CN114172656B - 基于无线感知的全域步态检测与身份认证方法及系统 - Google Patents
基于无线感知的全域步态检测与身份认证方法及系统 Download PDFInfo
- Publication number
- CN114172656B CN114172656B CN202111383095.6A CN202111383095A CN114172656B CN 114172656 B CN114172656 B CN 114172656B CN 202111383095 A CN202111383095 A CN 202111383095A CN 114172656 B CN114172656 B CN 114172656B
- Authority
- CN
- China
- Prior art keywords
- doppler
- user
- frequency
- loc
- doppler image
- 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
Links
- 230000005021 gait Effects 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 title claims abstract description 14
- 230000008447 perception Effects 0.000 title claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 8
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 8
- 238000010586 diagram Methods 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000001228 spectrum Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000003068 static effect Effects 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 2
- 238000012847 principal component analysis method Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000005192 partition Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
- H04L9/3226—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials using a predetermined code, e.g. password, passphrase or PIN
- H04L9/3231—Biological data, e.g. fingerprint, voice or retina
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/45—Structures or tools for the administration of authentication
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Computer Security & Cryptography (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biodiversity & Conservation Biology (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Radar Systems Or Details Thereof (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种基于无线感知的全域步态检测与身份认证方法及系统，通过在室内环境下设置一个Wi‑Fi信号发送端和两个Wi‑Fi信号接收端，并使两个接收端和发送端的连线相互垂直，然后采集包含用户步态特征的Wi‑Fi信号，经动态信息提取得到多普勒二维特征图，再通过合成多普勒图像后利用深度残差神经网络从中提取出每个用户细粒度的步态行为特征对用户进行身份认证。本发明能够在跨障碍、跨位置、跨路线的场景下对每个用户进行基于步态的身份认证。
Description
技术领域
本发明涉及的是一种无线身份认证领域的技术，具体是一种基于无线感知的全域步态检测与身份认证方法及系统。
背景技术
用户认证是一个非常重要且具有普遍应用场景的研究，已经在日常生活中以各种方式得到了一定的实现，如人脸识别和安全监控等。传统方法使用相机、可穿戴设备等可能会带来隐私的泄漏，且有环境和感测范围的限制。
在无线传感领域，因为人体的运动会影响空间电磁场的分布，导致信号的传播路径和相位时延发生改变，因此可以通过分析无线信号的信道状态信息来提取动作的变化情况，用于进行人体检测、活动识别等。已知每个用户拥有独特的体态特征和步行行为习惯，因此感知人体步行的无线信号中隐含有用户特有的行为特征，可用来进行用户认证。
现有的基于Wi-Fi感知用户步态的工作存在很多限制条件，比如只能在不穿越障碍物的情况下(例如设备与人在同一个房间内)，对在特定位置开始直线行走的人进行身份认证。其次，当用户行走相同的距离，但是在不同的位置开始、以不同的路线行走时，从发送端到用户再到接收端的路径长度的变化不同，导致接收端所能检测到的信号的频率波动不同，同一用户在不同位置和路线的CSI数据会存在较大的差别。所以，认证阶段需要用户沿着固定的路线行走，如果用户以不同的路线和方向进行自由行走，模型则会失效。
