CN113543140A - 一种基于无线Wi-Fi信号的身份识别方法、装置及电子设备 - Google Patents
一种基于无线Wi-Fi信号的身份识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113543140A CN113543140A CN202010298709.XA CN202010298709A CN113543140A CN 113543140 A CN113543140 A CN 113543140A CN 202010298709 A CN202010298709 A CN 202010298709A CN 113543140 A CN113543140 A CN 113543140A
- Authority
- CN
- China
- Prior art keywords
- channel state
- state information
- user
- identified
- wireless
- 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 75
- 239000006185 dispersion Substances 0.000 claims description 40
- 239000013598 vector Substances 0.000 claims description 31
- 230000005021 gait Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 6
- 208000001491 myopia Diseases 0.000 claims description 3
- 230000004379 myopia Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 238000000605 extraction Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005562 fading Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000007903 penetration ability Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/06—Authentication
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本说明书公开了一种基于无线Wi‑Fi信号的身份识别方法、装置及电子设备,该方法包括:通过获取待识别用户的有效信道状态信息;根据所述待识别用户的有效信道状态信息分别与至少一个已标注身份信息的样本信道状态信息的匹配结果,确定所述待识别用户的身份信息。该方法只需要用户按照正常走路姿态走过无线Wi‑Fi信号采集区,便可对用户进行身份识别,不会侵犯人的隐私信息,具有很好的安全性。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种基于无线Wi-Fi信号的身份识别方法、装置及电子设备。
背景技术
目前,普遍基于图像识别技术或声纹识别技术进行身份识别。然而,基于图像识别技术进行身份识别,需要获取待识别用户的图像;基于图像识别技术进行身份识别,需要获取待识别用户的语音信息;显然,上述两种身份识别方式,均会侵犯待识别用户的隐私信息,存在一定的安全风险。
因此,需要一种更为安全的身份识别方法。
发明内容
有鉴于此,本说明书实施例提供了一种基于无线Wi-Fi信号的身份识别方法,用于解决现有技术中身份识别方式会侵犯待识别用户的隐私信息,存在一定的安全风险的问题。
本说明书实施例采用下述技术方案:
本说明书实施例提供一种基于无线Wi-Fi信号的身份识别方法,包括:
获取待识别用户的有效信道状态信息,其中,所述有效信道状态信息为所述待识别用户进入到无线Wi-Fi信号采集区后,无线Wi-Fi信号呈现的信道状态信息,所述有效信道状态信息反映步态特征;
根据所述待识别用户的有效信道状态信息分别与至少一个已标注身份信息的样本信道状态信息的匹配结果,确定所述待识别用户的身份信息,其中,所述样本信道状态信息反映步态特征。
本说明书实施例还提供一种基于无线Wi-Fi信号的身份识别装置,包括:
获取模块,用于获取待识别用户的有效信道状态信息,其中,所述有效信道状态信息为所述待识别用户进入到无线Wi-Fi信号采集区后,无线Wi-Fi信号呈现的信道状态信息,所述有效信道状态信息反映步态特征;
处理模块,用于根据所述待识别用户的有效信道状态信息分别与至少一个已标注身份信息的样本信道状态信息的匹配结果,确定所述待识别用户的身份信息,其中,所述样本信道状态信息反映步态特征。
本说明书实施例还提供一种电子设备,包括存储器以及处理器,所述存储器存储程序,并且被配置成由所述处理器执行上述的基于无线Wi-Fi信号的身份识别方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
通过获取待识别用户的有效信道状态信息;根据所述待识别用户的有效信道状态信息分别与至少一个已标注身份信息的样本信道状态信息的匹配结果。该方法只需要用户按照正常走路姿态走过无线Wi-Fi信号采集区,便可对用户进行身份识别,不会侵犯人的隐私信息,具有很好的安全性。同时,由于无需用户触摸或者注视电子设备,也无需携带任何的传感器设备,基于无线Wi-Fi信号进行身份识别实现无接触式、非入侵式的身份识别。随着Wi-Fi无线局域网在室内的广泛部署,且电子设备广泛具有Wi-Fi模块,且无线Wi-Fi信号具有较好的障碍穿透能力、不受光照、温度、湿度、环境噪音等外界环境的影响的特点,基于无线Wi-Fi信号进行身份识别还具有成本低、易用性、普适性的优势。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书实施例提供的基于无线Wi-Fi信号的身份识别方法的应用场景图;
图2为本说明书实施例提供的一种基于无线Wi-Fi信号的身份识别方法的流程示意图;
图3为本说明书实施例提供的一种基于无线Wi-Fi信号的身份识别方法的流程示意图;
