【技术实现步骤摘要】
本专利技术涉及人体检测，特别涉及一种基于特征比例的静态人体检测系统与方法。
技术介绍
1、由于wifi信号的广泛应用，相关文献中已经涉及大量的研究。根据研究方法的不同，这些研究主要可以分为以下三类：
2、（1）手工特征结合分类算法：在早期的wifi-csi研究中，主要的方法是从csi数据中手动提取特征，并且运用如支持向量机（svm）、阈值划分等算法进行分类。机器学习方法相较于简单的阈值划分在处理wifi-csi数据时具有显著优势。首先，这些算法能够根据数据的变化自适应调整，更好地适应不同环境下wifi信号的特征变化。其次，机器学习模型能够处理复杂的非线性关系，这对于描述wifi信号在不同环境和干扰下的行为至关重要。最后，经过训练的机器学习模型通常具有较好的泛化能力，能够处理未见过的数据并在面对噪声和变化时保持稳健性，这使得它们在实际应用中更为可靠和有效。最初的方式侧重于手动提取特征并结合阈值划分方法，随时间的推移，后续的方式都选择使用svm对提取到的特征进行分类。
3、（2）手工特征结合深度学习：深度学习因其强大的学习能力而在特征提取和分类任务中表现出色。深度学习模型通过多层次的非线性变换，能够从原始数据中学习到更高级、更抽象的特征表示。这种能力使得深度学习在处理复杂数据如图像、语音和文本时特别有效，同时在处理wifi-csi数据等具有复杂结构和非线性特征的领域中也显示出潜力。深度学习的广泛应用包括卷积神经网络（cnn）用于图像处理、循环神经网络（rnn）用于序列数据，以及更复杂的模型如transform
4、（3）深度提取：传统的机器提取方法往往依赖于手动设计的特征提取器，这些特征通常是人为选择、基于经验的。相比之下，深度提取模型通过多层次的神经网络结构，可以自动提取到更高级和抽象的特征表示，这些特征往往更能反映数据中的复杂模式和关联。因此，深度提取不仅能够提取数据中的关键特征，还能够利用这些特征进行精确的分类和预测，这使得深度提取在wifi-csi研究领域中成为一种重要的研究方法。以wivi为例，其基于多模态思想，采用cnn模型分别从csi数据和图像数据中提取特征，然后通过dnn模型融合这些特征并进行分类。
5、虽然wifi-csi研究领域已经出现许多研究的成果，但大多数都是针对问题本身。这些方法着眼于解决人体感知、室内定位、活动识别等问题，却未考虑时间域和空间域变化对csi数据的影响。一些方法在不跨时间域和空间域的情况下，在人体感知邻域对于一些类别的检测甚至能够达到100%的准确率。
6、时间域的问题：不同时间段采集到的数据通过提取特征并可视化后，可能会表现出一定的差异。
7、在人体感知领域，一般将人类的活动划分为三大类，运动、静止以及无人。这三类中运动是相对好检测的，许多情况下如跌倒检测、入侵检测等都已经取得了很好的成果，而静止和无人相对较难分别。
技术实现思路
1、基于此，本专利技术的目的是提供一种基于特征比例的静态人体检测系统与方法，以至少解决上述技术中的不足。
2、本专利技术提出一种基于特征比例的静态人体检测系统，包括：
3、数据预处理模块，用于对所获取的csi原始数据进行数据预处理，以去除所述csi原始数据中的异常数据，得到预处理数据；
4、特征提取模块，用于对所述预处理数据进行特征提取，并基于所提取的特征数据计算出所述预处理数据的特征比率；
5、模型训练模块，用于构建数据分类模型，并利用所述预处理数据的特征比率对所述数据分类模型进行模型训练，以得到数据融合模型；
6、特征比率计算模块，用于对所获取的待识别数据进行数据预处理，以计算出所述待识别数据的特征比率，并利用所述待识别数据的特征比率输入至所述数据融合模型中，以构建对应的特征融合模型；
7、状态检测模块，用于根据所述特征融合模型构建出人体检测模型，并利用所述人体检测模型实现对人体状态的检测。
8、进一步的，所述数据预处理模块包括：
9、滤波处理单元，用于利用滤波算法对所述csi原始数据进行滤波处理，并对滤波处理后的csi原始数据进行数据校准和校正，以得到初步处理数据；
10、异常点识别单元，用于识别出所述初步处理数据中的异常点，并对所述异常点进行数据处理，以得到对应的预处理数据。
11、进一步的，所述特征提取模块包括：
