WiNet：一种适用于无线感知场景的步态识别模型

发布时间：2021-06-03 20:06

　　针对现有基于Wi-Fi信号感知步态识别研究存在的特征获取不足、多人场景下单目标识别准确率低的问题,提出了一种基于频率能量图的步态识别模型WiNet。在对信道状态信息影响因子分析的基础上,选取其中的振幅数据作为步态识别的基础数据;采用频率能量图对原始采集数据进行有效重构使其能够同时容纳步态行为对子载波内和子载波间扰动而产生的有效特征,步态特征的个体辨识度得到较大增强;将频率能量图作为卷积神经网络模型的输入矩阵,经过多组卷积、正则和激活操作,再使用Softmax方法进行分类,得到步态行为对应的个体身份,实现了Wi-Fi环境下高准确率的多人场景单目标步态识别。与全连接神经网络、循环神经网络及基于卷积神经网络的步态识别模型进行了比较,结果表明:WiNet在40人场景实验中识别准确率达到98.5%,识别准确率得到明显提升;在典型强/弱多径效应环境及5种人体状态的对比实验中,WiNet均能达到92%以上的识别准确率,具有良好的识别效果和鲁棒性。 

【文章来源】：西安交通大学学报. 2020,54(07)北大核心EICSCD

【文章页数】：9 页

【部分图文】：

无线信道对子载波能量分布的影响

将原始CSI数据重构成频率能量图后，步态行为的时间特征和空间特征得以完整保留，再结合卷积神经网络在多维矩阵特征提取方面的明显优势，设计了一种适用于Wi-Fi感知场景的步态识别模型WiNet，整体结构如图3所示。WiNet模型中：频率能量图生成部分的操作包括数据采集、数据选择和数据重构3部分；步态识别部分则以频率能量图作为输入，基于经典的卷积神经网络操作流程，经过多组CNR操作处理，使用Softmax方法进行分类，得到的最终输出即为步态识别的结果。

通过使用交叉熵函数作为优化目标，可以使得训练数据上学习到的预测数据分布和真实数据分布保持较好的一致性。经过多次迭代，WiNet模型的各项评估指标均达到现阶段研究的先进水平，在基于Wi-Fi感知的多人场景步态识别中表现出较好的性能。2 实验及结果分析

【参考文献】：
期刊论文
[1]非接触式身份识别的深度学习算法[J]. 余星达,陈文杰,王鼎,曹仰杰,陈荟慧.  西安交通大学学报. 2019(04)
[2]基于WiFi信号的人体行为感知技术研究综述[J]. 鲁勇,吕绍和,王晓东,周兴铭.  计算机学报. 2019(02)
[3]均值张量成分分析及其在步态识别中的应用[J]. 贲晛烨,张鹏,孙成立,孟维晓.  西安交通大学学报. 2015(12)
[4]行人步态的特征表达及识别综述[J]. 贲晛烨,徐森,王科俊.  模式识别与人工智能. 2012(01)



本文编号：3211169