发明内容
本发明针对现有无线感知技术只能在不跨域障碍物下、在预定义的位置以直线路线进行用户步态下的身份认证的不足，提出一种基于无线感知的全域步态检测与身份认证方法及系统，能够在跨障碍、跨位置、跨路线的场景下对每个用户进行基于步态的身份认证。
本发明是通过以下技术方案实现的：
本发明涉及一种基于无线感知的全域步态检测与身份认证方法，通过在室内环境下设置一个Wi-Fi信号发送端和两个Wi-Fi信号接收端，并使两个接收端和发送端的连线相互垂直，然后采集包含用户步态特征的Wi-Fi信号，经动态信息提取得到多普勒二维特征图，再通过合成多普勒图像后利用深度残差神经网络从中提取出每个用户细粒度的步态行为特征对用户进行身份认证。
所述的动态信息提取是指：对在任一接收端接收的数据低通移动平均滤波后使用PCA主成分分析的方法对数据进行降维，并通过从共轭乘法中减去平均值以消除静态信息并提取动态信息。
所述的多普勒二维特征图，通过对动态信息进行短时傅里叶变换，将Wi-Fi信号进行时频转换并获得频域上的信息，获得多普勒二维特征图。
当用户靠近Wi-Fi收发端形成的链接，连续波之间的到达时间降低，频率增加；反之频率降低，因此从多普勒二维特征图中可以获得用户的步行速度。
所述的合成多普勒图像是指：根据两个接收端各自的多普勒二维特征图中的多普勒频移计算得到用户分别在两个收发链接感知下的运动方向和速度，并通过双椭圆定位法计算出其实际的前进方向的移动速度；然后将两个接收端的原始多普勒频谱数据和移动速度结合，合成仅表现用户前进步态行为有关的合成多普勒图像。
所述的实际的前进方向的移动速度，具体为：loc(1，1)*vx+loc(1，2)*vy＝v1/2，loc(2，1)*vx+loc(2，2)*vy＝v2/2，v1和v2为收发链接通过多普勒频移计算得到的链接长度变化的速度，loc(1，1)、loc(1，2)表示第一接收端与发送端链接所形成的椭圆的法向量的横坐标和纵坐标值，同理(loc(2，1)，loc(2，2))表示第二接收端的链接对应法向量的坐标；(vx，vy)为前进方向的真实速度。
所述的合成多普勒图像，通过将两个接收端的原始多普勒频谱数据和被测人员的真实速度进行结合，原始多普勒图像中每一时刻强度最高的频率代表了用户的主要移动速度，将已计算得到的真实速度对应的频率除以该频率得到系数，同时将多普勒频谱图同一时刻的其他频率按照相同的系数扩展，并将两个多普勒图像叠加，转化成带有真实速度信息的合成多普勒图像。
所述的深度残差神经网络包括：基于ResNet的特征提取器和基于全连接层的用户认证器，其中：最开始设置一个单独的卷积层用于接收合成多普勒图像；然后通过4个残差块(Residual Block)提取每个用户独特的行为动作特征，每个残差块分别包含3、4、6、3个小block，每个小block里面有三个卷积层；在通过全连接层以进行分类任务并输出身份认证结果。
本发明涉及一种实现上述方法的系统，包括：数据采集与预处理、时频变换、多普勒图像合成与深度神经网络，其中：数据采集模块与预处理相连并传输采集到的原始信号，预处理后的信号传递至时频变换模块，时频变换模块与多普勒图像合成模块相连并传输二维时频信息，多普勒图像合成与深度神经网络相连并传递合成多普勒图像数据，并最终得到用户识别的结果。
技术效果
本发明整体解决了现有技术的只能在固定的步行角度和步行路线的条件下，通过Wi-Fi信号对用户步态进行检测的缺陷/不足；与现有技术相比，本发明实现了在跨障碍、跨位置、跨路线的场景下，通过Wi-Fi信号对于自由行走的用户的步态检测以及身份认证。
附图说明
图1为本发明流程图；
图2为实施例中双椭圆定位模型示意图；
图3为实施例中合成多普勒频谱图；
图4为实验例中的深度神经网络结构图；
图5为实施例中用户认证精度示意图。
具体实施方式
本实施例在室内环境下进行实验，通过在一台笔记本电脑和两台台式主机上部署了本实施例系统，各电脑配有Intel 5300无线网卡且运行Ubuntu14.04操作系统。实施例用笔记本电脑以2000/s的发送包的速率持续不断地发射802.11n标准的Wi-Fi信号，两台台式主机持续接收Wi-Fi信号并记录数据。
本实施例通过设置一个发送端和两个接收端且两个接收端和发送端的连线相互垂直，通过两个接收端的多普勒频移计算得到用户分别在两个收发链接感知下的运动方向和速度，并通过双椭圆定位法计算出其实际的前进方向的移动速度；然后将两个接收端的原始多普勒频谱数据和移动速度结合，合成仅表现用户前进步态行为有关的多普勒频谱数据，再利用深度残差神经网络从中提取出每个用户细粒度的步态行为特征对用户进行身份认证，具体包括：
步骤1)使用一个发送端和两个接收端以形成两对链接，并使得两对发射端-接收端的连线相互垂直，然后分别收集在两个接收端接收到的无线Wi-Fi信号的信道状态信息CSI的数据，得到的t时刻下的信道状态信息其中：f为当子载波的频率，K为无线电磁波的路径数，ak和τk为第k条路径的复数衰减和传播延迟。
步骤2)通过主成分分析(PCA)的方法对于Wi-Fi信号的30个子载波进行数据降维，提取前3组子载波数据选择包含由被测人员运动引起的主要功率变化的第一主要成分。在同一接收端的两个天线的CSI之间应用共轭乘法，以消除时变随机相位偏移，减去平均值来去除静态分量，并用滤波器过滤掉静态成分和高频，具体为：两个天线的CSI分别为x1(f，t0+t)和两个天线移动路径的集合分别为Gm1、Gm2，则有 其中：t为时间变量，t0表示起始时间，x1、x2为两个天线接收到的信号，其信号各自包含静态分量x1，s与x2，s和动态分量/>与Ak表示动态分量第k个子载波的信号幅值，vk为收发链接通过多普勒频移计算得到的链接长度变化的速度，c表示光速大小。