图4为本说明书实施例提供的基于无线Wi-Fi信号的身份识别方法的具体实施过程;
图5为本说明书实施例提供的一种基于Wi-Fi信号的身份识别装置的结构示意图;
图6为本说明书实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
基于图像识别技术进行身份识别的原理为:通过摄像头采集待识别用户的图像(图像例如为脸部图像、指纹图像、眼部图像、掌纹图像等),采用相应的识别算法从采集的图像中获取待识别用户对应的特征信息(特征信息例如为脸部特征、指纹特征、虹膜特征、掌纹特征等),基于获取到的特征信息识别待识别用户的身份信息。
基于图像识别技术进行身份识别不仅会侵犯待识别用户的隐私信息,存在一定的安全风险,而且需要借助摄像头采集待识别用户的图像,同时,图像采集受环境光的光照条件的影响比较大。
基于声纹识别技术进行身份识别的原理为:采集待识别用户的语音信息,采用相应的识别算法从语音信息中获取待识别用户对应的声纹特征,基于获取到的声纹特征识别待识别用户的身份信息。
基于声纹识别技术进行身份识别,不仅会侵犯待识别用户的隐私信息,存在一定的安全风险,而且需要借助音频采集设备采集待识别用户的语音信息,语音采集受环境噪音的影响比较大。
图1为本说明书实施例提供的基于无线Wi-Fi信号的身份识别方法的应用场景图。本说明书实施例提供的基于无线Wi-Fi信号的身份识别方法,可应用于需要进行身份识别的各种小型的室内场所,各种小型的室内场所例如为家庭、办公室、健身房等。
无线Wi-Fi信号除了具备基本的通信功能外,还具有感知环境的功能。以图1为例,电子设备基于无线Wi-Fi信号进行身份识别的主要原理为:无线Wi-Fi信号从发射端3发出,经过物理空间传播到电子设备1,在无线Wi-Fi信号的传播过程中会受到物理空间中人的干扰,由于不同的人具有不同的步态特征(诸如步伐大小、走路速度、摆手幅度、摆手速度等步态特征),不同的人对无线Wi-Fi信号会产生不同的干扰,电子设备1通过分析无线Wi-Fi信号便可识别出不同的人。
需要指出的是,不同的体态特征(诸如体重、身高等体态特征)的人具有不同的步态特征,相同的体态特征的人由于个体差异也会有不同的步态特征。
如图1所示,本说明书实施例提供的基于无线Wi-Fi信号的身份识别方法在应用时,电子设备1需要设置在室内场所的身份识别区域(身份识别区域例如为室内场所的入口处),发射端3(发射端3例如为路由器)可以根据实际情形设置在室内场所的任意区域。可选地,发射端3与电子设备1面对面设置。电子设备1采集发射端3发出的无线Wi-Fi信号的区域为无线Wi-Fi信号采集区(图1中虚线所覆盖的区域),该无线Wi-Fi信号采集区的覆盖范围基本落在室内场所的身份识别区域内。用户按照正常走路姿态走过无线Wi-Fi信号采集区,电子设备1在采集到从发射端3发出的无线Wi-Fi信号后,通过分析无线Wi-Fi信号便可对进入无线Wi-Fi信号采集区(图1中虚线所覆盖的区域)的用户2进行身份识别。
基于无线Wi-Fi信号进行身份识别,只需要用户按照正常走路姿态走过无线Wi-Fi信号采集区,便可对用户进行身份识别,不会侵犯人的隐私信息,具有很好的安全性。同时,由于无需用户触摸或者注视电子设备,也无需携带任何的传感器设备,基于无线Wi-Fi信号进行身份识别实现无接触式、非入侵式的身份识别。随着Wi-Fi无线局域网在室内的广泛部署,且电子设备广泛具有Wi-Fi模块,且无线Wi-Fi信号具有较好的障碍穿透能力、不受光照、温度、湿度、环境噪音等外界环境的影响的特点,基于无线Wi-Fi信号进行身份识别还具有成本低、易用性、普适性的优势。
其中,图1中所示的电子设备可以是任意类型的电子设备,包括但不限于:手机、平板电脑、智能可穿戴设备、车机、个人计算机、大中型计算机、计算机集群等。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图2为本说明书实施例提供的一种基于无线Wi-Fi信号的身份识别方法的流程示意图,本说明书实施例的方法,可应用于电子设备。如图2所示,该基于无线Wi-Fi信号的身份识别方法,包括以下步骤:
步骤101、获取待识别用户的有效信道状态信息。
其中,待识别用户的有效信道状态信息为待识别用户进入到无线Wi-Fi信号采集区后无线Wi-Fi信号呈现的信道状态信息,有效信道状态信息反映待识别用户的步态特征。
具体的,信道状态信息(Channel State Information,CSI)是一种高精度的物理层信息,表征通信链路的信道属性,它描述了信号在每条传输路径上的衰弱因子,如信号散射、环境衰弱、距离衰减等信息。对于不同步态特征的用户,其对应的信道状态信息不同。
在应用本说明书实施例提供的方法时,硬件方面,可以采用商用的路由器和一台带有无线网卡的电子设备,其中,电子设备设置在需要进行身份识别的室内场所的身份识别区域。当然,也可以用具有无线Wi-Fi信号(Wireless Fidelity,无线保真)发射功能的设备替代路由器。软件方面,可以采用开源的用于采集信道状态信息的Linux CSI Tool工具修改Linux内核驱动,使得能够将物理层的信道状态信息捕获并传到应用层。其中,从无线Wi-Fi信号提取信道状态信息的更多介绍详见相关技术,在此不再赘述。
在本说明书实施例中,当待识别用户按正常的走路姿态进入到无线Wi-Fi信号采集区后,电子设备先采集传播到无线Wi-Fi信号采集区中的无线Wi-Fi信号,从采集到的无线Wi-Fi信号提取待识别用户的有效信道状态信息。
步骤103、根据待识别用户的有效信道状态信息分别与至少一个已标注身份信息的样本信道状态信息的匹配结果,确定待识别用户的身份信息。
其中,样本信道状态信息反映步态特征。
在本说明书实施例中,样本信道状态信息为注册用户按照正常的走路姿态进入无线Wi-Fi信号采集区后无线Wi-Fi信号呈现的信道状态信息,样本信道状态信息反映注册用户的步态特征。电子设备在记录注册用户的样本信道状态信息时,对样本信道状态信息进行身份信息的标注。例如,样本信道状态信息的标注结果为用户A。
具体的,电子设备在记录至少一个已标注身份信息的样本信道状态信息之后,在识别阶段,电子设备可以采用机器学习方法将待识别用户的有效信道状态信息分别与各个已标注身份信息的样本信道状态信息进行匹配,将与有效信道状态信息匹配成功的信道状态信息所对应的标注结果确定为待识别用户的身份信息。其中,机器学习方法例如为支持向量机(Support Vector Machine,SVM)、决策树(Decision Tree)等,但并不以此为限。
