RFID手势识别方法、计算机装置、产品及存储介质制造方法及图纸

本发明专利技术公开了一种RFID手势识别方法、计算机装置、产品及存储介质，获取用户手势产生的相位序列；对所述相位序列进行预处理，并标识手势类型；获取预处理后的相位序列的频谱图；将每个手势对应的频谱图作为训练样本，对每个训练样本进行配对，得到孪生网络数据集；利用所述孪生网络数据集训练孪生网络，得到RFID手势识别模型；将待识别的手势样本和已标识的手势样本进行一一配对，将配对后的数据作为所述RFID手势识别模型的输入，利用模板匹配的方法对待识别的手势样本进行识别。本发明专利技术方法不仅可以大幅降低识别模型所需的训练样本，减少无线感知系统的部署成本，而且取得了较高的识别精度，实用性强。实用性强。实用性强。

【技术实现步骤摘要】
RFID手势识别方法、计算机装置、产品及存储介质


[0001]本专利技术涉及无线感知
，特别是一种RFID手势识别方法、计算机装置、产品及存储介质。

技术介绍

[0002]随着无线网络的快速发展，无线感知技术已经广泛的应用在人们的生活当中。无线感知技术易于部署、成本低，能够在无需特制设备的情况下帮助用户享受到更好的生活质量。然而，无线感知技术在实际应用中往往会遇到一大难题：由于无线信号的多径影响，在不同的环境中无线信号被不同的反射物所反射，导致采集到的无线信号相应发生变化，使得无线感知系统在新环境中的性能出现大幅的下滑，从而严重阻碍无线感知系统在实际生活中的应用。这被称为无线感知的跨场景问题。
[0003]目前跨场景问题主流的解决方法分为两种，分别是在新场景中重新采集数据训练，以及使用迁移学习从已有场景中迁移知识，降低目标场景所需要的训练样本。然而，无线感知系统采集数据非常费时耗力，需要每类手势采集数十个甚至上百个才能取得较好的效果，无法在实际中应用；而迁移学习则要求源场景和目标场景的数据分布类似，否则会迁移有害知识，造成负迁移，同时还需要源场景有足量的数据。
[0004]CN107633227B公开了一种基于CSI的细粒度手势识别方法及系统，采用机器学习方法来对提取的CSI特征进行分类，将特征分类为相应的笔画序列。但此类基于机器学习和深度学习的方法都需要大量的数据对模型进行训练，才能得到较准确的决策边界。