12、特征提取单元，用于对所述预处理数据进行特征提取，以构建所述预处理数据的若干子特征数据；
13、数据对比单元，用于根据各所述子特征数据进行数据比对，以计算出所述预处理数据的特征比率。
14、进一步的，所述特征比率计算模块包括：
15、模型优化单元，用于构建初步融合模型，并优化所述初步融合模型的模型参数，以得到融合优化模型；
16、特征融合单元，用于将所述待识别数据的特征比率输入至所述融合优化模型中进行特征融合，以构建特征融合模型。
17、进一步的，所述状态检测模块包括：
18、卷积处理单元，用于将所述特征融合模型的输出数据进行三次卷积操作，以得到对应的特征输出数据；
19、状态检测单元，用于引入注意力模块，并利用所述注意力模块对所述特征输出数据进行数据处理，以实现人体状态的检测。
20、本专利技术还提出一种基于特征比例的静态人体检测方法，包括：
21、对所获取的csi原始数据进行数据预处理，以去除所述csi原始数据中的异常数据，得到预处理数据；
22、对所述预处理数据进行特征提取，并基于所提取的特征数据计算出所述预处理数据的特征比率；
23、构建数据分类模型，并利用所述预处理数据的特征比率对所述数据分类模型进行模型训练，以得到数据融合模型；
24、对所获取的待识别数据进行数据预处理，以计算出所述待识别数据的特征比率，并利用所述待识别数据的特征比率输入至所述数据融合模型中，以构建对应的特征融合模型；
25、根据所述特征融合模型构建出人体检测模型，并利用所述人体检测模型实现对人体状态的检测。
26、进一步的，对所获取的csi原始数据进行数据预处理，以去除所述csi原始数据中的异常数据，得到预处理数据的步骤包括：
27、利用滤波算法对所述csi原始数据进行滤波处理，并对滤波处理后的csi原始数据进行数据校准和校正，以得到初步处理数据；
28、识别出所述初步处理数据中的异常点，并对所述异常点进行数据处理，以得到对应的预处理数据。
29、进一步的，对所述预处理数据进行特征提取，并基于所提取的特征数据计算出所述预处理数据的特征比率的步骤包括：
30、对所本文档来自技高网...
【技术保护点】
1.一种基于特征比例的静态人体检测系统，其特征在于，包括：
2.根据权利要求1所述的基于特征比例的静态人体检测系统，其特征在于，所述数据预处理模块包括：
3.根据权利要求1所述的基于特征比例的静态人体检测系统，其特征在于，所述特征提取模块包括：
4.根据权利要求1所述的基于特征比例的静态人体检测系统，其特征在于，所述特征比率计算模块包括：
5.根据权利要求1所述的基于特征比例的静态人体检测系统，其特征在于，所述状态检测模块包括：
6.一种基于特征比例的静态人体检测方法，其特征在于，包括：
7.根据权利要求6所述的基于特征比例的静态人体检测方法，其特征在于，对所获取的CSI原始数据进行数据预处理，以去除所述CSI原始数据中的异常数据，得到预处理数据的步骤包括：
8.根据权利要求6所述的基于特征比例的静态人体检测方法，其特征在于，对所述预处理数据进行特征提取，并基于所提取的特征数据计算出所述预处理数据的特征比率的步骤包括：
9.根据权利要求6所述的基于特征比例的静态人体检测方法，其特征在于
10.根据权利要求6所述的基于特征比例的静态人体检测方法，其特征在于，根据所述特征融合模型构建出人体检测模型，并利用所述人体检测模型实现对人体状态的检测的步骤包括：
...【技术特征摘要】
1.一种基于特征比例的静态人体检测系统，其特征在于，包括：
2.根据权利要求1所述的基于特征比例的静态人体检测系统，其特征在于，所述数据预处理模块包括：
3.根据权利要求1所述的基于特征比例的静态人体检测系统，其特征在于，所述特征提取模块包括：
4.根据权利要求1所述的基于特征比例的静态人体检测系统，其特征在于，所述特征比率计算模块包括：
5.根据权利要求1所述的基于特征比例的静态人体检测系统，其特征在于，所述状态检测模块包括：
6.一种基于特征比例的静态人体检测方法，其特征在于，包括：
7.根据权利要求6所述的基于特征比例的静态人体检测方法，其特征在于...
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。