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 PDF

Info

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
Application number
CN202210659791.3A
Other languages
English (en)
Other versions
CN114757237B (zh
Inventor
刘克中
裴大帅
陈默子
张胜凯
曾旭明
李春伸
张迅
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202210659791.3A priority Critical patent/CN114757237B/zh
Publication of CN114757237A publication Critical patent/CN114757237A/zh
Application granted granted Critical
Publication of CN114757237B publication Critical patent/CN114757237B/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
    • 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

一种基于WiFi信号的速度无关步态识别方法
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；
S23、利用主成分分析法对采集到的多通道CSI幅值进行降维，保留降维之后的第 一主成分序列
Figure 100002_DEST_PATH_IMAGE001
；
S24、对采集到的CSI幅值第一主成分序列
Figure 378073DEST_PATH_IMAGE002
进行低通滤波，保留0～80Hz频段作 为原始时间序列
Figure 190041DEST_PATH_IMAGE003
。
步骤S3具体包括以下步骤：
S31、复制原始时间序列
Figure 100002_DEST_PATH_IMAGE004
，得到时间序列
Figure 924778DEST_PATH_IMAGE005
，对时间序列
Figure 64773DEST_PATH_IMAGE005
进行带通滤波，保留 20～50Hz频段；
S32、对时间序列
Figure 894057DEST_PATH_IMAGE005
进行分帧、加窗，设置帧长度为
Figure 170318DEST_PATH_IMAGE006
、帧重合长度为
Figure DEST_PATH_IMAGE007
、窗函数 为汉明窗，得到长度为
Figure 731749DEST_PATH_IMAGE008
的帧
Figure DEST_PATH_IMAGE009
，由所有帧构成帧序列
Figure 31143DEST_PATH_IMAGE010
；
S33、计算帧序列中每个帧的信号能量
Figure DEST_PATH_IMAGE011
，得到帧信号能量序列
Figure 661189DEST_PATH_IMAGE012
；
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；
S35、通过步行活动起始帧索引和步行活动结束帧索引，根据帧长度和帧重合长度 计算起始帧索引和结束帧索引在原始时间序列
Figure 57536DEST_PATH_IMAGE013
中对应的步行活动起始时刻和步行活动 结束时刻，并在原始时间序列
Figure 602918DEST_PATH_IMAGE013
中提取步行活动片段
Figure DEST_PATH_IMAGE014
。
步骤S4具体包括以下步骤：
S41、将步行活动片段
Figure 983083DEST_PATH_IMAGE015
的长度
Figure DEST_PATH_IMAGE016
与最大序列长度
Figure 419750DEST_PATH_IMAGE017
进行比较；
当
Figure DEST_PATH_IMAGE018
时，在步行活动片段
Figure 342706DEST_PATH_IMAGE014
的末尾补零
Figure 42678DEST_PATH_IMAGE019
个，使步行 活动片段
Figure 644561DEST_PATH_IMAGE015
的长度等于
Figure 104492DEST_PATH_IMAGE017
；
S42、利用短时傅里叶变换将补零后的步行活动片段
Figure DEST_PATH_IMAGE020
转换成时频图
Figure 131223DEST_PATH_IMAGE021
：
Figure DEST_PATH_IMAGE022
Figure 815145DEST_PATH_IMAGE023
Figure DEST_PATH_IMAGE024
其中，
Figure 297466DEST_PATH_IMAGE025
和
Figure 420143DEST_PATH_IMAGE026
为时频图的维度信息，
Figure DEST_PATH_IMAGE027
为步行活动片段
Figure 786534DEST_PATH_IMAGE020
的第
Figure 969253DEST_PATH_IMAGE028
个样 本点，
Figure DEST_PATH_IMAGE029
为汉明窗函数，
Figure 201520DEST_PATH_IMAGE030
为短时傅里叶变换窗口长度，
Figure DEST_PATH_IMAGE031
为相邻两个窗 口的重合长度；
Figure 534413DEST_PATH_IMAGE032
为
Figure DEST_PATH_IMAGE033
