[發明專利]一種RFID無設備人體追蹤系統的擇優標簽方法

在審

• 申請號: 202111083051.1
• 申請日: 2021-09-15
• 公開（公告）號: CN113744318A
• 公開（公告）日: 2021-12-03
• 發明（設計）人: 魯建廈;包秦
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06T7/11;G06N3/08;G06N3/04;G06K19/07;G06K9/00
• 代理公司: 杭州浙科專利事務所(普通合伙) 33213
• 代理人: 楊小凡

1.一種RFID無設備人體追蹤系統的擇優標簽方法，其特征在于包括如下步驟：

S1，區域劃分，將監控區域劃分為N個位置；

S2，特征提取及計算，提取每個位置一段時間內采樣的T個RSSI的均值和方差，并且將該段時間RSSI的分布與所在位置建立映射關系；

S3，構建深度學習模型，根據T的RSSI序列解析相應的位置序列即人體真實的移動軌跡，i表示第i個位置，包括如下步驟：

S31，采用神經網絡對RSSI序列進行解析，給定單個輸入RSSI序列和輸出位置序列對(Xⁱ,Yⁱ)，對數概率P(Xⁱ,Yⁱ)的計算方法為：

其中：

Y同理，表示長度為T的序列標記，表示第i個訓練向量中第t時刻的數據，t∈T表示神經網絡第t時刻，即第t次采樣，表示第i個訓練向量對應的標s記向量中第t個時刻的標記，表示第i個訓練向量對應的標s記向量中第1到T個時刻的標記；

S32，θ由帶參數θ^*的循環神經網絡，通過隱層狀態向量h進行計算，當前時刻的隱層狀態向量由上個時刻的和輸入得到，計算式為

式中，由循環神經網絡計算式為：

式中，f(·)為tanh函數；

S33，由當前時刻隱層狀態向量線性投影到分數向量實現，其輸出經過線性層轉換維度和歸一化，輸出所有位置的分數，最后選取分數最高的位置作為輸出；

S4，標簽布局方式選擇，根據深度學習模型對于位置的分類正確率，擇優選擇標簽。

2.根據權利要求1所述的一種RFID無設備人體追蹤系統的擇優標簽方法，其特征在于所述S3中，將2個神經網絡進行連接得到seq2seq模型，seq2seq模型由一個編碼器和解碼器構成將RSSI序列通過詞嵌入擴展成多維的列向量，隨后經過編碼器輸出統一的語義向量h_T，即維度大小為h的隱層狀態向量，隨后將語義向量h_T傳給解碼器，用于解碼器獲得更準確的位置序列S。

3.根據權利要求2所述的一種RFID無設備人體追蹤系統的擇優標簽方法，其特征在于對解碼器引入注意力機制，將c_t向量與隱層向量h_t拼接，然后通過全連接層恢復維度，為了得到c_t向量，首先計算解碼器中t時刻隱層狀態h_t對編碼器中每個隱層狀態的權值a_t(s)：

式中，為t時刻解碼器隱層狀態向量的轉置，s’表示編碼器長度，表示編碼器隱層向量，exp(·)表示指數函數；

利用權值a_t(s)計算所有隱層狀態加權和c_t：

然后將得到的c_t與解碼器中t時刻原始的隱層向量h_t進行拼接為：

h′_t＝tanh(W_c·[c_t；h_t]) (6)

式中，W_c為全連接矩陣，目的是將拼接向量的維度降低；

然后將h′_t乘以權重W_ho和偏置b_ho進行輸出：

y_t＝softmax(W_hoh'+b_ho) (7)

式中，softmax(·)為歸一化函數。

4.根據權利要求3所述的一種RFID無設備人體追蹤系統的擇優標簽方法，其特征在于所述神經網絡，采用循環神經網絡RNN，RNN網絡中權值是共享的，即W_ho與b_ho相等。