CN114757237A - 一种基于WiFi信号的速度无关步态识别方法 - Google Patents
一种基于WiFi信号的速度无关步态识别方法 Download PDFInfo
- Publication number
- CN114757237A CN114757237A CN202210659791.3A CN202210659791A CN114757237A CN 114757237 A CN114757237 A CN 114757237A CN 202210659791 A CN202210659791 A CN 202210659791A CN 114757237 A CN114757237 A CN 114757237A
- Authority
- CN
- China
- Prior art keywords
- speed
- identity
- time
- walking
- gait recognition
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- 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
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
- H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种基于WiFi信号的速度无关步态识别方法,包括以下步骤:提取人员行走过程中随时间变化的WiFi的CSI幅值;对CSI幅值进行预处理;判断是否有人在环境中行走,并提取步行活动片段;将步行活动片段转换成大小相同的时频图;搭建基于DANN的速度无关步态识别模型,该模型包括特征提取器、身份识别器与速度识别器,特征提取器用于在输入的时频图中提取潜在的特征,身份识别器用于利用特征提取器提取的特征预测被测目标的身份,速度识别器用于利用特征提取器提取的特征预测被测目标的速度;训练速度无关步态识别模型并输出被测目标的身份。本发明不仅可以实现对环境内以任意速度行走的人员身份进行识别,而且识别准确率高。
Description
技术领域
本发明涉及生物特征识别技术领域,尤其涉及一种基于WiFi信号的速度无关步态识别方法。
背景技术
身份识别是一切物联网应用的第一步,针对智能空间内人员身份的有效识别是实现人员行为智能感知和监测,以及一切定制化应用的重要前提。步态是指人的步行特点,步态识别则是通过传感器等辅助器材来提取步态特征,进一步分析人的姿态和运动能力,主要运用在身份识别、下肢外骨骼和医疗康复等领域,作为物联网领域里程碑式的应用,步态识别一经提出就受到了广泛关注。近年来,随着物联网、普适计算等技术与智能交通领域的深度融合,利用5G、WiFi等泛在的无线信号感知人员行为的技术正在飞速发展,其原理是通过分析由人体运动导致无线信道参数变化进而推测具体行为;而这其中,基于WiFi信号的步态识别技术成为了研究人员的新焦点。
传统的基于WiFi的步态识别模型假设被测目标速度恒定,即步态特征提取和分类模型仅针某一特定速度进行训练,且假设测试集样本的步行速度与训练集保持一致,以此确保训练集与测试集的数据样本满足独立同分布条件,使机器学习模型达到最佳性能。然而实际部署中人们由于负重、心理状态、生理状态等原因,往往会主动或被动地改变自己的步行速度,即实际部署中采集到的测试集样本由于步行速度变化导致与训练集样本存在域间差异,这使得传统的基于WiFi的步态识别出现较大误差。
发明内容
本发明的目的是克服现有技术中存在的识别准确率低的缺陷与问题,提供一种识别准确率高的基于WiFi信号的速度无关步态识别方法。
为实现以上目的,本发明的技术解决方案是:一种基于WiFi信号的速度无关步态识别方法,该方法包括以下步骤:
S1、提取人员行走过程中随时间变化的WiFi的CSI幅值;
S2、对CSI幅值进行预处理;
S3、判断是否有人在环境中行走,并提取步行活动片段;
S4、将步行活动片段转换成大小相同的时频图;
S5、搭建基于DANN的速度无关步态识别模型,该模型包括特征提取器、身份识别器与速度识别器,所述特征提取器用于在输入的时频图中提取潜在的特征,所述身份识别器用于利用特征提取器提取的特征预测被测目标的身份,所述速度识别器用于利用特征提取器提取的特征预测被测目标的速度;
S6、训练基于DANN的速度无关步态识别模型并输出被测目标的身份。
步骤S2具体包括以下步骤:
S21、求解CSI信号的模值作为CSI幅值;
S22、计算采集到的每两个数据包的时间间隔,并与WiFi系统的数据包发送时间间隔进行比对,判断相邻两个数据包之间是否存在丢包现象,若判断有丢包现象,则利用线性插值方法对间隔进行插值;
步骤S3具体包括以下步骤:
S34、将帧信号能量序列中的每个值与预先设置的步行活动能量阈值进行比较;
当帧信号能量大于步行活动能量阈值时,判断环境内有人行走,并记录该时刻为步行活动起始帧;
当帧信号能量小于步行活动能量阈值时,判断此时步行活动结束,并记录该时刻为步行活动结束帧;
步骤S4具体包括以下步骤:
步骤S6具体包括以下步骤:
S61、收集多名志愿者的步态信息,要求每位志愿者沿着WiFi链路的LOS的垂直平分线以两种不同速度行走,并构建包含身份标签和速度标签的训练数据集;
S62、利用训练数据集对基于DANN的速度无关步态识别模型进行训练,并输出被测目标的身份标签。
与现有技术相比,本发明的有益效果为:
本发明一种基于WiFi信号的速度无关步态识别方法中,利用WiFi信号对环境内人员进行步态识别,旨在通过检测步态来识别人员身份,通过对WiFi的CSI幅值进行预处理、步态活动检测及分段、提取速度无关且可用于区分身份的步态特征并训练身份识别模型,最终可以实现对环境内以任意速度行走的人员身份进行识别,提高了识别准确率。
附图说明
图1是本发明一种基于WiFi信号的速度无关步态识别方法的流程图。
图2是本发明的实施例中的基于DANN的速度无关步态识别模型。
具体实施方式
以下结合附图说明和具体实施方式对本发明作进一步详细的说明。
