一种基于迁移学习的无源身份识别系统及方法

1.本发明属于身份识别技术领域，涉及一种基于迁移学习的无源身份识别系统及方法，本系统是一个利用常见wifi信号对人体特征进行采样，并基于迁移学习算法对wifi信号进行特征提取和模型训练，由此实现身份识别的系统。


背景技术：

2.wifi信号无处不在且细粒度的特性使wifi设备能够通过解调wificsi(channel state information，信道状态信息)，来检测周围细微的变化。与传统需要额外设备(如人脸识别的摄像头、指纹识别的超声波设备)的方法不同，基于wifi的身份识别提供了一种无源身份识别解决方案。此外，它具有不需要los(line of sight，视线)路径、保护用户隐私等独特的优势。现有的基于wifi的身份识别方法虽然在某些情况下具有相当好的性能，但存在两个主要问题：不适用于环境动态性，且过度依赖某些活动。为解决这些问题，本发明设计了一种基于迁移学习的无源身份识别系统，该系统通过在不同环境下或不同活动中检测独特的人体特征并去除信号数据中包含的动态环境信息来工作。


技术实现要素：

3.本发明要解决的技术问题是如何利用wifi信号，在不同的环境下，甚至在不同的活动中识别用户身份。本发明通过结合wifi信号传播的物理空间特征、迁移学习等技术，最终为与环境无关的无源感知身份认证、识别领域的应用提供了理论依据和实践经验，设计的系统为无源识别、入侵检测、人员签到等应用提供了新的解决方案。本发明的目的是提供一种基于迁移学习的无源身份认证方法。
4.本发明的技术方案：
5.一种基于迁移学习的无源身份认证系统，包括一个路由器作为wifi信号发射端、一台笔记本电脑作为wifi信号接收端、云服务器和控制端；
6.wifi信号发射端支持802.11n协议，wifi信号接收端配置支持802.11n协议的intel 5300无线网卡。两个设备二者相隔置于房间内；wifi信号发射端用于发送携带csi信息的wifi信号，wifi信号接收端用于接收环境中的信号并上传至云服务器；
7.云服务器包括数据收集模块、预处理模块和迁移学习模块；数据收集模块使用wifi设备收集用户的wifi数据；预处理模块使用低通滤波器对wifi数据进行降噪，并去除数据中的异常值；迁移学习模块利用wifi信号传播的物理空间特征对预处理过的wifi数据进行人体特征提取，并利用深度学习的方法进行训练、验证和测试，并通过训练好的网络模型完成身份认证；
8.控制端为网页端或手机客户端，与wifi设备、云服务器相通信，将用户的基本信息发送至云服务器，对用户的身份进行实时监控和预警；
9.一种基于迁移学习的无源身份认证方法，步骤如下：
10.步骤一，用户进入房间，wifi设备发射端发送wifi信号，用户行走或做动作对wifi
信号造成明显扰动，此时wifi设备接收端收集用户的wifi信号的并将其上传至云服务器上；同时使用控制端将用户的基本信息发送至云服务器；
11.步骤二，云服务器对步骤一中的wifi信号先进行预处理，然后利用迁移学习算法对预处理后的数据进行建模；
12.预处理模块，具体步骤如下：
13.(1)去噪数据：利用巴特沃斯滤波器去除频率超过80hz的高频噪声；
14.(2)消除相位偏移：设计csi相除方案解决相位偏移问题；
15.(3)去除多路径效应：设计信号分解方案来解决多路径问题；
16.迁移学习模块，具体如下：
17.(1)特征提取器：为实现从复杂的wifi数据中提取到深层次人体特征，设计一个基于resnet的特征提取器。该特征提取器包括1层cnn(convolutionalneural network，卷积神经网络)和15层resnet(residualnetwork，残差网络)。cnn的核为7
×
7，resnet中的卷积核分别为1
×
1和3
×
3。之后，通过全局平均池化层和softmax回归层，对每个输入降维和计算概率；
