人机物的无线边缘感知点云提取与识别方法与系统技术方案

本申请实施例涉及射频感知技术领域，具体而言，涉及一种人机物的无线边缘感知点云提取与识别方法与系统。所述方法包括：基于可重构智能超材料表面建立测量矩阵；对点云识别模块进行训练；对所述待测量目标空间中的人和/或物体进行测量，得到测量向量，通过经过训练后的所述点云识别模块识别所述从测量向量中提取的点云，实现对待测的人和/或物体进行识别。本申请使用射频信号进行感知，不需要借助可穿戴传感器,以及摄像头等视频采集设备进行训练数据采集，具有较高的隐私保护性；通过改变空间中的射频环境，射频信号在多种环境中传播得到的目标空间的信息，相比环境不可变的情况下得到的信息要更丰富，从而提高了点云提取和识别的准确性。

【技术实现步骤摘要】
人机物的无线边缘感知点云提取与识别方法与系统
本申请实施例涉及射频感知
，具体而言，涉及一种人机物的无线边缘感知点云提取与识别方法与系统。
技术介绍
射频感知是通过识别感知目标对无线信号传输的影响，来实现对于目标的状态，如位置、材质的感知。传统的射频感知基于WIFI或mmWave收发设备，其效果受限于射频信号传播环境的影响。比如，当环境保持稳定时，射频信号经过目标的路径基本固定，接收端在较长时间内感知的结果都差不多，能获得的目标的信息有限。也有一些借助可穿戴设备中的传感器进行感知的方法以及基于摄像头的视频监测进行感知的方法，然而这些方法会和感知目标发生直接接触，从而可能引起一些隐私问题。
技术实现思路
为解决上述技术问题，本申请实施例提供一种人机物的无线边缘感知点云提取与识别方法与系统。本申请实施例第一方面提供一种基于可重构智能反射面(以下简称RIS)的人机物的无线边缘感知点云提取与识别方法，所述方法包括如下步骤：S1建立测量矩阵，所述建立测量矩阵包括：确定待测量目标空间中的M个空间点作为测量点集合；确定一个测量周期内RIS改变配置的次数K；通过配置优化算法，最小化对于M个空间点处有反射体时对应的测量向量之间的平均互相关系数，获得所述RIS改变配置K次所对应组成的RIS配置矩阵C；在所述测量点集合内的所有测量点处安置信号反射体，接收端获得所述信号反射体反射的M个K维测量向量，将所述M个K维测量向量按列排列；采用所述RIS配置矩阵C，根据所述接收端获得的M个K维测量向量计算出K×M维的测量矩阵H；S2对点云识别模块进行训练；S3采用所述RIS配置矩阵C，对所述待测量目标空间中的人和/或物体进行测量，得到测量向量，从所述测量向量中提取点云；通过经过训练后的所述点云识别模块识别所述从测量向量中提取的点云，实现对待测的人和/或物体进行识别。可选地，所述采用所述RIS配置矩阵C，根据所述接收端获得的M个K维测量向量计算出K×M维的测量矩阵H，包括：在所有测量点处安置信号反射体的情况下，采用所述RIS配置矩阵C，接收端获得M个K维向量；移除所有测量点处安置的信号反射体，采用所述RIS配置矩阵C，接收端获得K维环境向量；将所述M个K维向量减去所述K维环境向量，将得到的向量按列排列，得到所述K×M维的测量矩阵H。可选地，所述配置优化算法，包括：S11设置当前最优配置矩阵为初始配置矩阵C*＝C(0)，根据超平面信道模型计算当前最优配置矩阵对应的在K个配置中空间中M个点处的信号所组成的测量矩阵，并计算其测量矩阵向量平均互相关值记为μ*；S12设置连续无改进迭代次数Nnon＝0，并记当前配置序号k＝1；S13基于当前最优的配置矩阵C*，对其进行连续化得到结果，记为连续化配置矩阵记连续化配置矩阵中第k行为除了第k行的的其它行组成的矩阵记为S14利用模式搜索算法，在固定所述的其它行的情况下，通过优化最小化所述连续化配