在本说明书的一个或多个实施例中,若所述匹配结果指示不存在与所述待识别用户的有效信道状态信息相匹配的样本信道状态信息,则提示所述待识别用户身份识别失败。
具体的,若电子设备没有记录过待识别用户的样本信道状态信息,则电子设备将待识别用户的有效信道状态信息与至少一个已标注身份信息的样本信道状态信息进行匹配时,会得到不存在与待识别用户的有效信道状态信息相匹配的样本信道状态信息的匹配结果。这时,电子设备根据上述匹配结果进行提示处理,提示处理例如输出提示信息,该提示信息用于提示待识别用户身份识别失败。
需要指出的是,申请人将基于无线Wi-Fi信号进行身份识别应用在家庭、办公室、健身房等小型的室内场所中,能够实现90%以上的身份识别精度。
以图1为例,在基于无线Wi-Fi信号进行身份识别应用在室内场所时,根据实际情形在室内场所配置路由器,在室内场所的入口处设置一台电子设备。当用户第一次到室内场所时,需要注册自己的信道状态信息。具体地,用户按照正常的姿态穿过电子设备采集路由器发出的无线Wi-Fi信号的无线Wi-Fi信号采集区,电子设备从记录的无线Wi-Fi信号中提取用户穿过无线Wi-Fi信号采集区时的信道状态信息,并将所提取的信道状态信息注册为该用户专属的信道状态信息。当该用户再次来到室内场所时,电子设备采集该用户穿过无线Wi-Fi信号采集区时的当前信道状态信息,并将采集到的当前信道状态信息与注册的信道状态信息进行匹配,将匹配成功的注册的信道状态信息所对应的身份信息确定为该用户的身份信息。
本说明书实施例提供的基于无线Wi-Fi信号的身份识别方法,通过获取待识别用户的有效信道状态信息;根据所述待识别用户的有效信道状态信息分别与至少一个已标注身份信息的样本信道状态信息的匹配结果。该方法只需要用户按照正常走路姿态走过无线Wi-Fi信号采集区,便可对用户进行身份识别,不会侵犯人的隐私信息,具有很好的安全性。同时,由于无需用户触摸或者注视电子设备,也无需携带任何的传感器设备,基于无线Wi-Fi信号进行身份识别实现无接触式、非入侵式的身份识别。随着Wi-Fi无线局域网在室内的广泛部署,且电子设备广泛具有Wi-Fi模块,且无线Wi-Fi信号具有较好的障碍穿透能力、不受光照、温度、湿度、环境噪音等外界环境的影响的特点,基于无线Wi-Fi信号进行身份识别还具有成本低、易用性、普适性的优势。
在上述实施例的基础上,步骤101具体包括:
步骤11、获取在所述无线Wi-Fi信号采集区中采集到的无线Wi-Fi信号,从所述无线Wi-Fi信号中获取原始信道状态信息。
具体的,电子设备可以实时或周期性地获取在无线Wi-Fi信号采集区中采集到的无线Wi-Fi信号,并从无线Wi-Fi信号中获取原始信道状态信息。
步骤12、分析所述原始信道状态信息,判断所述待识别用户是否进入到所述无线Wi-Fi信号采集区。
在实际情形中,可能无人进入需要身份识别的场所,为了避免持续地进行身份识别造成的资源浪费,提高身份识别的可靠性,电子设备先判断是否有人进入到无线Wi-Fi信号采集区,只有确认有人在进入到无线Wi-Fi信号采集区后,电子设备才会进行身份识别。
在本说明书的一个或多个实施例中,步骤12具体包括:采用预设的无人在所述无线Wi-Fi信号采集区中对应的检测指标分析所述原始信道状态信息,判断所述待识别用户是否进入到所述无线Wi-Fi信号采集区。
在实际情形中,当无人进入无线Wi-Fi信号采集区时,电子设备在所无线Wi-Fi信号采集区中采集到的无线Wi-Fi信号的波形波动较小;当有人进入无线Wi-Fi信号采集区时,电子设备在无线Wi-Fi信号采集区中采集到的无线Wi-Fi信号的波形波动较大。
因此,可以采集并统计分析大量的无人进入无线Wi-Fi信号采集区时的信道状态信息的信号特征,将统计结果预设为无人在无线Wi-Fi信号采集区中对应的检测指标。其中,检测指标例如为信号的平均值、中值、有效值等,当然,检测指标根据实际情形进行设定。
以检测指标为信号的平均值为例,若电子设备在步骤11中获取到的原始信道状态信息的平均值没有落在统计得到的平均值范围内的话,说明电子设备获取到的原始信道状态信息的波动较大,有人进入无线Wi-Fi信号采集区中;反之,若电子设备在步骤11中获取到的原始信道状态信息的平均值落在统计得到的平均值范围内的话,说明电子设备获取到的原始信道状态信息的波动较小,无人进入无线Wi-Fi信号采集区中。
步骤13、若判断获知所述待识别用户进入到无线Wi-Fi信号采集区,则从所述原始信道状态信息中截取出所述待识别用户的有效信道状态信息。
具体的,为了提高识别效率和识别的准确度,在确定待识别用户进入到无线Wi-Fi信号采集区时,需要对原始信道状态信息进行有效信号提取,获取从待识别用户进入无线Wi-Fi信号采集区至离开无线Wi-Fi信号采集区的时间段内所对应的信道状态信息,即待识别用户的有效信道状态信息。
需要说明的是,为了提高信号的稳定性,在从原始信道状态信息截取出待识别用户的有效信道状态信息之前,对原始信道状态信息进行预处理,预处理例如为滤波、主成分分析(Principal Component Analysis,PCA)等。其中,可以先采用巴特沃斯滤波器滤除大部分的噪声信号;再采用PCA可以进一步的去除细微的噪声信号,降低原始信道状态信息的维度,提高识别效率。
在本说明书的一个或多个实施例中,可以通过以下方式从原始信道状态信息截取出待识别用户的有效信道状态信息:按照信号采集的时间先后顺序,将所述原始信道状态信息划分成多个滑动窗口;根据每个滑动窗口的信道状态信息,计算每个滑动窗口的平均离差;根据各个滑动窗口的平均离差,从所述原始信道状态信息截取出待识别用户的有效信道状态信息。
其中,平均离差(Mean Absolute Deviation,MAD)的公式为:
具体的,在将原始信道状态信息划分成多个滑动窗口之后,根据各个滑动窗口的平均离差从各个滑动窗口中确定待识别用户进入无线Wi-Fi信号采集区对应的起点滑动窗口、待识别用户离开无线Wi-Fi信号采集区对应的终点滑动窗口,根据起点滑动窗口和终点滑动窗口,从原始信道状态信息截取出与待识别用户对应的有效信道状态信息。需要指出的是,划分的每个滑动窗口的长度相同。
