目标身份识别和位置估计的方法

1.本发明涉及一种目标身份识别和位置估计的方法，属于信号处理领域。


背景技术：

2.随着计算机技术的发展，人机交互成为了融合物理世界和信息世界的关键，身份识别为人机交互的安全性提供了保障。现有的身份识别技术主要包括基于计算机视觉、生物特征和传感器等识别技术。虽然计算机视觉身份识别方法已经达到了良好的识别精度，但极易对用户造成隐私侵犯问题，而且视觉的识别结果取决于周围环境的照明条件；基于生物特征的身份识别虽然能获取更高的身份识别精度，但是收集生物特征通常会给用户带来不好的体验；基于传感器的身份识别方法必须以特定的方式穿戴传感器设备，具有携带不方便和设备过于昂贵的问题。
3.近年来，随着无线网络技术的飞速发展和wifi设备的大面积普及，wifi信号已经遍布在人们的生活环境中。wifi网络具有覆盖范围广、安全和快速等优势，是构建无设备人机交互的理想信号参量。研究表明无线网络不仅可以用来传输数据，还可以对周围环境变换进行感知，如人员检测、室内定位、动作识别等。利用无线信号的信道状态信息对目标身份识别引起研究人员的关注。由于复杂环境的干扰，通常情况下，发射端的信号经人体、房顶及其它障碍物的反射、散射、绕射等多条路径传播。在接收端得到的多径叠加信号就会携带反映环境的特征信息。信道状态信息是正交频分复用技术中对信道状态的估计，是一种更细粒度的物理层信息。
4.有鉴于此，确有必要提出一种目标身份识别和位置估计的方法，以解决上述问题。


