一种基于UHF RFID的被动式行为识别方法技术

本发明专利技术属于射频识别领域，涉及一种基于UHF RFID的被动式行为识别方法。该方法以识别UHF RFID系统环境中的人体行为动作为目的，步骤为：使用滑窗函数将采集到的各种行为RSSI数据流分割成片段并提取统计特征；利用稀疏字典学习算法获得行为字典，使用行为字典计算统计特征的重构偏移向量并以此生成行为指纹；构建特征选择矩阵，使用带特征选择的kNN行为识别的算法识别待测行为指纹从而实现人体行为识别。本发明专利技术的特点是通过稀疏重构将统计特征指纹转化为重构偏移指纹，有效提升行为指纹的表征特性，能够满足在实际应用环境中的高精度要求。

A passive behavior recognition method based on UHF RFID

【技术实现步骤摘要】
一种基于UHFRFID的被动式行为识别方法
本专利技术属于射频识别领域，涉及一种基于UHFRFID的被动式行为识别方法。
技术介绍
作为情境感知技术的重要组成部分，行为识别技术已经引起了科研人员的广泛关注，成为了研究的热点。经过多年的技术探索和应用尝试，行为识别技术已经被应用于健康监护、入侵检测、体感游戏、智能家居、智慧空间等多个领域，给人们的生活带了诸多的便利和舒适的体验。在未来，行为识别技术将会应用于更广阔的场景，创造越来越多的实用价值。根据是否需要用户主动佩戴传感设备，人体行为识别技术分为两类：主动式行为识别和被动式行为识别。主动式行为识别技术主要是通过在用户身上佩戴传感设备，利用传感设备上的陀螺仪、加速度传感器、电磁传感器等，采集用户手臂、腰、腿等部位的空间运动特征数据，从而识别用户行为。被动式行为识别技术则是通过在人体周围环境中部署各种信号采集设备，检测人体各种行为活动所带来的超声信号、可见光信号以及电磁信号的数据变化，采集相关数据信息识别人体行为。与主动式行为识别技术相比，被动式行为识别技术不需要用户主动佩戴传感设备，满足更广泛的应用场景，交互方式更加友好，拥有更好的用户体验，未来将会成为行为识别应用中的主流形式。现有的行为识别方法中依然存在一些问题：(1)指纹训练时间长。随着行为指纹库的拓展，训练的时间随之呈线性增加甚至指数级增加。(2)依赖大量样本。为了找到清晰的行为指纹，需要采集大量样本进行训练才能获得理想的识别精度。(3)可拓展性差。向行为指纹库中添加新的行为指纹，需要重新训练甚至重建模型。(4)环境依赖性强，抗干扰能力差。这些问题严重制约着被动式行为识别技术在实际中的应用和大规模推广。基于以上背景，本专利技术以实现更高稳定性、更强抗干扰能力、更低部署成本的被动式人体行为识别为目标，采用标签阵列反向散射的收信场强指示(ReceivedSignalStrengthIndicator，RSSI)作为行为识别依据，提出一种基于超高频射频识别(UltraHighFrequencyRadioFrequencyIdentification，UHFRFID)的被动式行为识别方法。
技术实现思路
本专利技术的目的是提供一种基于UHFRFID的被动式行为识别方法。本专利技术首先以无源UHFRFID标签和高性能UHFRFID阅读器为基础构建被动式行为识别系统，采集各种行为影响下的RSSI数据，并对数据流进行处理得到连续同步数据流，其次使用滑窗函数将数据流分割成片段，并从片段中提取统计特征，然后利用稀疏字典学习算法获得行为字典，使用行为字典计算统计特征的重构偏移向量并以此生成行为指纹，最后通过对指纹特征的稳定性分析构建特征选择矩阵，并以此对行为指纹的优势特征进行筛选，实现行为指纹优化，同时引入带特征选择的k近邻(k-NearestNeighbor，kNN)算法对行为指纹进行匹配，进而实现人体行为识别。其具体步骤如下：步骤1：以无源UHFRFID标签和高性能UHFRFID阅读器为基础构建被动式行为识别系统，阅读器在每个采样周期获取一个数据包，其中包含一个采样周期内读取的所有标签信息，在高采样频率下，一个完整的行为动作信息会被分散到多个连续的数据包中，每个单独的数据包中所包含的信息都不足以表征该行为，将数据包按时间顺序连接成数据流，从而实现抽象行为到可采集数据的转化。步骤2：从阅读器中直接获取的原始数据流经常出现数据缺失，导致不同标签之间数据流错位，通过对数据采集过程分析，数据缺失原因分为两种：(1)由于设备的性能限制，当设置的采样频率较高，获取到的数据包中会出现增益较差的标签信息缺失，使用上一个完整数据包中对应标签的数据填充数据流中缺失的部分。(2)用户在射频信号覆盖区域内进行各种行为活动，当电子标签与阅读器之间的射频信号传输路径被人体遮挡，就会出现该标签数据连续缺失，使用RSSI最小值填充缺失数据，获得连续同步数据流。步骤3：为了帮助分类算法更好的获取数据特征，需要将连续的同步数据流划分为一组单独的片段，使得每个片段对应某一特定的行为，通过引入时间信息，利用滑窗函数将数据流划分成若干等长片段，每一个单独的片段数据包含该种行为的所有特征信息。步骤4：与直接利用测量数据的分类方法相比，基于统计特征的方法不需要建立数据与行为的精确模型，而是通过提取数据片段的最大值、最小值、中位数、平均数、方差、标准差以及最值差这7种轻量级的统计特征，使用统计特征代替测量数据，降低分类模型的复杂度，在同一片段中，每个标签都从不同角度记录了行为特征信息，具有互补性，因此需要对不同标签的统计特征进行拼接，整合成片段统计特征向量，实现片段数据向特征向量的转化，进而实现片段组向特征向量矩阵的转化。步骤5：从无人环境下采集到的RSSI信号中提取统计特征，构建特征向量集作为参考样本集，通过稀疏字典学习算法，迭代执行两个学习阶段来计算行为字典，第一阶段为稀疏编码阶段，保持字典不变，采用正交匹配追踪(OrthogonalMatchingPursuit，OMP)算法计算稀疏系数矩阵，在第二阶段，在保持稀疏性的条件下奇异值分解残差，对行为字典和稀疏系数矩阵进行逐列顺序更新。步骤6：利用OMP算法，计算每种行为特征向量的稀疏系数矩阵，利用行为字典和稀疏系数重新构建的特征向量，重构偏移向量为特征向量与重构特征向量之差，使用重构偏移向量作为行为指纹。步骤7：将行为指纹按类别分类，对于每种类型的指纹，以指纹特征的方差作为稳定性指标对该种指纹的所有特征进行稳定性排序，选出数值变化较稳定的指纹特征，并将一个M维的对角矩阵中相对应的位置的主对角线元素置为1、其他元素置为0作为特征选择矩阵，使得特征选择矩阵的主对角线上的M个元素分别对应着指纹的M个特征，当主对角线元素全为1时，表示指纹特征全部被选择，当主对角线元素全为0时，表示不选择任何的指纹特征，使用特征选择矩阵将指纹投影到能够稳定表征行为的子空间中得到新的指纹，使用新指纹替换原指纹实现指纹优势特征的筛选。步骤8：引入kNN算法，通过计算待测指纹与行为指纹库中的指纹之间的相似程度，选择相似度最高的k个指纹，根据所选指纹的类型推断待测指纹的类型，并且在kNN的基础上增加特征选择策略，使用带特征选择的欧氏距离作为相似度衡量指标，提高了指纹匹配性能，进而提高行为识别算法的识别精度。附图说明：图1是本专利技术的行为识别系统流程图；图2是本专利技术的行为识别系统结构框图；图3是四种行为的重构偏移向量指纹图；图4是四种特征选择优化后行为重构偏移向量指纹图；具体实施方式：首先，以无源UHFRFID标签和高性能UHFRFID阅读器为基础构建被动式行为识别系统，使用阅读器每个采样周期获取一个数据包，从数据包中可以获取阅读器在一个采样周期内读取的所有标签信息，在高采样频率下，一个完整的行为动作信息会被分散到了多个连续的数据包中，每个单独的数据包中所包含的信息都不足以表征该行为，因此，将数据包按时间顺序连接成数据流，本文档来自技高网...

