室内WiFi环境下基于动作序列检测的用户身份识别方法

摘要

本发明公开了一种室内WiFi环境下基于动作序列检测的用户身份识别方法，用于解决现有基于WiFi信号的用户身份识别方法准确率差的技术问题。技术方案是利用商用WiFi和笔记本等设备实现感知，对感知到的数据进行预处理，提高数据质量，通过对数据进行特征提取，刻画用户身份，构造出分类模型，调用分类模型对单个动作的用户身份进行概率分布计算，通过对动作序列中所有可识别动作的概率分布结果进行统计，实现身份识别；在身份识别的过程中，用数据对波形进行精确刻画，并且通过动作序列对用户身份进行多次判断，减少复杂环境对识别准确率的影响，综合多次判断的结果，实现高准确率的身份识别。

说明书

技术领域

本发明涉及一种基于WiFi信号的用户身份识别方法，特别涉及一种室内WiFi环境下基于动作序列检测的用户身份识别方法。

背景技术

文献“专利申请号是201610841511.5的中国发明专利”公布了一种基于WiFi信号的用户身份识别方法，包括WiFi发射器、信号接收器和终端设备。该方法利用用户在经过WiFi设备时，对信道状态信息产生的影响，在对信道状态信息进行去噪处理后，提取视线波形的形状特征，采用离散小波变换计算视线波形的近似系数，通过匹配比较视线波形的形状特征进行分类，来进行用户识别。文献所述方法，采用波形匹配的方式来实现用户识别，在周围环境复杂时，由于波形的不稳定性，识别准确率不高；此方法在视距路径上，依靠对单一动作的一次匹配，来实现用户身份识别，在复杂环境中，由于受到环境中静物的多径效应影响，预测准确率会受到影响，导致身份识别失败。

发明内容

为了克服现有基于WiFi信号的用户身份识别方法准确率差的不足，本发明提供一种室内WiFi环境下基于动作序列检测的用户身份识别方法。该方法利用商用WiFi和笔记本等设备实现感知，对感知到的数据进行预处理，提高数据质量，通过对数据进行特征提取，刻画用户身份，构造出分类模型，调用分类模型对单个动作的用户身份进行概率分布计算，通过对动作序列中所有可识别动作的概率分布结果进行统计，实现身份识别；在身份识别的过程中，用数据对波形进行精确刻画，并且通过动作序列对用户身份进行多次判断，减少复杂环境对识别准确率的影响，综合多次判断的结果，实现高准确率的身份识别。

本发明解决其技术问题所采用的技术方案：一种室内WiFi环境下基于动作序列检测的用户身份识别方法，其特点是包括以下步骤：

步骤一、在室内环境中，利用笔记本电脑和WiFi设备，通过人体在设备周围运动对WiFi信号传播产生的影响，采集人体动作的信道状态信息数据。

步骤二、选择巴特沃斯滤波器对采集人体动作的信道状态信息数据进行去噪处理。根据人体动作引起的CSI序列变化频率f为10-40Hz，采样频率Fs为100Hz，得到巴特沃斯滤波器的截止频率w_c。

步骤三、通过对时序波形的截取，提取出动作波形，对于提取出的波形进行特征值计算，通过特征集中的27个特征得到特征向量，用特征向量对用户动作进行初步刻画。在完成初步刻画后，对特征集进行选择。具体步骤为，每次从训练样本集中随机取出一个样本R，然后从和R同类的样本集中找出R的k个近邻样本，从每个R的不同类的样本集中均找出k个近邻样本，然后更新每个特征的权重：

其中，Mj(C)表示类C中的第j个最近邻样本，diff(A,R1,R2)表示样本R1和样本R2在特征A上的差异，其计算公式如下：

以上过程重复m次，最后得到各特征的平均权重。特征的权重越大，表示该特征的分类能力越强，反之，表示该特征分类能力越弱。

步骤四、利用SMO分类方法针对每个人的蹲下、起立、坐下和站起四个动作进行识别。首先利用大量采集并经上述步骤处理得到的数据利用SMO分类器训练分类模型，然后在识别时，将采集得到的一段动作序列数据，利用训练好的识别模型，进行动作的精确识别。

