一种基于信道状态信息的陌生人动作识别方法

摘要

本发明公开了一种基于信道状态信息的陌生人动作识别方法，S1：获取信道状态信息；S2：对S1获得的信道状态信息进行预处理；S3：将预处理后的数据输入卷积神经网络提取特征，得到特征向量；S4：将特征向量送入SVM中进行二次训练，得到CNN‑SVM结合模型；S5：在离线识别阶段，将采集到的待识别数据经过预处理，带入CNN模型中得到特征向量，再把得到的特征向量带入已训练好的模型中进行动作识别。本发使用SVM代替CNN中的softmax，CNN‑SVM结合的模型训练时长相对更短、预测速度也会相对更快、收敛速度快、识别准确率高。只需要少数用户的训练，即可实现对更多用户的动作识别。

说明书

技术领域

本发明涉及一种陌生人动作识别方法，特别是一种基于信道状态信息的未在系统训练的陌生人动作识别方法。

背景技术

动作识别的方法可分为基于传感器的识别、基于红外的识别、基于视觉的识别、基于声波的识别和基于信道状态信息的识别。其中基于信道状态信息的识别在数据收集时无需用户佩戴额外设备且不会侵犯用户隐私，是如今动作识别方法中最便捷的方法。基于信道状态信息的识别得益于WiFi技术的发展。最开始WiFi仅是为了连接POS机发明产生的，逐渐作为无线网络走进了大众的日常生活。由于其拥有不受许可权限制且能在全世界使用的频段的特性，WiFi逐渐成为价格低廉、健康安全、方便快捷，使用范围极广的技术。

然而，基于信道状态信息的动作识别包括离线与在线两阶段。其中，离线阶段输入数据进行模型训练，在线阶段负责最终识别。然而如今的大部分研究并为考虑离线阶段训练的用户与在线阶段识别的用户可能并非是同一个人的情况。由于不同用户即使做相同动作都不会完全一致，而这种不一致在易受环境影响的信道状态信息上表现的更为明显，所以用户间的差异性直接影响了识别的准确率。

发明内容

针对上述现有技术，本发明要解决的技术问题是提供一种具有高鲁棒性的基于信道状态信息的陌生人动作识别方法。

为解决上述技术问题，本发明的一种基于信道状态信息的陌生人动作识别方法，包括以下步骤：

S1：获取信道状态信息；

S2：对S1获得的信道状态信息进行预处理；

S3：将预处理后的数据输入卷积神经网络提取特征，得到特征向量；

S4：将特征向量送入SVM中进行二次训练，得到CNN-SVM结合模型；

S5：在离线识别阶段，将采集到的待识别数据经过预处理，带入CNN模型中得到特征向量，再把得到的特征向量带入已训练好的模型中进行动作识别。

进一步的，S2中对S1获得的信道状态信息进行预处理具体为：使用LOF算法滤除异常值，若所求得的局部异常因子LOF值大于1，则将其视为离群点去除。

本发明的有益效果：由于不同的用户即使做相同的动作都不会完全一致，而这种不一致在易受环境影响的信道状态信息上表现的更为明显，所以用户间的差异性直接影响了识别的准确率。而现有的基于信道状态信息的动作识别方法，只有对已训练过的用户识别效果良好，而现实生活中，不可能训练所有待识别的用户。

而本发明提出的方法很好地解决了该问题。其基本思想是使用卷积神经网络进行特征提取，而考虑到优化整个模型提出使用SVM与CNN结合的方法，即使用SVM代替CNN中的softmax。由于神经网络中的softmax在分类及泛化能力弱于传统分类方法，所以CNN-SVM结合的模型训练时长相对更短、预测速度也会相对更快、收敛速度快、识别准确率高。这样只需要少数用户的训练，即可实现对更多用户的动作识别。

附图说明

图1是本发明的框架图。

图2是CNN神经网络。

具体实施方式

下面结合附图对本发明具体实施方式做进一步说明。

实施例一：

结合图1，本发明的一种基于信道状态信息的陌生人动作识别方法，包括CSI数据采集、信号预处理、特征提取、行为识别等四个模块，具体步骤包括：

1)将发射机和接收机放置在房间内任意位置，用户站在发射机与接收机间做动作，获取信道状态信息；

2)对采集到的原始信息使用LOF算法滤除异常值；

3)预处理后将数据带入卷积神经网络网络中提取特征，得到特征向量；

4)将特征向量送入SVM中进行二次训练，得到CNN-SVM结合模型。以上为在线训练阶段；

5)而在离线识别阶段，将待测的数据经过前两步的处理后，带入CNN-SVM结合模型进行识别；

实施例二：

结合图1，本发明的一种基于信道状态信息的陌生人动作识别方法，具体为：

1.首先从接收机采集无线信号原始的CSI数据，接下来依次进行数据预处理、特征提取、动作识别。

2.在数据采集阶段，将发射机和接收机摆放在房间内任意位置，但最好将二者分开一定的距离，用户站在发射机与接收机之间做动作，发射机为使用一根天线TP-Link802.11n的无线路由器，接收机为配有Intel 5300网卡并外接三根天线的levono笔记本电脑，设置采样频率为1000Hz，使用接收机获取信道状态信息。

3.首先对接收到的原始数据进行预处理，使用LOF算法，若所求得的局部异常因子LOF值大于1，则将其视为离群点去除。

4.接下来进行特征提取，由于接收到了3条链路上的信息，而每条链路又包含30个子载波，所以每次获得30*3的的矩阵。由于信号的采样率设置为每秒1000个数据包，选取200ms接收到的数据包内容，构建200*30*3指纹矩阵。类比于RGB图像，此处的3即为RGB图像的3个通道。

5.接下来使用SVM进行训练。此时得到的了CNN-SVM结合的模型，此时在线训练结束。

6.离线识别阶段，将采集到的待识别数据经过预处理，带入CNN中得到特征向量，再把得到的特征向量带入已训练好的模型中进行动作识别。