基于射频指纹深度学习的身份识别方法及装置

1.本发明属于身份识别技术领域，特别涉及一种基于射频指纹深度学习的身份识别方法及装置。


背景技术：

2.目前，能够实现身份识别的途径有很多，传统的身份识别方法是在被测物上安装设备或者传感器，再通过感应设备对其进行感应以实现身份识别，这种方式需要预先在被测物上安装设备或者传感器，极其不方便；另一种是能够基于图像分析以实现身份识别，例如能够通过基于图像的视觉分析来识别图像中的人或者物体，但是图像的获取途径一般是通过摄像头，但是摄像头在获取图像的过程中容易存在视觉盲区，导致基于图像分析检测时容易受到视觉盲区的影响，导致识别效率低的问题。


技术实现要素：

3.本发明的目的是为了解决上述现有技术的缺点和不足，提供一种基于射频指纹深度学习的身份识别方法及装置，能够利用无线信号的穿透性，不存在识别盲区，同时也不需要在被测物上预先安装设备或传感器，极大地提高了识别效率。
4.首先，本发明为解决上述问题提供了一种基于射频指纹深度学习的身份识别的方法，其包括以下步骤：
5.s1：设置身份检测区域，所述身份检测区域内设有无线信号传感器，所述无线信号传感器包括信号发射器及信号接收器，所述信号接收器用于接收由所述信号发射器发出的并穿过所述身份检测区域后的射频信号，并输出接收信号强度；
6.s2：采集所述信号接收器所输出的接收信号强度，并将采集到的接收信号强度与基准值进行对比，以判断所述身份检测区域是否有人员通过；若有，则通过接收信号强度对人体引起的阴影衰落分布图像进行重构，并在人员通过身份检测区域时间内形成一段阴影衰落图像连续帧数据，并将其作为输入在长短期记忆神经网络模型进行身份识别，获得人体身份识别结果；
7.所述基准值为当身份检测区域没人时所述信号接收器所输出的接收信号强度。
8.相对于现有技术，本发明通过采用无线信号实现对被测人员的身份识别，通过利用无线信号的穿透性来避免了识别盲区的问题，并且通过无线信号对被测人员进行阴影衰落图像重构，该方法不受环境光线的影响，即使在光线较差的环境中也能够准确地实现身份识别，同时利用长短期记忆神经网络模型对被测人员的射频指纹进行识别，能够有效地提高了识别准确率以及识别效率；其次，通过利用无线信号实现对被测人员的身份识别，由于无线信号传感器的电源来源为市电，因此能够有效地克服了穿戴式检测方法中由于设备电池没电导致无法工作的问题。
9.作为本发明的进一步改进，所述步骤s2中还包括对采集到的接收信号强度进行预处理，包括以下步骤：
10.s201：根据所述信号接收器所接收到的接收信号强度，获得原始信号；
11.s202：对原始信号进行滤波，获得滤波信号；
12.s203：对所述滤波信号进行清洗以及过滤，得到测试信号。
13.作为本发明的进一步改进，所述步骤s2中的将采集到的接收信号强度与基准值进行对比，以判断所述身份检测区域是否有人员通过包括以下步骤：
14.s204：根据所述测试信号，获得基准值；
15.s205：根据所述测试信号，获得监测值；
16.s206：根据监测值与基准值之间的差值，获得比对值；
17.s207：将所述比对值与预设阈值作比较，若比对值大于预设阈值，则判断当前身份检测区域有人员通过。
18.作为本发明的进一步改进，所述步骤s2中通过接收信号强度对人体引起的阴影衰落分布图像进行重构，并在人员通过身份检测区域时间内形成一段阴影衰落图像连续帧数据包括以下步骤：
19.s208：记录人员通过所述身份识别区域时的测试信号，获得检测值；
20.s209：根据所述检测值与所述基准值的差值，确定衰减值，所述衰减值即为该人员的射频指纹；
21.s210：对所述射频指纹进行图像重构，获得图像特征；
22.s211：对所述图像特征进行卷积处理，获得卷积特征；
23.s212：对所述卷积特征进行拉平处理，获得输入特征。
