一种基于对抗式元学习的跨场景人体动作识别方法技术

本发明专利技术公开了一种基于对抗式元学习的跨场景人体动作识别方法，是首先使用无线收发信号设备采集人体动作CSI信号，然后采用离散小波滤波技术处理原始信号并使用阈值分割方法获得CSI样本，构建元学习任务集；再使用上述任务集来依次训练特征提取器模块、生成器模块、鉴别器模块和人体动作识别模块，得到一个基本对抗式元模型；最后在新场景中采集少量数据来微调模型参数，使其可以更好地适应于识别新的动作种类。本发明专利技术能以较低的成本在场景、用户等发生变化时获得较高的新动作类别的识别准确率。确率。确率。

【技术实现步骤摘要】
一种基于对抗式元学习的跨场景人体动作识别方法


[0001]本专利技术涉及无线网络、人体动作识别和深度学习领域，尤其涉及一种基于少样本的对抗式元学习方法。

技术介绍

[0002]近年来，随着物联网技术的发展，基于无线电技术的人体动作识别系统在智慧家庭、健康监护等领域得到了广泛的应用，因此越来越受到人们的关注。现有的方法可分为WIFI、超宽带(UWB)和射频识别标签(RFID)等。其中UWB技术需要部署大量设备来接收、处理信号，需要改造场地，从而导致代价高昂；而基于RFID标签、手机或可穿戴设备来实现人体识别也需要目标随身携带设备。目前基于WIFI的人体动作识别系统由于具有不需要在目标上附加任何设备，部署成本低和隐私泄露担忧等优点正成为一种流行的技术。而且现在WIFI信号覆盖领域广泛，小到个人家庭，大到医院商场等都部署有WIFI设备，可以方便的获取WIFI数据，因此基于WIFI的人体动作识别技术受到了众多研究者的青睐。
[0003]在无线电通信领域，如在IEEE 802.11n等通信标准协议中，信道状态信息(Channel State Information，CSI)以物理层为基础，描述了信道的幅度和相位特性，能够更好地反映细粒度的信道信息，可以用来表示信道链路的质量。由于CSI对由人体动作引起的环境动态变化较为敏感，基于此特性，研究人员开发设计了多种基于CSI的人体动作识别系统。
[0004]但目前，实际的基于CSI的人体动作识别系统在部署时面临两大挑战：一是CSI数据易受动态环境变化的影响。具体来说，由于严重的多径和阴影衰落影响，CSI数据不稳定，这是由短期干扰(如开门、关门、桌椅等家具的移动)和长期干扰(如湿度、温度和光照变化)引起的。因此，实时CSI数据将与人体动作识别模型记忆的值大不相同。如果没有更新CSI动作数据，会导致识别准确度降低。一个简单的解决方案是重新收集数据并训练网络模型以适应环境的变化。然而，这种方法是非常不切实际的，因为这个校准过程会花费大量的人力物力成本。一些工厂部署了固定的硬件来获得新的CSI进行修改，但是额外的硬件实现会产生额外的成本。此外，另一个需要考虑的挑战是，将在一个已知环境中训练成熟的人体识别系统部署到一个新场景中来识别新用户的动作时，识别准确率会显著下降。这是因为人们在不同的环境通常会按不同的速度重复相同的动作，进而导致同一种CSI动作信号的波动性过大，从而不能被系统识别。使得系统必须针对不同的场景重新训练，这将给动作识别带来相当大的重复工作量。

