[發明專利]一種基于UHF RFID的被動式行為識別方法

在審

• 申請號: 202010008039.3
• 申請日: 2020-01-06
• 公開（公告）號: CN111191475A
• 公開（公告）日: 2020-05-22
• 發明（設計）人: 史偉光;劉和青;劉鵬輝
• 申請（專利權）人: 天津工業大學
• 主分類號: G06K7/00
• 分類號: G06K7/00;G06K9/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于UHF RFID的被動式行為識別方法，其具體步驟如下：

步驟1：以無源UHF RFID標簽和高性能UHF RFID閱讀器為基礎構建被動式行為識別系統，閱讀器在每個采樣周期獲取一個數據包，其中包含一個采樣周期內讀取的所有標簽信息，在高采樣頻率下，一個完整的行為動作信息會被分散到多個連續的數據包中，每個單獨的數據包中所包含的信息都不足以表征該行為，將數據包按時間順序連接成數據流，從而實現抽象行為到可采集數據的轉化；

步驟2：從閱讀器中直接獲取的原始數據流經常出現數據缺失，導致不同標簽之間數據流錯位，通過對數據采集過程分析，數據缺失原因分為兩種：(1)由于設備的性能限制，當設置的采樣頻率較高，獲取到的數據包中會出現增益較差的標簽信息缺失，使用上一個完整數據包中對應標簽的數據填充數據流中缺失的部分，(2)用戶在射頻信號覆蓋區域內進行各種行為活動，當電子標簽與閱讀器之間的射頻信號傳輸路徑被人體遮擋，就會出現該標簽數據連續缺失，使用RSSI最小值填充缺失數據，獲得連續同步數據流；

步驟3：為了幫助分類算法更好的獲取數據特征，需要將連續的同步數據流劃分為一組單獨的片段，使得每個片段對應某一特定的行為，通過引入時間信息，利用滑窗函數將數據流劃分成若干等長片段，每一個單獨的片段數據包含該種行為的所有特征信息；

步驟4：與直接利用測量數據的分類方法相比，基于統計特征的方法不需要建立數據與行為的精確模型，而是通過提取數據片段的最大值、最小值、中位數、平均數、方差、標準差以及最值差這7種輕量級的統計特征，使用統計特征代替測量數據，降低分類模型的復雜度，在同一片段中，每個標簽都從不同角度記錄了行為特征信息，具有互補性，因此需要對不同標簽的統計特征進行拼接，整合成片段統計特征向量，實現片段數據向特征向量的轉化，進而實現片段組向特征向量矩陣的轉化；

步驟5：從無人環境下采集到的RSSI信號中提取統計特征，構建特征向量集作為參考樣本集，通過稀疏字典學習算法，迭代執行兩個學習階段來計算行為字典，第一階段為稀疏編碼階段，保持字典不變，采用正交匹配追蹤(Orthogonal Matching Pursuit，OMP)算法計算稀疏系數矩陣，在第二階段，在保持稀疏性的條件下奇異值分解殘差，對行為字典和稀疏系數矩陣進行逐列順序更新；

步驟6：利用OMP算法，計算每種行為特征向量的稀疏系數矩陣，利用行為字典和稀疏系數重新構建的特征向量，重構偏移向量為特征向量與重構特征向量之差，使用重構偏移向量作為行為指紋；

步驟7：對每種行為指紋特征進行穩定性排序，分別構建特征選擇矩陣，使用特征選擇矩陣將指紋投影到能夠穩定表征行為的子空間中，得到新的指紋，使用新指紋替換原指紋，實現指紋優勢特征的篩選；

步驟8：引入kNN算法，通過計算待測指紋與行為指紋庫中的指紋之間的相似程度，選擇相似度最高的k個指紋，根據所選指紋的類型推斷待測指紋的類型，并且在kNN的基礎上增加特征選擇策略，使用帶特征選擇的歐氏距離作為相似度衡量指標，提高了指紋匹配性能，進而提高行為識別算法的識別精度。

2.根據權利要求1所述的基于UHF RFID的被動式行為識別方法，其特征在于步驟7中，由于不同種行為指紋的穩定特征不同，所以將行為指紋按行為類別分類，分別為每種類型行為指紋構建一個特征選擇矩陣，為了簡化計算，使用主對角矩陣作為特征選擇矩陣原型，矩陣維度等于指紋的特征數量M，主對角線上的M個元素分別對應著指紋的M個特征，當主對角線元素為1時，表示對應的指紋特征被選擇，當主對角線元素為0時，表示對應的指紋特征被過濾，對指紋特征穩定性進行排序，以方差作為指紋特征穩定性指標選出數值變化較穩定的指紋特征，生成特征選擇矩陣其中h為行為編號，則優化后的行為指紋矩陣表示為