24.作为本发明的进一步改进，所述步骤s2中将其作为输入在长短期记忆神经网络模型进行身份识别，并获得识别结果包括以下步骤：
25.s213：对所述输入特征进行特征提取处理，获得输出特征；
26.s214：将所述输出特征输入至第一全连接网络，获得处理后特征；
27.s215：将所述处理后特征输入至第二全连接层，获得识别结果。
28.作为本发明的进一步改进，所述步骤s213中对所述输入特征进行特征提取处理，获得输出特征包括以下步骤：
29.s2131：对所述输入特征进行遗忘门信息提取处理，获得遗忘门信息；
30.s2132：对所述输入特征进行输入门信息提取处理，获得输入门信息；
31.s2133：对所述输入特征进行输出门信息提取处理，获得输出门信息；
32.s2134：对所述输入特征进行候选状态信息提取处理，获得候选状态信息；
33.s2135：基于上述步骤获取的候选状态信息、遗忘门信息以及输入门信息进行信息更新处理，获得更新信息；
34.s2136：基于所述更新信息以及步骤s2133获取的输出门信息进行特征输出处理，获得输出特征
35.作为本发明的进一步改进，所述步骤s214中的第一全连接网络包括多个第一全连接层以及多个批归一化层，所述批归一化层设置于相邻的两个第一全连接层之间。
36.作为本发明的进一步改进，所述步骤s215中第二全连接层中的激活函数为softmax激活函数。
37.作为本发明的进一步改进，所述步骤s202中对原始信号进行滤波包括：采用高斯
卷积平滑算法对所述原始信号进行滤波。
38.作为本发明的进一步改进，所述长短期记忆神经网络模型的训练方法为：
39.获取不同人员不同时序的射频指纹信息以及身份，分别作为特征以及标签构建样本数据库；
40.将样本数据库划分为训练集以及测试集；
41.通过所述训练集以及所述测试集，训练所述长短期记忆神经网络模型。
42.为达到本发明另一目的，本发明还提供了与上述方法对应的一种基于射频指纹深度学习的身份识别装置，其包括：
43.身份检测区域建立模块，所述身份检测区域建立模块用于设置身份检测区域，所述身份检测区域内设有无线信号传感器，所述无线信号传感器包括信号发射器及信号接收器，所述信号接收器用于接收由所述信号发射器发出的并穿过所述身份检测区域后的射频信号，并输出接收信号强度；
44.身份识别模块：所述身份识别模块用于采集所述信号接收器所输出的接收信号强度，并将采集到的接收信号强度与基准值进行对比，以判断所述身份检测区域是否有人员通过；若有，则通过接收信号强度对人体引起的阴影衰落分布图像进行重构，并在人员通过身份检测区域时间内形成一段阴影衰落图像连续帧数据，并将其作为输入在长短期记忆神经网络模型进行身份识别，获得人体身份识别结果；
45.其中，所述基准值为当身份检测区域没人时所述信号接收器所输出的接收信号强度。
46.相对于现有技术，本发明通过采用无线信号实现对被测人员的身份识别，通过利用无线信号的穿透性来避免了识别盲区的问题，并且通过无线信号对被测人员进行阴影衰落图像重构，不受环境光线的影响，即使在光线较差的环境中也能够准确地实现身份识别，同时利用长短期记忆神经网络模型对被测人员的射频指纹进行识别，能够有效地提高了识别准确率以及识别效率；其次，通过利用无线信号实现对被测人员的身份识别，由于无线信号传感器的电源来源为市电，因此能够有效地克服了穿戴式检测方法中由于设备电池没电导致无法工作的问题。
47.为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
48.附图用于更好地理解本方案，不构成对本公开的限定。其中：
49.图1是本发明实施例中基于射频指纹深度学习的身份识别方法的流程图；
50.图2a是本发明实施例中待测人员1的其中一时刻的阴影衰落图像特征；