置矩阵所对应的测量矩阵的平均互相关值，记结果为S15约化为最接近的离散配置，记为c′k；S16通过遗传算法，给定配置矩阵第k行配置以外的配置向量，优化离散配置c′k，最小化产生的测量矩阵的平均互相关系数，记优化结果的配置为对应的平均互相关系数为μ*‘；S17如果μ*‘＜μ*，更新μ*＝μ*‘，并更新最优配置矩阵C*的第k行为如果μ*‘＞μ*，则使Nnon＝Nnon+1；S18如果Nnon＜K，设置k为配置矩阵中下一行配置对应的序号，即k＝mod(k+1，K)+1，跳转至步骤S13；否则，输出当前最优配置矩阵C*和对应的测量矩阵的平均互相关系数的值μ*。可选地，所述对点云识别模块进行训练，包括：生成含有人和物体的训练集，所述训练集合包含已标记的点云，所述已标记的点云中每个点的特征信息包含了点的位置信息和点的语义标记；按照所述训练集中已标记的点云的信息，在所述目标空间中的相应位置安置人和/或物体；采用所述RIS配置矩阵C，所述接收端测量所述训练集中已标记的点云，得到对应的接收信号集；利用压缩感知算法，通过所述测量矩阵H和所述接收信号集，计算出所述测量点集合中各点相对于信号反射体的反射系数，形成反射系数点云；基于所述训练集中的语义标记和计算出的所述反射系数点云，通过监督学习算法，训练所述点云识别模块中的神经网络识别所述训练集的点云的语义标记。可选地，所述采用所述RIS配置矩阵C，对所述待测量目标空间中的人和/或物体进行测量，得到测量向量，从所述测量向量中提取点云，包括：采用所述RIS配置矩阵C，测量在一个测量周期内，处于所述待测量目标空间内的人和/或物体的K维测量向量；利用压缩感知算法，从所述K维测量向量中提取点云中的空间点相对于所述反射体的反射系数；通过所述经过训练的神经网络，处理所述具有反射系数信息的点云，得到点云中各点的语义标记，实现对待测的人和/或物体进行识别。本申请实施例第二方面提供一种基于可重构智能反射面的人机物的无线边缘感知点云提取与识别装置，所述装置包括：测量矩阵建立模块，被配置为：确定待测量目标空间中的M个空间点作为测量点集合；确定一个测量周期内RIS改变配置的次数K；通过配置优化算法，最小化对于M个空间点处有反射体时对应的测量向量之间的平均互相关系数，获得所述RIS改变配置K次所对应组成的RIS配置矩阵C；在所述测量点集合内的所有测量点处安置信号反射体，接收端获得所述信号反射体反射的M个K维测量向量，将所述M个K维测量向量按列排列；采用所述RIS配置矩阵C，根据所述接收端获得的M个K维测量向量计算出K×M维的测量矩阵H；训练模块，被配置为对点云识别模块进行训练；点云提取模块，被配置为采用所述RIS配置矩阵C，对所述待测量目标空间中的人和/或物体进行测量，得到测量向量，从所述测量向量中提取点云；点云识别模块，被配置为通过经过训练后的所述点云识别模块识别所述从测量向量中提取的点云，实现对待测的人和/或物体进行识别。可选地，所述测量矩阵建立模块还包括：测量矩阵生成模块，被配置为：在所有测量点处安置信号反射体的情况下，采用所述RIS配置矩阵C，接收端获得M个K维向量；移除所有测量点处安置的信号反射体，采用所述RIS配置矩阵C，接收端获得K维环境向量；将所述M个K维向量减去所述K维环境向量，将得到的向量按列排列，得到所述K×M维的测量矩阵H。可选地，所述装置还包括：配置优化算法模块，被配置为：S11设置当前最优配置矩阵为初始配置矩阵C*＝C(0)，根据超平面信道模型计算当前最优配置矩阵对应的在K个配置中空间中M个点处的信号所组成的测量矩阵，并计算其测量矩阵向量平均互相关值记为μ*；S12设置连续无改进迭代次数Nnon＝0，并本文档来自技高网...