参见图1,一种基于WiFi信号的速度无关步态识别方法,该方法包括以下步骤:
S1、提取人员行走过程中随时间变化的WiFi的CSI幅值;
利用环境内已部署的WiFi发射机和接收机对感知区域内人员的步行活动进行采集,主要提取行走过程中WiFi的信道状态信息幅值的变化;
S2、对CSI幅值进行预处理;具体包括以下步骤:
S21、采集到的原始CSI信号是复数信号,因此,求解CSI信号的模值作为CSI幅值;
S22、计算采集到的每两个数据包的时间间隔,并与WiFi系统的数据包发送时间间隔进行比对,判断相邻两个数据包之间是否存在丢包现象,若判断有丢包现象,则利用线性插值方法对间隔进行插值;
采集到的原始CSI信号包含多条子载波,每条子载波经历了相似的频率偏移和信道选择性衰落,因此包含相似的信息,造成了数据冗余,利用主成分分析法对插值后的CSI幅值进行降维,取降维结果中的第一主成分用作后续分析,该过程最终达到数据校准和降噪的目的;
S3、判断是否有人在环境中行走,并提取步行活动片段;具体包括以下步骤:
人的步行活动主要在CSI幅值信号的20~50Hz频段内产生能量,即当环境内人处于行走时CSI幅值在该频段内的能量远远大于环境内无人、人员静止、人员原地动作等场景;
S34、将帧信号能量序列中的每个值与预先设置的步行活动能量阈值进行比较;
当帧信号能量大于步行活动能量阈值时,判断环境内有人行走,并记录该时刻为步行活动起始帧;
当帧信号能量小于步行活动能量阈值时,判断此时步行活动结束,并记录该时刻为步行活动结束帧;
S4、考虑到每个人行走速度和步态周期不同,每次采集到的步行活动片段长度不同,且为了丰富信息表达能力,便于后续利用CNN提取特征,将步行活动片段转换成大小相同的时频图;具体包括以下步骤:
其中,和为时频图的维度信息,为步行活动片段的第个样
本点,为汉明窗函数,为复共轭操作,为短时傅里叶变换窗口长度;为相邻两个窗口的重合长度,取0.75倍的窗口长度;为长度,
数值上;为样本离散时间,,为时域
信号的采样频率,为采样点数;
S5、搭建基于DANN的速度无关步态识别模型,参见图2,该模型包括特征提取器、身份识别器与速度识别器,所述特征提取器用于在输入的时频图中提取潜在的特征,所述身份识别器用于利用特征提取器提取的特征预测被测目标的身份,所述速度识别器用于利用特征提取器提取的特征预测被测目标的速度;
具体来说,使用三层堆叠的CNN来提取特征;在CNN的每一层中,首先,使用一个2D卷积核来计算表示不同用户唯一身份的2D特征图;其次,使用批处理(Batch NormalLayer)对每一层数据的均值和方差进行归一化;最后,使用整流线性单元(ReLU)来引入非线性和最大池化层以减小表示的大小;
S6、训练基于DANN的速度无关步态识别模型并输出被测目标的身份;具体包括以下步骤:
S61、收集多名志愿者的步态信息,要求每位志愿者沿着WiFi链路的LOS的垂直平分线以两种不同速度行走,并构建包含身份标签和速度标签的训练数据集;
本发明采用两台安装有Intel 5300 WiFi NIC的PC分别作为发射机和接收机,实时采集CSI;收集了10名志愿者的步态信息,要求每位志愿者沿着WiFi链路的LOS的垂直平分线以快和慢两种不同速度行走;考虑到正常人的舒适步行速度为1m/s~1.5m/s,将快和慢步行速度的区间分别设置为0.7m/s~1m/s和1.5m/s~1.8m/s;本发明设置步行路径长度为5m,发射器和接收器之间的距离为1.6m,天线高度为0.85m;每个目标在环境中以两种速度行走20次,标记每组数据的目标身份和行走速度;
本发明构建的训练数据集包含两个标签,身份标签(从T0到T9)代表10个目标的身份,速度标签(从S0到S1)代表快和慢步行速度;训练过程中系统需要同时训练两个标签;
S62、利用训练数据集对基于DANN的速度无关步态识别模型进行训练,并输出被测目标的身份标签;
本发明在模型训练阶段使用Python和PyTorch在装有Nvidia GTX2080Ti GPU卡、Intel i5 2.5GHz CPU卡和32GB RAM的PC上对神经网络模型进行训练和验证;
本发明模型的输出为被测目标的身份标签,以实现基于WiFi的步态识别。
本发明在特征提取阶段,尝试提取出与步行速度无关的且可以有效区分身份的步态特征,即提取不同速度域间迁移不变的特征用于身份识别;基于这一思路,本发明仅仅利用环境内已部署的WiFi设备对环境内人员步态信息进行采集,无需人员额外佩戴任何设备,无需人员主动输入,即可实现被动式身份识别;同时该方法无视室内人员速度变化对识别准确率的影响,可以实现对任意速度行走人员的步态识别,有效提高基于WiFi的步态识别模型的鲁棒性和泛化能力,同时降低了大规模训练开销;并且从准确率、精确率等方面对步态识别方法的性能进行评估,同时与目前最先进的WiFi步态识别系统进行比较,进一步验证了本发明的准确性。
Claims (9)
1.一种基于WiFi信号的速度无关步态识别方法,其特征在于,该方法包括以下步骤:
S1、提取人员行走过程中随时间变化的WiFi的CSI幅值;
S2、对CSI幅值进行预处理;
S3、判断是否有人在环境中行走,并提取步行活动片段;
S4、将步行活动片段转换成大小相同的时频图;
S5、搭建基于DANN的速度无关步态识别模型,该模型包括特征提取器、身份识别器与速度识别器,所述特征提取器用于在输入的时频图中提取潜在的特征,所述身份识别器用于利用特征提取器提取的特征预测被测目标的身份,所述速度识别器用于利用特征提取器提取的特征预测被测目标的速度;
S6、训练基于DANN的速度无关步态识别模型并输出被测目标的身份。
3.根据权利要求2所述的一种基于WiFi信号的速度无关步态识别方法,其特征在于:步骤S3具体包括以下步骤:
S34、将帧信号能量序列中的每个值与预先设置的步行活动能量阈值进行比较;
当帧信号能量大于步行活动能量阈值时,判断环境内有人行走,并记录该时刻为步行活动起始帧;
当帧信号能量小于步行活动能量阈值时,判断此时步行活动结束,并记录该时刻为步行活动结束帧;
9.根据权利要求1所述的一种基于WiFi信号的速度无关步态识别方法,其特征在于:步骤S6具体包括以下步骤:
