势识别感知数据进行时频变换，得到多普勒效应DFS时频图。
可选的，所述多任务模型包括：空间注意力层、时间注意力层和特定任务全连接层；
所述通过所述多任务模型输出手势识别结果以及身份认证结果，包括：
通过所述空间注意力层提取所述时频图对应的空间注意力特征，所述空间注意力特征包括带有权重的空间特征，所述空间特征是基于卷积神经网络CNN而提取得到的；不同权重表示所述时频图中不同位置具有不同关注级别的特征；
将所述空间注意力特征输入所述时间注意力层，通过所述时间注意力层提取对应的时间注意力特征，所述时间注意力特征用于表示所述时频图的时间序列长度；
将所述时间注意力特征输入所述特定任务全连接层，通过所述特定任务全连接层输出手势识别结果以及身份认证结果。
可选的，所述空间注意力层包括卷积神经网络CNN；所述时间注意力层包括长短期记忆网络LSTM。
可选的，得到所述预先训练好的多任务模型，包括：
获取多个样本数据，所述样本数据是无线设备与接收设备之间存在人体手势时而采集的CSI感知数据；多个样本数据至少包括不同人作出相同人体手势时而采集的多个CSI感知数据；
获取各个样本数据分别对应的样本真值，所述样本真值用于表示所述样本数据中人体手势所对应的手势识别结果标签值和身份认证结果标签值；
针对各个样本数据，对所述样本数据进行预处理，得到预处理后的样本数据；
对所述预处理后的样本数据进行时频变换，得到所述样本数据对应的时频图；
基于手势识别任务和身份认证双重任务构建多任务学习模型；所述多任务学习模型包括所述手势识别任务和所述身份认证双重任务分别对应的不同权重的损失函数；
利用多个样本数据对应的时频图和所述样本真值，对所述多任务学习模型进行训练，得到训练好的多任务学习任务。
可选的，所述利用多个样本数据对应的时频图和所述样本真值，对所述多任务学习模型进行训练，得到训练好的多任务学习任务，包括：
将多个样本数据对应的时频图输入所述多任务学习模型；
针对各个样本数据，将所述多任务学习模型的输出值与所述样本数据对应的样本真值比较，所述输出值是针对所述样本数据的时频图的输出值；
当比较结果不满足预设条件时，则调整所述多任务学习模型的参数，直至比较结果满足预设条件，所述预设条件包括损失函数收敛。
本发明实施例还提供了一种人体行为识别和身份认证装置，包括：
第一获取模块，用于获取手势识别感知数据，所述手势识别感知数据是信道状态信息CSI感知数据；
第一预处理模块，用于对所述手势识别感知数据进行预处理，得到预处理后的手势识别感知数据；
第二时频变换模块，用于对所述预处理后的手势识别感知数据进行时频变换，得到所述手势识别感知数据对应的时频图，所述时频图用于反映人体手势引起的信号波动信息；
得到结果模块，用于将所述时频图输入预先训练好的多任务模型，通过所述多任务模型输出手势识别结果以及身份认证结果；其中，所述多任务模型是基于多个样本数据对多任务学习模型训练得到的，所述多任务学习模型是基于手势识别任务和身份认证双重任务而构建的，所述样本数据是无线设备与接收设备之间存在人体手势时而采集的CSI感知数据；多个样本数据至少包括不同人作出相同人体手势时而采集的多个CSI感知数据。
可选的，所述CSI感知数据为
Figure BDA0003049402500000041
其中，H(f,t)表示t时刻的CSI感知数据，N表示多径的数量，αn表示路径n下的复衰落，τn表示路径n下的传播延迟，ε(f,t)表示由时序对准偏移，采样频率偏移和载波频率偏移引起的相位误差，f表示频率，j表示虚数的虚部；
所述第一预处理模块，具体用于通过
Figure BDA0003049402500000042
将所述手势识别感知数据转换为稳态信号和动态信号，并提取所述动态信号，所述动态信号为所述预处理后的手势识别感知数据；其中，HS(f)表示所有稳态信号的和，Pd表示动态信号集合；u表示用于积分的时间标识，Dn表示第n条路径的长度。
可选的，第一时频变换模块，具体用于通过短时傅里叶变换对预处理后的手势识别感知数据进行时频变换，得到多普勒效应DFS时频图。
可选的，多任务模型包括：空间注意力层、时间注意力层和特定任务全连接层；
得到结果模块，具体用于通过空间注意力层提取时频图对应的空间注意力特征，空间注意力特征包括带有权重的空间特征，空间特征是基于卷积神经网络CNN而提取得到的；不同权重表示时频图中不同位置具有不同关注级别的特征；将空间注意力特征输入时间注意力层，通过时间注意力层提取对应的时间注意力特征，时间注意力特征用于表示时频图的时间序列长度；将时间注意力特征输入特定任务全连接层，通过特定任务全连接层输出手势识别结果以及身份认证结果。
可选的，空间注意力层包括卷积神经网络CNN；时间注意力层包括长短期记忆网络LSTM。
可选的，装置还包括：
第二获取模块，用于获取多个样本数据，样本数据是无线设备与接收设备之间存在人体手势时而采集的CSI感知数据；多个样本数据至少包括不同人作出相同人体手势时而采集的多个CSI感知数据；获取各个样本数据分别对应的样本真值，样本真值用于表示样本数据中人体手势所对应的手势识别结果标签值和身份认证结果标签值；
第二预处理模块，用于针对各个样本数据，对样本数据进行预处理，得到预处理后的样本数据；
第二时频变换模块，用于对预处理后的样本数据进行时频变换，得到样本数据对应的时频图；
构建模块，用于基于手势识别任务和身份认证双重任务构建多任务学习模型；多任务学习模型包括手势识别任务和身份认证双重任务分别对应的不同权重的损失函数；