步骤3)对经过去噪和预处理的CSI数据进行时频变换。当Wi-Fi信号穿过墙面时，信号的幅度被较大程度的削减，而多普勒频移则所受影响非常轻微，因此通过短时傅立叶变换(STFT)获得每个接收端各自接收到的CSI数据的原始多普勒频谱图，克服信号穿越障碍物衰减的不足以实现跨障碍的步态感知能力。在短时傅里叶变换公式中，z(k)为源信号，g(t)为窗函数，窗滑动的次数为n，通过窗函数的滑动计算傅里叶变换得到二维时频图，即多普勒频谱图，具体为：其中：STFT是时间m和频率n的二维函数，k表示离散化的时间变化，T表示窗的长度。
步骤4)多普勒图像以时间作为横坐标，以频率作为纵坐标。因为被测人员躯干的反射面比四肢或者头部大得多，因此图像中热度最高的随时间变化的线，即为被测人员的反射回接收端的强度最高、最主要的信号的频率。因此，本方法在二维多普勒频谱图中取每个时刻频率分布的50％处的频率值，代入速度-多普勒公式计算得到两个收发链接长度变化的速度大小vm，即椭圆边界上的径向速度大小，且该径向速度的方向为椭圆该点的法向量的方向。
步骤5)通过到达角方法(AOA)计算得到被测人员的位置坐标，由用户位置坐标和收发端的位置坐标可以计算得到各自椭圆边界在被测人员位置处的法向量，具体如图2所示：两个椭圆边界在被测用户的位置处相交。通过双椭圆定位法结合两个收发链接的法向量、径向速度大小和用户的位置坐标，计算出实际上用户行走的速度方向和大小，即被测人员前进方向的真实速度(vx，vy)，具体为：lloc(1，1)*vx+loc(1，2)*vy＝v1/2，lloc(2，1)*vx+loc(2，2)*vy＝v2/2，，其中：v1和v2为收发链接通过多普勒频移计算得到的链接长度变化的速度，loc(1，1)、loc(1，2)表示第一接收端与发送端链接所形成的椭圆的法向量的横坐标和纵坐标值，同理loc(2，1)，loc(2，2))表示发送端的链接对应法向量的坐标。
因此无论被测人员的步行方向、位置、路线怎样选择，都可以获得被测人员前进方向的真实速度(vx，vy)。原始多普勒频移只能反应用户在该链接所形成椭圆边界上的径向速度大小，而不能反应切向速度的大小，经过双椭圆定位法得到的被测人员的真实速度则能表示用户的实际步行速度的方向与大小。
步骤6)由于多普勒图像中不但含有链接长度变化的的速度信息，即被测人员身体躯干反射回来的信号的变化情况，还含有被测人员四肢摆动、体态和步行习惯等的影响，因此本方法在多普勒图像中提取用户行为特征，如图3所示：将两个接收端的原始多普勒频谱数据和被测人员的真实速度(vx，vy)进行结合，原始多普勒图像中每一时刻强度最高的频率代表了用户的主要移动速度，将已计算得到的真实速度对应的频率除以该频率得到系数，同时将多普勒频谱图同一时刻的其他频率按照相同的系数扩展，并将两个多普勒图像叠加，转化成带有真实速度信息的合成多普勒图像，让其表现了只与用户前进步态有关的行为信息。
步骤7)基于所得到的合成多普勒图像，通过基于ResNet-50的卷积神经网络模型提取每个用户独特的步态特征而进行用户身份认证，通过该模型提取隐含在合成多普勒图像中的用户步态特征，并对用户身份作出预测。
本实施例在现场认证时，通过以下方式进行用户身份注册：每个用户在室内进行持续的步行，同时设置一台发送端和两台接收端发送和接收Wi-Fi信号。系统将收集的信号经过上述步骤的处理后，根据用户的身份标签以及对应的数据进行网络模型的训练。注册完成后，在实际的检测认证过程中，用户在隔着一面墙的环境下进行任意方向、速度、轨迹的行走，系统收集被用户动作所影响的Wi-Fi信号，并经过上述步骤的处理，在神经网络模型中分别得到每个用户的身份，完成用户认证。
本实施例在同一室内和隔门、隔墙的场景下分别进行。一共有10名志愿者参加本实施例的实验，其中有7名志愿者作为注册用户，3名志愿者作为侵入者，即没有在本系统中注册过的人。在注册时注册用户先行在系统中注册自己的身份，此时志愿者的行走路线为直线，以获得完备而准确的注册者的步态特征。在实际认证阶段，注册用户和侵入者分别在同一房间、隔着一堵墙、隔着一面墙的场景下分别进行检测，且步行的方向为沿直线、沿弧线行走和以任意方向行走。
如图5所示，经过在室内环境中具体实际实验，即在认证用户在室内不同场景、以不同轨迹行走时的认证精度。在发送端、接收端和用户都在同一室内时，当用户分别以直线、弧线行走和以任意方向行走时，分别实现了98.4％、97.1％和95.2％的认证精度。在发送端、接收端与用户隔着一堵门时，当用户分别以直线、弧线行走和以任意方向行走时，分别实现了97.7％、96％和94.9％的认证精度。当发送端和接收端在隔着一堵墙时，同样的行走轨迹，分别实现了93.4、91.9％和91.2％的认证精度。而以上三个场景和三个不同的行走轨迹的条件下，对于用户认证的平均精度平均达到了93.77％，说明本方法能够在隔门、隔墙环境和用户自由行走的条件下，以较高精度区分用户，达到了较为稳定的效果。
与现有技术相比，本系统将两个接收端的原始多普勒频谱数据和移动速度结合，合成仅表现用户前进步态行为有关的多普勒频谱数据，实现了在跨障碍、跨位置、跨路线的场景下，通过Wi-Fi信号对于自由行走的用户的步态检测以及身份认证。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。
Claims (6)
1.一种基于无线感知的全域步态检测与身份认证方法，其特征在于，通过在室内环境下设置一个Wi-Fi信号发送端和两个Wi-Fi信号接收端，并使两个接收端和发送端的连线相互垂直，然后采集包含用户步态特征的Wi-Fi信号，经动态信息提取得到多普勒二维特征图，再通过合成多普勒图像后利用深度残差神经网络从中提取出每个用户细粒度的步态行为特征对用户进行身份认证；
所述的合成多普勒图像是指：根据两个接收端各自的多普勒二维特征图中的多普勒频移计算得到用户分别在两个收发链接感知下的运动方向和速度，并通过双椭圆定位法计算出其实际的前进方向的移动速度；然后将两个接收端的原始多普勒频谱数据和移动速度结合，合成仅表现用户前进步态行为有关的合成多普勒图像；