18.(2)鉴别器：设计一种基于对抗网络的博弈方法，充分利用人类特征检测器提取到的人体特征(身高)来去除与环境相关的变化特征。鉴别器包括两层cnn和一个全连接层。利用js(jensen-shannon)散度将标记数据和未标记数据的相似度映射到[0,1]范围内；
[0019]
(3)人类特征检测器：利用wifi数据的相位信息计算用户身高，作为用户生理代表性特征；
[0020]
a)基于wifi设备发射端、wifi设备接收端和用户头部的物理空间位置，设计一个空间模型计算用户身高的aoa(angleof arrival，到达角)；
[0021]
b)对得到的aoa和wifi信号的tof(time of flight，飞行时间)进行聚类，之后计算用户的身高，最后输入到鉴别器中。
[0022]
步骤三，当用户再次进入该房间内时，wifi设备接收端再次将wifi信号上传至云服务器，云服务器利用训练好的迁移学习模型对wifi信号进行用户身份匹配验证，显示出用户身份并发送给控制端，当未在数据库中发现该用户信息时，则云服务器向控制端发出警报信息。
[0023]
本发明的有益效果：设计并开发一种基于迁移学习的无源身份识别系统。对wifi信号进行处理提取人体特征，并采用基于残差网络和对抗网络的算法，实现身份的高精度认证。所开发的系统有望实现在不同的环境下，甚至在不同的活动下验证人类身份，填补无源身份识别跨域应用的空白，为基于迁移学习的无源识别、定位打造应用示例。该系统可广泛应用到无源识别、入侵检测、人员签到等领域。
附图说明
[0024]
图1为云服务器的结构示意图。
[0025]
图2为空间模型的结构示意图。
[0026]
图中：1cots设备发射端；2cots设备接收端；3用户；4已标记数据；5未标记数据；6数据收集模块；7预处理模块；8迁移学习模块；9去噪数据；10消除相位偏移；11去除多路径效应；12人体特征检测器；13鉴别器；14特征提取器；13到达角aoa(θ)。
具体实施方式
[0027]
以下结合技术方案(和附图)详细叙述本发明的具体实施方式。
[0028]
一种基于无线网络的轻量级无源身份认证系统，包括一个路由器作为wifi信号发射端、一台笔记本电脑作为wifi信号接收端、云服务器和控制端；
[0029]
一种基于迁移学习的无源身份认证方法，步骤如下：
[0030]
步骤一，用户进入房间，wifi设备发射端发送wifi信号，用户行走或做动作对wifi信号造成明显扰动，此时wifi设备接收端收集用户的wifi信号的并将其上传至云服务器上；同时使用控制端将用户的基本信息发送至云服务器；
[0031]
步骤二，云服务器对步骤一中的wifi信号先进行预处理，然后利用迁移学习算法对预处理后的数据进行建模；
[0032]
预处理模块，具体步骤如下：
[0033]
(1)去噪数据：利用巴特沃斯滤波器去除频率超过80hz的高频噪声；
[0034]
(2)消除相位偏移：设计csi相除方案解决相位偏移问题；
[0035][0036]
其中和分别是天线x1和天线x2接收到的信号，d1和d2分别表示天线x1和天线x2的路径变化长度，τ0为初始信号的传播延迟时间，c为信号传播速度，β为接收天线不同步导致的相位偏移。最终结果中不包含相位偏移β，因此相位偏移被成功消除；
[0037]
(3)去除多路径效应：设计信号分解方案来解决多路径问题；
[0038][0039]
其中x
1,s
和x
2,s
表示天线x1和天线x2包含的静态路径能量，x
1,d
和x
2,d
表示动态路径能量，表示对应信号的共轭；
[0040]
等式(6)中的静态组成部分
①
通过减去信号乘积x(τ0 t)中能量的平均值去除，动态能量组成部分
④
由于太小直接忽略。剩余部分作为一条新的信号；
[0041]