训练模块，用于利用多个样本数据对应的时频图和样本真值，对多任务学习模型进行训练，得到训练好的多任务学习任务。
可选的，训练模块，具体用于将多个样本数据对应的时频图输入多任务学习模型；针对各个样本数据，将多任务学习模型的输出值与样本数据对应的样本真值比较，输出值是针对样本数据的时频图的输出值；当比较结果不满足预设条件时，则调整多任务学习模型的参数，直至比较结果满足预设条件，预设条件包括损失函数收敛。
本发明实施例还提提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述人体行为识别和身份认证方法的方法步骤。
本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述人体行为识别和身份认证方法的方法步骤。
本发明实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述人体行为识别和身份认证方法的方法步骤。
本发明实施例有益效果：
本发明实施例提供的人体行为识别和身份认证方法、装置和电子设备，通过获取手势识别感知数据，手势识别感知数据是信道状态信息CSI感知数据；对手势识别感知数据进行预处理，得到预处理后的手势识别感知数据；对预处理后的手势识别感知数据进行时频变换，得到手势识别感知数据对应的时频图，时频图能够反映人体手势引起的信号波动信息，且时频图信息比较丰富，即能够提取表示人体手势的高分辨率的特征。如此，将该时频图输入预先训练好的多任务模型，通过多任务模型输出手势识别结果以及身份认证结果，能够利用表示人体手势的高分辨率的特征进行手势识别和身份认证，能够提高行为识别的准确度和身份认证的准确度。同时，多任务模型是基于多个样本数据对多任务学习模型训练得到的，多任务学习模型是基于手势识别任务和身份认证双重任务而构建的，多任务模型能够充分利用手势识别任务和身份认证之间的相互影响，进一步提高输出的准确度。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的实施例。
图1为本发明实施例提供的人体行为识别和身份认证方法的流程图；
图2为本发明实施例中训练得到多任务模型的流程图；
图3为本发明实施例提供的训练多任务模型的应用示意图；
图4为本发明实施例提供的人体行为识别和身份认证装置的一种结构示意图；
图5为本发明实施例提供的人体行为识别和身份认证装置的另一种结构示意图；
图6为本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，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。基于本发明中的实施例，本领域普通技术人员基于本申请所获得的所有其他实施例，都属于本发明保护的范围。
生物识别技术是指根据个体的生物学和行为特性自动识别身份的能力。通过挖掘无线设备，如Wi-Fi设备中潜藏于信道状态信息信道状态信息(Channel StateInformation，CSI)的人体或人体行为对无线信号传播的内在影响可以识别身份，该技术在学术界通常被称为无线电生物识别(RB)。RB的研究主要集中于生物特征，例如步态、呼吸模型和身体物理特征。尽管带宽有限，但在室内无线感知方面，Wi-Fi仍表现出与雷达类似的功能。
已有方式中通过提取步态模式以识别行人身份。但是这种方式仅能识别粗粒度行为本身的特征，或者发现人体物理特征的特征，而没有将它们视为一体，其中，粗粒度行为即幅度较大的人体行为。而实际上，当人做手势或者其他工作时，将不可避免地导致身体其他部分的运动，这与身体的静止部分一起会影响无线信号传播。基于以上见解，本发明提出了一种新的RB系统，无线身份证(无线ID，WirelessID)，通过提取高分辨率时空特征来探索嵌入CSI的人类细粒度行为和身体物理特征。另外，对应于身体不同部位的信号波动对识别性能的贡献也不同。也就是说，CSI样本的不同部分对特征的贡献不同，并且不同CSI序列对特征的贡献也不同。因此，为了提取更强大的功能，本发明实施例在深度框架中引入了一种关注机制，该机制根据特征对性能改进的重要性自动分配权重。
无线电生物识别是通过挖掘Wi-Fi设备中潜藏于CSI的人体或人体行为对无线信号传播的内在影响来识别身份，即行为识别是身份识别的基础，两者有本质的联系。这在机器学习领域中是典型的多任务学习(Multi-task learning，MTL)。作为机器学习中很有前景的领域，MTL旨在利用多个学习任务中包含的有用信息来为每个任务学习更精确的模型。基于假设所有任务或至少部分是相关的，与单独学习各项任务相比，在经验和理论上联合学习多项任务，会获取更好的性能。
本发明实施例深度挖掘人体细粒度行为和人体物理特性二者对无线信号传播的本质影响，在识别人体行为的同时完成身份认证，即将行为识别和身份认证统一对待，通过多任务学习模型通过时进行行为识别和身份认证，能够降低系统对数据多样性和数量的依赖，提升系统泛化性能。
本发明实施例在真实室内场景下，在Wi-Fi设备和接收设备天线之间，用户完成不同手势动作，服务器端收集并存储手势识别感知数据；对收集到的CSI感知数据进行诸如去噪、时频变换等数据预处理；针对手势识别和身份认证双重任务，构建时空注意力机制多任务学习模型；基于时空注意力机制多任务学习模型，学习适用于两种任务的时空高分辨率特征并训练和测试模型；构建基于人体手势的联合人体细粒度行为识别和身份认证系统，将无接触身份认证和人机交互功能有机统一。总的来讲，本发明实施例预先基于在真实场景下采集的CSI感知数据，并对CSI感知数据进行预处理，得到对应的时频图，利用多个时频图训练多任务模型，如此，可以构建基于人体手势的联合人体细粒度行为识别和身份认证系统，即基于该训练好的多任务模型输出行为识别的结果和身份认证的结果。