技术实现思路

[0005]本专利技术所要解决的技术问题是，针对现有技术不足，提供一种RFID手势识别方法、计算机装置、产品及存储介质，只需要少量新场景的训练样本，即可获得手势分类高准确率。
[0006]为解决上述技术问题，本专利技术所采用的技术方案是：一种RFID手势识别方法，包括以下步骤：
[0007]S1、获取用户手势产生的相位序列；
[0008]S2、对所述相位序列进行预处理，并标识所述相位序列中手势样本对应的手势类型；
[0009]S3、获取预处理后的相位序列的频谱图；
[0010]S4、将每个手势对应的频谱图作为训练样本，对每个训练样本进行配对，得到孪生网络数据集；
[0011]S5、利用所述孪生网络数据集训练孪生网络，得到RFID手势识别模型；
[0012]S6、将待识别的手势样本和已标识的手势样本进行一一配对，将配对后的数据作为所述RFID手势识别模型的输入，利用模板匹配的方法对手势样本进行识别。
[0013]本专利技术使用了孪生网络来同时输入两个手势样本，判断样本之间的相似性，利用
模板匹配方法进行分类，实现高精度的小样本手势识别。本专利技术只需要少量新场景的训练样本，即可获得手势分类高准确率。
[0014]步骤S2中，对所述相位序列进行预处理的具体实现过程包括：使用Savitzky
‑
Golay滤波器对所述相位序列进行滤波，过滤环境噪声；对过滤后的相位序列使用Min
‑
Max规范化方法进行归一化，得到预处理后的相位序列。
[0015]步骤S5中，所述孪生网络包括两个权值共享的神经网络。权值共享即两个独立的神经网络共用一套网络的权值。权值共享的优点在于降低了网络的参数量，同时两个网络对相同的输入产生的输出相同，不会出现相同输入不同输出的情况。
[0016]两个所述神经网络结构相同；所述神经网络包括依次连接的第一卷积层、第一最大池化层、第二卷积层、第二最大池化层和全连阶层。卷积层能够提取频谱图的局部特征，扩大网络的感受域从而获得辨识度高的特征；而池化层能够有效降低网络的参数量，加快网络训练速度；最后全连接层将二维特征转换为一维特征，便于计算特征之间相似度。
[0017]所述孪生网络的损失函数L(W)为：
[0018][0019]其中W是孪生网络参数，N是输入的对数，是第n个输入，和是任意两个手势样本，Y
n
为和是否同类的标签，同类为0，否则为1；D(W,S
n
)为两个输入特征的欧氏距离；m是不同类样本距离的边界约束，使得不同类样本距离被限制在m内。该损失函数的优点在于：当输入的样本对属于同一类时(即Y
n
＝0)，若和之间相似度大，则损失函数也大，反之亦然；若不属于同一类，则和之间相似度大，损失函数小，反之亦然。因此，通过该损失函数来优化网络，能够提高同类样本的相似度，降低不同类样本的相似度，从而提高分类准确率。
[0020]作为一个专利技术构思，本专利技术还提供了一种计算机装置，包括存储器、处理器及存储在存储器上的计算机程序；所述处理器执行所述计算机程序，以实现本专利技术所述方法的步骤。
[0021]作为一个专利技术构思，本专利技术还提供了一种计算机程序产品，包括计算机程序/指令；该计算机程序/指令被处理器执行时实现本专利技术所述方法的步骤。
[0022]作为一个专利技术构思，本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序/指令；所述计算机程序/指令被处理器执行时实现本专利技术所述方法的步骤。
[0023]与现有技术相比，本专利技术所具有的有益效果为：本专利技术设计的基于小样本学习的RFID手势识别方法，通过RFID设备获取用户手势引起的相位值，并通过短时傅里叶变换将时域特征向量扩展到时频域中，利用孪生网络来对用户手势进行识别，从而实现小样本情况下高准确率的RFID手势识别。本专利技术方法不仅可以大幅降低识别模型所需的训练样本，减少无线感知系统的部署成本，而且取得了较高的识别精度，实用性强。
附图说明
[0024]图1为本专利技术实施例方法流程图；
[0025]图2为本专利技术实施例方法采用的孪生网络结构示意图；
[0026]图3为本专利技术实施例方法识别的手势；
[0027]图4为本专利技术实施例方法与4种已有方法的结果对比示意图。
具体实施方式
[0028]本专利技术实施例方法包括如下步骤：
[0029]S1.利用商用RFID设备获取用户手势产生的相位序列。
[0030]S2.对步骤1获得的相位序列进行去噪与归一化，并标识手势类型。
[0031]S3.利用短时傅里叶变换对步骤2获得的相位序列进行转换，得到相应的频谱图。
[0032]S4.采用步骤3得到的每个手势对应的频谱图作为训练样本，对每个训练样本进行一一配对组成数据对，得到孪生网络的数据集。并将得到的数据对输入到网络进行训练，得到RFID手势识别模型。
[0033]S5.将待识别的手势数据和已标识的手势数据进行一一配对，输入到步骤S4得到的RFID手势识别模型中，利用模板匹配的方法对手势数据进行识别。
[0034]步骤S1所述的获取用户手势产生的相位序列，具体为通过英频杰Speedway R420阅读器、圆极化Laird S9028PCL天线和Monza AZ
‑
8654无源RFID标签来收集用户手势产生的相位数据。
[0035]步骤S 2所述的对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种RFID手势识别方法，其特征在于，包括以下步骤：S1、获取用户手势产生的相位序列；S2、对所述相位序列进行预处理，并标识手势类型；S3、获取预处理后的相位序列的频谱图；S4、将每个手势对应的频谱图作为训练样本，对每个训练样本进行配对，得到孪生网络数据集；S5、利用所述孪生网络数据集训练孪生网络，得到RFID手势识别模型；S6、将待识别的手势样本和已标识的训练样本进行一一配对，将配对后的数据作为所述RFID手势识别模型的输入，利用模板匹配的方法对手势样本进行识别。2.根据权利要求1所述的RFID手势识别方法，其特征在于，步骤S2中，对所述相位序列进行预处理的具体实现过程包括：使用Savitzky
‑
Golay滤波器对所述相位序列进行滤波，过滤环境噪声；对过滤后的相位序列使用Min
‑
Max规范化方法进行归一化，得到预处理后的相位序列。3.根据权利要求1所述的RFID手势识别方法，其特征在于，步骤S5中，所述孪生网络包括两个权值共享的神经网络。4.根据权利要求3所述的RFID手...

【专利技术属性】
技术研发人员：张士庚，马子靖，王伟平，
申请(专利权)人：中南大学，
类型：发明
国别省市：