S61、收集多名志愿者的步态信息,要求每位志愿者沿着WiFi链路的LOS的垂直平分线以两种不同速度行走,并构建包含身份标签和速度标签的训练数据集;
S62、利用训练数据集对基于DANN的速度无关步态识别模型进行训练,并输出被测目标的身份标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210659791.3A CN114757237B (zh) | 2022-06-13 | 2022-06-13 | 一种基于WiFi信号的速度无关步态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210659791.3A CN114757237B (zh) | 2022-06-13 | 2022-06-13 | 一种基于WiFi信号的速度无关步态识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114757237A true CN114757237A (zh) | 2022-07-15 |
CN114757237B CN114757237B (zh) | 2022-09-27 |
Family
ID=82336293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210659791.3A Active CN114757237B (zh) | 2022-06-13 | 2022-06-13 | 一种基于WiFi信号的速度无关步态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114757237B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116821778A (zh) * | 2023-08-30 | 2023-09-29 | 之江实验室 | 一种基于wifi信号的步态识别方法、装置和可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529499A (zh) * | 2016-11-24 | 2017-03-22 | 武汉理工大学 | 基于傅里叶描述子和步态能量图融合特征的步态识别方法 |
CN109711251A (zh) * | 2018-11-16 | 2019-05-03 | 天津大学 | 一种基于商用Wi-Fi的方向独立的步态识别方法 |
WO2020037313A1 (en) * | 2018-08-17 | 2020-02-20 | The Regents Of The University Of California | Device-free-human identification and device-free gesture recognition |
EP3695783A1 (en) * | 2019-02-15 | 2020-08-19 | Origin Wireless, Inc. | Method, apparatus, and system for wireless gait recognition |
US20210201152A1 (en) * | 2019-12-26 | 2021-07-01 | Sap Se | Domain adaptation of deep neural networks |
CN113313040A (zh) * | 2021-06-04 | 2021-08-27 | 福州大学 | 基于fmcw雷达信号的人体姿势识别方法 |
CN113705339A (zh) * | 2021-07-15 | 2021-11-26 | 电子科技大学 | 基于对抗性域适应策略的跨用户人体行为识别方法 |
-
2022
- 2022-06-13 CN CN202210659791.3A patent/CN114757237B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529499A (zh) * | 2016-11-24 | 2017-03-22 | 武汉理工大学 | 基于傅里叶描述子和步态能量图融合特征的步态识别方法 |
WO2020037313A1 (en) * | 2018-08-17 | 2020-02-20 | The Regents Of The University Of California | Device-free-human identification and device-free gesture recognition |
CN109711251A (zh) * | 2018-11-16 | 2019-05-03 | 天津大学 | 一种基于商用Wi-Fi的方向独立的步态识别方法 |
EP3695783A1 (en) * | 2019-02-15 | 2020-08-19 | Origin Wireless, Inc. | Method, apparatus, and system for wireless gait recognition |
US20210201152A1 (en) * | 2019-12-26 | 2021-07-01 | Sap Se | Domain adaptation of deep neural networks |
CN113313040A (zh) * | 2021-06-04 | 2021-08-27 | 福州大学 | 基于fmcw雷达信号的人体姿势识别方法 |
CN113705339A (zh) * | 2021-07-15 | 2021-11-26 | 电子科技大学 | 基于对抗性域适应策略的跨用户人体行为识别方法 |
Non-Patent Citations (3)
Title |
---|
GDTOP818: "DANN:Unsupervised Domain Adaptation by Backpropagation", 《HTTPS://BLOG.CSDN.NET/WEIXIN_37993251/ARTICLE/DETAILS/89354111.HTML》 * |