【技术保护点】
1.一种基于可重构智能反射面的人机物的无线边缘感知点云提取与识别方法，其特征在于，所述方法包括如下步骤：/nS1建立测量矩阵，所述建立测量矩阵包括：/n确定待测量目标空间中的M个空间点作为测量点集合；/n确定一个测量周期内RIS改变配置的次数K；/n通过配置优化算法，最小化对于M个空间点处有反射体时对应的测量向量之间的平均互相关系数，获得所述RIS改变配置K次所对应组成的RIS配置矩阵C；/n在所述测量点集合内信号接收端的所有测量点处安置信号反射体，接收端获得所述信号反射体反射的M个K维测量向量，将所述M个K维测量向量按列排列；/n采用所述RIS配置矩阵C，根据所述接收端获得的M个K维测量向量计算出K×M维的测量矩阵H；/nS2对点云识别模块进行训练；/nS3采用所述RIS配置矩阵C，对所述待测量目标空间中的人和/或物体进行测量，得到测量向量，从所述测量向量中提取点云；/n通过经过训练后的所述点云识别模块识别所述从测量向量中提取的点云，实现对待测的人和/或物体进行识别。/n

【技术特征摘要】
1.一种基于可重构智能反射面的人机物的无线边缘感知点云提取与识别方法，其特征在于，所述方法包括如下步骤：
S1建立测量矩阵，所述建立测量矩阵包括：
确定待测量目标空间中的M个空间点作为测量点集合；
确定一个测量周期内RIS改变配置的次数K；
通过配置优化算法，最小化对于M个空间点处有反射体时对应的测量向量之间的平均互相关系数，获得所述RIS改变配置K次所对应组成的RIS配置矩阵C；
在所述测量点集合内信号接收端的所有测量点处安置信号反射体，接收端获得所述信号反射体反射的M个K维测量向量，将所述M个K维测量向量按列排列；
采用所述RIS配置矩阵C，根据所述接收端获得的M个K维测量向量计算出K×M维的测量矩阵H；
S2对点云识别模块进行训练；
S3采用所述RIS配置矩阵C，对所述待测量目标空间中的人和/或物体进行测量，得到测量向量，从所述测量向量中提取点云；
通过经过训练后的所述点云识别模块识别所述从测量向量中提取的点云，实现对待测的人和/或物体进行识别。


2.根据权利要求1所述的方法，其特征在于，所述采用所述RIS配置矩阵C，根据所述接收端获得的M个K维测量向量计算出K×M维的测量矩阵H，包括：
在所有测量点处安置信号反射体的情况下，采用所述RIS配置矩阵C，接收端获得M个K维向量；
移除所有测量点处安置的信号反射体，采用所述RIS配置矩阵C，接收端获得K维环境向量；
将所述M个K维向量减去所述K维环境向量，将得到的向量按列排列，得到所述K×M维的测量矩阵H。


3.根据权利要求1所述的方法，其特征在于，所述配置优化算法，包括：
S11设置当前最优配置矩阵为初始配置矩阵C*＝C(0)，根据超平面信道模型计算当前最优配置矩阵对应的在K个配置中空间中M个点处的信号所组成的测量矩阵，并计算其测量矩阵向量平均互相关值记为μ*；
S12设置连续无改进迭代次数Nnon＝0，并记当前配置序号k＝1；
S13基于当前最优的配置矩阵**，对其进行连续化得到结果，记为连续化配置矩阵记连续化配置矩阵中第k行为除了第k行的的其它行组成的矩阵记为
S14利用模式搜索算法，在固定所述的其它行的情况下，通过优化最小化所述连续化配置矩阵所对应的测量矩阵的平均互相关值，记结果为
S15约化为最接近的离散配置，记为c′k；
S16通过遗传算法，给定配置矩阵第k行配置以外的配置向量，优化离散配置c′k，最小化产生的测量矩阵的平均互相关系数，记优化结果的配置为对应的平均互相关系数为μ*‘；
S17如果μ*‘＜μ*，更新μ*＝μ*‘，并更新最优配置矩阵C*的第k行为如果μ*‘＞μ*，则使Nnon＝Nnon+1；
S18如果Nnon＜K，设置k为配置矩阵中下一行配置对应的序号，即k＝mod(k+1，K)+1，跳转至步骤S13；否则，输出当前最优配置矩阵C*和对应的测量矩阵的平均互相关系数的值μ*。


4.根据权利要求1所述的方法，其特征在于，所述对点云识别模块进行训练，包括：
生成含有人和物体的训练集，所述训练集合包含已标记的点云，所述已标记的点云中每个点的特征信息包含了点的位置信息和点的语义标记；
按照所述训练集中已标记的点云的信息，在所述目标空间中的相应位置安置人和/或物体；
采用所述RIS配置矩阵C，所述接收端测量所述训练集中已标记的点云，得到对应的接收信号集；
利用压缩感知算法，通过所述测量矩阵H和所述接收信号集，计算出所述测量点集合中各点相对于信号反射体的反射系数，形成反射系数点云；
基于所述训练集中的语义标记和计算出的所述反射系数点云，通过监督学习算法，训练所述点云识别模块中的神经网络识别所述训练集的点云的语义标记。


5.根据权利要求1所述的方法，其特征在于，所述采用所述RIS配置矩阵C，对所述待测量目标空间中的人和/或物体进行测量，得到测量向量，从所述测量向量中提取点云，包括：
采用所述RIS配置矩阵C，测量在一个测量周期内，处于所述待测量目标空间内的人和/或物体的K维测量向量；
利用压缩感知算法，从所述K维测量向量中提取点云中的空间点相对于所述反射体的反射系数；
通过所述经过训练的神经网络，处理所述具有反射系数信息的点云，得到点云中各点的语义标记，实现对待测的人和/或物体进行识别。


6.一种基于可重构智能反射面的人机物的无线边缘感知点云提取与识别装置，其特征在于，所述装置包括：
测量矩阵建立模块，被配置为：确定待测量目标空间中的M个空间点作为测量点集合；
确定一个测量周期内...

【专利技术属性】
技术研发人员：宋令阳，胡敬植，张泓亮，
申请(专利权)人：北京大学，
类型：发明
国别省市：北京;11