51.图2b是本发明实施例中待测人员1的另一时刻的阴影衰落图像特征；
52.图3a是本发明实施例中待测人员2的其中一时刻的阴影衰落图像特征；
53.图3b是本发明实施例中待测人员2的另一时刻的阴影衰落图像特征；
54.图4是本发明实施例中测试信号数据的示意图；
55.图5是本发明实施例中具体的长短期记忆网络架构图；
56.图6是本发明实施例中基于射频指纹深度学习的身份识别装置的结构框图；
57.图中：100、身份检测区域建立模块；101、射频信号传感器；200、身份识别模块。
58.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
59.实施例
60.传统的身份识别方法需要在被测物上安装设备或者传感器，操作起来十分不方便；而通过基于图像分析的身份识别方案，存在着获取图像的过程中容易产生视觉盲区导致识别效率低，为了解决现有技术中所存在识别不方便以及识别过程中存在识别盲区导致识别效率低的问题，本发明的主旨在于通过采用无线信号实现对被测物的身份识别，通过利用无线信号的穿透性来避免了识别盲区的问题，并且通过无线信号对被测物体进行图像重构，不受环境光线的影响，即使在光线较差的环境中也能够准确地实现身份识别，同时利用长短期记忆神经网络模型对被测物的射频指纹进行识别，能够有效地提高了识别准确率以及识别效率；其次，通过利用无线信号实现对被测人员的身份识别，由于无线信号传感器的电源来源为市电，因此能够有效地克服了穿戴式检测方法中由于设备电池没电导致无法工作的问题。以下，具体地说明本发明的基于射频指纹深度学习的身份识别方法。
61.请参阅图1，本发明的基于射频指纹深度学习的身份识别方法包括以下步骤：
62.步骤s1：设置身份检测区域，所述身份检测区域内设有无线信号传感器，所述无线信号传感器包括信号发射器及信号接收器，所述信号接收器用于接收由所述信号发射器发出的并穿过所述身份检测区域后的射频信号，并输出接收信号强度(received signal strength，rss)；
63.s2：采集所述信号接收器所输出的接收信号强度，并将采集到的接收信号强度与基准值进行对比，以判断所述身份检测区域是否有人员通过；若有，则通过接收信号强度对人体引起的阴影衰落分布图像进行重构，并在人员通过身份检测区域时间内形成一段阴影衰落图像连续帧数据，并将其作为输入在长短期记忆神经网络模型进行身份识别，获得人体身份识别结果；
64.所述基准值为当身份检测区域没人时所述信号接收器所输出的接收信号强度。
65.本实施例中，示范性地采用射频信号传感器101作为信号传感器，并将射频信号传感器101安装在门框上，多个射频信号传感器101组成传感器阵列，并且传感器阵列所围成的区域为身份识别区域，其中每个射频信号传感器101都能够进行发射信号以及接收信号，每一个射频信号传感器101均能够至少接收到另一个射频信号传感器101所发出的信号，射频信号传感器101为wifi或者zigbee设备，射频传感器所发出的信号强度需达到能使信号穿过待识别人员。
66.其中，所述步骤s2中还包括对采集到的射频信号进行预处理，包括以下步骤：
67.步骤s201：根据所述信号接收器所接收到的接收信号强度，获得原始信号；
68.步骤s202：对原始信号进行滤波，获得滤波信号；
69.步骤s203：对所述滤波信号进行清洗以及过滤，得到测试信号。
70.在本实施例中，获取射频信号传感器101的接收信号强度作为原始信号，并通过滤波器对原始信号进行滤波处理，示范性地采用平滑线性滤波器作为本方案的滤波器，示范性地在本实施例中采用高斯卷积平滑算法实现对原始信号进行滤波处理，得到滤波信号，再通过上位机对滤波信号进过滤以及清洗，得到测试信号；其中，请参考图4，人员在通过身
