一种基于WIFI设备进行步态识别的方法

本发明涉及智能物联网中的wifi感知，尤其涉及一种基于wifi设备进行步态识别的方法。

背景技术：

1、人体识别技术已经成为许多应用中的关键技术，例如安全管理、智能空间的个性化服务等。目前，包括基于不同技术实现的人体识别技术，例如，基于视频的方法、声学信号方法及可穿戴设备等。同时，基于wifi的人体步态识别技术因其具有普遍性、非接触和无侵入性的优势地，近年来也受到了业界的广泛关注。

2、基于wifi的人体步态识别技术的基本原理包括：人在行走时的动作会扰动wifi信号，如信道状态信息(csi)，而每个人的自然步态是独特的。这种人体肢体运动模式和速度上的差异被用作每个人体的个体步态的特征，从而实现针对个人的用户识别技术。也就是说，利用wifi设备进行准确、无干扰的人体识别操作可以为智能空间中的许多个性化服务提供更多机会。

3、然而，目前相应的基于wifi的人体步态识别技术在实际部署中却面临着无法准确进行人体步态识别的问题。即目前还没有一种较佳的基于wifi的人体步态识别技术方案可以满足各个技术领域中对人体步态识别的应用需求。

技术实现思路

1、本发明的目的是提供了一种基于wifi设备进行步态识别的方法，以满足各个技术领域中对人体步态识别的应用需求，解决现有技术中存在的问题。

2、本发明的目的是通过以下技术方案实现的：

3、一种基于wifi设备进行步态识别的方法，包括：

4、在wifi设备包含的发送端tx和接收端rx构成的wifi传播链路所在传感区域中，收集各用户在所述传感区域中行走时的信道状态信息csi；

5、对所述csi进行数据预处理，获得相应的频谱图；所述数据预处理包括对所述csi进行环境噪声和自动增益控制agc噪声的去除处理；

6、对所述频谱图中的标记数据进行数据增强处理，对经过增强处理后的标记数据以及所述频谱图中的非标记数据基于三层堆叠卷积神经网络cnn和三层堆叠长短期记忆lstm进行特征提取，所述增强处理后的标记数据包括扩展后的潜在行为和路径的数据；

7、根据特征提取的结果学习独立于非步态的行为和路径的用户步态特征，并基于所述学习获得的用户步态特征，对行走于所述传感区域中的用户进行步态识别。

8、对所述csi进行环境噪声和agc噪声的去除处理过程包括：

9、所述环境噪声采用基于子载波的主成分的分析处理方式进行去除；以及，

10、所述agc噪声的去除处理方式包括：利用空间聚类方式对agc相关点根据其稀疏分布密度进行聚类，并仅保留散点数量最大的簇，以过滤所述agc噪声。

11、该方法还包括：

12、对经过所述数据预处理的csi进行傅里叶变换stft获得相应的频谱图，并对所述频谱图进行增强处理获得增强谱图作为所述数据预处理获得的频谱图。

13、所述获得增强谱图的过程包括：

14、采用滑动窗口对时间序列csi数据进行切片，并对每个切片执行stft；

15、将多个子载波对应的频谱图的幅度相加获得叠加频谱图，且仅保留预定频段范围的频谱图；

16、对所述频谱图包含的每个fft块进行归一化后，通过减去整个频谱图的幅度平均值的方式消除背景噪声，并采用二维高斯滤波器处理获得增强谱图。

17、对所述频谱图中的标记数据进行数据增强处理的过程包括：对所述标记数据中的每个用户的标记步态数据使用一个对抗自编码器aae进行训练，所述训练过程包括：

18、将第k个aae的数据sk放入aae#k的编码器中，生成潜在向量z；其中，所述aae#k是指编号为k的aae；

19、将所述潜在向量z和用户的标签y发送到解码器，生成用于重建标记步态数据的向量在重建标记步态数据过程中使用均方误差mse定义重建损失，相应的损失函数为：

20、

21、其中，是样本数；

22、基于所述损失函数和所述重建标记步态数据的向量进行数据重建，获得与所述用户的标签y对应的用户相关的重建标记步态数据，该重建标记步态数据包括扩展后的潜在行为和路径的数据；