下面对本发明实施例提供的人体行为识别和身份认证方法进行详细说明。
本发明实施例提供的人体行为识别和身份认证方法可以应用于电子设备，电子设备可以包括服务器、终端等等。
本发明实施例提供了一种人体行为识别和身份认证方法，包括：
获取手势识别感知数据，手势识别感知数据是信道状态信息CSI感知数据；
对手势识别感知数据进行预处理，得到预处理后的手势识别感知数据；
对预处理后的手势识别感知数据进行时频变换，得到手势识别感知数据对应的时频图，时频图用于反映人体手势引起的信号波动信息；
将时频图输入预先训练好的多任务模型，通过多任务模型输出手势识别结果以及身份认证结果；其中，多任务模型是基于多个样本数据对多任务学习模型训练得到的，多任务学习模型是基于手势识别任务和身份认证双重任务而构建的，样本数据是无线设备与接收设备之间存在人体手势时而采集的CSI感知数据；多个样本数据至少包括不同人作出相同人体手势时而采集的多个CSI感知数据。
本发明实施例中，通过获取手势识别感知数据，手势识别感知数据是信道状态信息CSI感知数据；对手势识别感知数据进行预处理，得到预处理后的手势识别感知数据；对预处理后的手势识别感知数据进行时频变换，得到手势识别感知数据对应的时频图，时频图能够反映人体手势引起的信号波动信息，且时频图信息比较丰富，即能够提取表示人体手势的高分辨率的特征。如此，将该时频图输入预先训练好的多任务模型，通过多任务模型输出手势识别结果以及身份认证结果，能够利用表示人体手势的高分辨率的特征进行手势识别和身份认证，能够提高行为识别的准确度和身份认证的准确度。同时，多任务模型是基于多个样本数据对多任务学习模型训练得到的，多任务学习模型是基于手势识别任务和身份认证双重任务而构建的，多任务模型能够充分利用手势识别任务和身份认证之间的相互影响，进一步提高输出的准确度。
本发明实施例提供了一种人体行为识别和身份认证方法，如图1所示，可以包括：
S101，获取手势识别感知数据。
手势识别感知数据是信道状态信息CSI感知数据。
S102，对手势识别感知数据进行预处理，得到预处理后的手势识别感知数据。
可以对手势识别感知数据进行去噪处理，消除静态偏移等。
一种可实现方式中，CSI感知数据为
Figure BDA0003049402500000101
其中，H(f,t)表示t时刻的CSI感知数据，N表示多径的数量，αn表示路径n下的复衰落，τn表示路径n下的传播延迟，ε(f,t)表示由时序对准偏移，采样频率偏移和载波频率偏移引起的相位误差，f表示频率，j表示虚数的虚部；
对手势识别感知数据进行预处理，得到预处理后的手势识别感知数据，包括：
通过
Figure BDA0003049402500000102
将手势识别感知数据转换为稳态信号和动态信号，并提取动态信号，动态信号为预处理后的手势识别感知数据；其中，HS(f)表示所有稳态信号的和，Pd表示动态信号集合，即由动态目标反射信号而产生多普勒效应；u表示用于积分的时间标识，Dn表示第n条路径的长度，此处的路径是指信号的反射路径。HS(f)该部分不产生多普勒效应(DFS)。
S103，对预处理后的手势识别感知数据进行时频变换，得到手势识别感知数据对应的时频图。
时频图用于反映人体手势引起的信号波动信息。
可以通过短时傅里叶变换对预处理后的手势识别感知数据进行时频变换，得到多普勒效应(Doppler Frequency Shift，DFS)时频图。
一种可选的实施例中，可以通过对同一个Wi-Fi设备的网络接口控制器(networkinterface controller，NIC)上两个天线的CSI共轭相乘，滤除带外噪声和静态偏移，可以消除随机偏移，仅保留含有非零DFS的多径分量，并通过应用短时傅里叶变换产生DFS时频图。
可以针对无线感知信号时空分辨率低且易受环境和设备自身噪声影响的问题，本发明实施例在正交频分复用技术(Orthogonal Frequency Division Multiplexing，OFDM)多载波技术的支撑下，采用多输入多输出(Multiple Input Multiple Output，MIMO)和高级信号处理技术，获取潜藏于CSI中仅由人体活动引起的信号波动信息。
S104，将时频图输入预先训练好的多任务模型，通过多任务模型输出手势识别结果以及身份认证结果。
其中，多任务模型是基于多个样本数据对多任务学习模型训练得到的，多任务学习模型是基于手势识别任务和身份认证双重任务而构建的，样本数据是无线设备与接收设备之间存在人体手势时而采集的CSI感知数据；多个样本数据至少包括不同人作出相同人体手势时而采集的多个CSI感知数据。
一种可实现方式中，多任务模型可以包括：空间注意力层、时间注意力层和特定任务全连接层；
S104可以包括：
通过空间注意力层提取时频图对应的空间注意力特征，空间注意力特征包括带有权重的空间特征，空间特征是基于卷积神经网络CNN而提取得到的；不同权重表示时频图中不同位置具有不同关注级别的特征；将空间注意力特征输入时间注意力层，通过时间注意力层提取对应的时间注意力特征，时间注意力特征用于表示时频图的时间序列长度；将时间注意力特征输入特定任务全连接层，通过特定任务全连接层输出手势识别结果以及身份认证结果。