长度，数值上
Figure 270156DEST_PATH_IMAGE034
；
Figure 499143DEST_PATH_IMAGE035
为样本离散时间，
Figure 100002_DEST_PATH_IMAGE036
，
Figure 218707DEST_PATH_IMAGE037
为时域信号的采样频率，
Figure 100002_DEST_PATH_IMAGE038
为采样点数。
步骤S5中，所述特征提取器由三层CNN构成，特征提取器将输入的时频图转换为
Figure 89711DEST_PATH_IMAGE039
维特征向量
Figure 100002_DEST_PATH_IMAGE040
；对于第
Figure 497206DEST_PATH_IMAGE041
个给定的输入数据
Figure 100002_DEST_PATH_IMAGE042
，提取潜在的特征向量
Figure 428253DEST_PATH_IMAGE043
：
Figure 100002_DEST_PATH_IMAGE044
其中，
Figure 838375DEST_PATH_IMAGE045
为特征提取器的参数。
步骤S5中，所述身份识别器使用两个全连接层和一个激活函数
Figure 100002_DEST_PATH_IMAGE046
来学习 输入数据
Figure 778649DEST_PATH_IMAGE047
的身份特征表示
Figure DEST_PATH_IMAGE048
：
Figure 754564DEST_PATH_IMAGE049
其中，
Figure DEST_PATH_IMAGE050
和
Figure 856512DEST_PATH_IMAGE051
为激活函数
Figure 753930DEST_PATH_IMAGE046
的待学习参数；
将身份特征表示
Figure 560212DEST_PATH_IMAGE048
映射到新的潜在空间
Figure DEST_PATH_IMAGE052
，
Figure 610208DEST_PATH_IMAGE053
，其中，
Figure DEST_PATH_IMAGE054
为身份标签数量，
Figure 7691DEST_PATH_IMAGE055
为实数；
利用
Figure DEST_PATH_IMAGE056
层来获取身份标签数据的概率向量：
Figure 660914DEST_PATH_IMAGE057
其中，
Figure DEST_PATH_IMAGE058
和
Figure 677411DEST_PATH_IMAGE059
为
Figure 831181DEST_PATH_IMAGE056
层的待学习参数，
Figure DEST_PATH_IMAGE060
为利用身份识别器预测的身份标 签数据的概率向量；
使用交叉熵函数来计算预测值和真实值之间的损失
Figure 540511DEST_PATH_IMAGE061
：
Figure DEST_PATH_IMAGE062
其中，
Figure 678100DEST_PATH_IMAGE063
为标签数据的数量，
Figure DEST_PATH_IMAGE064
为真实的身份标签
Figure 91764DEST_PATH_IMAGE065
向量，
Figure DEST_PATH_IMAGE066
为身份识 别器预测的身份标签向量。
步骤S5中，所述速度识别器使用两个全连接层和一个激活函数
Figure 381931DEST_PATH_IMAGE067
来学习 输入数据
Figure DEST_PATH_IMAGE068
的速度特征表示
Figure 980271DEST_PATH_IMAGE069
：
Figure DEST_PATH_IMAGE070
其中，
Figure 90310DEST_PATH_IMAGE071
和
Figure DEST_PATH_IMAGE072
为激活函数
Figure 573244DEST_PATH_IMAGE073
的待学习参数；
将速度特征表示
Figure 167518DEST_PATH_IMAGE069
映射到新的潜在空间
Figure DEST_PATH_IMAGE074
，
Figure 77705DEST_PATH_IMAGE075
，其中，
Figure DEST_PATH_IMAGE076
为速度标签数量，
Figure 675039DEST_PATH_IMAGE077
为实数；
利用
Figure DEST_PATH_IMAGE078
层获取速度标签数据的概率向量：
Figure 820719DEST_PATH_IMAGE079
其中，
Figure DEST_PATH_IMAGE080
和
Figure 85478DEST_PATH_IMAGE081
是
Figure 635408DEST_PATH_IMAGE078
层的待学习参数，
Figure DEST_PATH_IMAGE082
为利用速度识别器预测的速度标 签数据的概率向量；
使用交叉熵函数来计算预测值和真实值之间的损失
Figure 703727DEST_PATH_IMAGE083
：
Figure DEST_PATH_IMAGE084
其中，
Figure 403830DEST_PATH_IMAGE085
为标签数据的数量，
Figure DEST_PATH_IMAGE086
为真实速度标签的
Figure 772363DEST_PATH_IMAGE065
向量，
Figure 493194DEST_PATH_IMAGE087
为速度识 别器预测的速度标签向量。
步骤S5中，在特征提取器和速度识别器之间引入梯度反转层
Figure 924176DEST_PATH_IMAGE088
，则基于DANN的速 度无关步态识别模型的损失函数为：
Figure DEST_PATH_IMAGE089
。
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；
S23、利用主成分分析法对采集到的多通道CSI幅值进行降维，保留降维之后的第 一主成分序列
Figure 896811DEST_PATH_IMAGE001
；
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；
先将输入的多通道CSI幅值信号按照1秒为间隔分块，对每一块利用主成分分析法 进行降维，保留降维之后每一块的第一主成分，再按时间顺序重组成时间序列
Figure 464059DEST_PATH_IMAGE002
用于后 续分析；
S24、对采集到的CSI幅值第一主成分序列
Figure 748934DEST_PATH_IMAGE002
进行低通滤波，保留0～80Hz频段作 为原始时间序列
Figure 136053DEST_PATH_IMAGE003
；
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：
S31、复制原始时间序列
Figure 912379DEST_PATH_IMAGE004
，得到时间序列
Figure 334133DEST_PATH_IMAGE005
，对时间序列
Figure 662346DEST_PATH_IMAGE005
进行带通滤波，保留 20～50Hz频段；
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；
S32、对时间序列
Figure 661395DEST_PATH_IMAGE005
进行分帧、加窗，设置帧长度为
Figure 100467DEST_PATH_IMAGE006
、帧重合长度为
Figure 376727DEST_PATH_IMAGE007
、窗函数 为汉明窗，得到长度为
Figure 751208DEST_PATH_IMAGE008
的帧
Figure 112919DEST_PATH_IMAGE009
，由所有帧构成帧序列
Figure 480315DEST_PATH_IMAGE010
；
S33、计算帧序列中每个帧的信号能量
Figure 876662DEST_PATH_IMAGE011
，得到帧信号能量序列
Figure 546677DEST_PATH_IMAGE012
；
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；
S35、通过步行活动起始帧索引和步行活动结束帧索引，根据帧长度和帧重合长度 计算起始帧索引和结束帧索引在原始时间序列
Figure 5472DEST_PATH_IMAGE013
中对应的步行活动起始时刻和步行活动 结束时刻，并在原始时间序列
Figure 51925DEST_PATH_IMAGE013
中提取步行活动片段
Figure 302778DEST_PATH_IMAGE014
；
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：
S41、将步行活动片段
Figure 268329DEST_PATH_IMAGE015
的长度
Figure 339053DEST_PATH_IMAGE016
与最大序列长度
Figure 798984DEST_PATH_IMAGE017
（正常行走在测试路径时采集的序列长度均小于
Figure 904344DEST_PATH_IMAGE017
）进行比较；
当
Figure 916162DEST_PATH_IMAGE090
时，在步行活动片段
Figure 127045DEST_PATH_IMAGE014
的末尾补零
Figure 577618DEST_PATH_IMAGE019
个，使步行 活动片段
Figure 334221DEST_PATH_IMAGE015
的长度等于
Figure 126728DEST_PATH_IMAGE017
，以统一数据长度；
S42、利用短时傅里叶变换将补零后的步行活动片段
Figure 437623DEST_PATH_IMAGE020
转换成时频图
Figure 98412DEST_PATH_IMAGE021
：
Figure DEST_PATH_IMAGE091
Figure 834155DEST_PATH_IMAGE023
Figure 63143DEST_PATH_IMAGE024
其中，
Figure 595755DEST_PATH_IMAGE025
和
Figure 325814DEST_PATH_IMAGE026
为时频图的维度信息，
Figure 384906DEST_PATH_IMAGE027
为步行活动片段
Figure 643849DEST_PATH_IMAGE020
的第
Figure 929336DEST_PATH_IMAGE028
个样 本点，
Figure 72873DEST_PATH_IMAGE029
为汉明窗函数，
Figure 127417DEST_PATH_IMAGE092
为复共轭操作，
Figure 557261DEST_PATH_IMAGE030
为短时傅里叶变换窗口长度；
Figure 457608DEST_PATH_IMAGE031
为相邻两个窗口的重合长度，取0.75倍的窗口长度；
Figure DEST_PATH_IMAGE093
为
Figure 670415DEST_PATH_IMAGE094
长度， 数值上
Figure 313886DEST_PATH_IMAGE034
；
Figure 445790DEST_PATH_IMAGE035
为样本离散时间，
Figure DEST_PATH_IMAGE095
，
Figure 830504DEST_PATH_IMAGE037
为时域 信号的采样频率，
Figure 440477DEST_PATH_IMAGE038