需要指出的是,待识别用户进入无线Wi-Fi信号采集区对应的信道状态信息为有效信道状态信息的起点,待识别用户离开无线Wi-Fi信号采集区对应的信道状态信息为有效信道状态信息的终点。有效信道状态信息的起点之前的滑动窗口内的信号相对平稳,即在起点滑动窗口之前的前一个滑动窗口的MAD较小;而有效信道状态信息的起点所在的滑动窗口内的信号波动变大,即起点滑动窗口的MAD较大。有效信道状态信息的终点所在的滑动窗口内的信号波动较大,即终点滑动窗口的MAD较大;而有效信道状态信息的终点之后的滑动窗口内的信号相对平稳,即在终点滑动窗口之后的后一个滑动窗口的MAD较小。
本说明书的一个或多个实施例中,可以采用双阈值截断方法来确定起点滑动窗口和终点滑动窗口,具体的:根据大量的试验数据设定两个阈值,分别为第一阈值T1、第二阈值T2,第一阈值大于第二阈值。起点滑动窗口的平均离差不小于第一阈值,而在起点滑动窗口前面的前一个滑动窗口的平均离差不大于第二阈值。终点滑动窗口的平均离差不小于第一阈值,而在终点滑动窗口后面的后一个滑动窗口的平均离差不大于第二阈值。
本说明书的一个或多个实施例中,根据各个滑动窗口的平均离差,从所述原始信道状态信息截取出待识别用户的有效信道状态信息,具体包括以下步骤:
步骤a、遍历各个滑动窗口的平均离差。
步骤b、若首次遍历到的滑动窗口的平均离差不小于第一阈值,且在该首次遍历到的滑动窗口前面的前一个滑动窗口的平均离差不大于第二阈值,则确定首次遍历到的滑动窗口为所述待识别用户进入无线Wi-Fi信号采集区对应的起点滑动窗口。
步骤c、继续遍历在所述起点滑动窗口之后的滑动窗口的平均离差。
步骤d、若首次遍历到的滑动窗口的平均离差不大于第二阈值,且在该首次遍历到的滑动窗口前面的前一个滑动窗口的平均离差不小于第一阈值,则确定首次遍历到的滑动窗口的前一个滑动窗口为所述待识别用户离开无线Wi-Fi信号采集区对应的终点滑动窗口。
步骤e、根据所述起点滑动窗口和所述终点滑动窗口,从所述原始信道状态信息截取出待识别用户的有效信道状态信息。
图3为本说明书实施例提供的另一种基于无线Wi-Fi信号的身份识别方法的流程示意图,本说明书实施例的方法,可应用于电子设备。如图3所示,该基于无线Wi-Fi信号的身份识别方法,包括以下步骤:
步骤201、获取待识别用户的有效信道状态信息,其中,所述有效信道状态信息为所述待识别用户进入到无线Wi-Fi信号采集区后无线Wi-Fi信号呈现的信道状态信息,所述有效信道状态信息反映步态特征。
其中,步骤201和上述实施例中的步骤101的实现方式相同,在此不再赘述。
步骤203、对所述待识别用户的有效信道状态信息进行特征提取,获取所述有效信道状态信息的特征向量。
具体的,在量化信号特征方面,可以采用选择有效信道状态信息的一些信号特征(信号特征例如振幅、频率、标准差、主频等)组成有效信道状态信息的特征向量。
进一步的,为了在有效保留信号特征的同时,极大地减少数据量,降低计算复杂度,可以对有效信道状态信息进行离散小波变换(Discrete Wavelet Transformation,DWT),将离散小波变换得到的近似系数作为有效信道状态信息的特征向量。
进一步的,为了在信号精度和计算复杂性两者间取折中,选用经典的DaubechiesD4作为小波基,并采用3阶离散小波变换,用3阶变化后的近似系数作为有效信道状态信息的特征向量。
具体的,设有效信道状态信息为X=[x1,x2,x3,...,xm],其中,X的长度为m。
对有效信道状态信息进行3阶离散小波变换,得到3阶离散小波变换后的近似系数cA3,将3阶离散小波变换后的近似系数cA3作为有效信道状态信息X的特征向量X',其中,X'=cA3=[x1',x2',x3',...,xn'],X'的长度为n。
经过大量的实验数据分析可知,m≈5n,即经过离散小波变换后,信号长度压缩为原信号的五分之一,将小波变换后的近似系数作为特征向量,在充分压缩原信号的同时,能够尽可能地保持了信号的时域和频域信息。
步骤205、基于kNN分类器对所述有效信道状态信息的特征向量进行分类识别,确定所述待识别用户的身份信息,其中,所述kNN分类器根据至少一个已标注身份信息的样本信道状态信息训练得到。
为了便于理解,对k最近邻(k-Nearest Neighbor,kNN)算法进行介绍:
kNN算法是一种简单又实用的机器学习方法,处理分类问题具有很好的准确度。kNN算法的基本思路为如果一个待分类样本在特征空间中的k个最相似的样本中的大多数属于某一个类别,则该样本也属于这个类别。
本说明书实施例中,kNN分类器是对大量的已标注身份信息的样本信道状态信息进行训练得到,训练好的kNN分类器能够识别与输入的有效信道状态信息对应的身份信息。
需要指出的是,在训练kNN分类器时,需要采集第一预设数量个人的样本信道状态信息,以及需要采集每个人的第二预设数量个样本信道状态信息,其中,第一预设数量、第二预设数量均大于1,第一预设数量、第二预设数量均根据实际情形进行设定,第一预设数量例如为50、第二预设数量例如为10。
需要指出的是,当用户进入需要进行身份识别的场所时,同一个用户在不同的位置对应的信道状态信息也会有差异,为了保证身份识别的可靠性,在第三预设数量个位置处采集每个人的第二预设数量个样本信号状态。其中,第三预设数量大于1,第三预设数量根据实际情形进行设定,第三预设数量例如为5。
kNN算法的核心问题是如何刻画样本间的距离,对于长度相同的样本,可以选用欧氏距离、余弦距离等。但在本说明书实施例中,不同的样本长度不一致,为了量化长度不一致的样本间的距离,本说明书实施例创新性采用了动态时间规整(Dynamic Time Warping,DTW)刻画样本间的距离,通过DTW,能够有效计算样本间的距离,将这些距离作为分类器的指标,能够进一步地提升身份识别的准确度,具有良好的识别效果。
进一步地,步骤205的具体包括:计算所述有效信道状态信息的特征向量分别与各个样本信道状态信息的特征向量的之间的距离值;从所述各个样本信道状态信息中选取距离值最小的指定数量个样本信道状态信息;确定所述指定数量个样本信道状态信息各自所属的已注身份信息的出现次数;将出现次数最多的已标注身份信息确定为所述待识别用户的身份信息。
其中,在计算有效信道状态信息的特征向量分别与各个样本信道状态信息的特征向量的之间的距离值时,可以采用DTW进行计算。
其中,指定数量根据实际情形进行设定,指定数量例如为10。