其中，空间注意力层可以包括卷积神经网络(Convolutional Neural Network，CNN)，即通过CNN实现空间注意力层；时间注意力层可以包括长短期记忆网络(Long-ShortTerm Memory Networks，LSTM)，即通过LSTM实现时间注意力层。
本发明实施例中，通过获取手势识别感知数据，手势识别感知数据是信道状态信息CSI感知数据；对手势识别感知数据进行预处理，得到预处理后的手势识别感知数据；对预处理后的手势识别感知数据进行时频变换，得到手势识别感知数据对应的时频图，时频图能够反映人体手势引起的信号波动信息，且时频图信息比较丰富，即能够提取表示人体手势的高分辨率的特征。如此，将该时频图输入预先训练好的多任务模型，通过多任务模型输出手势识别结果以及身份认证结果，能够利用表示人体手势的高分辨率的特征进行手势识别和身份认证，能够提高行为识别的准确度和身份认证的准确度。同时，多任务模型是基于多个样本数据对多任务学习模型训练得到的，多任务学习模型是基于手势识别任务和身份认证双重任务而构建的，多任务模型能够充分利用手势识别任务和身份认证之间的相互影响，进一步提高输出的准确度。通过本发明实施例提供的人体行为识别和身份认证方法，能够实现基于CSI时空注意力特性的联合人体细粒度行为识别和身份认证。
另外，通过多任务模型可以同时输出手势识别结果以及身份认证结果，能够提高计算效率，提升用户体验，如已有技术中，先进行身份认证，身份验证通过后再进行行为识别，并根据行为识别的结果进行相应的操作。
本发明实施例预先训练得到多任务模型，如图2所示，得到预先训练好的多任务模型，可以包括：
S201，获取多个样本数据。
样本数据是无线设备与接收设备之间存在人体手势时而采集的CSI感知数据；多个样本数据至少包括不同人作出相同人体手势时而采集的多个CSI感知数据。
例如，在真实室内场景下，在Wi-Fi设备和接收设备天线之间，用户完成不同手势动作，服务器端收集并存储手势识别感知数据。
S202，获取各个样本数据分别对应的样本真值。
样本真值用于表示样本数据中人体手势所对应的手势识别结果标签值和身份认证结果标签值。
S203，针对各个样本数据，对样本数据进行预处理，得到预处理后的样本数据。
类似于上述对手势识别感知数据进行预处理的过程，参照上述对手势识别感知数据进行预处理的过程。
S204，对预处理后的样本数据进行时频变换，得到样本数据对应的时频图。
类似于上述对手势识别感知数据进行时频变换的过程，参照上述对手势识别感知数据进行时频变换的过程。
如此，构建得到用于模型训练的数据集，数据集包括多个样本数据对应的时频图以及对应的样本真值。
下面基于数据集进行多任务模型的训练。
S205，基于手势识别任务和身份认证双重任务构建多任务学习模型。
多任务学习模型包括手势识别任务和身份认证双重任务分别对应的不同权重的损失函数。
多任务学习模型可以包括：空间注意力层、时间注意力层和特定任务全连接层。
具体地可以通过CNN实现空间注意力层，通过LSTM实现时间注意力层。
本发明通过组合CNN和LSTM，使得模型能够获取细粒时空特征，提升模型鲁棒性，能够提升模型细粒活动识别泛化能力。
且由于人体不同部位对应的信号波动对识别性能的贡献不同，即CSI样本的不同部分和不同CSI序列对特征的贡献不同。因此，为了提取更鲁棒的特征，本发明在深度模型中引入注意力机制，该机制根据特征对性能改进的重要性自动分配权重。在利用CNN和LSTM提取特征的过程中，可以结合注意力机制。
在训练过程中，进行时空注意力机制多任务学习模型构建与训练，使得模型能够学习到通过空间注意力层和时间注意力层提取时空注意力特征。
通过对频谱图执行CNN的卷积操作，可以获得空间特征。此外，频谱图中的不同频率分量和其他特性对识别性能的最大化有不同的贡献。换句话说，某些频率成分在识别中起主要作用。注意力机制已用于对象跟踪和识别，该机制通过学习选择图像以最大程度地减少跟踪不确定性。我们融合卷积与注意力机制，提取频谱图中的鲁棒空间特征。即，空间注意力模型可以学习对频谱图不同位置具有不同关注级别的特征。因此，通过对频谱图执行注意力卷积运算，可以获得空间注意力特征。该模型的输出用作时间注意力模型的输入。
频谱图序列包含随时间变化的人体行为的完整动态。与行为相关的频谱图序列可能具有不同的长度，因为执行不同的行为可能会花费不同的时间，而不同用户执行相同行为也可能会花费不同的时间。LSTM可以编码序列的时间动态信息。具有注意力机制的LSTM保留中间编码序列结果，然后自适应地对这些中间输出结果的子集进行建模。换句话说，模型会根据最终识别性能改进的重要性自动为学习的特征分配不同的权重。因而，可获取时频图序列时间注意力特征。
S206，利用多个样本数据对应的时频图和样本真值，对多任务学习模型进行训练，得到训练好的多任务学习任务。
可以将多个样本数据对应的时频图输入多任务学习模型；针对各个样本数据，将多任务学习模型的输出值与样本数据对应的样本真值比较，输出值是针对样本数据的时频图的输出值；当比较结果不满足预设条件时，则调整多任务学习模型的参数，直至比较结果满足预设条件，预设条件包括损失函数收敛。
手势识别和身份认证是典型的多分类过程，因此选择softmax(归一化指数函数)作为激活函数。为了构建多任务学习模型，可以为手势识别任务和身份认证任务分别赋予一个损失函数(分别为Loss1和Loss2)，通过对这两个损失函数赋予不同的权重构建多任务学习模型的损失函数入公式Loss＝ω1Loss1+ω2Loss2，(ω1+ω2＝1)，从上述步骤中提取的时空注意力特征用于训练softmax分类器。