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；
所述特征提取器由三层CNN构成，特征提取器将输入的时频图转换为
Figure 79400DEST_PATH_IMAGE039
维特征向量
Figure 116626DEST_PATH_IMAGE040
；对于第
Figure 332843DEST_PATH_IMAGE041
个给定的输入数据
Figure 871141DEST_PATH_IMAGE042
，提取潜在的特征向量
Figure 489204DEST_PATH_IMAGE043
：
Figure 838277DEST_PATH_IMAGE044
其中，
Figure 541791DEST_PATH_IMAGE045
为特征提取器的参数；
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；
所述身份识别器使用两个全连接层和一个激活函数
Figure 759145DEST_PATH_IMAGE046
来学习输入数据
Figure 356349DEST_PATH_IMAGE096
的身份特征表示
Figure 735378DEST_PATH_IMAGE048
：
Figure 191767DEST_PATH_IMAGE049
其中，
Figure 557020DEST_PATH_IMAGE050
和
Figure 415255DEST_PATH_IMAGE051
为激活函数
Figure 699606DEST_PATH_IMAGE046
的待学习参数；
为了预测身份标签，将身份特征表示
Figure 764995DEST_PATH_IMAGE048
映射到新的潜在空间
Figure DEST_PATH_IMAGE097
，
Figure 465098DEST_PATH_IMAGE098
，其中，
Figure DEST_PATH_IMAGE099
为身份标签数量，
Figure 443418DEST_PATH_IMAGE055
为实数；
利用
Figure 554462DEST_PATH_IMAGE056
层来获取身份标签数据的概率向量：
Figure 454285DEST_PATH_IMAGE057
其中，
Figure 426920DEST_PATH_IMAGE058
和
Figure 994168DEST_PATH_IMAGE059
为
Figure 885901DEST_PATH_IMAGE056
层的待学习参数，
Figure 663233DEST_PATH_IMAGE060
为利用身份识别器预测的身份标 签数据的概率向量；
使用交叉熵函数来计算预测值和真实值之间的损失
Figure 298613DEST_PATH_IMAGE061
：
Figure 985947DEST_PATH_IMAGE062
其中，
Figure 923947DEST_PATH_IMAGE063
为标签数据的数量，
Figure 63941DEST_PATH_IMAGE064
为真实的身份标签
Figure 237433DEST_PATH_IMAGE065
向量，
Figure 903907DEST_PATH_IMAGE066
为身份识 别器预测的身份标签向量；
所述速度识别器使用两个全连接层和一个激活函数
Figure 137442DEST_PATH_IMAGE073
来学习输入数据
Figure 499153DEST_PATH_IMAGE100
的速度特征表示
Figure 617282DEST_PATH_IMAGE069
：
Figure 748049DEST_PATH_IMAGE070
其中，
Figure 545628DEST_PATH_IMAGE071
和
Figure 394636DEST_PATH_IMAGE072
为激活函数
Figure 441089DEST_PATH_IMAGE073
的待学习参数；
为了预测速度标签，将速度特征表示
Figure 301729DEST_PATH_IMAGE069
映射到新的潜在空间
Figure 142646DEST_PATH_IMAGE074
，
Figure 478949DEST_PATH_IMAGE075
，其中，
Figure 922569DEST_PATH_IMAGE076
为速度标签数量，
Figure 293508DEST_PATH_IMAGE077
为实数；
利用
Figure 180692DEST_PATH_IMAGE078
层获取速度标签数据的概率向量：
Figure 4292DEST_PATH_IMAGE079
其中，
Figure 861389DEST_PATH_IMAGE080
和
Figure 211468DEST_PATH_IMAGE081
是
Figure 394188DEST_PATH_IMAGE078
层的待学习参数，
Figure 705083DEST_PATH_IMAGE082
为利用速度识别器预测的速度标 签数据的概率向量；
使用交叉熵函数来计算预测值和真实值之间的损失
Figure 241238DEST_PATH_IMAGE083
：
Figure 586769DEST_PATH_IMAGE084
其中，
Figure 674810DEST_PATH_IMAGE085
为标签数据的数量，
Figure 332057DEST_PATH_IMAGE086
为真实速度标签的
Figure 62115DEST_PATH_IMAGE065
向量，
Figure 996573DEST_PATH_IMAGE087
为速度识 别器预测的速度标签向量；
为使模型最终学习到与速度无关的特征，在特征提取器和速度识别器之间引入梯 度反转层
Figure 396462DEST_PATH_IMAGE088
，以最小化速度标签的预测精度，则基于DANN的速度无关步态识别模型的损失 函数为：