例如,在待识别用户的有效信道状态信息的特征向量输入到kNN分类器中之后,选出了10个样本信道状态信息,这10个样本信道状态信息有5个是用户甲对应的样本信道状态信息,3个是用户乙对应的样本信道状态信息,2个是用户丁对应的样本信道状态信息。统计这10个样本信道状态信息各自所属的已标注身份信息的出现次数,统计结果为用户甲的出现次数为5次,用户乙的出现次数为3次,用户丁的出现次数为2次。根据统计结果可知,出现次数最多的是用户甲,这时确定待识别用户为用户甲。
本说明书实施例提供的基于无线Wi-Fi信号的身份识别方法,采用kNN分类器对待识别用户的有效信道状态信息进行分类识别,能够提高身份识别的识别准确度和识别效率。
图4为本说明书实施例提供的基于无线Wi-Fi信号的身份识别方法的具体实施过程,如图4所示,该具体实施过程包括离线训练阶段和在线识别阶段。
为了实施图4所示的实施过程,可以在电子设备中设置数据采集模块、预处理模块、特征提取模块、训练模块、识别模块。
针对离线训练阶段:数据采集模块通过Linux CSI Tool获取采集到的无线Wi-Fi信号中的样本信道状态信息;接着,预处理模块依次对原始信道状态信息进行滤波(采用滤波器进行滤波)、PCA分析、分段提取(即提取有效的信道状态信息);接着,特征提取模块对预处理模块输出的信号采用DWT进行特征提取;最后,训练模块基于kNN算法或决策树对样本信道状态信息进行训练,得到分类器。
针对在线识别阶段:数据采集模块通过Linux CSI Tool获取采集到的无线Wi-Fi信号中的原始信道状态信息;接着,预处理模块依次对原始信道状态信息进行滤波(采用滤波器进行滤波)、PCA分析、分段提取(即提取有效的信道状态信息);接着,特征提取模块对预处理模块输出的信号采用DWT进行特征提取;最后,识别模块基于kNN算法或决策树对原始信道状态信息进行识别。
本说明书实施例还提供一种基于无线Wi-Fi信号的身份识别装置。图5为本说明书实施例提供的一种基于Wi-Fi信号的身份识别装置的结构示意图。如图5所示,该基于Wi-Fi信号的身份识别装置包括:
获取模块10,用于获取待识别用户的有效信道状态信息,其中,所述有效信道状态信息为所述待识别用户进入到无线Wi-Fi信号采集区后,无线Wi-Fi信号呈现的信道状态信息,所述有效信道状态信息反映步态特征;
处理模块20,用于根据所述待识别用户的有效信道状态信息分别与至少一个已标注身份信息的样本信道状态信息的匹配结果,确定所述待识别用户的身份信息,其中,所述样本信道状态信息反映步态特征。
进一步的,所述根据所述待识别用户的有效信道状态信息分别与至少一个已标注身份信息的样本信道状态信息的匹配结果,确定所述待识别用户的身份信息,具体包括:
对所述待识别用户的有效信道状态信息进行特征提取,获取所述有效信道状态信息的特征向量;
基于kNN分类器对所述有效信道状态信息的特征向量进行分类识别,确定所述待识别用户的身份信息,其中,所述kNN分类器根据至少一个已标注身份信息的样本信道状态信息训练得到。
进一步的,所述基于kNN分类器对所述有效信道状态信息的特征向量进行分类识别,确定所述待识别用户的身份信息,具体包括:
计算所述有效信道状态信息的特征向量分别与各个样本信道状态信息的特征向量的之间的距离值;
从所述各个样本信道状态信息中选取距离值最小的指定数量个样本信道状态信息;
确定所述指定数量个样本信道状态信息各自所属的已标注身份信息的出现次数;
将出现次数最多的已标注身份信息确定为所述待识别用户的身份信息。
进一步的,对所述待识别用户的有效信道状态信息进行特征提取,获取所述有效信道状态信息的特征向量,具体包括:
对所述待识别用户的有效信道状态信息进行离散小波变换,将离散小波变换后得到的近视系数作为所述有效信道状态信息的特征向量。
进一步的,若所述匹配结果指示不存在与所述待识别用户的有效信道状态信息相匹配的样本信道状态信息,则提示所述待识别用户身份识别失败。
进一步的,所述获取待识别用户的有效信道状态信息,具体包括:
获取在所述无线Wi-Fi信号采集区中采集到的无线Wi-Fi信号,从所述无线Wi-Fi信号中获取原始信道状态信息;
分析所述原始信道状态信息,判断所述待识别用户是否进入到所述无线Wi-Fi信号采集区;
若判断获知所述待识别用户进入到无线Wi-Fi信号采集区,则从所述原始信道状态信息中截取出所述待识别用户的有效信道状态信息。
进一步的,所述分析所述原始信道状态信息,判断所述待识别用户是否进入到所述无线Wi-Fi信号采集区,具体包括:
采用预设的无人在所述无线Wi-Fi信号采集区中对应的检测指标分析所述原始信道状态信息,判断所述待识别用户是否进入到所述无线Wi-Fi信号采集区。
进一步的,从所述原始信道状态信息中截取出所述待识别用户的有效信道状态信息,具体包括:
按照信号采集的时间先后顺序,将所述原始信道状态信息划分成多个滑动窗口;
根据每个滑动窗口的信道状态信息,计算每个滑动窗口的平均离差;
根据各个滑动窗口的平均离差,从所述原始信道状态信息截取出待识别用户的有效信道状态信息。
进一步的,根据各个滑动窗口的平均离差,从所述原始信道状态信息截取出待识别用户的有效信道状态信息,具体包括:
遍历各个滑动窗口的平均离差;
若首次遍历到的滑动窗口的平均离差不小于第一阈值,且在该首次遍历到的滑动窗口前面的前一个滑动窗口的平均离差不大于第二阈值,则确定首次遍历到的滑动窗口为所述待识别用户进入所述无线Wi-Fi信号采集区对应的起点滑动窗口;
继续遍历在所述起点滑动窗口之后的滑动窗口的平均离差;
若首次遍历到的滑动窗口的平均离差不大于第二阈值,且在该首次遍历到的滑动窗口前面的前一个滑动窗口的平均离差不小于第一阈值,则确定首次遍历到的滑动窗口的前一个滑动窗口为所述待识别用户离开所述无线Wi-Fi信号采集区对应的终点滑动窗口;
根据所述起点滑动窗口和所述终点滑动窗口,从所述原始信道状态信息截取出所述待识别用户的有效信道状态信息。
本说明书提供的装置是与本申请提供的方法一一对应的,因此,所述装置也具有与所述方法类似的有益技术效果,由于上面已经对所述方法的有益技术效果进行了详细说明,因此,这里不再赘述所述装置的有益技术效果。
本说明书实施例还提供一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
获取待识别用户的有效信道状态信息,其中,所述有效信道状态信息为所述待识别用户进入到无线Wi-Fi信号采集区后,无线Wi-Fi信号呈现的信道状态信息,所述有效信道状态信息反映步态特征;