技术实现思路

[0005]本专利技术的目的是为克服上述现有技术中的不足之处，提出一种基于对抗式元学习的跨场景人体动作识别方法，以期能基于少样本学习即可完成人体动作的识别，并能提高动作识别的准确性以及鲁棒性。
[0006]本专利技术为达到上述专利技术目的，采用如下技术方案：
[0007]本专利技术一种基于对抗式元学习的跨场景人体动作识别方法的特点是按如下步骤进行：
[0008]步骤1、选定两个室内环境布局不同的房间记为场景1和场景2，并分别部署一对WIFI收发设备：
[0009]所述WIFI收发设备中的WIFI信号的发送设备为带有a根天线的路由器，记为AP，WIFI信号的接收设备为带有b根天线的无线网卡，记为RP，且路由器AP和无线网卡RP间隔距离为l，从而在场景1和场景2中分别构成a
×
b个天线对用于发送和接收无线电信号，且每个天线对有z个可用的子载波；
[0010]步骤2、数据采集和预处理；
[0011]步骤2.1、原始数据采集：
[0012]在场景1中，利用WIFI收发设备按照采样时间t和采样速率p采集人体动作CSI信号，并将第w次采集的第c种类别且维度为(a
×
b,z,p
×
t)的三维人体动作CSI信号记为csi
c,w
，其中，w∈[1,W]，W表示采集的总次数，c∈[1,C]，C表示人体动作的种类；
[0013]步骤2.2、数据预处理：
[0014]使用离散小波滤波方法对所述人体动作CSI信号csi
c,w
进行降噪处理，再基于阈值分割方法对降噪处理后的人体动作CSI信号进行尺寸转换，得到预处理后的人体动作CSI信号并记为x
c,w
，并记第c种类别的人体动作CSI信号x
c,w
所对应的标签标注为y
c
，从而一共得到C
×
W个带标签的CSI样本(x
c,w
,y
c
)；
[0015]步骤2.3、构建元学习训练任务集D
Train
＝{T
i
|i＝1,2,
…
,I}，I表示学习任务的总个数：
[0016]从所述人体动作CSI样本中随机选择N个动作类别的K个人体动作CSI样本构成第i个元学习任务T
i
，并将第i个元学习任务T
i
划分为支持集T
is
和查询集T
iq
，分别记为其中，表示第i个元学习任务支持集T
is
中第n个动作类别的第k1个人体动作CSI样本；表示第i个元学习任务查询集T
iq
中第n个动作类别的第k2个人体动作CSI样本，K1表示第i个元学习任务支持集T
is
中每种类别的人体动作CSI样本数量，K2表示第i个元学习任务查询集T
iq
中每种类别的人体动作CSI样本数量，K1+K2＝K；
[0017]步骤3、构建对抗式元学习神经网络模型，包含：特征提取器模块、生成器模块、鉴别器模块和人体动作识别模块；
[0018]步骤3.1、所述特征提取器模块使用R1个卷积单元，且每个卷积单元依次包含一层Convolution卷积层、一层BatchNorm批归一化层和一层Leaky
‑
ReLu激活函数层；且每个卷积单元的输出均连接一层DropOut层；
[0019]所述第i个元学习任务支持集T
is
经过特征提取器模块的处理后，输出第i组人体动作CSI样本的特征向量作CSI样本的特征向量表示得到的第i个元学习任务支持集T
is
中第n个动作类别的第k1个人体动作CSI样本的特征向量；
[0020]步骤3.2、所述生成器模块依次使用R2个反卷积单元和R3个卷积单元，每个反卷积单元依次包含一层ConvolutionT反卷积层、一层BatchNorm批归一化层、一层Leaky
‑
ReLu激活函数层和tanh层；
[0021]将第i组人体动作CSI特征向量F
is
输入到所述生成器模块中依次进行处理，最后从tanh层中输出虚拟元学习任务支持集表示第i个元学习任务支持集T
is
中第n个动作类别的第k1个虚拟人体动作CSI样本；
[0022]步骤3.3、所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于对抗式元学习的跨场景人体动作识别方法，其特征是按如下步骤进行：步骤1、选定两个室内环境布局不同的房间记为场景1和场景2，并分别部署一对WIFI收发设备：所述WIFI收发设备中的WIFI信号的发送设备为带有a根天线的路由器，记为AP，WIFI信号的接收设备为带有b根天线的无线网卡，记为RP，且路由器AP和无线网卡RP间隔距离为l，从而在场景1和场景2中分别构成a
×
b个天线对用于发送和接收无线电信号，且每个天线对有z个可用的子载波；步骤2、数据采集和预处理；步骤2.1、原始数据采集：在场景1中，利用WIFI收发设备按照采样时间t和采样速率p采集人体动作CSI信号，并将第w次采集的第c种类别且维度为(a
×
b,z,p
×
t)的三维人体动作CSI信号记为csi
c,w
，其中，w∈[1,W]，W表示采集的总次数，c∈[1,C]，C表示人体动作的种类；步骤2.2、数据预处理：使用离散小波滤波方法对所述人体动作CSI信号csi
c,w
进行降噪处理，再基于阈值分割方法对降噪处理后的人体动作CSI信号进行尺寸转换，得到预处理后的人体动作CSI信号并记为x
c,w
，并记第c种类别的人体动作CSI信号x
c,w
所对应的标签标注为y
c
，从而一共得到C
×
W个带标签的CSI样本(x
c,w
,y
c
)；步骤2.3、构建元学习训练任务集D
Train
＝{T
i
|i＝1,2,
…
,I}，I表示学习任务的总个数：从所述人体动作CSI样本中随机选择N个动作类别的K个人体动作CSI样本构成第i个元学习任务T
i
，并将第i个元学习任务T
i
划分为支持集T
is
和查询集T
iq
，分别记为其中，表示第i个元学习任务支持集T
is
中第n个动作类别的第k1个人体动作CSI样本；表示第i个元学习任务查询集T
iq
中第n个动作类别的第k2个人体动作CSI样本，K1表示第i个元学习任务支持集T
is
中每种类别的人体动作CSI样本数量，K2表示第i个元学习任务查询集T
iq
中每种类别的人体动作CSI样本数量，K1+K2＝K；步骤3、构建对抗式元学习神经网络模型，包含：特征提取器模块、生成器模块、鉴别器模块和人体动作识别模块；步骤3.1、所述特征提取器模块使用R1个卷积单元，且每个卷积单元依次包含一层Convolution卷积层、一层BatchNorm批归一化层和一层Leaky
‑
ReLu激活函数层；且每个卷积单元的输出均连接一层DropOut层；所述第i个元学习任务支持集T
is
经过特征提取器模块的处理后，输出第i组人体动作CSI样本的特征向量CSI样本的特征向量表示得到的第i个元学习任务支持集T
is
中第n个动作类别的第k1个人体动作CSI样本的特征向量；步骤3.2、所述生成器模块依次使用R2个反卷积单元和R3个卷积单元，每个反卷积单元依次包含一层ConvolutionT反卷积层、一层BatchNorm批归一化层、一层Leaky
‑
ReLu激活函数层和tanh层；将第i组人体动作CSI特征向量F
is
输入到所述生成器模块...

【专利技术属性】
技术研发人员：王昱洁，姚路，王英，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：