所述的实际的前进方向的移动速度，具体为：loc(1,1)*vx+loc(1,2)*vy＝v1/2，loc(2,1)*vx+loc(2,2)*vy＝v2/2，v1和v2为收发链接通过多普勒频移计算得到的链接长度变化的速度，loc(1,1)、loc(1,2)表示第一接收端与发送端链接所形成的椭圆的法向量的横坐标和纵坐标值，同理(loc(2,1),loc(2,2))表示第二接收端的链接对应法向量的横坐标和纵坐标；(vx,vy)为前进方向的真实速度。
2.根据权利要求1所述的基于无线感知的全域步态检测与身份认证方法，其特征是，所述的动态信息提取是指：对在任一接收端接收的数据低通移动平均滤波后使用PCA主成分分析的方法对数据进行降维，并通过从共轭乘法中减去平均值以消除静态信息并提取动态信息。
3.根据权利要求1所述的基于无线感知的全域步态检测与身份认证方法，其特征是，所述的多普勒二维特征图，通过对动态信息进行短时傅里叶变换，将Wi-Fi信号进行时频转换并获得频域上的信息，获得多普勒二维特征图。
4.根据权利要求1所述的基于无线感知的全域步态检测与身份认证方法，其特征是，所述的合成多普勒图像，通过将两个接收端的原始多普勒频谱数据和被测人员的真实速度进行结合，原始多普勒图像中每一时刻强度最高的频率代表了用户的主要移动速度，将已计算得到的真实速度对应的频率除以该频率得到系数，同时将多普勒频谱图同一时刻的其他频率按照相同的系数扩展，并将两个多普勒图像叠加，转化成带有真实速度信息的合成多普勒图像。
5.根据权利要求1所述的基于无线感知的全域步态检测与身份认证方法，其特征是，所述的深度残差神经网络包括：基于ResNet的特征提取器和基于全连接层的用户认证器，其中：最开始设置一个单独的卷积层用于接收合成多普勒图像；然后通过4个残差块(Residual Block)提取每个用户独特的行为动作特征，每个残差块分别包含3、4、6、3个小block，每个小block里面有三个卷积层；在通过全连接层以进行分类任务并输出身份认证结果。
6.一种实现权利要求1～5中任一所述基于无线感知的全域步态检测与身份认证方法的系统，其特征在于，包括：数据采集与预处理、时频变换、多普勒图像合成与深度神经网络，其中：数据采集模块与预处理相连并传输采集到的原始信号，预处理后的信号传递至时频变换模块，时频变换模块与多普勒图像合成模块相连并传输二维时频信息，多普勒图像合成与深度神经网络相连并传递合成多普勒图像数据，并最终得到用户识别的结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111383095.6A CN114172656B (zh) | 2021-11-22 | 2021-11-22 | 基于无线感知的全域步态检测与身份认证方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111383095.6A CN114172656B (zh) | 2021-11-22 | 2021-11-22 | 基于无线感知的全域步态检测与身份认证方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114172656A CN114172656A (zh) | 2022-03-11 |
| CN114172656B true CN114172656B (zh) | 2023-10-20 |
Family
ID=80479751
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111383095.6A Active CN114172656B (zh) | 2021-11-22 | 2021-11-22 | 基于无线感知的全域步态检测与身份认证方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114172656B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113253227A (zh) * | 2021-05-07 | 2021-08-13 | 西北工业大学 | 一种基于simo多普勒雷达的弱约束步态轨迹处理方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11928894B2 (en) * | 2012-09-18 | 2024-03-12 | Origin Wireless, Inc. | Method, apparatus, and system for wireless gait recognition |
| US9739883B2 (en) * | 2014-05-16 | 2017-08-22 | Elwha Llc | Systems and methods for ultrasonic velocity and acceleration detection |
| US11240579B2 (en) * | 2020-05-08 | 2022-02-01 | Level 42 Ai | Sensor systems and methods for characterizing health conditions |
-
2021