因此对于MTL训练即转化为优化Loss损失函数，使模型能够了解任务之间应该如何相互作用，提升模型泛化性能。
图3为本发明实施例提供的训练多任务模型的应用示意图。参见图3，首先获取真实室内场景下的人体手势感知数据CSI，由于数据中包含环境噪声和设备自身不完美导致的噪声，所以需要经过去噪处理后再进行时频变换以获取CSI对应的时频图，也即CSI-DFS时频图。
其中，利用了CSI时空特性增强技术：针对无线感知信号时空分辨率低且易受环境和设备自身噪声影响的问题，本发明实施例在OFDM多载波技术的支撑下，采用MIMO和高级信号处理技术，获取潜藏于CSI中仅由人体活动引起的信号波动信息。
利用CSI-DFS时频图训练多任务学习模型，也可以理解为时空注意力机制多任务学习模型。
多任务学习模型包括空间注意力层、时间注意力层以及特定任务连接层，空间注意力层也可以称之为空间注意力模块；时间注意力层也可以称之为时间注意力模块。
其中，结合深度细粒时空特征提取技术和鲁棒特征获取技术学习空间注意力模块和时间注意力模块。深度细粒时空特征提取技术：为了提升模型细粒活动识别泛化能力，本发明通过组合深度卷积神经网络(CNN)和长短期记忆网络(LSTM)，获取细粒时空特征，提升模型鲁棒性。鲁棒特征获取技术：由于人体不同部位对应的信号波动对识别性能的贡献不同，即CSI样本的不同部分和不同CSI序列对特征的贡献不同。因此，为了提取更鲁棒的特征，本发明在深度模型中引入注意力机制，该机制根据特征对性能改进的重要性自动分配权重。
通过人体行为和身份认证双重任务同步执行技术实现多任务学习，训练多任务学习模型。人体行为和身份认证双重任务同步执行技术：本发明的身份认证是一种基于获取不同个体完成相同细粒度行为间的差异或者说是唯一模式的方案，身份认证和行为识别这两种任务之间具有高度的相关性。而MTL基于任务间的相关性，旨在利用多个学习任务中包含的有用信息来为每个任务学习更精确的模型。因而为了进一步提升模型性能，本发明提出一种基于人体手势的联合人体细粒度行为识别和身份认证系统，将无接触身份认证和人机交互功能有机统一。
本发明实施例提出一种基于人体手势的联合人体细粒度行为识别和身份认证方案，通过提升感知信号分辨率、提取鲁棒时空注意力特征、构建多任务学习模型，提出联合人体细粒度行为识别和身份认证系统，将无接触身份认证和人机交互功能有机统一。且在多任务模型的训练过程中，充分利用多任务学习的特性，利用身份认证和行为识别相互之间的影响，降低多任务学习模型对数据多样性和数量的依赖，提高了模型的泛化能力。
对应于上述实施例提供的人体行为识别和身份认证方法，本发明实施例还提供了一种人体行为识别和身份认证装置，如图4所示，可以包括：
第一获取模块401，用于获取手势识别感知数据，手势识别感知数据是信道状态信息CSI感知数据；
第一预处理模块402，用于对手势识别感知数据进行预处理，得到预处理后的手势识别感知数据；
第一时频变换模块403，用于对预处理后的手势识别感知数据进行时频变换，得到手势识别感知数据对应的时频图，时频图用于反映人体手势引起的信号波动信息；
得到结果模块404，用于将时频图输入预先训练好的多任务模型，通过多任务模型输出手势识别结果以及身份认证结果；其中，多任务模型是基于多个样本数据对多任务学习模型训练得到的，多任务学习模型是基于手势识别任务和身份认证双重任务而构建的，样本数据是无线设备与接收设备之间存在人体手势时而采集的CSI感知数据；多个样本数据至少包括不同人作出相同人体手势时而采集的多个CSI感知数据。
可选的，CSI感知数据为
Figure BDA0003049402500000161
其中，H(f,t)表示t时刻的CSI感知数据，N表示多径的数量，αn表示路径n下的复衰落，τn表示路径n下的传播延迟，ε(f,t)表示由时序对准偏移，采样频率偏移和载波频率偏移引起的相位误差，f表示频率，j表示虚数的虚部；
第一预处理模块402，具体用于通过
Figure BDA0003049402500000171
将手势识别感知数据转换为稳态信号和动态信号，并提取动态信号，动态信号为预处理后的手势识别感知数据；其中，HS(f)表示所有稳态信号的和，Pd表示动态信号集合；u表示用于积分的时间标识，Dn表示第n条路径的长度。
可选的，第一时频变换模块403，具体用于通过短时傅里叶变换对预处理后的手势识别感知数据进行时频变换，得到多普勒效应DFS时频图。
可选的，多任务模型包括：空间注意力层、时间注意力层和特定任务全连接层；
得到结果模块404，具体用于通过空间注意力层提取时频图对应的空间注意力特征，空间注意力特征包括带有权重的空间特征，空间特征是基于卷积神经网络CNN而提取得到的；不同权重表示时频图中不同位置具有不同关注级别的特征；将空间注意力特征输入时间注意力层，通过时间注意力层提取对应的时间注意力特征，时间注意力特征用于表示时频图的时间序列长度；将时间注意力特征输入特定任务全连接层，通过特定任务全连接层输出手势识别结果以及身份认证结果。
可选的，空间注意力层包括卷积神经网络CNN；时间注意力层包括长短期记忆网络LSTM。
可选的，如图5所示，装置还包括：
第二获取模块501，用于获取多个样本数据，样本数据是无线设备与接收设备之间存在人体手势时而采集的CSI感知数据；多个样本数据至少包括不同人作出相同人体手势时而采集的多个CSI感知数据；获取各个样本数据分别对应的样本真值，样本真值用于表示样本数据中人体手势所对应的手势识别结果标签值和身份认证结果标签值；