份检测区域的过程中所获取到的测试信号如图4所示，获取到的测试信号数据是一个t*n*m的数组，数组中的每一格表示的是人员在通过身份检测区域的过程中，在t时刻该待测人员在身份检测区域中第n行第m列像素块的阴影衰落密度值。
71.其中，所述步骤s2中的将采集到的接收信号强度与基准值进行对比，以判断所述身份检测区域是否有人员通过包括以下步骤：
72.步骤s204：根据所述测试信号，获得基准值；
73.步骤s205：根据所述测试信号，获得监测值；
74.步骤s206：根据监测值与基准值之间的差值，获得比对值；
75.步骤s207：将所述比对值与预设阈值作比较，若比对值大于预设阈值，则判断当前身份检测区域有人员通过。
76.在本实施例中，记录下当身份检测区域无待测人员通过时的测试信号数据值y0，并将该值作为基准值，不间断地对获取自当前身份监测区域的测试信号强度进行监测，获得监测值yq，并将获得的监测值yq与基准值y0进行计算，具体的计算方法为取监测值yq与基准值y0之间的差值yw，并将该差值yw作为比对值，比对值yw的计算公式如下：
77.yw＝y
q-y0ꢀꢀꢀꢀ
(1)
78.将得到的比对值yw与预设阈值作比较，当比对值yw大于预设阈值时，则判断当前身份检测区域有人员通过，否则相反；其中，传感器阵列中的射频信号传感器101采用频分复用的方法工作，即射频信号传感器101采用不同的频率发射信号，当监测值小于预设阈值时，采用低频率发射信号，当监测值大于预设阈值时，采用高频率发射射频信号。
79.其中，所述步骤s2中通过接收信号强度对人体引起的阴影衰落分布图像进行重构，并在人员通过身份检测区域时间内形成一段阴影衰落图像连续帧数据包括以下步骤：
80.步骤s208：记录人员通过所述身份识别区域时的测试信号，获得检测值；
81.步骤s209：根据所述检测值与所述基准值的差值，确定衰减值，所述衰减值即为该人员的射频指纹；
82.步骤s210：对所述射频指纹进行图像重构，获得图像特征；
83.步骤s211：对所述图像特征进行卷积处理，获得卷积特征；
84.步骤s212：对所述卷积特征进行拉平处理，获得输入特征。
85.若判断当前身份检测区域有人员通过时，记录下人员通过身份识别区域这个时间段的无线信号数据值y
t
，并将该值作为检测值y
t
，基于基准值y0以及检测值y
t
的差值，得到人员在通过身份识别区域这个时间段的无线信号强度衰减值y，该衰减值y即为该人员的射频指纹，y的具体计算公式如下：
86.y＝y
t-y0ꢀꢀꢀꢀ
(2)
87.请参阅图2a、图2b、图3a以及图3b，在本实施例中，当有人员通过身份检测区域时，能够记录下人员的射频指纹，以反投影成像的方式对射频指纹进行图像重构，获得图像特征，其中图2和图3为待测人员1在通过身份识别区域的过程中，不同时刻的图像特征，图4和图5为待测人员2在通过身份识别区域的过程中，不同时刻的图像特征，通过观察可以发现，待测人员1与待测人员2所形成的图像特征有所不同，待测人员1相对于待测人员2来说身高较高一些，并且身体的宽度也不同，我们能够基于每个人的图像特征不同这一点来对其身份进行识别；接下来对图像特征进行卷积处理，得到卷积特征，由于这些卷积特征为二维特
征，因此需要对这些卷积特征进行拉平处理使其转化为一维特征，进而得到一维的输入特征。
88.其中，所述步骤s2中将其作为输入在长短期记忆神经网络模型进行身份识别，并获得识别结果包括以下步骤：
89.步骤s213：对所述输入特征进行特征提取处理，获得输出特征；
90.步骤s214：将所述输出特征输入至第一全连接网络，获得处理后特征；
91.步骤s215：将所述处理后特征输入至第二全连接层，获得识别结果。