根据所述待识别用户的有效信道状态信息分别与至少一个已标注身份信息的样本信道状态信息的匹配结果,确定所述待识别用户的身份信息,其中,所述样本信道状态信息反映步态特征。
本说明书实施例还提供一种电子设备,图6为本说明书实施例提供的一种电子设备的结构示意图。如图6所示,该电子设备包括:存储器11以及处理器12,所述存储器11存储程序,并且被配置成由所述处理器12执行以下步骤:
获取待识别用户的有效信道状态信息,其中,所述有效信道状态信息为所述待识别用户进入到无线Wi-Fi信号采集区后,无线Wi-Fi信号呈现的信道状态信息,所述有效信道状态信息反映步态特征;
根据所述待识别用户的有效信道状态信息分别与至少一个已标注身份信息的样本信道状态信息的匹配结果,确定所述待识别用户的身份信息,其中,所述样本信道状态信息反映步态特征。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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设备上,使得在计算机或其他可编程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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,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,对于系统实施例而言,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。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (19)
1.一种基于无线Wi-Fi信号的身份识别方法,包括:
获取待识别用户的有效信道状态信息,其中,所述有效信道状态信息为所述待识别用户进入到无线Wi-Fi信号采集区后,无线Wi-Fi信号呈现的信道状态信息,所述有效信道状态信息反映步态特征;
根据所述待识别用户的有效信道状态信息分别与至少一个已标注身份信息的样本信道状态信息的匹配结果,确定所述待识别用户的身份信息,其中,所述样本信道状态信息反映步态特征。
2.如权利要求1所述的方法,所述根据所述待识别用户的有效信道状态信息分别与至少一个已标注身份信息的样本信道状态信息的匹配结果,确定所述待识别用户的身份信息,具体包括:
对所述待识别用户的有效信道状态信息进行特征提取,获取所述有效信道状态信息的特征向量;
基于kNN分类器对所述有效信道状态信息的特征向量进行分类识别,确定所述待识别用户的身份信息,其中,所述kNN分类器根据至少一个已标注身份信息的样本信道状态信息训练得到。
3.如权利要求2所述的方法,所述基于kNN分类器对所述有效信道状态信息的特征向量进行分类识别,确定所述待识别用户的身份信息,具体包括:
计算所述有效信道状态信息的特征向量分别与各个样本信道状态信息的特征向量的之间的距离值;
从所述各个样本信道状态信息中选取距离值最小的指定数量个样本信道状态信息;
确定所述指定数量个样本信道状态信息各自所属的已标注身份信息的出现次数;
将出现次数最多的已标注身份信息确定为所述待识别用户的身份信息。
4.如权利要求2所述的方法,对所述待识别用户的有效信道状态信息进行特征提取,获取所述有效信道状态信息的特征向量,具体包括:
对所述待识别用户的有效信道状态信息进行离散小波变换,将离散小波变换后得到的近视系数作为所述有效信道状态信息的特征向量。
5.如权利要求1所述的方法,还包括:
若所述匹配结果指示不存在与所述待识别用户的有效信道状态信息相匹配的样本信道状态信息,则提示所述待识别用户身份识别失败。
6.如权利要求1所述的方法,所述获取待识别用户的有效信道状态信息,具体包括:
获取在所述无线Wi-Fi信号采集区中采集到的无线Wi-Fi信号,从所述无线Wi-Fi信号中获取原始信道状态信息;
分析所述原始信道状态信息,判断所述待识别用户是否进入到所述无线Wi-Fi信号采集区;
若判断获知所述待识别用户进入到无线Wi-Fi信号采集区,则从所述原始信道状态信息中截取出所述待识别用户的有效信道状态信息。
7.如权利要求6所述的方法,所述分析所述原始信道状态信息,判断所述待识别用户是否进入到所述无线Wi-Fi信号采集区,具体包括:
采用预设的无人在所述无线Wi-Fi信号采集区中对应的检测指标分析所述原始信道状态信息,判断所述待识别用户是否进入到所述无线Wi-Fi信号采集区。
8.如权利要求6所述的方法,从所述原始信道状态信息中截取出所述待识别用户的有效信道状态信息,具体包括:
按照信号采集的时间先后顺序,将所述原始信道状态信息划分成多个滑动窗口;
根据每个滑动窗口的信道状态信息,计算每个滑动窗口的平均离差;
根据各个滑动窗口的平均离差,从所述原始信道状态信息截取出待识别用户的有效信道状态信息。
9.如权利要求8所述的方法,根据各个滑动窗口的平均离差,从所述原始信道状态信息截取出待识别用户的有效信道状态信息,具体包括:
遍历各个滑动窗口的平均离差;
若首次遍历到的滑动窗口的平均离差不小于第一阈值,且在该首次遍历到的滑动窗口前面的前一个滑动窗口的平均离差不大于第二阈值,则确定首次遍历到的滑动窗口为所述待识别用户进入所述无线Wi-Fi信号采集区对应的起点滑动窗口;
继续遍历在所述起点滑动窗口之后的滑动窗口的平均离差;
若首次遍历到的滑动窗口的平均离差不大于第二阈值,且在该首次遍历到的滑动窗口前面的前一个滑动窗口的平均离差不小于第一阈值,则确定首次遍历到的滑动窗口的前一个滑动窗口为所述待识别用户离开所述无线Wi-Fi信号采集区对应的终点滑动窗口;
根据所述起点滑动窗口和所述终点滑动窗口,从所述原始信道状态信息截取出所述待识别用户的有效信道状态信息。
10.一种基于无线Wi-Fi信号的身份识别装置,包括:
获取模块,获取待识别用户的有效信道状态信息,其中,所述有效信道状态信息为所述待识别用户进入到无线Wi-Fi信号采集区后,无线Wi-Fi信号呈现的信道状态信息,所述有效信道状态信息反映步态特征;
处理模块,根据所述待识别用户的有效信道状态信息分别与至少一个已标注身份信息的样本信道状态信息的匹配结果,确定所述待识别用户的身份信息,其中,所述样本信道状态信息反映步态特征。