第二预处理模块502，用于针对各个样本数据，对样本数据进行预处理，得到预处理后的样本数据；
第二时频变换模块503，用于对预处理后的样本数据进行时频变换，得到样本数据对应的时频图；
构建模块504，用于基于手势识别任务和身份认证双重任务构建多任务学习模型；多任务学习模型包括手势识别任务和身份认证双重任务分别对应的不同权重的损失函数；
训练模块505，用于利用多个样本数据对应的时频图和样本真值，对多任务学习模型进行训练，得到训练好的多任务学习任务。
可选的，训练模块505，具体用于将多个样本数据对应的时频图输入多任务学习模型；针对各个样本数据，将多任务学习模型的输出值与样本数据对应的样本真值比较，输出值是针对样本数据的时频图的输出值；当比较结果不满足预设条件时，则调整多任务学习模型的参数，直至比较结果满足预设条件，预设条件包括损失函数收敛。
本发明实施例提供的人体行为识别和身份认证装置是应用上述人体行为识别和身份认证方法的装置，则上述人体行为识别和身份认证方法的所有实施例均适用于该装置，且均能达到相同或相似的有益效果。
本发明实施例还提供了一种电子设备，如图6所示，包括处理器601、通信接口602、存储器603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信。
存储器603，用于存放计算机程序；
处理器601，用于执行存储器603上所存放的程序时，实现上述人体行为识别和身份认证方法的方法步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述人体行为识别和身份认证方法的方法步骤。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述人体行为识别和身份认证方法的方法步骤。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
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、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、计算机可读存储介质以及计算机程序实施例而言，由于其基本相似于方法实施例，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。
以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (9)

1.一种人体行为识别和身份认证方法，其特征在于，包括：
获取手势识别感知数据，所述手势识别感知数据是信道状态信息CSI感知数据；
对所述手势识别感知数据进行预处理，得到预处理后的手势识别感知数据；
对所述预处理后的手势识别感知数据进行时频变换，得到所述手势识别感知数据对应的时频图，所述时频图用于反映人体手势引起的信号波动信息；
将所述时频图输入预先训练好的多任务模型，通过所述多任务模型输出手势识别结果以及身份认证结果；其中，所述多任务模型是基于多个样本数据对多任务学习模型训练得到的，所述多任务学习模型是基于手势识别任务和身份认证双重任务而构建的，所述样本数据是无线设备与接收设备之间存在人体手势时而采集的CSI感知数据；多个样本数据至少包括不同人作出相同人体手势时而采集的多个CSI感知数据；
其中，得到所述预先训练好的多任务模型，包括：
获取多个样本数据，所述样本数据是无线设备与接收设备之间存在人体手势时而采集的CSI感知数据；多个样本数据至少包括不同人作出相同人体手势时而采集的多个CSI感知数据；获取各个样本数据分别对应的样本真值，所述样本真值用于表示所述样本数据中人体手势所对应的手势识别结果标签值和身份认证结果标签值；针对各个样本数据，对所述样本数据进行预处理，得到预处理后的样本数据；对所述预处理后的样本数据进行时频变换，得到所述样本数据对应的时频图；基于手势识别任务和身份认证双重任务构建多任务学习模型；所述多任务学习模型包括所述手势识别任务和所述身份认证双重任务分别对应的不同权重的损失函数；利用多个样本数据对应的时频图和所述样本真值，对所述多任务学习模型进行训练，得到训练好的多任务学习任务。
2.根据权利要求1所述的方法，其特征在于，所述CSI感知数据为
Figure FDA0003943173940000011
其中，H(f,t)表示t时刻的CSI感知数据，N表示多径的数量，αn表示路径n下的复衰落，τn表示路径n下的传播延迟，ε(f,t)表示由时序对准偏移，采样频率偏移和载波频率偏移引起的相位误差，f表示频率，j表示虚数的虚部；
所述对所述手势识别感知数据进行预处理，得到预处理后的手势识别感知数据，包括：
通过
Figure FDA0003943173940000021
将所述手势识别感知数据转换为稳态信号和动态信号，并提取所述动态信号，所述动态信号为所述预处理后的手势识别感知数据；其中，HS(f)表示所有稳态信号的和，Pd表示动态信号集合；u表示用于积分的时间标识，Dn表示第n条路径的长度。
3.根据权利要求1所述的方法，其特征在于，所述对所述预处理后的手势识别感知数据进行时频变换，得到所述手势识别感知数据对应的时频图，包括：
通过短时傅里叶变换对所述预处理后的手势识别感知数据进行时频变换，得到多普勒效应DFS时频图。
4.根据权利要求1所述的方法，其特征在于，所述多任务模型包括：空间注意力层、时间注意力层和特定任务全连接层；