23、以及，

24、将编码器作为生成对抗网络gan生成器的输数据sk与服从先验分布的向量z'一起输入到鉴别器，通过训练鉴别器来标准化重建的数据；其中，使用交叉熵作为鉴别器的损失函数，所述鉴别器的损失函数为：

25、

26、对于鉴别器，当使用sk作为输入时，标签lk为0，当使用z'作为输入时，标签lk为1，是第i个样本的预测值，是第i个样本的真值。

27、所述提取特征向量的过程包括：

28、在cnn的每一层，使用具有2d卷积核的卷积层，利用批量归一化层加速处理过程，插入修正线性单元relu引入非线性，并使用最大池化层减小所述特征向量的尺寸大小；

29、以及，

30、lstm在时间序列数据处理过程中学习cnn提取的时间动态特征；其中，每个lstm层具有相同数量的神经元，并使用sigmoid激活函数对数据进行提取。

31、所述根据特征提取的结果学习独立于非步态的行为和路径的用户步态特征的过程包括：

32、采用三个全连接层和激活函数relu学习提取的所述特征向量，并经过一个激活函数softmax的输出层，得到步态的预测概率向量；具体地，使用交叉熵作为步态分类的损失函数，并基于所述步态分类的损失函数获得步态的预测概率向量，所述预测概率向量包括步态分类的预测标签；

33、将所述特征向量与步态分类的预测标签连接起来，对齐源域和目标域的后验分布，一起输入到域鉴别器以预测域标签，并使用条件熵作为目标域分类的损失函数，进而确定域鉴别器的损失函数；所述的源域为标记数据域，所述目标域为未标记数据域；

34、根据所述步态分类的损失函数和所述域鉴别器的损失函确定训练模型的整体损失函数，并使用所有标记和未标记的数据，基于所述训练模型的整体损失函数进行训练模型的训练并在训练过程中迭代更新参数，获得包含独立于非步态的行为和路径的用户步态特征的训练模型。

35、所述步态分类的损失函数为：

36、

37、其中，na和nu是用于训练的标记和未标记数据的数量，k是用户总数；和分别为预测获得的标记数据和未标记数据的用户标签；la是标记数据的损失函数，lu是未标记数据的损失函数；

38、所述域鉴别器的损失函数为：

39、

40、其中，nd和nt是用于训练的数据总量和目标域数据量，d是域的数量，为域标签，dij为第i个样本的真实的域标签，为第i个样本的预测的域标签，为对齐源域和目标域的后验分布时的第i个样本的预测的域标签，为对目标域添加分类约束时的第i个样本的预测的域标签，为对目标域添加分类约束时的第i个样本的目标域的预测标签；ld是所有域的数据的损失函数，lo是对齐源域和目标域的后验分布时的预测所有域的数据的损失函数，lt是对目标域添加分类约束时的预测所有目标域的数据的损失函数；

41、所述模型的整体损失函数：

42、lall＝la+αlo+βld+γlo+λlt；

43、其中，α、β、γ和λ是超参数，其参数值为根据训练结果进行调整设置。

44、本发明中，在反向传播时，所述域鉴别器的损失函数是负值，所述步态分类的损失函数为正值。

45、与现有技术相比，本发明所提供一种基于wifi设备进行步态识别的方法，其能够克服现有基于wifi的步态识别方案存在的局限性，且其在应用的过程中，可以实现针对用户行为和行走路径的鲁棒性，进而实现较高的步态识别精度：通过在真实的场景对本发明进行的应用实验表明，其可以在步态识别过程中实现高精度的步态识别测量。