一种基于无线信号的动作识别方法及系统技术方案

本发明专利技术属于无线信号动作识别领域，具体涉及一种基于无线信号的动作识别方法，包括：基于无线信号采集识别区域的信道状态信息；根据所述信道状态信息通过SOM聚类算法获取信道状态信息数据序列；根据所述信道状态信息数据序列生成对应的特征图像；将所述特征图像输入至卷积神经网络模型中，以得到特征矩阵；采用聚谱类算法聚类得到所述特征矩阵对应的定位信息；将所述特征矩阵输入至Bi

【技术实现步骤摘要】
一种基于无线信号的动作识别方法及系统


[0001]本专利技术属于无线信号动作识别领域，具体涉及一种基于无线信号的动作识别方法及系统。

技术介绍

[0002]近年来，随着无线网络技术的发展，无线网络已经渗透到人们生活的方方面面，使用无线信号进行人体动作的检测和识别的方法在智能家居、医疗辅助、和情感追踪等领域起到了重要作用，受到了大量研究人员的关注和研究。然而，无线信号在动作检测与识别方面多用于室内环境，在室外环境干扰多，检测难度大；另一方面，现有的对公共区域的违规动作检测需要耗费大量人力，智能化程度低。#

技术实现思路

[0003]鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种动作识别方法，解决现有违规动作行为检测与纠正需要耗费大量人力、公共区域违规行为纠正成本高的问题，合理调配资源，更好地应用于违规动作检测与纠正场景。
[0004]为实现上述目的及其他相关目的，本专利技术提供一种基于无线信号的动作识别方法，包括：基于无线信号采集识别区域的信道状态信息；根据所述信道状态信息通过SOM聚类算法获取信道状态信息数据序列；根据所述信道状态信息数据序列生成对应的特征图像；将所述特征图像输入至卷积神经网络模型中，以得到特征矩阵；采用谱聚类算法聚类得到所述特征矩阵对应的定位信息；将所述特征矩阵输入至Bi
‑
LSTM神经网络中，以得到所述特征矩阵对应的动作类型。
[0005]根据本专利技术一具体实施例，所述识别区域的信道状态信息为天线链路中的子载波。
[0006]根据本专利技术一具体实施例，所述根据所述信道状态信息通过SOM聚类算法获取信道状态信息数据序列的步骤包括：步骤S21，计算每一个所述子载波与竞争层每个节点之间的欧式距离；步骤S22，根据欧式距离选择获胜节点；其中，所述获胜节点与所述子载波之间的欧式距离最短；步骤S23，采用随机梯度下降法优化所述获胜节点和其邻近节点的权重，以使所述获胜节点和所述邻近节点向所述子载波靠近；步骤S24，选取周围所述获胜节点和邻近节点最少的子载波作为目标子载波。
[0007]根据本专利技术一具体实施例，所述根据所述信道状态信息数据序列生成对应的特征图像的步骤包括：采用巴特沃斯低通滤波器滤除所述信道状态信息数据序列的噪声；采用均值滤波算法对去噪的所述信道状态信息数据序列进行平滑处理；对去噪和平滑处理的所述信道状态信息数据序列的采用GAFS转换成所述特征图像。
[0008]根据本专利技术一具体实施例，所述将所述特征矩阵输入至Bi
‑
LSTM神经网络中，以得到所述特征矩阵对应的动作类型的步骤包括：步骤S61，对所述特征矩阵采用mask进行处理；步骤S62，将处理后的所述特征矩阵输入到Bi
‑
LSTM神经网络的前向LSTM层和后向LSTM
层进行计算，得到所述特征矩阵中的有效信息；步骤S63，通过全连接层对所述有效信息进行连接并映射到样本标记空间，得到动作类型数据总合；步骤S64，采用Logistic回归分类器对所述动作类型数据总合进行分类，得到所述动作类型。
[0009]根据本专利技术一具体实施例，所述动作识别方法还包括：根据所述定位信息和所述动作类型进行识别：将所述动作类型和所述定位信息与预存的动作信息和区域信息进行判断：当所述定位信息位于所述区域信息，且所述动作类型满足所述区域信息对应的所述动作信息，则判定为合规动作；否则进行预警。
[0010]根据本专利技术一具体实施例，所述预警还包括提供正确的动作展示。
[0011]一种基于无线信号的动作识别系统，包括：信息采集模块，用于基于无线信号采集识别区域的信道状态信息；第一信息提取模块，用于根据所述信道状态信息通过SOM聚类算法获取信道状态信息数据序列；第二信息提取模块，用于根据所述信道状态信息数据序列生成对应的特征图像；第三信息提取模块，用于将所述特征图像输入至卷积神经网络模型中，以得到特征矩阵；第一信息计算模块，用于采用谱聚类算法聚类得到所述特征矩阵对应的定位信息；第二信息计算模块，用于将所述特征矩阵输入至Bi