YANG YANG等: "Unsupervised Domain Adaptation for Disguised-gait-based Person Identification on Micro-Doppler Signatures", 《EEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY ( EARLY ACCESS )》 * |
杨宇: "基于无线信号的身份识别关键技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116821778A (zh) * | 2023-08-30 | 2023-09-29 | 之江实验室 | 一种基于wifi信号的步态识别方法、装置和可读存储介质 |
CN116821778B (zh) * | 2023-08-30 | 2024-01-09 | 之江实验室 | 一种基于wifi信号的步态识别方法、装置和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114757237B (zh) | 2022-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Human activity recognition based on motion sensor using u-net | |
Xu et al. | WiStep: Device-free step counting with WiFi signals | |
Frank et al. | Activity and gait recognition with time-delay embeddings | |
CN111597991A (zh) | 一种基于信道状态信息和BiLSTM-Attention的康复检测方法 | |
Xu et al. | Attention-based gait recognition and walking direction estimation in wi-fi networks | |
Chen et al. | Attention-based dual-stream vision transformer for radar gait recognition | |
Moshiri et al. | Using GAN to enhance the accuracy of indoor human activity recognition | |
CN103705218B (zh) | 构音障碍识别的方法、系统和装置 | |
CN114757237B (zh) | 一种基于WiFi信号的速度无关步态识别方法 | |
Zhang et al. | CSI-based location-independent human activity recognition using feature fusion | |
CN114219853A (zh) | 一种基于无线信号的多人三维姿态估计方法 | |
Kabir et al. | CSI-IANet: An inception attention network for human-human interaction recognition based on CSI signal | |
Fang et al. | Writing in the air: recognize letters using deep learning through WiFi signals | |
CN116602663A (zh) | 一种基于毫米波雷达的智能监测方法及系统 | |
Wenyuan et al. | From Lens to Prism: Device-free modeling and recognition of multi-part activities | |
Zhu et al. | Deep ensemble learning for human activity recognition using smartphone | |
Zhu et al. | Wi-ATCN: Attentional temporal convolutional network for human action prediction using WiFi channel state information | |
Moshiri et al. | CSI-based human activity recognition using convolutional neural networks | |
Zeeshan et al. | CSI-based device-free joint activity recognition and localization using Siamese networks | |
Eyobu et al. | A real-time sleeping position recognition system using IMU sensor motion data | |
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 | |
Xu et al. | Attention-based walking gait and direction recognition in Wi-Fi networks | |
CN112380903A (zh) | 一种基于WiFi-CSI信号增强的人体活动识别方法 | |
CN113705339B (zh) | 基于对抗性域适应策略的跨用户人体行为识别方法 | |
CN109350072A (zh) | 一种基于人工神经网络的步频探测方法 |
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 |