一种基于环境背景无线射频信号的运动识别方法与流程

本发明属于运动识别领域，更具体地，涉及一种基于环境背景无线射频信号的运动识别方法。

背景技术：

由于包括人体手势识别等运动识别技术在人机交互方式中的低门槛性以及便捷性，使得其在智能家庭，智慧医疗，虚拟现实等应用中得到了广泛地运用。当前主流的运动识别方式主要包括基于摄像头的视觉感知、基于随身传感器的运动感知等方式，但这些方式都存在着巨大的局限性。比如基于摄像头的视觉感知要求良好的环境光照以及用户必须处在摄像头的拍摄范围内，而基于随身传感器的运动感知要求用户必须随着佩戴着指定的传感器，这些将带来极大不方便的识别方式难以应用于我们的日常生活。

基于无线信号的运动识别作为一种新兴的运动识别技术，带来巨大便利性的同时较好的保护了用户的隐私。现阶段基于无线信号的运动识别技术都属于有源识别，即要求配备能够发射特定信号的发射设备，且最理想的情况下用户距离发射设备也不能超过三十米，这无疑给其应用前景蒙上了一层阴影。同时，现有的运动识别技术只能识别事先设定好的固定运动种类，其流程如图1所示，不具备对未知运动的自主学习与识别能力，这项重大缺陷也大大制约了运动识别技术的实际应用。

技术实现要素：

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于环境背景无线射频信号的运动识别方法，其目的在于解决现有运动检测与识别技术中普遍存在的依赖特定信号源、接收与发射端需无缝协同、识别区域过小的技术问题。

为实现上述目的，本发明提供了一种基于环境背景无线射频信号的运动识别方法，包括：

s1.从待识别运动目标所处的环境背景中采集多路多频段的无线射频信号；

s2.运动特征提取：

s2.1.将采集信号中的动态频移分量与静态频移分量进行提取和分离，滤除静态频移分量与环境噪声；

s2.2.对滤波后的信号进行主成分序列的提取，并进一步分析和提取主成分序列的时频特征；

s2.3.选择并排列所采集信号的时频特征，构成待识别的运动特征时频图；

s3.采用训练好的运动判别器对提取到的运动特征时频图进行判别，得到该时频图属于已知运动类型的概率分布；当最大概率大于某种已知运动对应的预设阈值时，判定待识别的运动属于已知运动种类，并可确定其具体所属的运动种类；当该时频图对应所有已知运动类别的概率均低于预设阈值时，判定该时频图对应的待识别运动特征属于未知运动种类。

进一步地，使用主成分分析对滤波后的信号进行主成分序列的提取。

进一步地，执行步骤s2之前所述方法还包括：

分别提取采集到的多频段多路无线射频信号样本中的高相关性序列：对每一频段的无线射频信号设定多个大小确定的滑动窗口并使其依时间顺序滑动，并计算窗口中所包含信号序列间的相关性；提取出相关性大于设定阈值的时间序列所对应的信号；

将所提取序列中的信号输送至步骤s2。

进一步地，执行步骤s3之前所述方法还包括：

计算运动物体与用于采集无线射频信号的接收端的相对位置；

利用频移与速度间的相关性计算物体的运动速度，并将运动速度与运动时频特征图合并输入到步骤s3中所述的运动判别器中。

进一步地，所述方法还包括：

s4.对步骤s3中判定的所有未知运动种类对应的运动特征时频图进行聚类。

进一步地，所述方法还包括：

s5.根据聚类的结果，确定未知运动的类别数量，采用伪标签标注聚类后得到的每一种未知运动种类。

进一步地，所述方法还包括：

s6.评估聚类性能效果，当聚类性能效果高于设定阈值时，将未知运动种类的伪标签视作新的已知标签并更新至已知运动类别标签列表；

s7.根据新的已知运动类别列表重新训练运动判别器，并重复执行步骤s3-s7。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果。

(1)本发明利用物体运动会改变无线电磁波在空间上传输的路径和其他相关特征这一属性，结合环境背景无线射频信号(包括wi-fi、lte、4g和5g等)无处不在且无需额外部署信号发射源的优势，摆脱了运动识别中对特定信号源以及周围环境的依赖，并极大的拓宽了运动的可识别区域，有利于进一步发掘无线信号在运动识别领域的应用潜力。

(2)本发明利用聚类和自学习技术，首先利用标签数据训练出可识别已知运动类型的运动判别器，随后将所采集数据中的未知运动类型样本提取出来，最后对未知运动类型的样本进行聚类并标注成为新的运动类型，通过循环上述步骤，实现未知运动类型的自标签和自学习，打破了现有技术在可识别运动类型与应用场景的局限性，极大地发掘了无线信号在运动识别领域的应用潜力。