【技术保护点】
1.一种基于UHF RFID的被动式行为识别方法，其具体步骤如下：/n步骤1：以无源UHF RFID标签和高性能UHF RFID阅读器为基础构建被动式行为识别系统，阅读器在每个采样周期获取一个数据包，其中包含一个采样周期内读取的所有标签信息，在高采样频率下，一个完整的行为动作信息会被分散到多个连续的数据包中，每个单独的数据包中所包含的信息都不足以表征该行为，将数据包按时间顺序连接成数据流，从而实现抽象行为到可采集数据的转化；/n步骤2：从阅读器中直接获取的原始数据流经常出现数据缺失，导致不同标签之间数据流错位，通过对数据采集过程分析，数据缺失原因分为两种：(1)由于设备的性能限制，当设置的采样频率较高，获取到的数据包中会出现增益较差的标签信息缺失，使用上一个完整数据包中对应标签的数据填充数据流中缺失的部分，(2)用户在射频信号覆盖区域内进行各种行为活动，当电子标签与阅读器之间的射频信号传输路径被人体遮挡，就会出现该标签数据连续缺失，使用RSSI最小值填充缺失数据，获得连续同步数据流；/n步骤3：为了帮助分类算法更好的获取数据特征，需要将连续的同步数据流划分为一组单独的片段，使得每个片段对应某一特定的行为，通过引入时间信息，利用滑窗函数将数据流划分成若干等长片段，每一个单独的片段数据包含该种行为的所有特征信息；/n步骤4：与直接利用测量数据的分类方法相比，基于统计特征的方法不需要建立数据与行为的精确模型，而是通过提取数据片段的最大值、最小值、中位数、平均数、方差、标准差以及最值差这7种轻量级的统计特征，使用统计特征代替测量数据，降低分类模型的复杂度，在同一片段中，每个标签都从不同角度记录了行为特征信息，具有互补性，因此需要对不同标签的统计特征进行拼接，整合成片段统计特征向量，实现片段数据向特征向量的转化，进而实现片段组向特征向量矩阵的转化；/n步骤5：从无人环境下采集到的RSSI信号中提取统计特征，构建特征向量集作为参考样本集，通过稀疏字典学习算法，迭代执行两个学习阶段来计算行为字典，第一阶段为稀疏编码阶段，保持字典不变，采用正交匹配追踪(Orthogonal Matching Pursuit，OMP)算法计算稀疏系数矩阵，在第二阶段，在保持稀疏性的条件下奇异值分解残差，对行为字典和稀疏系数矩阵进行逐列顺序更新；/n步骤6：利用OMP算法，计算每种行为特征向量的稀疏系数矩阵，利用行为字典和稀疏系数重新构建的特征向量，重构偏移向量为特征向量与重构特征向量之差，使用重构偏移向量作为行为指纹；/n步骤7：对每种行为指纹特征进行稳定性排序，分别构建特征选择矩阵，使用特征选择矩阵将指纹投影到能够稳定表征行为的子空间中，得到新的指纹，使用新指纹替换原指纹，实现指纹优势特征的筛选；/n步骤8：引入kNN算法，通过计算待测指纹与行为指纹库中的指纹之间的相似程度，选择相似度最高的k个指纹，根据所选指纹的类型推断待测指纹的类型，并且在kNN的基础上增加特征选择策略，使用带特征选择的欧氏距离作为相似度衡量指标，提高了指纹匹配性能，进而提高行为识别算法的识别精度。/n...

