目标身份识别和位置估计的方法技术

本发明专利技术提供了一种目标身份识别和位置估计的方法，主要包括以下步骤：测量发射端的CSI信号；对CSI信号进行预处理；提取CSI信号中的数据；构建基于身份和位置识别的训练CSI指纹数据库；对CSI信号所形成的矩阵进行升维，通过特征提取模块对CSI信号的特征图进行特征提取；为不同的通道设定不同的自适应阈值；通过两条卷积神经网络分支分别进行定位和身份识别；测量接收端的CSI信号，构建实时的测试CSI指纹数据库；将得到CSI信号的特征图作为输入，完成目标的身份识别和位置估计。相较于现有技术，本发明专利技术通过特征提取以及双卷积神经网络，能够同时对位置和身份的进行高精度的联合识别。别。别。

【技术实现步骤摘要】
目标身份识别和位置估计的方法


[0001]本专利技术涉及一种目标身份识别和位置估计的方法，属于信号处理领域。

技术介绍

[0002]随着计算机技术的发展，人机交互成为了融合物理世界和信息世界的关键，身份识别为人机交互的安全性提供了保障。现有的身份识别技术主要包括基于计算机视觉、生物特征和传感器等识别技术。虽然计算机视觉身份识别方法已经达到了良好的识别精度，但极易对用户造成隐私侵犯问题，而且视觉的识别结果取决于周围环境的照明条件；基于生物特征的身份识别虽然能获取更高的身份识别精度，但是收集生物特征通常会给用户带来不好的体验；基于传感器的身份识别方法必须以特定的方式穿戴传感器设备，具有携带不方便和设备过于昂贵的问题。
[0003]近年来，随着无线网络技术的飞速发展和WiFi设备的大面积普及，WiFi信号已经遍布在人们的生活环境中。WiFi网络具有覆盖范围广、安全和快速等优势，是构建无设备人机交互的理想信号参量。研究表明无线网络不仅可以用来传输数据，还可以对周围环境变换进行感知，如人员检测、室内定位、动作识别等。利用无线信号的信道状态信息对目标身份识别引起研究人员的关注。由于复杂环境的干扰，通常情况下，发射端的信号经人体、房顶及其它障碍物的反射、散射、绕射等多条路径传播。在接收端得到的多径叠加信号就会携带反映环境的特征信息。信道状态信息是正交频分复用技术中对信道状态的估计，是一种更细粒度的物理层信息。
[0004]有鉴于此，确有必要提出一种目标身份识别和位置估计的方法，以解决上述问题。