附图说明

图1为现有技术中的一种基于无线信号的运动识别方法流程图；

图2为本发明提供的基于环境背景无线射频信号的运动识别方法第一实施例的流程图；

图3为本发明提供的基于环境背景无线射频信号的运动识别方法第二实施例的流程图；

图4为本发明提供的基于环境背景无线射频信号的运动识别方法第三实施例的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

为满足当代人们对高速便捷的数据服务的需求，4g、lte、5g等环境背景无线射频信号已经得到了广泛的部署，给人们带来巨大便利的同时也紧紧的融入于我们的日常生活中。利用在无线信号传播路径上物体的运动会改变无线信号基本参数的性质，结合环境背景无线射频信号覆盖范围广的优势和自学习等技术的强大自主学习能力，本发明提出了一种基于环境背景无线射频信号的运动识别方法，摆脱了运动识别中对信号源、接收器位置、可识别动作类型和周围环境的依赖，极大的拓展了可识别区域与环境，并且能够自动针对未知运动种类进行归类和识别。

传统的基于无线信号的运动识别方法都依赖于特定的信号，主要包括wifi、调频连续波、声波、毫米波等。虽然这些方法中的信号种类多样且具备不同的传播特性，但它们都要求发射端的发送固定编码信息，以确保不会因为信号源的变化使得识别准确率降低。同时，发射端与接收端需要进行严格的时间同步操作，确保接收端能够准确计算信号的飞行时间tof(timeofflight)等信息。

本发明选择利用如4g、lte、5g等环境背景中的无线射频信号，虽然这些信号传输的信息多种多样且具有随机性，同时空间中各种不同的环境遮挡物也对识别方法的跨环境域的能力提出了巨大的挑战。但是，通过分析、利用信号的帧结构特征，巧妙的选取运动特征提取路线，使得基于环境背景无线射频信号的运动识别成为可能。

首先，4g、lte、5g等环境背景中的无线射频信号的帧结构中都存在固定时间间隔、固定传输序列的主同步信号(primarysynchronizationsignal，pss)。通过相关性检测的方法提取无线信号中主同步信号，既可以根据固定时间间隔来降低接收端的时钟同步精度需求，也可以利用固定的传输序列杜绝传输信息的差异性对运动识别准确率的影响。同时，通过提取由于运动造成的动态多普勒频移特征并滤除环境噪声，可以轻松避免掉静态的环境障碍物对识别结果造成影响，不需要考虑采集的tof信息与环境障碍物的形状、位置的相关性，实现了跨环境域的运动识别。

本发明提供了一种基于环境背景无线射频信号的运动识别方法，包括：

s1.从待识别的运动目标所处环境背景中采集多路多频段的无线射频信号；

s2.运动特征提取：

s2.1.将采集信号中的动态频移分量与静态频移分量进行分离，滤除静态频移分量与环境噪声；具体地，对得到的多路信号两两进行共轭相乘后使用带通滤波器进行滤波，移除低频的信号静态偏移分量、高频的带外噪声等无用分量，低频截止频率可在0.5-5hz范围内选取，高频截止频率要高于目标最大速度所造成的频移量，本发明实施例选用带通滤波器的通带为1hz至60hz；

s2.2.对滤波后的信号进行主成分序列的提取，并进一步提取主成分序列的时频特征；其中，首先对滤波后的信号做主成分分析以提取其主成分序列；对提取的主成分序列进行时频变换的过程中选用短时傅里叶变换以适应非平稳的环境背景信号；为了防止频谱泄漏，在进行短时傅里叶变换的过程中需要选用合适的窗函数(如高斯窗函数)进行时序长度的选取；最后通过将规定时间内(0.5-5s)的频谱按时间顺序排列起来，得到待识别的运动特征图。

s3.采用训练好的运动判别器对上述待识别的运动特征图进行判别，得到该运动属于已知运动类型的概率分布；当最大概率大于某种已知运动对应的预设阈值时，判定待识别的运动属于已知运动种类，并可确定其具体所属的运动种类；当所有概率均低于已知运动对应的预设阈值时，则判定待识别的运动属于未知运动种类。其中，运动判别器使用带标签的已知运动的特征图进行有监督的学习，以提取、归纳出运动的特征图在时间上以及空间上的特征，借助提取、归纳出来的特征对运动判别器的参数进行调整，使得运动判别器对已知运动种类有很高的判别准确率。

运动判别器由一个混合神经网络和一个未知运动鉴别器构成。cnn(convolutionalneuralnetworks)加rnn(recurrentneuralnetwork)组成的混合神经网络学习已知动作的频移特征与时间特征。在网络的最后一层选用softmax函数，计算得到样本对应标签的概率分布。