【技术特征摘要】
1.一种基于UHFRFID的被动式行为识别方法，其具体步骤如下：
步骤1：以无源UHFRFID标签和高性能UHFRFID阅读器为基础构建被动式行为识别系统，阅读器在每个采样周期获取一个数据包，其中包含一个采样周期内读取的所有标签信息，在高采样频率下，一个完整的行为动作信息会被分散到多个连续的数据包中，每个单独的数据包中所包含的信息都不足以表征该行为，将数据包按时间顺序连接成数据流，从而实现抽象行为到可采集数据的转化；
步骤2：从阅读器中直接获取的原始数据流经常出现数据缺失，导致不同标签之间数据流错位，通过对数据采集过程分析，数据缺失原因分为两种：(1)由于设备的性能限制，当设置的采样频率较高，获取到的数据包中会出现增益较差的标签信息缺失，使用上一个完整数据包中对应标签的数据填充数据流中缺失的部分，(2)用户在射频信号覆盖区域内进行各种行为活动，当电子标签与阅读器之间的射频信号传输路径被人体遮挡，就会出现该标签数据连续缺失，使用RSSI最小值填充缺失数据，获得连续同步数据流；
步骤3：为了帮助分类算法更好的获取数据特征，需要将连续的同步数据流划分为一组单独的片段，使得每个片段对应某一特定的行为，通过引入时间信息，利用滑窗函数将数据流划分成若干等长片段，每一个单独的片段数据包含该种行为的所有特征信息；
步骤4：与直接利用测量数据的分类方法相比，基于统计特征的方法不需要建立数据与行为的精确模型，而是通过提取数据片段的最大值、最小值、中位数、平均数、方差、标准差以及最值差这7种轻量级的统计特征，使用统计特征代替测量数据，降低分类模型的复杂度，在同一片段中，每个标签都从不同角度记录了行为特征信息，具有互补性，因此需要对不同标签的统计特征进行拼接，整合成片段统计特征向量，实现片段数据向特征向量的转化，进而实现片段组向特征向量矩阵的转化；
步骤5：从无...

【专利技术属性】
技术研发人员：史伟光，刘和青，刘鹏辉，
申请(专利权)人：天津工业大学，
类型：发明
国别省市：天津;12