在实验中，wifi信号接收端有三根天线。使用csi相除方案和信号分解方案分别处理天线对x1和x3、天线对x2和x3，再生成两条新的信号。三条新的信号被用来代替原天线信
号x1、x2和x3；
[0042]
迁移学习模块，具体如下：
[0043]
(1)特征提取器：为实现从复杂的wifi数据中提取到深层次人体特征，设计一个基于resnet的特征提取器。该特征提取器包括1层cnn(convolutionalneural network，卷积神经网络)和15层resnet(residualnetwork，残差网络)。cnn的核为7
×
7，resnet中的卷积核分别为1
×
1和3
×
3。之后，通过全局平均池化层和softmax回归层，对每个输入进行降维和概率赋值。最后执行交叉熵损失函数，并添加了一个正则化操作以防止过拟合。对于p领域的第i条数据：
[0044][0045]
其中γ和ω为l2的正则化操作参数，yi表示第i条数据的真实值，为预测值；
[0046]
由于未标记的数据没有真实值，只训练标记好的数据并保存特征提取器模型。把未标记的数据直接输入到特征提取器中；
[0047]
(2)鉴别器：设计一种基于对抗网络的博弈方法，充分利用人类特征检测器提取到的人体特征(身高)来去除与环境相关的变化特征。鉴别器包括两层cnn和一个全连接层。利用js(jensen-shannon)散度将标记数据和未标记数据的相似度映射到[0,1]范围内：
[0048][0049]
其中kl函数表示kl(kullback-leibler)散度，可以表示为：
[0050][0051]
其中w为输入数据的维度。基于js散度的对称性，损失函数为：
[0052][0053]
(3)人类特征检测器：为解决未标记数据没有真实值这一问题，利用wifi数据的相位信息计算用户身高，作为用户生理代表性特征；
[0054]
a)基于wifi设备发射端、wifi设备接收端和用户头部的物理空间位置，设计一个空间模型计算用户身高的aoa(angleof arrival，到达角)；
[0055][0056]
其中l1和l2分别为用户头部与wifi设备接收端和发射端的垂直距离，dr和d
t
分别
表示用户到wifi设备接收端和发射端的水平距离，hw为wifi设备距离地面的高度，h为用户身高，δd为用户行走的距离，θ是到达角aoa；
[0057]
由于起始点与wifi设备处于同一平面，可以得到：由于起始点与wifi设备处于同一平面，可以得到：其中为l
i,j
的最小值。假设wifi设备发射信号的频率为z，用户行走的速度为v，那么速度为v，那么可以简化为：
[0058][0059]
假设用户行走引起wifi信号传播的路径差为δl，那么l
i,j
＝l1 l2 δl。结合公式(7)和公式(8)，得出到达角aoa和身高h；
[0060]
b)对得到的aoa和wifi信号的tof进行聚类以优化aoa；
[0061]
首先设置aoa范围：实验中，hw为2.2m，dr为0.5m，hw为wifi设备距离地面的高度，由公式可知，θ(aoa)最大值为77.2
°
，即θ∈[0
°
,77.2
°
]；
[0062]
之后对aoa和tof聚类：假设有n个簇，k(1≤k≤n)，μ(θk)表示aoa的平均值，σ(θk)表示aoa的方差，μ(tk)表示tof的平均值，σ(tk)表示tof的方差。簇k的可能性表示为：
[0063][0064]
其中α1、α2、β1和β2是非负常数权重；
[0065]
最后利用聚类得出的aoa计算身高h，把h的平均值作为用户的最终身高值，输入到鉴别器中；
[0066]
步骤三，当用户再次进入该房间内时，wifi设备接收端再次将wifi信号上传至云服务器，云服务器利用训练好的迁移学习模型对wifi信号进行用户身份匹配验证，显示出用户身份并发送给控制端，当未在数据库中发现该用户信息时，则云服务器向控制端发出警报信息。