11.如权利要求10所述的装置,所述根据所述待识别用户的有效信道状态信息分别与至少一个已标注身份信息的样本信道状态信息的匹配结果,确定所述待识别用户的身份信息,具体包括:
对所述待识别用户的有效信道状态信息进行特征提取,获取所述有效信道状态信息的特征向量;
基于kNN分类器对所述有效信道状态信息的特征向量进行分类识别,确定所述待识别用户的身份信息,其中,所述kNN分类器根据至少一个已标注身份信息的样本信道状态信息训练得到。
12.如权利要求11所述的装置,所述基于kNN分类器对所述有效信道状态信息的特征向量进行分类识别,确定所述待识别用户的身份信息,具体包括:
计算所述有效信道状态信息的特征向量分别与各个样本信道状态信息的特征向量的之间的距离值;
从所述各个样本信道状态信息中选取距离值最小的指定数量个样本信道状态信息;
确定所述指定数量个样本信道状态信息各自所属的已标注身份信息的出现次数;
将出现次数最多的已标注身份信息确定为所述待识别用户的身份信息。
13.如权利要求11所述的装置,对所述待识别用户的有效信道状态信息进行特征提取,获取所述有效信道状态信息的特征向量,具体包括:
对所述待识别用户的有效信道状态信息进行离散小波变换,将离散小波变换后得到的近视系数作为所述有效信道状态信息的特征向量。
14.如权利要求10所述的装置,若所述匹配结果指示不存在与所述待识别用户的有效信道状态信息相匹配的样本信道状态信息,则提示所述待识别用户身份识别失败。
15.如权利要求10所述的装置,所述获取待识别用户的有效信道状态信息,具体包括:
获取在所述无线Wi-Fi信号采集区中采集到的无线Wi-Fi信号,从所述无线Wi-Fi信号中获取原始信道状态信息;
分析所述原始信道状态信息,判断所述待识别用户是否进入到所述无线Wi-Fi信号采集区;
若判断获知所述待识别用户进入到无线Wi-Fi信号采集区,则从所述原始信道状态信息中截取出所述待识别用户的有效信道状态信息。
16.如权利要求15所述的装置,所述分析所述原始信道状态信息,判断所述待识别用户是否进入到所述无线Wi-Fi信号采集区,具体包括:
采用预设的无人在所述无线Wi-Fi信号采集区中对应的检测指标分析所述原始信道状态信息,判断所述待识别用户是否进入到所述无线Wi-Fi信号采集区。
17.如权利要求15所述的装置,从所述原始信道状态信息中截取出所述待识别用户的有效信道状态信息,具体包括:
按照信号采集的时间先后顺序,将所述原始信道状态信息划分成多个滑动窗口;
根据每个滑动窗口的信道状态信息,计算每个滑动窗口的平均离差;
根据各个滑动窗口的平均离差,从所述原始信道状态信息截取出待识别用户的有效信道状态信息。
18.如权利要求17所述的装置,根据各个滑动窗口的平均离差,从所述原始信道状态信息截取出待识别用户的有效信道状态信息,具体包括:
遍历各个滑动窗口的平均离差;
若首次遍历到的滑动窗口的平均离差不小于第一阈值,且在该首次遍历到的滑动窗口前面的前一个滑动窗口的平均离差不大于第二阈值,则确定首次遍历到的滑动窗口为所述待识别用户进入所述无线Wi-Fi信号采集区对应的起点滑动窗口;
继续遍历在所述起点滑动窗口之后的滑动窗口的平均离差;
若首次遍历到的滑动窗口的平均离差不大于第二阈值,且在该首次遍历到的滑动窗口前面的前一个滑动窗口的平均离差不小于第一阈值,则确定首次遍历到的滑动窗口的前一个滑动窗口为所述待识别用户离开所述无线Wi-Fi信号采集区对应的终点滑动窗口;
根据所述起点滑动窗口和所述终点滑动窗口,从所述原始信道状态信息截取出所述待识别用户的有效信道状态信息。
19.一种电子设备,包括存储器以及处理器,所述存储器存储程序,并且被配置成由所述处理器执行权利要求1-8中任一项所述的基于无线Wi-Fi信号的身份识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010298709.XA CN113543140A (zh) | 2020-04-16 | 2020-04-16 | 一种基于无线Wi-Fi信号的身份识别方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010298709.XA CN113543140A (zh) | 2020-04-16 | 2020-04-16 | 一种基于无线Wi-Fi信号的身份识别方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113543140A true CN113543140A (zh) | 2021-10-22 |
Family
ID=78088374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010298709.XA Pending CN113543140A (zh) | 2020-04-16 | 2020-04-16 | 一种基于无线Wi-Fi信号的身份识别方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113543140A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446828A (zh) * | 2016-09-22 | 2017-02-22 | 西北工业大学 | 一种基于Wi‑Fi信号的用户身份识别方法 |
WO2017156487A1 (en) * | 2016-03-11 | 2017-09-14 | Origin Wireless, Inc. | Methods, apparatus, servers, and systems for human identification based on human radio biometric information |
CN107968689A (zh) * | 2017-12-06 | 2018-04-27 | 北京邮电大学 | 基于无线通信信号的感知识别方法及装置 |
CN110011741A (zh) * | 2019-03-29 | 2019-07-12 | 河北工程大学 | 基于无线信号的身份识别方法及装置 |
-
2020
