申请/专利权人：浙江工业大学

申请日：2020-09-10

公开（公告）日：2024-04-02

公开（公告）号：CN112183586B

主分类号：G06F18/214

分类号：G06F18/214;G06F18/24;G06K17/00;G06N3/0464;G06N3/09

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2021.01.22#实质审查的生效;2021.01.05#公开

摘要：一种在线多任务学习的人体姿态射频识别方法包括以下步骤：步骤1：部署无源RFID电子标签、天线和读写器；步骤2：采集数据，训练站立姿态分类器以及相关任务分类器；步骤3：对在线目标进行姿态识别，对识别结果设计评价指标。本发明使用RFID技术识别人体姿态，无需摄像头采集人像，不影响隐私，也不需要佩戴各种传感器，更加方便；使用在线学习特征的多任务学习方法训练卷积神经网络，可以在线实时更新分类器，使得模型泛化能力更强，识别精度更高。

主权项：1.一种在线多任务学习的人体姿态射频识别方法，包括以下步骤：步骤1：部署无源RFID电子标签、天线和读写器；步骤2：采集数据，训练站立姿态分类器以及相关任务分类器；具体包括：2.1、测试人员以不同姿态站立、坐着、躺卧，对不同的姿势都记录一段时间的数据，得到站立、坐着和躺卧的不同相位序列数组，数组的每个元素都是每个时隙上的RSSI值；当测试人员在改变姿势时，相应的RSSI值也会发生变化，每一时刻的数组数据都表示为一帧；2.2、数据预处理；2.2.1、删除射频识别系统中硬件造成的恒定相移；输入原始的相位序列数组，对相邻两个相位测量值进行比较，并应用阈值来检测和校准相移，阈值设置为与硬件造成的恒定相移一致；如果相邻两个测量值之间的相位差超过了一个阈值，通过在离群点上增加或减少一个阈值来校准相移；2.2.2、消除室内环境中的多径效应；采用小波去噪滤波器去除测量相位序列中的高频噪声；2.3、基于步骤2.2的数据训练多任务卷积神经网络，以训练站立姿态分类器为主任务，坐姿和睡姿识别任务为相关任务进行关联训练，利用任务之间的相关性在线更新分类器；步骤3：对在线目标进行姿态识别，对识别结果设计评价指标；3.1、将每一时刻采集到的数据作为当前帧数据，进行特征参数提取采用滑动窗口将采集到的相序列分割为若干段，提取每个片段的“相序平均值”、“相序中位数”、“信号强度S”和“信息量Q”特征，S和Q的计算方式分别如公式1和公式2所示，其中α是快速傅里叶变换系数，N是滑动窗口的大小，ni是快速傅里叶变换系数归一化值；公式1： 公式2： 3.2、将提取的特征参数输入步骤2得到的分类器，进行在线学习特征，得到当前姿态识别结果，同时在线更新分类器，使得多任务卷积神经网络模型的识别结果更加准确；3.3、使用交叉验证并使用准确性、F1得分、精确度和召回率四个度量标准来评价分类器性能；在评估每个姿势的特征分割的准确性方面，使用每个边界与理论值的偏移量作为评价指标，偏移量越大则误差越大。

全文数据：

权利要求：

百度查询： 浙江工业大学 在线多任务学习的人体姿态射频识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD