一种基于RFID感知的多用户购物行为识别方法与流程

本发明涉及无人超市以及用户行为识别领域，尤其涉及基于rfid信号分析处理的多用户购物行为识别方法。

背景技术：

对比在网络购物中详细的顾客购物数据，线下的用户购物数据始终比较简略，只包括了用户最终购买物品，无法为用户提供个性化的推荐服务，因此线下详细的用户购物行为识别显得十分重要。目前，已经有着许多研究人员致力于线下用户购物行为的识别工作。

其中基于移动平台的购物行为检测，是利用手机所集成的加速度传感器、速度传感器和gps传感器来感知用户的商场内的移动轨迹。因为结合了gps等位置信息，基于移动平台的系统可以长时间(数个星期，甚至数月)，大规模的记录用户的线下购物轨迹，分析用户的长期购物习惯，如喜欢去哪些商场、在商场内的平均停留时间等信息。然而，这些信息与我们理想中细粒度的线下购物行为信息仍相去甚远。

此外，还有方法通过在商场内部署不同种类的传感器和摄像头实现用户行为识别。如，amazongo利用在货架上部署的压力传感器感知商品是否被移动，使用深度学习算法训练摄像头拍摄到的图像数据进行用户购物行为的识别。东芝的touchlesscommerce同样使用图像处理技术来检测用户所购买的商品。但是，基于图像处理的方法都会受到视觉死角的困扰，当摄像机受到遮挡时就无法进行检测，并且图像处理算法需要消耗巨大的计算量。同时基于图片的系统还存在一些用户隐私问题。这些都会影响基于图像的用户购物行为检测系统的大规模部署和使用。

最近几年，随着无线行为感知领域的发展，利用无线射频信号识别人体特定行为成为研究热点。通过rfid标签的相位以及接收信号强度数据来细粒度的识别用户的购物行为，有的方法利用相位的波动性来判断商品是否移动；有的方法利用rssi来判断商品是否靠近用户从而判断用户购物行为。两种方法都容易受环境中的信号噪声以及多径效应影响，导致用户行为识别精度降低。

技术实现要素：

针对上缺陷本发明提供一种基于rfid系统的非接触式的、主动感知的具有高鲁棒性的顾客购物行为识别方法。可以利用部署有rfid阅读器，天线的购物车在购物的过程中感知用户的购物行为。

本发明的技术方案为：一种基于rfid感知的多用户购物行为识别方法，包括数据采集设备，所述数据采集设备包括rfid无源标签、rfid阅读器、天线；所述rfid无源标签固定在商品上，所述rfid阅读器及天线固定在购物车上；所述方法包括以下步骤：

s1：获取数据：所述天线发射射频信号；所述阅读器接收用户周围的标签反射回来的信号的相位以及rssi等数据；

s2：对数据进行处理，分别计算货架前购物车的位置和顾客的位置；

s3：把顾客与位置最接近的购物车相关联，所述关联购物车所检测到的在顾客遮挡区域发生的顾客与商品的互动行为就是该顾客的购物行为信息，位于其他遮挡区域的顾客与商品的互动行为为其他顾客的购物行为信息。

进一步的，一种基于rfid感知的多用户购物行为识别方法，所述s2中，对每一个标签得到的相位进行去除相位异常值的处理后，将每一个标签的50个相位数据为一组，根据每一组的数据分别计算货架前购物车的位置和顾客的位置。

进一步的，一种基于rfid感知的多用户购物行为识别方法，所述计算购物车的位置采用dynamicmusic算法；当标签与阅读器天线之间的距离为d时，所述rfid阅读器发射的信号经过标签反射后的相位差为：

其中，λ为rfid系统所用信号的波长；分别为发射电路相位差、接收电路相位差和标签反射特性引入的相位差；假设有k组天线阵列，信号的入射角分别是θ1,θ2,……,θk,以货架平面为水平坐标轴，天线阵列的坐标为(x1,0),(x2,0),……,(xk,0)；