92.在本实施例中，一般来说神经网络数据之间是独立存在的，前一个数据的输入与后一个数据的输入往往没有任何关系，但是由于人员在通过身份识别区域是一个过程，在这个过程期间能够获取到该人员在通过身份识别区域过程中不同时刻的检测值，也就是说这些检测值来源于同一个被测人员，因此不同时刻的一维的输入特征之间不独立；因此通过长短期记忆网络进行对这些一维的输入特征进行处理，得到输出特征，再将该输出特征输入至第一全连接网络中，第一权连接网络对输出特征进行非线性变换相加处理，得到处理后特征，并将处理后特征输入至第二全连接层中，第二全连接层对处理后特征进行识别分类，输出识别结果，即确定人员身份信息；其中，第二全连接层中的激活函数采用softmax激活函数，通过softmax激活函数实现分类识别的目的。
93.其中，所述步骤s213中对所述输入特征进行特征提取处理，获得输出特征包括以下步骤：
94.s2131：对所述输入特征进行遗忘门信息提取处理，获得遗忘门信息；
95.s2132：对所述输入特征进行输入门信息提取处理，获得输入门信息；
96.s2133：对所述输入特征进行输出门信息提取处理，获得输出门信息；
97.s2134：对所述输入特征进行候选状态信息提取处理，获得候选状态信息；
98.s2135：基于上述步骤获取的候选状态信息、遗忘门信息以及输入门信息进行信息更新处理，获得更新信息；
99.s2136：基于所述更新信息以及步骤s2133获取的输出门信息进行特征输出处理，获得输出特征。
100.在本实施例中，对输入特征进行非线性空间变换，得到遗忘门信息f
t
，具体的计算过程如下：
101.f
t
＝σ(wfh
t-1
wfx
t
bf)
ꢀꢀꢀꢀ
(3)
102.对输入特征进行非线性变换处理，获得输入门信息i
t
，具体的计算过程如下：
103.i
t
＝σ(w
iht-1
wix
t
bi)
ꢀꢀꢀꢀ
(4)
104.对输入特征进行输出门信息提取处理获得输出门信息o
t
，具体的计算过程如下：
105.o
t
＝σ(w
oht-1
wox
t
bo)
ꢀꢀꢀꢀ
(5)
106.对输入特征进行非线性变换处理，得到候选状态信息c
′
，具体的计算过程如下：
107.c
′
＝tanh(wch
t-1
wcx
t
bi)
ꢀꢀꢀꢀ
(6)
108.基于候补状态信息、遗忘门信息以及输入门信息进行信息更新处理，获得更新信息c
t
，具体的计算过程如下：
109.c
t
＝f
t
*c
t-1
i
t
*c
′ꢀꢀꢀꢀ
(7)
110.基于输出门信息以及更新信息进行特征输出处理，获得隐变量h
t
，该隐变量即为
输出特征，具体的计算过程如下：
111.h
t
＝o
t
*relu(c
t
)
ꢀꢀꢀꢀ
(8)
112.其中，x
t
表示t时刻的输入特征，bf，bi，bo，bc分别表示遗忘门，输入门，输出门以及时刻状态的偏置向量，wf，wi，wo，wc分别表示遗忘门，输入门，输出门以及时刻状态的权重，c
t
表示t时刻的状态，c
t-1
表示t-1时刻的状态，σ为sigmoid激活函数，sigmoid激活函数的计算公式为：为了更好的表示对过去t时刻的输入特征进行特征选择，采用了传统的sigmoid激活函数，sigmoid激活函数取值映射在0和1之间。
113.其中，所述步骤s214中的第一全连接网络包括多个第一全连接层以及多个批归一化层(batch normalization)，所述批归一化层设置于相邻的两个第一全连接层之间。
114.其中，所述长短期记忆神经网络模型的训练方法为：
115.获取不同人员不同时序的射频指纹信息以及身份，分别作为特征以及标签构建样本数据库；
116.将样本数据库以4∶1的比例划分为训练集以及测试集；
117.通过所述训练集以及所述测试集，训练所述长短期记忆神经网络模型。
118.在本实施例中，第一全连接层的激活函数采用relu激活函数，对于输出特征h
t
的计算，保存了过去时刻的特征信息，无需对其进行0-1映射，因此本方案选择relu激活函数，relu激活函数的计算公式如下：