技术实现要素：

5.本发明的目的在于提供一种目标身份识别和位置估计的方法，通过机器学习实现在无设备的条件下，进行目标的身份识别和位置估计。
6.为实现上述目的，本发明提供了一种目标身份识别和位置估计的方法，主要包括以下步骤：
7.步骤1、设置wifi信号的发射端和接收端，使目标位于不同的参考位置点，测量发射端的csi信号；
8.步骤2、对csi信号进行预处理，去除其中的环境噪声和高频部分；
9.步骤3、提取csi信号中的数据并形成3
×3×
30的矩阵；
10.步骤4、构建基于身份和位置识别的训练csi指纹数据库；
11.步骤5、对csi信号所形成的矩阵进行升维，由c
×
l变为c
×h×
w，通过特征提取模块对csi信号的特征图进行特征提取；
12.步骤6、构建残差收缩模块，为不同的通道设定不同的自适应阈值；
13.步骤7、构建分类模块，通过两条卷积神经网络分支分别进行定位和身份识别；
14.步骤8、测量接收端的csi信号，重复步骤2-步骤4并构建实时的测试csi指纹数据
库；
15.步骤9、重复步骤5，将得到csi信号的特征图作为输入，重复步骤6和步骤7，完成目标的身份识别和位置估计。
16.作为本发明的进一步改进，包括离线阶段和在线阶段，其中步骤1-7在离线阶段完成，步骤8-9在在线阶段完成。
17.作为本发明的进一步改进，所述发射端设有发射天线，所述接收端设有接收天线，步骤2具体包括如下步骤：
18.步骤21、在发射端和接收端各选取1根发射天线和1根接收天线进行测量；
19.步骤22、利用hampel滤波器对csi信号进行异常值处理；
20.步骤23、对经过hampel滤波器处理后的csi信号进行小波变换；
21.步骤24、量化小波变换后的各层系数；
22.步骤25、用量化后的各层系数进行重构，得到原始信号的估计值。
23.作为本发明的进一步改进，所述特征提取模块由conv层、bn层和relu层组成。
24.作为本发明的进一步改进，所述relu层中采用relu激活函数，所述relu激活函数为
25.f(x)＝max(0，x)，
26.其中，x为relu激活函数的输入。
27.作为本发明的进一步改进，所述残差收缩模块包括4个[1,1,1,1]结构。
[0028]
作为本发明的进一步改进，所述残差收缩模块还包括软阈值函数，所述软阈值函数为
[0029][0030]
其中，τ为所述残差收缩模块中子网络学习到的阈值。
[0031]
作为本发明的进一步改进，所述分类模块包括两条卷积神经网络分支，两条所述卷积神经网络分支均由conv层、bn层、relu层、自适应平均池化层和全连接层组成。
[0032]
作为本发明的进一步改进，所述全连接层通过sigmoid激活函数进行输出，所述sigmoid激活函数为
[0033][0034]
作为本发明的进一步改进，采用无线路由器作为发射端，将inter5300的无线网卡插入电脑中作为wifi信号的接收端。
[0035]
本发明的有益效果是：本发明利用wifi信号的信道状态信息结合估计目标的身份和位置，能够充分应用场景下已有设备，从而提高了方法的实用性和便捷性，优化成本。同时，利用hampel滤波器对信道状态进行异常值处理，利用小波变换阈值法去噪，既消除了噪声，同时很好地保留了反映原始信号的峰值信息；利用通道维度和时间维度信息描述训练数据的指纹信息；利用堆叠大量的残差收缩单元形成残差收缩模块，逐渐减少与噪声相关的特征，增加与任务相关的特征，能够在多任务学习的框架下通过多任务信息共享提升整
体的学习效果。
附图说明
[0036]
图1是本发明目标身份识别和位置估计的方法的流程示意图。
[0037]
图2是本发明的实验场景设计示意图。
[0038]
图3是本发明目标身份识别和位置估计的方法的框架流程图。
[0039]
图4是本发明目标身份识别和位置估计的方法中特征提取模块、残差收缩模块和分类模块的结构图。
[0040]
图5是本发明目标身份识别和位置估计的方法中残差收缩模块的算法图。
[0041]
图6是本发明目标身份识别和位置估计的方法中残差收缩模块的性能示意图。
具体实施方式
[0042]
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
[0043]
在此，需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
[0044]
另外，还需要说明的是，术语“包括”、“包含”或者任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0045]
如图1至图6所示，本发明提出了一种基于wifi指纹的目标身份识别和位置估计的方法，本发明不需要用户穿戴或依赖任何传感器，只需要利用各种室内分布的wifi设备，收集wifi中的csi信号(信道状态信息)，再利用深度神经网络算法学习csi信号中的特征并与预定义的位置和身份进行匹配，获得最佳的深度学习模型，从而实现基于wifi指纹的位置和身份的识别。本发明的工作原理是：通过收集在室内wifi环境下人体所产生的csi信号，对收集到的csi信号进行预处理，主要是去除高频部分，然后对预处理的信号通过卷积神经网络里进行特征提取，后经过残差收缩模块为不同通道设定自适应阈值，强与任务相关的特征而抑制与任务无关的特征，最后使用双卷积网络分支对csi信号中的指纹特征进行提取和标签匹配，实现位置和身份的联合识别。本发明主要包以下步骤：
[0046]
步骤1、设置wifi信号的发射端和接收端，使目标位于不同的参考位置点，测量发射端的csi信号；
[0047]
步骤2、对csi信号进行预处理，去除其中的环境噪声和高频部分；
[0048]
步骤3、提取csi信号中的数据并形成3
×3×
30的矩阵；
[0049]
步骤4、构建基于身份和位置识别的训练csi指纹数据库；
[0050]
步骤5、对csi信号所形成的矩阵进行升维，由c
×
l变为c
×h×
w，通过特征提取模块对csi信号的特征图进行特征提取；
[0051]
步骤6、构建残差收缩模块，为不同的通道设定不同的自适应阈值；
[0052]
步骤7、构建分类模块，通过两条卷积神经网络分支分别进行定位和身份识别；
[0053]
步骤8、测量接收端的csi信号，重复步骤2-步骤4并构建实时的测试csi指纹数据库；
[0054]
步骤9、重复步骤5，将得到csi信号的特征图作为输入，重复步骤6和步骤7，完成目标的身份识别和位置估计。
[0055]
