[发明专利]基于深度学习的非视距身份识别方法、设备及存储介质

说明书

本发明公开了一种基于深度学习的非视距身份识别方法、设备及存储介质，属于无线网络和非视距下的行为识别技术领域。本发明方法利用普通商用路由器收集CSI数据，通过对原始CSI数据进行预处理，并使用MSCNN算法从处理后的活动片段自动提取能够区分不同个体的特征，最后使用SoftMax函数实现穿墙情况下的活动人员的身份识别。本发明方法易于实现，便于实施，执行效率高，识别结果准确性高。

技术领域

本发明涉及无线网络和非视距下的行为识别技术领域，尤其涉及一种基于深度学习的非视距身份识别方法、设备及存储介质，可用于穿墙情况下的无线身份识别。

背景技术

随着我国公共安全体系的逐步完善，身份识别相关应用场景也逐步延伸到了社区安全、楼宇安全、家居安全等多个领域，对室内人员身份验证技术要求越来越高。

传统的身份识别技术主要基于身份标识物品及知识技术、计算机视觉和可穿戴传感器。但在某种程度上具有一定的局限性。身份标识物品及知识技术，其中身份标识物品技术是一种个人持有物，如IC/感应式ID/RFID卡证件，身份标识知识技术包括个人识别码和密码，两者也可以一起使用。它们是人们日常使用率最高的识别技术。但是容易遗忘、丢失或伪造，当被非法者持有时，便可以得到与合法用户相同的权利；计算机视觉通过摄像头采集人体生理和活动的图像和视频数据，利用计算机视觉计算方法提取独特的身份特征进而进行感知识别，识别准确度高，但是计算量巨大，容易侵犯个人隐私、且易受到光照条件以及障碍物的影响等；可穿戴传感器从人体各处的传感器获取运动数据，使用常见的分段技术对数据进行分段并提取特征实现细粒度的感知识别，但是它要求用户佩戴专用传感器，容易引起用户不适。

随着无线网络的发展，Wi-Fi技术设备在全球范围内已经广泛普及。在布满无线信号空间中，人体活动会对无线信号产生反射、折射和衍射等，发生多径效应，接收端的信号蕴含着人体以及环境信息，通过分析接收端信号可以进行人体活动识别。并且Wi-Fi信号可穿墙、覆盖范围广、部署成本低，将Wi-Fi技术引入到身份识别中能够有效弥补传统身份识别技术所带来的不足。

Wi-Fi的活动识别技术有基于接收信号强度指示(Received Signal StrengthIndicator，RSSI)、软件无线电(Universal Software Radio Peripheral，USRP)等。但是，RSSI信号提供的是粗粒度信息，感知效果较差。USRP设备的人体行为识别成本较大，具有较低的实用性。2010年，研究人员发布了基于Intel 5300网卡的CSI测量工具(CSI-Tool)，开始可以从Wi-Fi设备中提取信道状态信息(Channel State Information，CSI)。相对于RSSI，USRP设备，CSI信息获取设备低廉，可以从幅值和相位提取更为细粒度的信息实现身份识别。近几年基于CSI的无线身份识别技术受到了研究者的广泛关注，研究成果显著。但目前的研究缺乏对非视距情况的考虑。

发明内容

有鉴于此，本发明提出了一种基于深度学习的非视距身份识别方法、设备及存储介质，该方法的实现成本低、识别精度高、识别粒度细，且具有可扩展性。

为了实现上述目的，本发明采用的技术方案是：

一种基于深度学习的非视距身份识别方法，其包括以下步骤：

(1)通过接收端天线m接收来自于发射端天线n的无线信号，从接收端天线收到的数据包中获取CSI数据，每个CSI数据为一个包含幅值信息和相位信息的复数值；1≤m≤M，1≤n≤N，M为接收端的天线总数，N为发射端的天线总数；

(2)从CSI数据中提取幅值信息，将幅值信息组成M×N个幅值矩阵，每个幅值矩阵对应于一个天线对，幅值矩阵中的一列对应于一个子载波，一行对应于一个数据包；将这M×N个幅值矩阵的各列组合成一行，构成一个整体幅值矩阵；