一种身份识别方法、装置、设备及存储介质与流程

本发明涉及无线通信，尤其涉及一种身份识别方法、装置、设备及存储介质。

背景技术：

1、现有的生物识别技术主要可分为两类。一种是使用额外的可穿戴设备或主动用户参与，但可穿戴设备会增加用户的不便，且当系统处于嘈杂的环境中时，它的识别精度会大幅度下降。另一种是基于相机采集图像，并采用深度学习的方法进行身份识别，但是相机在采集图像时易受到时间或者光线的影响。

2、针对上述问题，无线感知身份识别方法逐渐得到广泛应用。现有的无线感知身份识别方法的基本原理是，当用户在无线环境中移动时，无线信号中的信道状态信息csi数据会发生变化。但是无线环境中也会存在其他物体移动导致的信号数据变化，因此环境噪声不可避免的会对身份识别结果的准确性产生影响。

技术实现思路

1、本发明提供了一种身份识别方法、装置、设备及存储介质，以解决由于环境噪声造成身份识别不准确的问题，提高身份识别的准确性。

2、根据本发明的一方面，提供了一种身份识别方法，应用于目标环境中的路由设备，所述方法包括：

3、利用所述路由设备的至少两个天线在所述目标环境下采集信道状态信号；

4、对各所述信道状态信号进行差分计算和特征提取，获得所述目标环境中的信道状态变化特征；

5、利用目标身份识别模型对所述信道状态变化特征进行身份识别，获得所述目标环境中人员的身份；所述目标身份识别模型基于训练样本迭代训练初始身份识别模型得到，所述初始身份识别模型是基于支持向量机和误差反向传播神经网络的组合模型。

6、进一步的，对所述信道状态信号进行差分计算和特征提取，获得所述目标环境中的信道状态变化特征，包括：

7、对每两个天线所采集的信道状态信号进行差分计算，得到信道状态变化信号；

8、利用连续小波变换对各所述信道状态变化信号进行特征提取，得到信道状态变化特征。

9、进一步的，对每两个天线所采集的信道状态信号进行差分计算，得到信道状态变化信号，包括：

10、将每两个天线中的第一天线所采集的第一信道状态信号表示为：

11、h1(f)＝h1s(f)+h1d(f)；

12、将每两个天线中的第二天线所采集的第二信道状态信号表示为：

13、h2(f)＝h2s(f)+h2d(f)；

14、对所述第一信道状态信号和所述第二信道状态信号进行差分计算得到信道状态变化信号，即：

15、h△(f)＝h1(f)-h2(f)≈h1d(f)-h2d(f)；

16、其中，h1(f)为第一信道状态信号，h1s(f)为所述第一信道状态信号的静态分量，h1d(f)为所述第一信道状态信号的动态分量；h2(f)为第二信道状态信号，h2s(f)为所述第二信道状态信号的静态分量，h2d(f)为所述第二信道状态信号的动态分量；h△(f)为信道状态变化信号。

17、进一步的，基于训练样本迭代训练初始身份识别模型，包括：

18、获取训练样本；所述训练样本标记的标签数据包括目标标签数据和身份标签数据；

19、将所述训练样本输入支持向量机的目标分类模型获得目标分类预测结果；所述支持向量机模型采用rbf核函数；

20、将所述目标分类预测结果为目标数据的训练样本输入基于误差反向传播神经网络的身份识别模型，获得身份识别预测结果；

21、根据所述目标分类预测结果、所述身份识别预测结果和所述标签数据形成的目标损失函数，迭代更新所述初始身份识别模型的模型参数，得到目标身份识别模型。

22、进一步的，所述标签数据采用独热编码方式进行标记。

23、根据本发明的另一方面，提供了一种身份识别装置，集成于目标环境中的路由设备，所述装置包括：

24、信号采集模块，用于利用所述路由设备的至少两个天线在所述目标环境下采集信道状态信号；

25、特征提取模块，用于对各所述信道状态信号进行差分计算和特征提取，获得所述目标环境中的信道状态变化特征；

26、身份识别模块，用于利用目标身份识别模型对所述信道状态变化特征进行身份识别，获得所述目标环境中人员的身份；所述目标身份识别模型基于训练样本迭代训练初始身份识别模型得到，所述初始身份识别模型是基于支持向量机和误差反向传播神经网络的组合模型。

27、进一步的，所述特征提取模块，包括：

28、差分计算单元，用于对每两个天线所采集的信道状态信号进行差分计算，得到信道状态变化信号；

29、特征提取单元，用于利用连续小波变换对各所述信道状态变化信号进行特征提取，得到信道状态变化特征。

30、进一步的，所述差分计算单元，具体用于：

31、将每两个天线中的第一天线所采集的第一信道状态信号表示为：

32、h1(f)＝h1s(f)+h1d(f)；

33、将每两个天线中的第二天线所采集的第二信道状态信号表示为：

34、h2(f)＝h2s(f)+h2d(f)；

35、对所述第一信道状态信号和所述第二信道状态信号进行差分计算得到信道状态变化信号，即：

36、h△(f)＝h1(f)-h2(f)≈h1d(f)-h2d(f)；

37、其中，h1(f)为第一信道状态信号，h1s(f)为所述第一信道状态信号的静态分量，h1d(f)为所述第一信道状态信号的动态分量；h2(f)为第二信道状态信号，h2s(f)为所述第二信道状态信号的静态分量，h2d(f)为所述第二信道状态信号的动态分量；h△(f)为信道状态变化信号。

38、根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

39、至少一个处理器；以及

40、与所述至少一个处理器通信连接的存储器；其中，

41、所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的身份识别方法。

42、根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的身份识别方法。

43、本发明实施例的技术方案，通过利用路由设备的至少两个天线在目标环境下采集信道状态信号；对各信道状态信号进行差分计算和特征提取，获得目标环境中的信道状态变化特征；利用目标身份识别模型对信道状态变化特征进行身份识别，获得目标环境中人员的身份；目标身份识别模型基于训练样本迭代训练初始身份识别模型得到，初始身份识别模型是基于支持向量机和误差反向传播神经网络的组合模型，能够有效识别无线环境中人员移动导致的信号数据变化，进而利用基于支持向量机和误差反向传播神经网络的组合模型根据信号数据变化识别人员身份，提高基于无线感知的人员身份识别的准确度，解决了解决由于环境噪声造成身份识别不准确的问题。

44、应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。