- 2020-04-16 CN CN202010298709.XA patent/CN113543140A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017156487A1 (en) * | 2016-03-11 | 2017-09-14 | Origin Wireless, Inc. | Methods, apparatus, servers, and systems for human identification based on human radio biometric information |
CN106446828A (zh) * | 2016-09-22 | 2017-02-22 | 西北工业大学 | 一种基于Wi‑Fi信号的用户身份识别方法 |
CN107968689A (zh) * | 2017-12-06 | 2018-04-27 | 北京邮电大学 | 基于无线通信信号的感知识别方法及装置 |
CN110011741A (zh) * | 2019-03-29 | 2019-07-12 | 河北工程大学 | 基于无线信号的身份识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | SymDetector: detecting sound-related respiratory symptoms using smartphones | |
Chriki et al. | Deep learning and handcrafted features for one-class anomaly detection in UAV video | |
KR101939683B1 (ko) | 사용자 행동 실시간 인식장치 및 방법 | |
Reney et al. | An efficient method to face and emotion detection | |
Shi et al. | Real-time traffic light detection with adaptive background suppression filter | |
US11217076B1 (en) | Camera tampering detection based on audio and video | |
KR101433472B1 (ko) | 상황 인식 기반의 객체 검출, 인식 및 추적 장치, 방법 및 컴퓨터 판독 가능한 기록 매체 | |
Al-Naffakh et al. | Unobtrusive gait recognition using smartwatches | |
Sikandar et al. | ATM crime detection using image processing integrated video surveillance: a systematic review | |
CN111178155A (zh) | 基于惯性传感器的步态特征提取和步态识别方法 | |
CN106971203B (zh) | 基于走路特征数据的身份识别方法 | |
CN112183162A (zh) | 一种监控场景下人脸自动注册识别系统及方法 | |
CN107862295A (zh) | 一种基于WiFi信道状态信息识别面部表情的方法 | |
Mohammadi et al. | Domain adaptation for generalization of face presentation attack detection in mobile settengs with minimal information | |
Meena et al. | Gender recognition using in-built inertial sensors of smartphone | |
KR101455666B1 (ko) | 인증 장치 및 그 인증 방법 | |
Kaur et al. | Object classification techniques using machine learning model | |
Zhang et al. | Vehicle classification based on feature selection with anisotropic magnetoresistive sensor | |
KR102063745B1 (ko) | 측면 프로파일링 기반 신원확인 장치 및 방법 | |
US11544977B2 (en) | Vibration-based authentication method for access control system | |
CN113543140A (zh) | 一种基于无线Wi-Fi信号的身份识别方法、装置及电子设备 | |
CN112183167B (zh) | 考勤方法、认证方法、活体检测方法、装置及设备 | |
KR101208678B1 (ko) | 다중 생체정보를 이용하는 점진적 개인인증 시스템 및 방법 | |
Pham et al. | Real-time traffic activity detection using mobile devices | |
KR101340287B1 (ko) | 스마트 홈에서 마이닝 기반의 패턴 분석을 이용한 침입탐지 시스템 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240229 Address after: 128 Meizhi Road, Guohao Times City # 20-01, Singapore 189773 Applicant after: Advanced Nova Technology (Singapore) Holdings Ltd. Country or region after: Singapore Address before: 45-01 Anson Building, 8 Shanton Avenue, Singapore 068811 Applicant before: Alipay laboratories (Singapore) Ltd. Country or region before: Singapore |
|
TA01 | Transfer of patent application right |