‑
LSTM神经网络中，以得到所述特征矩阵对应的动作类型。
[0012]一种基于无线信号的动作识别设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
[0013]一种计算机可读介质，其上存储有指令，所述指令由处理器加载并执行上述任一项所述的方法。
[0014]本专利技术的技术效果在于，基于无线信号提取对象轮廓及空间扰动特征；对信道状态信息进行处理生成特征图像；使用卷积神经网络确定目标位置；使用Bi
‑
LSTM神经网络进行动作识别；根据对象定位与动作和被控单元建立联系，实现无接触交互控制，与被控单元之间建立联系，实现无接触交互控制。本专利技术不仅确保用户使用摄像头时的隐私安全，而且降低了用户的使用成本，同时提高了动作检测的效率并减少了人力资源消耗，增强了系统的适配性和灵活性。
附图说明
[0015]图1为本专利技术一实施例所提供的一种基于无线信号的动作识别方法流程示意图；
[0016]图2为本专利技术所提供的一具体实施例动作识别方法的示意图；
[0017]图3为本专利技术一实施例所提供的一种基于无线信号的动作识别系统流程示意图；
[0018]图4为本专利技术一实施例所提供的一种基于无线信号的动作识别设备结构示意图。
具体实施方式
[0019]以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。
[0020]请参阅图1
‑
4。需要说明的是，本实施例中所提供的图示仅以示意方式说明本专利技术
的基本构想，遂图式中仅显示与本专利技术中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
[0021]本申请实施例通过卷积神经网络和Bi
‑
LSTM神经网络提取信道状态信息数据序列中的特征数据，从而进行识别。卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习(deep learning)的代表算法之一。双向长短期记忆神经网络(Bi
‑
directional Long Short
‑
Term Memory)由前向LSTM与后向LSTM结合而成，在自然语言处理任务中都常被用来建模上下文信息，可以更好的捕捉双向的语义依赖。
[0022]所述基于无线信号的动作识别方法应用于一个或者本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无线信号的动作识别方法，其特征在于，包括：基于无线信号采集识别区域的信道状态信息；根据所述信道状态信息通过SOM聚类算法获取信道状态信息数据序列；根据所述信道状态信息数据序列生成对应的特征图像；将所述特征图像输入至卷积神经网络模型中，以得到特征矩阵；采用谱聚类算法聚类得到所述特征矩阵对应的定位信息；将所述特征矩阵输入至Bi
‑
LSTM神经网络中，以得到所述特征矩阵对应的动作类型。2.根据权利要求1所述的动作识别方法，其特征在于，所述识别区域的信道状态信息为天线链路中的子载波。3.根据权利要求2所述的动作识别方法，其特征在于，所述根据所述信道状态信息通过SOM聚类算法获取信道状态信息数据序列的步骤包括：步骤S21，计算每一个所述子载波与竞争层每个节点之间的欧式距离；步骤S22，根据欧式距离选择获胜节点；其中，所述获胜节点与所述子载波之间的欧式距离最短；步骤S23，采用随机梯度下降法优化所述获胜节点和其邻近节点的权重，以使所述获胜节点和所述邻近节点向所述子载波靠近；步骤S24，选取周围所述获胜节点和邻近节点最少的子载波作为目标子载波。4.根据权利要求1所述的动作识别方法，其特征在于，所述根据所述信道状态信息数据序列生成对应的特征图像的步骤包括：采用巴特沃斯低通滤波器滤除所述信道状态信息数据序列的噪声；采用均值滤波算法对去噪的所述信道状态信息数据序列进行平滑处理；对去噪和平滑处理的所述信道状态信息数据序列的采用GAFS转换成所述特征图像。5.根据权利要求1所述的动作识别方法，其特征在于，所述将所述特征矩阵输入至Bi
‑
LSTM神经网络中，以得到所述特征矩阵对应的动作类型的步骤包括：步骤S61，对所述特征矩阵采用mask进行处理；步骤S62，将处理后的所述特征矩阵输入到Bi...

【专利技术属性】
技术研发人员：张至研，卫星，鲍腾飞，何煦，李宝璐，陆阳，赵冲，杨帆，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：