技术实现思路

[0005]本专利技术的目的在于提供一种目标身份识别和位置估计的方法，通过机器学习实现在无设备的条件下，进行目标的身份识别和位置估计。
[0006]为实现上述目的，本专利技术提供了一种目标身份识别和位置估计的方法，主要包括以下步骤：
[0007]步骤1、设置WiFi信号的发射端和接收端，使目标位于不同的参考位置点，测量发射端的CSI信号；
[0008]步骤2、对CSI信号进行预处理，去除其中的环境噪声和高频部分；
[0009]步骤3、提取CSI信号中的数据并形成3
×3×
30的矩阵；
[0010]步骤4、构建基于身份和位置识别的训练CSI指纹数据库；
[0011]步骤5、对CSI信号所形成的矩阵进行升维，由C
×
L变为C
×
H
×
W，通过特征提取模块对CSI信号的特征图进行特征提取；
[0012]步骤6、构建残差收缩模块，为不同的通道设定不同的自适应阈值；
[0013]步骤7、构建分类模块，通过两条卷积神经网络分支分别进行定位和身份识别；
[0014]步骤8、测量接收端的CSI信号，重复步骤2
‑
步骤4并构建实时的测试CSI指纹数据
库；
[0015]步骤9、重复步骤5，将得到CSI信号的特征图作为输入，重复步骤6和步骤7，完成目标的身份识别和位置估计。
[0016]作为本专利技术的进一步改进，包括离线阶段和在线阶段，其中步骤1
‑
7在离线阶段完成，步骤8
‑
9在在线阶段完成。
[0017]作为本专利技术的进一步改进，所述发射端设有发射天线，所述接收端设有接收天线，步骤2具体包括如下步骤：
[0018]步骤21、在发射端和接收端各选取1根发射天线和1根接收天线进行测量；
[0019]步骤22、利用Hampel滤波器对CSI信号进行异常值处理；
[0020]步骤23、对经过Hampel滤波器处理后的CSI信号进行小波变换；
[0021]步骤24、量化小波变换后的各层系数；
[0022]步骤25、用量化后的各层系数进行重构，得到原始信号的估计值。
[0023]作为本专利技术的进一步改进，所述特征提取模块由Conv层、BN层和ReLU层组成。
[0024]作为本专利技术的进一步改进，所述ReLU层中采用ReLU激活函数，所述ReLU激活函数为
[0025]f(x)＝max(0，x)，
[0026]其中，x为ReLU激活函数的输入。
[0027]作为本专利技术的进一步改进，所述残差收缩模块包括4个[1,1,1,1]结构。
[0028]作为本专利技术的进一步改进，所述残差收缩模块还包括软阈值函数，所述软阈值函数为
[0029][0030]其中，τ为所述残差收缩模块中子网络学习到的阈值。
[0031]作为本专利技术的进一步改进，所述分类模块包括两条卷积神经网络分支，两条所述卷积神经网络分支均由Conv层、BN层、ReLU层、自适应平均池化层和全连接层组成。
[0032]作为本专利技术的进一步改进，所述全连接层通过Sigmoid激活函数进行输出，所述Sigmoid激活函数为
[0033][0034]作为本专利技术的进一步改进，采用无线路由器作为发射端，将Inter5300的无线网卡插入电脑中作为WiFi信号的接收端。
[0035]本专利技术的有益效果是：本专利技术利用WiFi信号的信道状态信息结合估计目标的身份和位置，能够充分应用场景下已有设备，从而提高了方法的实用性和便捷性，优化成本。同时，利用Hampel滤波器对信道状态进行异常值处理，利用小波变换阈值法去噪，既消除了噪声，同时很好地保留了反映原始信号的峰值信息；利用通道维度和时间维度信息描述训练数据的指纹信息；利用堆叠大量的残差收缩单元形成残差收缩模块，逐渐减少与噪声相关的特征，增加与任务相关的特征，能够在多任务学习的框架下通过多任务信息共享提升整
体的学习效果。
附图说明
[0036]图1是本专利技术目标身份识别和位置估计的方法的流程示意图。
[0037]图2是本专利技术的实验场景设计示意图。
[0038]图3是本专利技术目标身份识别和位置估计的方法的框架流程图。
[0039]图4是本专利技术目标身份识别和位置估计的方法中特征提取模块、残差收缩模块和分类模块的结构图。
[0040]图5是本专利技术目标身份识别和位置估计的方法中残差收缩模块的算法图。
[0041]图6是本专利技术目标身份识别和位置估计的方法中残差收缩模块的性能示意图。
具体实施方式
[0042]为了使本专利技术的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本专利技术进行详细描述。
[0043]在此，需要说明的是，为了避免因不必要的细节而模糊了本专利技术，在附图中仅仅示出了与本专利技术的方案密切相关的结构和/或处理步骤，而省略了与本专利技术关系不大的其他细节。
[0044]另外，还需要说明的是，术语“包括”、“包含”或者任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0045]如图1至图6所示，本专利技术提出了一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标身份识别和位置估计的方法，其特征在于，主要包括以下步骤：步骤1、设置WiFi信号的发射端和接收端，使目标位于不同的参考位置点，测量发射端的CSI信号；步骤2、对CSI信号进行预处理，去除其中的环境噪声和高频部分；步骤3、提取CSI信号中的数据并形成3
×3×
30的矩阵；步骤4、构建基于身份和位置识别的训练CSI指纹数据库；步骤5、对CSI信号所形成的矩阵进行升维，由C
×
L变为C
×
H
×
W，通过特征提取模块对CSI信号的特征图进行特征提取；步骤6、构建残差收缩模块，为不同的通道设定不同的自适应阈值；步骤7、构建分类模块，通过两条卷积神经网络分支分别进行定位和身份识别；步骤8、测量接收端的CSI信号，重复步骤2
‑
步骤4并构建实时的测试CSI指纹数据库；步骤9、重复步骤5，将得到CSI信号的特征图作为输入，重复步骤6和步骤7，完成目标的身份识别和位置估计。2.根据权利要求1所述的目标身份识别和位置估计的方法，其特征在于：包括离线阶段和在线阶段，其中步骤1
‑
7在离线阶段完成，步骤8
‑
9在在线阶段完成。3.根据权利要求1所述的目标身份识别和位置估计的方法，其特征在于，所述发射端设有发射天线，所述接收端设有接收天线，步骤2具体包括如下步骤：步骤21、在发射端和接收端各选取1根发射天线和1根接收天线进行测量；步骤22...

【专利技术属性】
技术研发人员：颜俊，郭延昭，曹艳华，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：