Figure 416370DEST_PATH_IMAGE089
；
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。
2.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；
S23、利用主成分分析法对采集到的多通道CSI幅值进行降维，保留降维之后的第一主 成分序列
Figure DEST_PATH_IMAGE001
；
S24、对采集到的CSI幅值第一主成分序列
Figure 493971DEST_PATH_IMAGE002
进行低通滤波，保留0～80Hz频段作为原 始时间序列
Figure 594651DEST_PATH_IMAGE003
。
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：
S31、复制原始时间序列
Figure 338616DEST_PATH_IMAGE003
，得到时间序列
Figure DEST_PATH_IMAGE004
，对时间序列
Figure 309983DEST_PATH_IMAGE004
进行带通滤波，保留20～ 50Hz频段；
S32、对时间序列
Figure 113991DEST_PATH_IMAGE004
进行分帧、加窗，设置帧长度为
Figure 701968DEST_PATH_IMAGE005
、帧重合长度为
Figure DEST_PATH_IMAGE006
、窗函数为汉 明窗，得到长度为
Figure 984044DEST_PATH_IMAGE007
的帧
Figure DEST_PATH_IMAGE008
，由所有帧构成帧序列
Figure 809918DEST_PATH_IMAGE009
；
S33、计算帧序列中每个帧的信号能量
Figure DEST_PATH_IMAGE010
，得到帧信号能量序列
Figure 476889DEST_PATH_IMAGE011
；
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；
S35、通过步行活动起始帧索引和步行活动结束帧索引，根据帧长度和帧重合长度计算 起始帧索引和结束帧索引在原始时间序列
Figure 161949DEST_PATH_IMAGE012
中对应的步行活动起始时刻和步行活动结束 时刻，并在原始时间序列
Figure 637929DEST_PATH_IMAGE012
中提取步行活动片段
Figure DEST_PATH_IMAGE013
。
4.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S4具体包括以下步骤：
S41、将步行活动片段
Figure 318309DEST_PATH_IMAGE014
的长度
Figure DEST_PATH_IMAGE015
与最大序列长度
Figure 464120DEST_PATH_IMAGE016
进行 比较；
当
Figure DEST_PATH_IMAGE017
时，在步行活动片段
Figure 229951DEST_PATH_IMAGE013
的末尾补零
Figure 384989DEST_PATH_IMAGE018
个，使步行活动 片段
Figure 451034DEST_PATH_IMAGE014
的长度等于
Figure 33325DEST_PATH_IMAGE016
；
S42、利用短时傅里叶变换将补零后的步行活动片段
Figure 817610DEST_PATH_IMAGE013
转换成时频图
Figure DEST_PATH_IMAGE019
：
Figure 245180DEST_PATH_IMAGE020
Figure DEST_PATH_IMAGE021
Figure 634573DEST_PATH_IMAGE022
其中，
Figure DEST_PATH_IMAGE023
和
Figure 246820DEST_PATH_IMAGE024
为时频图的维度信息，
Figure 393768DEST_PATH_IMAGE025
为步行活动片段
Figure DEST_PATH_IMAGE026
的第
Figure 752592DEST_PATH_IMAGE027
个样本点，
Figure DEST_PATH_IMAGE028
为汉明窗函数，
Figure 262071DEST_PATH_IMAGE029
为短时傅里叶变换窗口长度，
Figure DEST_PATH_IMAGE030
为相邻两个窗口的 重合长度；
Figure 655006DEST_PATH_IMAGE031
为
Figure DEST_PATH_IMAGE032
长度，数值上
Figure 882725DEST_PATH_IMAGE033
；
Figure DEST_PATH_IMAGE034
为样本离散时间，
Figure 776732DEST_PATH_IMAGE035
，
Figure DEST_PATH_IMAGE036
为时域信号的采样频率，
Figure 406296DEST_PATH_IMAGE037
为采样点数。
5.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S5中，所述特征提取器由三层CNN构成，特征提取器将输入的时频图转换为
Figure DEST_PATH_IMAGE038
维特征向量
Figure 970133DEST_PATH_IMAGE039
；对于第
Figure DEST_PATH_IMAGE040
个给定的输入数据
Figure 419569DEST_PATH_IMAGE041
，提取潜在的特征向量
Figure DEST_PATH_IMAGE042
：
Figure 382846DEST_PATH_IMAGE043