步骤五、利用SMO分类方法针对每个动作下的身份信息进行建模识别。首先利用大量采集并经步骤四处理得到的数据利用SMO分类器训练分类模型，然后在识别时，将已分类为某具体动作的数据，利用训练好的对应动作下的身份识别模型，计算每个动作归属于每个用户的概率。

步骤六、将属于同一个用户的概率进行相乘得到最终概率，概率最大的就是要识别的目标用户。

本发明的有益效果是：该方法利用商用WiFi和笔记本等设备实现感知，对感知到的数据进行预处理，提高数据质量，通过对数据进行特征提取，刻画用户身份，构造出分类模型，调用分类模型对单个动作的用户身份进行概率分布计算，通过对动作序列中所有可识别动作的概率分布结果进行统计，实现身份识别；在身份识别的过程中，用数据对波形进行精确刻画，并且通过动作序列对用户身份进行多次判断，减少复杂环境对识别准确率的影响，综合多次判断的结果，实现高准确率的身份识别。

下面结合附图和具体实施方式对本发明作详细说明。

附图说明

图1是本发明室内WiFi环境下基于动作序列检测的用户身份识别方法的流程图。

具体实施方式

参照图1。本发明室内WiFi环境下基于动作序列检测的用户身份识别方法具体步骤如下：

步骤1、在室内环境中，利用笔记本电脑和WiFi设备，让参与实验的志愿者A，在实验设备附近固定的位置的上多次重复蹲下、起立、坐下、站起，采集志愿者A的信道状态信息数据，将采集的数据记录下来。同理，对志愿者B、C、D的数据进行采集。

步骤2、数据预处理，选择巴特沃斯滤波器进行去噪处理，去除数据中存在的噪声。根据人体动作引起的CSI序列变化频率f约为10-40Hz以及采样频率Fs为100Hz，得到巴特沃斯滤波器的截止频率wc。

步骤3、通过对时序波形的截取，提取出动作波形，对于提取出的波形进行特征值计算，首先用到特征集中的27个特征，得到特征向量，用特征向量对用户动作进行初步刻画。在完成初步刻画后，为了选择出更有效的特征，我们对特征集进行选择。具体步骤为，每次从训练样本集中随机取出一个样本R，然后从和R同类的样本集中找出R的k个近邻样本，从每个R的不同类的样本集中均找出k个近邻样本，然后更新每个特征的权重：

其中，Mj(C)表示类C中的第j个最近邻样本，diff(A,R1,R2)表示样本R1和样本R2在特征A上的差异，其计算公式如下：

以上过程重复m次，最后得到各特征的平均权重。特征的权重越大，表示该特征的分类能力越强，反之，表示该特征分类能力越弱。

步骤4、利用SMO分类方法针对四个用户的四组动作数据进行训练。得到分类模型蹲下、起立、坐下、站起，其中每个模型中，包含四个志愿者的数据。采集一段动作序列数据，其中包含四个动作，识别得到分别为起立、未知动作X、坐下、站起。

步骤5、利用SMO分类方法针对每个动作下的身份信息进行建模识别。首先利用大量采集并经上述步骤处理得到的数据利用SMO分类器训练分类模型，然后在识别时，将已分类为某具体动作的数据，利用训练好的对应动作下的身份识别模型，计算每个动作归属于每个用户的概率。

将起立的特征数据放进起立模型中，得到起立动作分别是志愿者A、B、C、D的概率为a1、a2、a3、a4。同样，将坐下和站起动作的特征数据分别放进坐下模型和站起模型中，得到其分别是志愿者A、B、C、D的概率为b1、b2、b3、b4和c1、c2、c3、c4。

步骤6、针对上面的计算结果，将属于同一个用户的概率进行相乘得到最终概率，概率最大的就是要识别的目标用户。则要识别的目标用户为志愿者A的概率为d1＝a1*b1*c1,同理得到志愿者B、C、D的概率为d2、d3、d4。比较d1、d2、d3、d4，概率最大的用户，就是识别出的目标用户。