- 2021-11-22 CN CN202111383095.6A patent/CN114172656B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113253227A (zh) * | 2021-05-07 | 2021-08-13 | 西北工业大学 | 一种基于simo多普勒雷达的弱约束步态轨迹处理方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于Wi-Fi的非接触式行为识别研究综述;王钰翔;李晟洁;王皓;马钧轶;王亚沙;张大庆;;浙江大学学报(工学版)(04);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114172656A (zh) | 2022-03-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Wifi-id: Human identification using wifi signal | |
| Zhang et al. | Widar3. 0: Zero-effort cross-domain gesture recognition with wi-fi | |
| Korany et al. | XModal-ID: Using WiFi for through-wall person identification from candidate video footage | |
| Ding et al. | WiFi CSI-based human activity recognition using deep recurrent neural network | |
| Xu et al. | Acousticid: gait-based human identification using acoustic signal | |
| US7821870B2 (en) | Method and system for identifying moving objects using acoustic signals | |
| Ozturk et al. | GaitCube: Deep data cube learning for human recognition with millimeter-wave radio | |
| Zhang et al. | Gate-ID: WiFi-based human identification irrespective of walking directions in smart home | |
| Chen et al. | SpeedNet: Indoor speed estimation with radio signals | |
| Xu et al. | Attention-based gait recognition and walking direction estimation in wi-fi networks | |
| Chen et al. | Cross-domain wifi sensing with channel state information: A survey | |
| Zhang et al. | Wi-PIGR: Path independent gait recognition with commodity Wi-Fi | |
| Xu et al. | Seismic target recognition based on parallel recurrent neural network for unattended ground sensor systems | |
| Shi et al. | Deep learning networks for human activity recognition with CSI correlation feature extraction | |
| Bocus et al. | UWB and WiFi systems as passive opportunistic activity sensing radars | |
| CN113341392B (zh) | 一种基于多站雷达微多普勒运动测向的人体行为分类方法 | |
| Zhang et al. | WiEnhance: Towards data augmentation in human activity recognition using WiFi signal | |
| Khan et al. | Non-invasive localization using software-defined radios | |
| Hu et al. | Towards unconstrained vocabulary eavesdropping with mmwave radar using gan | |
| Bocus et al. | A comparison of uwb cir and wifi csi for human activity recognition | |
| CN114172656B (zh) | 基于无线感知的全域步态检测与身份认证方法及系统 | |
| CN110621038B (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 | |
| Aziz et al. | A MIMO radar-based metric learning approach for activity recognition | |
| Fan et al. | WiVi: WiFi-video cross-modal fusion based multi-path gait recognition system | |
| Ou et al. | WiWalk: Gait-Based Dual-User Identification Using WiFi Device |
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 |