比如，将上下摆手、左右摆手、前后推拉、鼓掌、画圈共五种手势样本分为两组；一组为已知运动类型组，包括上下摆手、左右摆手、前后推拉三种手势；另一组为未知运动类型组，包括鼓掌、画圈两种手势。首先用带标签的已知运动类型组的运动样本去训练运动判别器，将全部五种不带标签的运动样本输入运动判别器，运动判别器计算每一个运动样本属于三种已知运动种类的概率。设定一概率阈值(如0.7)，此时，若样本属于三种已知运动类型的最大概率值大于70％，则判定其属于该已知运动；若样本属于三种已知运动类型的最大概率值小于70％，则判定其属于鼓掌、画圈这两种未知运动。

当需要对输入的未知运动进行特征归类时，本发明方法还包括：对步骤s3中判定的所有未知运动特征图进行聚类；根据聚类的结果，确定未知运动的类别数量并对不同种类的未知运动标注用于区分运动类别的辅助标签，完整方法流程参考图2。

为了避免传输信息的随机性和差异性给运动识别准确率带来负面的影响，同时降低接收端的时钟同步精度需求，本发明利用相关序列检测技术提取4g、lte、5g等环境背景中的无线射频信号的帧结构中都存在的主同步信号，其特点是拥有固定的时间间隔以及固定的传输序列。固定的传输序列能够避免传输信息的随机性与差异性给运动识别准确率带来负面的影响，而固定的时间间隔(毫秒级)可以将接收端的时钟同步精度要求从纳秒级降低至毫秒级，极大的降低了系统成本。

基于上述分析，本发明方法在执行步骤s2之前还可包括以下处理，完整方法流程参考图3：

分别提取采集到的多频段多路无线射频信号样本中的高相关性序列：对每一频段的无线射频信号设定多个大小确定的滑动窗口并使其依时间顺序滑动，并计算窗口中所包含信号序列间的相关性；提取出相关性大于相关性阈值的时间序列所对应的信号；其中，相关性的值介于[0,1]之间，取值越接近1代表相关性越高，取值越接近0代表相关性越低。在本实施例中，设定相关性阈值为0.9。

将所提取序列中的信号输送至步骤s2。

为了进一步提高运动识别精度，本发明方法在执行步骤s3之前还可包括以下处理：

信号经运动物体反射到接收端，采取到达角度测距(angle-of-arrival，aoa)的定位算法，先计算接收端与经运动物体反射信号的相对角度，再通过三角测量法即可得出运动物体与接收端的相对位置；

接着利用频移-速度转换公式可以求得物体的运动速度v：

其中，fd为频移量，λ为无线信号的波长，cosθ为运动速度方向与运动物体和接收端连线夹角的余弦值；

运动速度方向可以根据运动物体的移动方向确定；并将运动速度与运动特征图合并输入到步骤s3中运动判别器中。

当需要对输入的未知运动有自适应识别能力时，本发明方法还利用聚类和自学习技术，实现未知运动类型的自标签和自学习，具体包括以下步骤，完整方法流程参考图4：

首先对未知运动样本进行聚类，可选地，使用具有噪声的基于密度的聚类方法(density-basedspatialclusteringofapplicationswithnoise，dbscan)，以期能发现任意形状的运动特征簇，并且能够发现无效运动样本。然后评估聚类性能效果，可选地，计算轮廓系数(silhouettecoefficient，sc)对聚类效果进行评估：

首先对单个运动样本i的轮廓系数进行计算，假设样本i与其所在簇内其他样本的平均距离为a(i)，样本i与其他簇样本的平均距离为b(i)，则样本i的轮廓系数s(i)为：

接着计算聚类的总轮廓系数sc：

其中，n代表用于聚类未知运动样本个数。轮廓系数的值介于[-1,1]之间，取值越接近1代表聚类性能越好，取值越接近-1代表聚类性能越差。在本实施例中，当轮廓系数大于等于0.6时，认为聚类效果较好，此时给聚类出的不同种类的未知运动样本打上相应的类别的伪标签，若当轮廓系数小于0.6时，认为聚类效果差，此时对未知运动样本进行重新聚类。同时，将伪标签作为新的已知标签，更新至已知运动种类标签列表。最后，根据新的已知运动类别列表重新训练运动判别器，并重复执行步骤s3-s7。

自学习含义是系统具有能够按照自己运行过程中的经验来改进算法的能力。在本实施例中，运动判别器先是将已知运动样本与未知运动样本区分出来，当未知运动样本进行聚类并完成辅助标签标记时，可以利用其重新对运动判别器进行训练，实现在运行过程中对算法的改进。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。