本发明专利技术涉及身份识别技术领域，具体公开了一种基于射频指纹深度学习的身份识别的方法及装置，包括以下步骤：S1：设置身份检测区域，所述身份检测区域内设有无线信号传感器；S2：采集所述信号接收器所输出的接收信号强度，并将采集到的接收信号强度与基准值进行对比，以判断所述身份检测区域是否有人员通过；若有，则通过接收信号强度对人体引起的阴影衰落分布图像进行重构，并在人员通过身份检测区域时间内形成一段阴影衰落图像连续帧数据，并将其作为输入在长短期记忆神经网络模型进行身份识别，获得人体身份识别结果。本发明专利技术能够利用无线信号的穿透性，不存在识别盲区，同时也不需要在被测物上预先安装设备或传感器，极大地提高了识别效率。提高了识别效率。提高了识别效率。
【技术实现步骤摘要】
基于射频指纹深度学习的身份识别方法及装置
[0001]本专利技术属于身份识别
，特别涉及一种基于射频指纹深度学习的身份识别方法及装置。
技术介绍
[0002]目前，能够实现身份识别的途径有很多，传统的身份识别方法是在被测物上安装设备或者传感器，再通过感应设备对其进行感应以实现身份识别，这种方式需要预先在被测物上安装设备或者传感器，极其不方便；另一种是能够基于图像分析以实现身份识别，例如能够通过基于图像的视觉分析来识别图像中的人或者物体，但是图像的获取途径一般是通过摄像头，但是摄像头在获取图像的过程中容易存在视觉盲区，导致基于图像分析检测时容易受到视觉盲区的影响，导致识别效率低的问题。
技术实现思路
[0003]本专利技术的目的是为了解决上述现有技术的缺点和不足，提供一种基于射频指纹深度学习的身份识别方法及装置，能够利用无线信号的穿透性，不存在识别盲区，同时也不需要在被测物上预先安装设备或传感器，极大地提高了识别效率。
[0004]首先，本专利技术为解决上述问题提供了一种基于射频指纹深度学习的身份识别的方法，其包括以下步骤：
[0005]S1：设置身份检测区域，所述身份检测区域内设有无线信号传感器，所述无线信号传感器包括信号发射器及信号接收器，所述信号接收器用于接收由所述信号发射器发出的并穿过所述身份检测区域后的射频信号，并输出接收信号强度；
[0006]S2：采集所述信号接收器所输出的接收信号强度，并将采集到的接收信号强度与基准值进行对比，以判断所述身份检测区域是否有人员通过；若有，则通过接收信号强度对人体引起的阴影衰落分布图像进行重构，并在人员通过身份检测区域时间内形成一段阴影衰落图像连续帧数据，并将其作为输入在长短期记忆神经网络模型进行身份识别，获得人体身份识别结果；
[0007]所述基准值为当身份检测区域没人时所述信号接收器所输出的接收信号强度。
[0008]相对于现有技术，本专利技术通过采用无线信号实现对被测人员的身份识别，通过利用无线信号的穿透性来避免了识别盲区的问题，并且通过无线信号对被测人员进行阴影衰落图像重构，该方法不受环境光线的影响，即使在光线较差的环境中也能够准确地实现身份识别，同时利用长短期记忆神经网络模型对被测人员的射频指纹进行识别，能够有效地提高了识别准确率以及识别效率；其次，通过利用无线信号实现对被测人员的身份识别，由于无线信号传感器的电源来源为市电，因此能够有效地克服了穿戴式检测方法中由于设备电池没电导致无法工作的问题。
[0009]作为本专利技术的进一步改进，所述步骤S2中还包括对采集到的接收信号强度进行预处理，包括以下步骤：
[0010]S201：根据所述信号接收器所接收到的接收信号强度，获得原始信号；
[0011]S202：对原始信号进行滤波，获得滤波信号；
[0012]S203：对所述滤波信号进行清洗以及过滤，得到测试信号。
[0013]作为本专利技术的进一步改进，所述步骤S2中的将采集到的接收信号强度与基准值进行对比，以判断所述身份检测区域是否有人员通过包括以下步骤：
[0014]S204：根据所述测试信号，获得基准值；
[0015]S205：根据所述测试信号，获得监测值；
[0016]S206：根据监测值与基准值之间的差值，获得比对值；
[0017]S207：将所述比对值与预设阈值作比较，若比对值大于预设阈值，则判断当前身份检测区域有人员通过。
[0018]作为本专利技术的进一步改进，所述步骤S2中通过接收信号强度对人体引起的阴影衰落分布图像进行重构，并在人员通过身份检测区域时间内形成一段阴影衰落图像连续帧数据包括以下步骤：
[0019]S208：记录人员通过所述身份识别区域时的测试信号，获得检测值；
[0020]S209：根据所述检测值与所述基准值的差值，确定衰减值，所述衰减值即为该人员的射频指纹；
[0021]S210：对所述射频指纹进行图像重构，获得图像特征；
[0022]S211：对所述图像特征进行卷积处理，获得卷积特征；
[0023]S212：对所述卷积特征进行拉平处理，获得输入特征。
[0024]作为本专利技术的进一步改进，所述步骤S2中将其作为输入在长短期记忆神经网络模型进行身份识别，并获得识别结果包括以下步骤：
[0025]S213：对所述输入特征进行特征提取处理，获得输出特征；
[0026]S214：将所述输出特征输入至第一全连接网络，获得处理后特征；
[0027]S215：将所述处理后特征输入至第二全连接层，获得识别结果。
[0028]作为本专利技术的进一步改进，所述步骤S213中对所述输入特征进行特征提取处理，获得输出特征包括以下步骤：
[0029]S2131：对所述输入特征进行遗忘门信息提取处理，获得遗忘门信息；
[0030]S2132：对所述输入特征进行输入门信息提取处理，获得输入门信息；
[0031]S2133：对所述输入特征进行输出门信息提取处理，获得输出门信息；
[0032]S2134：对所述输入特征进行候选状态信息提取处理，获得候选状态信息；
[0033]S2135：基于上述步骤获取的候选状态信息、遗忘门信息以及输入门信息进行信息更新处理，获得更新信息；
[0034]S2136：基于所述更新信息以及步骤S2133获取的输出门信息进行特征输出处理，获得输出特征
[0035]作为本专利技术的进一步改进，所述步骤S214中的第一全连接网络包括多个第一全连接层以及多个批归一化层，所述批归一化层设置于相邻的两个第一全连接层之间。
[0036]作为本专利技术的进一步改进，所述步骤S215中第二全连接层中的激活函数为softmax激活函数。
[0037]作为本专利技术的进一步改进，所述步骤S202中对原始信号进行滤波包括：采用高斯
卷积平滑算法对所述原始信号进行滤波。
[0038]作为本专利技术的进一步改进，所述长短期记忆神经网络模型的训练方法为：
[0039]获取不同人员不同时序的射频指纹信息以及身份，分别作为特征以及标签构建样本数据库；
[0040]将样本数据库划分为训练集以及测试集；
[0041]通过所述训练集以及所述测试集，训练所述长短期记忆神经网络模型。
[0042]为达到本专利技术另一目的，本专利技术还提供了与上述方法对应的一种基于射频指纹深度学习的身份识别装置，其包括：
[0043]身份检测区域建立模块，所述身份检测区域建立模块用于设置身份检测区域，所述身份检测区域内设有无线信号传感器，所述无线信号传感器包括信号发射器及信号接收器，所述信号接收器用于接收由所述信号发射器发出的并穿过所述身份检测区域后的射频信号，并输出接收信号强度；
[0044]身份识别模块：所述身份识别模块用于采集所述信号接收器所输出的接收信号强度，并将采集到的接收信号强度与基准值进行对比，以判断所述身份检测区域是本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于射频指纹深度学习的身份识别方法，其特征在于，包括以下步骤：S1：设置身份检测区域，所述身份检测区域内设有无线信号传感器，所述无线信号传感器包括信号发射器及信号接收器，所述信号接收器用于接收由所述信号发射器发出的并穿过所述身份检测区域后的射频信号，并输出接收信号强度；S2：采集所述信号接收器所输出的接收信号强度，并将采集到的接收信号强度与基准值进行对比，以判断所述身份检测区域是否有人员通过；若有，则通过接收信号强度对人体引起的阴影衰落分布图像进行重构，并在人员通过身份检测区域时间内形成一段阴影衰落图像连续帧数据，并将其作为输入在长短期记忆神经网络模型进行身份识别，获得人体身份识别结果；所述基准值为当身份检测区域没人时所述信号接收器所输出的接收信号强度。2.根据权利要求1所述的基于射频指纹深度学习的身份识别方法，其特征在于，所述步骤S2中还包括对采集到的接收信号强度进行预处理，包括以下步骤：S201：根据所述信号接收器所接收到的接收信号强度，获得原始信号；S202：对原始信号进行滤波，获得滤波信号；S203：对所述滤波信号进行清洗以及过滤，得到测试信号。3.根据权利要求2所述的基于射频指纹深度学习的身份识别方法，其特征在于，所述步骤S2中的将采集到的接收信号强度与基准值进行对比，以判断所述身份检测区域是否有人员通过包括以下步骤：S204：根据所述测试信号，获得基准值；S205：根据所述测试信号，获得监测值；S206：根据监测值与基准值之间的差值，获得比对值；S207：将所述比对值与预设阈值作比较，若比对值大于预设阈值，则判断当前身份检测区域有人员通过。4.根据权利要求2所述的基于射频指纹深度学习的身份识别方法，其特征在于，所述步骤S2中通过接收信号强度对人体引起的阴影衰落分布图像进行重构，并在人员通过身份检测区域时间内形成一段阴影衰落图像连续帧数据包括以下步骤：S208：记录人员通过所述身份识别区域时的测试信号，获得检测值；S209：根据所述检测值与所述基准值的差值，确定衰减值，所述衰减值即为该人员的射频指纹；S210：对所述射频指纹进行图像重构，获得图像特征；S211：对所述图像特征进行卷积处理，获得卷积特征；S212：对所述卷积特征进行拉平处理，获得输入特征。5.根据权利要求4所述的基于射频指纹深度学习的身份识别方法，其特征在于，所述步骤S2中将其作为输入在长短期记忆神经网络模型进行身份识别，并获得识别结果包括...
【专利技术属性】
技术研发人员：黄开德，郑宜荣，罗春海，杨勇，黄子宁，戴兆吉，
申请(专利权)人：佛山科学技术学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。