本发明主要包括两个阶段，分别为离线阶段和在线阶段，其中，上述步骤1-步骤7在离线阶段完成，步骤8和步骤9在在线阶段完成，以下将对步骤1-步骤9进行详细说明。
[0056]
如图2所示，在步骤1中，目标可以是人体在不同的参考位置点静止站立，参考位置点可以是密度分布的若干个，参考位置点对应图中阵列状分布的各个圆点，且各个圆点在该场景中具有唯一对应的位置标签。并且采用无线路由器作为发射端发送wifi信号，接收端使用装有intel5300无线网卡的电脑，其中无线路由器的发射端有2根发射天线，接收端有3根接收天线。同时在ubuntu系统上利用csi tool工具测量无线路由器发射的wifi信号在intel5300网卡上的csi信号，并将其保存为二进制文件csi.dat。
[0057]
步骤2中具体包括如下步骤：
[0058]
步骤21、在发射端和接收端各选取1根发射天线和1根接收天线进行测量；
[0059]
步骤22、利用hampel滤波器对csi信号进行异常值处理；
[0060]
步骤23、选定一个小波函数和分解层数n，对经过hampel滤波器处理后的csi信号进行小波变换；
[0061]
步骤24、选定一组阈值函数和阈值规则，量化小波变换后的各层系数；
[0062]
步骤25、用量化后的各层系数进行重构，得到原始信号的估计值。
[0063]
在步骤3中，使用开源的csi数据提取程序read_bfee.c提取csi信号中的数据，该程序基于matlab平台开发，每个所提取的csi信号中的数据包含30个子载波，将提取到csi信号中的数据形成3
×3×
30的矩阵。
[0064]
在步骤4中，通过步骤3中得到的csi信号的矩阵，构建基于身份和位置识别的训练csi指纹数据库。
[0065]
在步骤6中，csi信号在经过特征提取后，通过残差收缩模块为不同的通道设定不同的自适应阈值，能够增强与任务相关的特征并抑制与任务无关的特征，消除无关信息的影响。
[0066]
如图3所示，本发明基于参数硬共享机制模式下的多任务学习来构建算法模型。在任务噪声严重，数据量小，数据维度高的情况下，对于模型来说区分相关特征和不相干特征变得困难，由于多任务学习的注意力集中机制，有助于将模型集中在确实有影响的特征上，是因为其它任务可以为特征的相关和不相关性提供额外的证据。多任务学习方法通过多任务信息共享提升整体的学习效果，这对于小样本上的学习尤为有效。
[0067]
在步骤7中，两条卷积神经网络分支分别用于进行定位和身份识别，能够实现同时对室内位置和身份识别的联合感知任务。
[0068]
如图4所示，本发明整体由三部分组成，包括特征提取模块、残差收缩模块和分类模块，其中，特征提取模块为二维卷积神经网络模型并由conv层、bn层和relu层组成，残差收缩模块由4个[1，1，1，1]结构组成，分类模块包括两条卷积神经网络分支，均由conv层、bn层、relu层、自适应平均池化层和全连接层组成，并在全连接层最后进行分类。需要说明的是，relu层中采用relu激活函数作为激活函数，relu激活函数为f(x)＝max(0，x)，
[0069]
神经网络中，线性整流作为神经元的激活函数，定义了该神经元在线性变换后的非线性输出结果。换言之，对于进入神经元的来自上一层神经网络的输入向量x，使用线性整流激活函数的神经元输出为
[0070]
max(0，w
t
x+b)，
[0071]
其中，x为relu激活函数的输入，至下一层神经元或作为整个神经网络的输出，其优点更有效率的梯度下降以及反向传播，避免了梯度爆炸和梯度消失的问题。
[0072]
如图3至图5所示，图3中虚线方框中的网络为残差收缩模块，其本质是深度残差网络、注意力机制和软阈值函数的集成，在深度残差网络的内部实现了自动阈值化，以自适应地在特征学习的过程中消除冗余信息，提高有用特征的学习效果。在深度残差网络的基础上，引入了一个小型的子网络，用这个子网络学习得到一组阈值，对特征图的各个通道进行软阈值化。其实这个过程可以看成一个训练的特征选择的过程。具体而言前面的卷积层将重要的特征转换成绝对值较大的值，将冗余信息所对应的特征转换成绝对值较小的值；通过子网络学习得到二者之间的界限，并且通过软阈值化将冗余特征置为零，同时使重要的特征有着非零的输出。
[0073]
图5中虚线方框中的子网络中首先对输入特征图内的所有元素，取绝对值，然后经过全局平均池化，就得到了一组特征。为了方便描述，将这组特征记作a。
[0074]
在另一条路径中，全局平均池化之后的特征，输入到一个小型的全连接层之中，这个全连接层以一个sigmoid激活函数作为最后一步，其目的在于将输出调整到0和1之间，记为α，而最终的阈值就是α
×
a。通过这种方式，残差收缩模块保证了阈值不仅为正数，而且不会太大，上述sigmoid激活函数为
[0075][0076]
用于隐层神经元的输出，取值范围为(0,1)，它可以将一个实数映射到(0,1)之间。
[0077]
软阈值函数，是信号降噪算法的核心步骤，可将绝对值小于某个阈值的特征删除掉，将绝对值大于这个阈值的特征朝着向零的方向进行收缩。软阈值函数可以通过以下公式实现：
[0078][0079]
其中，τ为所述残差收缩模块中子网络学习到的阈值。而软阈值函数的输出对于输入的导数为：
[0080][0081]
由上可知，软阈值函数的导数要么是1，要么是0。这个性质是和relu激活函数是相同的。因此，软阈值函数也能够减小深度学习算法遭遇梯度弥散和梯度爆炸的风险。
[0082]
在软阈值函数中，阈值的设置必须符合两个条件：第一，阈值是正数；第二，阈值不能大于输入信号的最大值，否则会全部输出零。同时阈值还能符合第三个条件：每个样本应该根据自身的噪声含量，有着自己独立的阈值。
[0083]
如图6所示，残差收缩模块的测试曲线在第70轮左右达到稳定状态，对于目标身份识和位置估计的准确率分别达到了92.3％和89.2％，能够达到更好的收敛速度，更好的性能。
[0084]
综上所述，本发明利用wifi信号的信道状态信息结合估计目标的身份和位置，能够充分应用场景下已有设备，从而提高了方法的实用性和便捷性，优化成本。同时，利用hampel滤波器对信道状态进行异常值处理，利用小波变换阈值法去噪，既消除了噪声，同时很好地保留了反映原始信号的峰值信息；利用通道维度和时间维度信息描述训练数据的指纹信息；利用堆叠大量的残差收缩单元形成残差收缩模块，逐渐减少与噪声相关的特征，增加与任务相关的特征，能够在多任务学习的框架下通过多任务信息共享提升整体的学习效果。
[0085]
以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。