一种非接触式多目标行为识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114358103A(43)申请公布日2022.04.15(21)申请号202111119794.X(22)申请日2021.09.24(71)申请人郑州大学地址450001河南省郑州市高新技术产业开发区科学大道100号(72)发明人段鹏松曹仰杰王超李晨(74)专利代理机构郑州德勤知识产权代理有限公司41128代理人黄红梅(51)Int.Cl.G06K9/62(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书8页附图4页(54)发明名称一种非接触式多目标行为识别方法(57)摘要本发明提供了一种非接触式多目标行为识别方法，包括：采集单发射器‑单接收器的Wi‑Fi监测环境下的原始信道状态信息数据H（f,t）；使用子成分重构算法CCR‑ICA对采集到的数据进行盲源分离；采用子载波相关系数分析方法将盲源分离后的数据进行排序处理，得到一维时序信号；使用滑动窗口将一维时序信号进行分割，再生成频率能量图，作为识别算法的输入数据；进行识别时，使用ABiGRU分支网络和TCN分支网络进行特征信息提取，再进行特征融合，随后输入到分类器中进行行为分类，最终实现多目标行为识别功能。本发明解决了多目标行为混合信息分离顺序错乱问题，能显著提升Wi‑Fi场景下的多目标行为识别准确率。CN114358103ACN114358103A权利要求书1/2页1.一种非接触式多目标行为识别方法，其特征在于，包括：采集单发射器‑单接收器的Wi‑Fi监测环境下的原始信道状态信息数据H(f,t)；使用子成分重构算法CCR‑ICA对采集到的数据进行盲源分离；采用子载波相关系数分析方法将盲源分离后的数据进行排序处理，得到一维时序信号；使用滑动窗口将一维时序信号进行分割，再生成频率能量图，作为识别算法的输入数据；进行识别时，使用ABiGRU分支网络和TCN分支网络进行特征信息提取，再进行特征融合，随后输入到分类器中进行行为分类，最终实现多目标行为识别功能。2.根据权利要求1所述的非接触式多目标行为识别方法，其特征在于，使用子成分重构算法CCR‑ICA对采集到的数据进行盲源分离方法包括：将原始信道状态信息数据H(f,t)的第1条子载波信号使用FastICA算法分离为两个一维基础矩阵，作为初始比较基准；对原始信道状态信息数据H(f,t)的第2条子载波信号执行FastICA算法分离操作得到两个一维基础矩阵，再对这两个一维基础矩阵分别执行翻转操作共得到四个一维基础矩阵；分别计算这四个一维基础矩阵和与第1条子载波分离得到的两个一维基础矩阵间的皮尔逊积矩相关系数，作为两子载波间的相关系数；以上述方式依次计算各相邻子载波间的相关系数。3.根据权利要求2所述的非接触式多目标行为识别方法，其特征在于，所述翻转操作包括：对基础矩阵的每行幅值元素求均值，然后再对每个幅值元素减去二倍均值，得到翻转后的幅值；对每行重复此操作，即得到翻转之后的基础矩阵。4.根据权利要求2所述的非接触式多目标行为识别方法，其特征在于，皮尔逊积矩相关系数计算公式如下：其中，cxy是信号x(t)和y(t)的互协方差，与则表示x(t)和y(t)的方差。5.根据权利要求1所述的非接触式多目标行为识别方法，其特征在于：所述ABiGRU分支网络包括三层，第一层使用以GRU网络为基本神经元的BiGRU来提取行为数据的过去和未来信息，使用dropout层防止过拟合；第二层使用注意力机制，实现步骤包括：首先提取输入数据的特征，然后使用Softmax函数计算权重向量，最后将输入数据与其权重向量相乘求和得到输出结果，用来为不同特征添加不同权重以区分不同特征的重要程度；第三层使用全局平均池化，减少参数量和计算量，减少过拟合。6.根据权利要求1所述的非接触式多目标行为识别方法，其特征在于：所述TCN分支网络包括四层，第一层使用一个TCN模块，TCN模块由一个一维卷积层一个批归一化层一个激活函数层构成；第二层与第三层使用一个TCN模块叠加一个Dropout层的方式；第四层使用全局平均池化。7.根据权利要求1所述的非接触式多目标行为识别方法，其特征在于：人体行为类别由2CN114358103A权利要求书2/2页Pi∈{1,...,c}给出，根据输入数据x预测出可能的行为类别p；所述分类器采用Softmax函数实现，公式为：式中：为每个输出类别的概率；zi为融合后的特征数据；得到后，利用Adam优化器对预测标签和真实标签之间的交叉熵损失进行最小化训练，计算公式为：经过多次迭代，找到较优模型参数。8.一种终端，包括存储器、处理器、以及存储在所述存储器上并可以在所述处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序