所述购物车的位置为：

对于不同位置的购物车，可以得到每一个购物车的位置。

进一步的，一种基于rfid感知的多用户购物行为识别方法，所述计算顾客在货架前的位置采用rf-hd算法；rf-hd算法利用svm算法来检测一个标签的相位和幅度值是否发生大幅波动，针对相位和幅度分别提时域和频域特征，训练svm模型；将采集的数据输入模型，判断标签是否被遮挡；如果标签被遮挡，认为标签前存在顾客，确定顾客的位置；如果标签不被遮挡，则认为标签前没有顾客。

进一步的，一种基于rfid感知的多用户购物行为识别方法，所述计算购物车的位置和计算顾客在货架前的位置前先判断购物车是否已经静止；对于计算购物车的位置，如果购物车静止，利用dynamicmusic算法计算阅读器发生信号到不同天线阵列的入射角度，然后确定购物车的位置；如果检测到购物车还在移动，则继续循环检测购物是否静止。

本发明的有益效果为：本发明为在线下超市中基于rfid标签反射信号的相位以及信号强度所提出来的多人场景下用户行为感知的新型技术。利用相位和信号强度信息分别计算获得顾客在货架前的位置和购物车的位置，然后把顾客和购物车相匹配，区分不同顾客的不同购物行为。有效解决了，在基于无线信号的行为识别问题中，多人信号混杂无法区分的问题。

附图说明

图1为本发明一种基于rfid感知的多用户购物行为识别方法的框架图；

图2为本发明一种基于rfid感知的多用户购物行为识别方法的阅读器发射信号到多个天线阵列的入射角频谱图；

图3a为本发明一种基于rfid感知的多用户购物行为识别方法的实施例中遮挡标签和未遮挡标签相位对比。

图3b为本发明一种基于rfid感知的多用户购物行为识别方法的实施例中当有顾客站在购物车与标签之间时，在一个窗口内，货架上所有标签的相位对比。

图4a为本发明一种基于rfid感知的多用户购物行为识别方法的实施例中遮挡标签和未遮挡标签信号强度对比；

图4b为本发明一种基于rfid感知的多用户购物行为识别方法的实施例中当有顾客站在购物车与标签之间时，在一个窗口内，货架上所有标签的信号强度对比；

图5为在本发明一种基于rfid感知的多用户购物行为识别方法的实施例中一个窗口内，货架上所有标签的相位值和幅度值经过svm综合判断后，当有多人(3人)存在与标签与阅读器间时，遮挡判断结果。

具体实施方式

下面结合附图来进一步描述本发明的技术方案：

本发明的原理在于：(1)顾客在使用购物车购物时，顾客的位置总是在购物车的位置附近。(2)贴在商品上的标签可以组成一系列的天线阵列，根据这些天线阵列可以计算出购物车相对于天线阵列的角度从而得到购物车的位置。(3)当人体位于标签和阅读器天线之间的时候，反射信号会发生衍射，散射和反射，信号的相位和强度值会发生显著的变化，通过检测哪些标签被遮挡，可以获得人体在货架前的位置。通过匹配购物车和顾客的位置，每一个顾客将对应与自己位置最接近的购物车，该购物车所检测到的购物行为即为对应顾客的购物行为。

将超市内的每个商品都贴上基于英频杰monza4芯片的az-e44标签，使用部署有英频杰r420rfid阅读器以及天线的购物车作为信息的收集端，在用户使用购物车的过程中，阅读器继续对于标签信息的采集，频率为250次/s。

s1：获取数据：所述天线发射射频信号；所述阅读器接收用户周围的标签反射回来的信号的相位以及rssi等数据；

s2：对数据进行处理，分别计算货架前购物车的位置和顾客的位置。

对每一个标签得到的相位进行去除相位异常值的处理后，将每一个标签的50个相位数据为一组，根据每一组的数据分别计算货架前购物车的位置和顾客的位置。

购物车的位置计算：采用dynamicmusic算法；根据收集到的相位信息，首先判断购物车是否已经静止，如果购物车静止，利用dynamicmusic算法计算阅读器发生信号到不同天线阵列的入射角度，然后确定购物车的位置，如果检测到购物车还在移动，则继续循环检测购物是否静止。当标签与阅读器天线之间的距离为d时，所述rfid阅读器发射的信号经过标签反射后的相位差为：

其中，λ为rfid系统所用信号的波长；分别为发射电路相位差、接收电路相位差和标签反射特性引入的相位差；假设有k组天线阵列，信号的入射角分别是θ1,θ2,……,θk,以货架平面为水平坐标轴，天线阵列的坐标为(x1,0),(x2,0),……,(xk,0)；