所述通过所述多任务模型输出手势识别结果以及身份认证结果，包括：
通过所述空间注意力层提取所述时频图对应的空间注意力特征，所述空间注意力特征包括带有权重的空间特征，所述空间特征是基于卷积神经网络CNN而提取得到的；不同权重表示所述时频图中不同位置具有不同关注级别的特征；
将所述空间注意力特征输入所述时间注意力层，通过所述时间注意力层提取对应的时间注意力特征，所述时间注意力特征用于表示所述时频图的时间序列长度；
将所述时间注意力特征输入所述特定任务全连接层，通过所述特定任务全连接层输出手势识别结果以及身份认证结果。
5.根据权利要求4所述的方法，其特征在于，所述空间注意力层包括卷积神经网络CNN；所述时间注意力层包括长短期记忆网络LSTM。
6.根据权利要求1所述的方法，其特征在于，所述利用多个样本数据对应的时频图和所述样本真值，对所述多任务学习模型进行训练，得到训练好的多任务学习任务，包括：
将多个样本数据对应的时频图输入所述多任务学习模型；
针对各个样本数据，将所述多任务学习模型的输出值与所述样本数据对应的样本真值比较，所述输出值是针对所述样本数据的时频图的输出值；
当比较结果不满足预设条件时，则调整所述多任务学习模型的参数，直至比较结果满足预设条件，所述预设条件包括损失函数收敛。
7.一种人体行为识别和身份认证装置，其特征在于，包括：
第一获取模块，用于获取手势识别感知数据，所述手势识别感知数据是信道状态信息CSI感知数据；
第一预处理模块，用于对所述手势识别感知数据进行预处理，得到预处理后的手势识别感知数据；
第二时频变换模块，用于对所述预处理后的手势识别感知数据进行时频变换，得到所述手势识别感知数据对应的时频图，所述时频图用于反映人体手势引起的信号波动信息；
得到结果模块，用于将所述时频图输入预先训练好的多任务模型，通过所述多任务模型输出手势识别结果以及身份认证结果；其中，所述多任务模型是基于多个样本数据对多任务学习模型训练得到的，所述多任务学习模型是基于手势识别任务和身份认证双重任务而构建的，所述样本数据是无线设备与接收设备之间存在人体手势时而采集的CSI感知数据；多个样本数据至少包括不同人作出相同人体手势时而采集的多个CSI感知数据；
其中，所述得到结果模块，包括：
第二获取模块，用于获取多个样本数据，样本数据是无线设备与接收设备之间存在人体手势时而采集的CSI感知数据；多个样本数据至少包括不同人作出相同人体手势时而采集的多个CSI感知数据；获取各个样本数据分别对应的样本真值，样本真值用于表示样本数据中人体手势所对应的手势识别结果标签值和身份认证结果标签值；
第二预处理模块，用于针对各个样本数据，对样本数据进行预处理，得到预处理后的样本数据；
第二时频变换模块，用于对预处理后的样本数据进行时频变换，得到样本数据对应的时频图；
构建模块，用于基于手势识别任务和身份认证双重任务构建多任务学习模型；多任务学习模型包括手势识别任务和身份认证双重任务分别对应的不同权重的损失函数；
训练模块，用于利用多个样本数据对应的时频图和样本真值，对多任务学习模型进行训练，得到训练好的多任务学习任务。
8.根据权利要求7所述的装置，其特征在于，所述CSI感知数据为
Figure FDA0003943173940000041
其中，H(f,t)表示t时刻的CSI感知数据，N表示多径的数量，αn表示路径n下的复衰落，τn表示路径n下的传播延迟，ε(f,t)表示由时序对准偏移，采样频率偏移和载波频率偏移引起的相位误差，f表示频率，j表示虚数的虚部；
所述第一预处理模块，具体用于通过
Figure FDA0003943173940000042
将所述手势识别感知数据转换为稳态信号和动态信号，并提取所述动态信号，所述动态信号为所述预处理后的手势识别感知数据；其中，HS(f)表示所有稳态信号的和，Pd表示动态信号集合；u表示用于积分的时间标识，Dn表示第n条路径的长度。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1至6任一所述的方法步骤。
CN202110481401.3A 2021-04-30 2021-04-30 一种人体行为识别和身份认证方法、装置和电子设备 Active CN113449587B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110481401.3A CN113449587B (zh) 2021-04-30 2021-04-30 一种人体行为识别和身份认证方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110481401.3A CN113449587B (zh) 2021-04-30 2021-04-30 一种人体行为识别和身份认证方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN113449587A CN113449587A (zh) 2021-09-28
CN113449587B true CN113449587B (zh) 2023-04-18

Family

ID=77809794

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110481401.3A Active CN113449587B (zh) 2021-04-30 2021-04-30 一种人体行为识别和身份认证方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN113449587B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114499712B (zh) * 2021-12-22 2024-01-05 天翼云科技有限公司 一种手势识别方法、设备及存储介质