其中，
Figure DEST_PATH_IMAGE044
为特征提取器的参数。
6.根据权利要求5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S5中，所述身份识别器使用两个全连接层和一个激活函数
Figure 335758DEST_PATH_IMAGE045
来学习输入数据
Figure DEST_PATH_IMAGE046
的身份特征表示
Figure 457779DEST_PATH_IMAGE047
：
Figure 535457DEST_PATH_IMAGE048
其中，
Figure DEST_PATH_IMAGE049
和
Figure 36845DEST_PATH_IMAGE050
为激活函数
Figure DEST_PATH_IMAGE051
的待学习参数；
将身份特征表示
Figure 437740DEST_PATH_IMAGE047
映射到新的潜在空间
Figure 140116DEST_PATH_IMAGE052
，
Figure DEST_PATH_IMAGE053
，其中，
Figure 626461DEST_PATH_IMAGE054
为身份标签数量，
Figure DEST_PATH_IMAGE055
为 实数；
利用
Figure 400382DEST_PATH_IMAGE056
层来获取身份标签数据的概率向量：
Figure DEST_PATH_IMAGE057
其中，
Figure 829352DEST_PATH_IMAGE058
和
Figure DEST_PATH_IMAGE059
为
Figure 824334DEST_PATH_IMAGE056
层的待学习参数，
Figure 735658DEST_PATH_IMAGE060
为利用身份识别器预测的身份标签数 据的概率向量；
使用交叉熵函数来计算预测值和真实值之间的损失
Figure DEST_PATH_IMAGE061
：
Figure 47691DEST_PATH_IMAGE062
其中，
Figure DEST_PATH_IMAGE063
为标签数据的数量，
Figure 501806DEST_PATH_IMAGE064
为真实的身份标签
Figure DEST_PATH_IMAGE065
向量，
Figure 201778DEST_PATH_IMAGE066
为身份识别器 预测的身份标签向量。
7.根据权利要求6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S5中，所述速度识别器使用两个全连接层和一个激活函数
Figure DEST_PATH_IMAGE067
来学习输入数据
Figure 600398DEST_PATH_IMAGE068
的速度特征表示
Figure DEST_PATH_IMAGE069
：
Figure 857067DEST_PATH_IMAGE070
其中，
Figure DEST_PATH_IMAGE071
和
Figure 24743DEST_PATH_IMAGE072
为激活函数
Figure DEST_PATH_IMAGE073
的待学习参数；
将速度特征表示
Figure 836229DEST_PATH_IMAGE069
映射到新的潜在空间
Figure 863091DEST_PATH_IMAGE074
，
Figure DEST_PATH_IMAGE075
，其中，
Figure 48084DEST_PATH_IMAGE076
为速度标签数量，
Figure DEST_PATH_IMAGE077
为 实数；
利用
Figure 70267DEST_PATH_IMAGE078
层获取速度标签数据的概率向量：
Figure DEST_PATH_IMAGE079
其中，
Figure 925090DEST_PATH_IMAGE080
和
Figure DEST_PATH_IMAGE081
是
Figure 298303DEST_PATH_IMAGE078
层的待学习参数，
Figure 427933DEST_PATH_IMAGE082
为利用速度识别器预测的速度标签数 据的概率向量；
使用交叉熵函数来计算预测值和真实值之间的损失
Figure DEST_PATH_IMAGE083
：
Figure 304622DEST_PATH_IMAGE084
其中，
Figure DEST_PATH_IMAGE085
为标签数据的数量，
Figure 454981DEST_PATH_IMAGE086
为真实速度标签的
Figure 456435DEST_PATH_IMAGE065
向量，
Figure 514390DEST_PATH_IMAGE087
为速度识别器 预测的速度标签向量。
8.根据权利要求7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S5中，在特征提取器和速度识别器之间引入梯度反转层
Figure DEST_PATH_IMAGE088
，则基于DANN的速度无关步态 识别模型的损失函数为：
Figure 980006DEST_PATH_IMAGE089
。
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。
CN202210659791.3A 2022-06-13 2022-06-13 一种基于WiFi信号的速度无关步态识别方法 Active CN114757237B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (7)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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