119.f(x)＝max(0，x)
ꢀꢀꢀꢀꢀ
(9)
120.相对于采用传统的tanh激活函数，relu激活函数的计算避开了幂函数的计算，能够加快模型的速度，此外tanh激活函数在模型层数加深的同时也会存在梯度消失的问题，而relu激活函数能够有效地减缓该问题。
121.全连接层之间也是通过relu激活函数进行连接，能够有效地提高模型的计算速率以及防止梯度消失的情况出现。
122.但是随着模型的加深，relu激活函数也防止不了梯度消失问题的出现，因此本发明引入了新的结构——残差块。残差块不需要通过加权求和，即可实现将上一层的输出直接作为输入进行跳跃式的连接，具体实现公式如下所示：
123.y＝f(x) x
ꢀꢀꢀꢀꢀ
(10)
124.如公式(10)所示，即使f(x)的梯度为0，x的求导结果为1，不会存在着梯度消失的情况，因此残差块的引入能够有效解决模型梯度消失的问题，即使是f(x)的梯度为0，模型的性能也不会由于层数的增加也减弱。
125.优化器对于模型参数的训练至关重要，adam优化器虽然收敛速度快，但是容易导致不收敛或者错过局部最优解。因此本发明在前半部分轮次使用adam优化器对参数进行更新，后半部分轮次使用sgd优化器进行调优。
126.为了使得每一层网络的输出都映射在一定的范围内，本发明在relu激活函数之后都加入了批归一化层(batch normalization)，使得每一层网络的输出映射在一定的空间范围内，加快网络的训练速度。
127.请参阅图5，在本次实施例中，共有两名待测人员，一共生成80条数据进行身份识别分类，以射频指纹作为输入，搭建深度学习网络，具体的网络架构如图5所示，最终在测试
集的分类准确率高达93.75％，16个测试数据仅有一个分类错误，只有将一个待测人员1的测试样本错分为待测人员2，其余测试样本识别结果均正确。
128.请参阅图6，相应地，本发明还提供了一种对应于上述基于射频指纹深度学习的身份识别方法的基于射频指纹深度学习的身份识别装置，其包括身份检测区域建立模块100以及身份识别模块200，
129.所述身份检测区域建立模块100用于设置身份检测区域，所述身份检测区域内设有无线信号传感器，所述无线信号传感器包括信号发射器及信号接收器，所述信号接收器用于接收并输出由所述信号发射器发出的并穿透所述身份检测区域后的射频信号；
130.所述身份识别模块200用于采集所述信号接收器所接收到的射频信号，并将采集到的射频信号与基准值进行对比，以判断所述身份检测区域是否有人员通过；若有，则通过射频信号对人体进行阴影衰落图像重构，并在人员通过身份检测区域时间内形成一段连续的阴影衰落图像连续帧数据，并将其作为输入在长短期记忆神经网络模型进行身份识别，并获得识别结果；
131.其中，所述基准值为当身份检测区域没人时所述信号接收器所接收到的射频信号值。
132.在本实施例中，采用射频信号传感器101作为无线信号传感器，并将射频信号传感器101安装在门框上，多个射频信号传感器101组成传感器阵列，并且传感器阵列所围成的区域为身份识别区域，其中每个射频信号传感器101都能够进行发射信号以及接收信号，每一个射频信号传感器101均能够至少接收到另一个射频信号传感器101所发出的信号，射频信号传感器101为zigbee或者wifi信号发射器，并且射频传感器所发出的信号强度需达到能使信号穿过待识别人员，射频信号传感器101的最高安装高度要高于待测人员的高度，最低安装高度要低于待测人员的膝盖高度；在本实施例中采用平滑线性滤波器对测试信号实现滤波处理，并采用高斯卷积平滑算法实现对测试信号进行滤波处理。
133.本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。