所述购物车的位置为：

对于不同位置的购物车，可以得到每一个购物车的位置。

目前，存在多种入射角度的计算的方法，本实例采用music算法分析相位差，对于发明而言仅仅是说明性的，而非限制性的。music算法是一种经典的空间谱估计算法。在这里，输入信号为以1s为时间窗口的阅读器接收到的信号相位组成的矩阵x，由于每个天线阵列都存在一个x矩阵。对于每个x矩阵具体步骤如下：

a.根据每个天线阵列中天线的数量n得到下面协方差矩阵的估计值：

对上面得到的协方差矩阵进行特征值分解

rx＝arxa^h+σ²i(2)

b.按特征值的大小顺序，设定信号个数d,把与信号个数d相等的特征值和对应的特征向量看作信号部分空间，把剩下的m-d个特征值和特征向量看作噪声部分空间。得到噪声矩阵en：

a^hvi＝0i＝d+1,d+2,...,m(3)

en＝[vd+1,vd+2,...,vm](4)

c.使θ变化，按照式：

计算谱函数，得到信号的入射角度，不同天线阵列的入射角度如图2所示。

顾客的位置的计算：

rfid系统中，标签反射信号可以表示为：

s＝αe^jθ

其中θ表示反射信号的相位，α表示反射信号的信号强度。信号的强度可以根据一下公式计算：

其中，λ是信号的波长，pt是阅读器的发射功率，gt是天线增益，r是阅读器和标签的距离，σ是标签的反射面积。其中，标签与阅读器之间的距离是影响信号强度的最重要因素，当标签与阅读器距离固定且中间没有任何遮挡的时候，信号的强度围绕一个固定的值轻微的波动。然而，当顾客在标签与阅读器之间获得的时候，人体的运动引起的多径效应会引起信号相位与强度的大幅波动。当存在多径效应时，多径信号可以表示为：

s＝αe^jθ+βej^2πd(t)/λ

其中，sd＝βe^j2πd(t)/λ是信号动态路径部分的数学表示，β是动态路径的信号强度，e^j2πd(t)/λ是动态路径的相位变化，d(t)是t时刻的动态路径长度。因此，当顾客位于标签与阅读器之间的时候，多径效应引入的动态路径会引起反射信号相位和强度值的波动。

所述计算顾客在货架前的位置采用rf-hd算法；根据收集到的相位和信号强度信息，首先判断购物车是否已经静止，如果已经静止，对每个对一个窗口200个采样点组成的信号序列，针对相位和幅度分别提时域和频域的10个特征，训练svm模型；将采集的数据输入模型，判断标签是否被遮挡；如果标签被遮挡，认为标签前存在顾客，确定顾客的位置；如果标签不被遮挡，则认为标签前没有顾客。

遮挡标签和未遮挡标签相位对比如图3a所示，当有顾客站在购物车与标签之间时，在一个窗口内，货架上所有标签的相位对比如同3b所示；遮挡标签和未遮挡标签信号强度对比如图4a所示，当有顾客站在购物车与标签之间时，在一个窗口内，货架上所有标签的信号强度对比如同4b所示；在一个窗口内，货架上所有标签的相位值和幅度值经过svm综合判断后，当有多人(3人)存在与标签与阅读器间时，遮挡判断结果如图5所示。

s3：把顾客与位置最接近的购物车相关联，所述关联购物车所检测到的在顾客遮挡区域发生的顾客与商品的互动行为就是该顾客的购物行为信息，位于其他遮挡区域的顾客与商品的互动行为为其他顾客的购物行为信息。

本发明为在线下超市中基于rfid标签反射信号的相位以及信号强度所提出来的多人场景下用户行为感知的新型技术。利用相位和信号强度信息分别计算获得顾客在货架前的位置和购物车的位置，然后把顾客和购物车相匹配，区分不同顾客的不同购物行为。有效解决了，在基于无线信号的行为识别问题中，多人信号混杂无法区分的问题。在同一个货架前购物车定位的平均误差为20cm,顾客定位的平均误差为15cm，在多人场景下，可区分相距超过60cm的两个顾客。