CN116758462A (zh) * 2023-08-22 2023-09-15 江西师范大学 一种情感极性分析方法、装置、电子设备及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109766951A (zh) * 2019-01-18 2019-05-17 重庆邮电大学 一种基于时频统计特性的WiFi手势识别
EP3695783A1 (en) * 2019-02-15 2020-08-19 Origin Wireless, Inc. Method, apparatus, and system for wireless gait recognition
CN110414468B (zh) * 2019-08-05 2022-10-21 合肥工业大学 WiFi环境下基于手势信号的身份验证方法

Also Published As

Publication number Publication date
CN113449587A (zh) 2021-09-28

Similar Documents

Publication Publication Date Title
CN110600017B (zh) 语音处理模型的训练方法、语音识别方法、系统及装置
KR102213013B1 (ko) 신경망을 이용한 주파수 기반 오디오 분석
CN109272989B (zh) 语音唤醒方法、装置和计算机可读存储介质
CN113449587B (zh) 一种人体行为识别和身份认证方法、装置和电子设备
CN110503971A (zh) 用于语音处理的基于神经网络的时频掩模估计和波束形成
Van et al. Bearing‐fault diagnosis using non‐local means algorithm and empirical mode decomposition‐based feature extraction and two‐stage feature selection
Zhang et al. Wi-Fi sensing for joint gesture recognition and human identification from few samples in human-computer interaction
Wang et al. Recognition of radar active‐jamming through convolutional neural networks
Wang et al. Learning to sense: Deep learning for wireless sensing with less training efforts
CN110147878B (zh) 数据处理方法、装置及设备
CN112764024B (zh) 基于卷积神经网络和Bert的雷达目标识别方法
CN110348288A (zh) 一种基于77GHz毫米波雷达信号的手势识别方法
US11030532B2 (en) Information processing apparatus, information processing method, and non-transitory computer readable storage medium
Jia et al. Automatic event detection in low SNR microseismic signals based on multi-scale permutation entropy and a support vector machine
CN114359738A (zh) 一种跨场景鲁棒的室内人数无线检测方法及系统
CN111898704B (zh) 对内容样本进行聚类的方法和装置
CN115343704A (zh) 基于多任务学习的fmcw毫米波雷达的手势识别方法
CN113569740A (zh) 视频识别模型训练方法与装置、视频识别方法与装置
Said et al. AI-based solar energy forecasting for smart grid integration
CN113537120B (zh) 基于复数坐标注意力的复数卷积神经网络的目标识别方法
CN112633420B (zh) 图像相似度确定及模型训练方法、装置、设备和介质
Liu et al. An incremental feature learning algorithm based on least square support vector machine
Wong et al. Adaptive learning feature pyramid for object detection
CN107894837A (zh) 动态情感分析模型样本处理方法及装置
CN111598020A (zh) 基于半监督生成对抗网络的电磁信号识别方法

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