[发明专利]在线多任务学习的人体姿态射频识别方法

说明书

一种在线多任务学习的人体姿态射频识别方法包括以下步骤：步骤1：部署无源RFID电子标签、天线和读写器；步骤2：采集数据，训练站立姿态分类器以及相关任务分类器；步骤3：对在线目标进行姿态识别，对识别结果设计评价指标。本发明使用RFID技术识别人体姿态，无需摄像头采集人像，不影响隐私，也不需要佩戴各种传感器，更加方便；使用在线学习特征的多任务学习方法训练卷积神经网络，可以在线实时更新分类器，使得模型泛化能力更强，识别精度更高。

技术领域

本发明涉及一种在线多任务学习的人体姿态射频识别方法，尤其是一种基于射频技术的在线多任务学习卷积神经网络的人体姿态识别方法。

背景技术

人体的姿态分析对人们生活习惯、身体健康的改善十分有意义。现已有很多研究开发了使用Kinect、RGB摄像头、可穿戴设备或是智能垫的人体姿态识别方法。基于摄像头的方法因具有较高的分辨率而有较高的精度，但往往引起人们对隐私问题的担忧。可穿戴设备可能带来不适感或者需要长期维护的问题，要想长期被应用还有待继续优化产品。

RFID(Radio Frequency Identification，射频识别)是一种非接触式自动识别技术。无线电频率信号用于识别目标，无需人工干预。使用RFID实现人体的姿态识别成本低，且可以无需摄像头和其他传感器的参与，但现有的基于RFID实现的姿态识别方法中广泛使用的机器学习方法是决策树、贝叶斯、K邻近、随机森林和集成学习等传统的方法，在训练数据的过程中数据不能有缺失值，但实际情况可能会存在数据丢失的情况。

机器学习的离线学习中，在训练模型时数据集中的训练数据必定是能用的，训练结束之后模型即可用来识别东西，而在线学习是不需要直接提供可用的完整训练集的，关注的是接收实时数据，并不断更新分类器。本发明为了提高学习效果，促进泛化能力，采用基于深度学习的在线多任务学习策略，多任务学习是指基于共享表示，是一种更侧重于将多种相关的任务放在一起学习的机器学习方法。通过将相关的姿态识别任务进行关联学习，低层的信息共享可防止网络的过拟合。

发明内容

为了改进上述提到的现有技术的不足，本发明提供了一种在线多任务学习的人体姿态射频识别方法。

本发明通过在室内部署RFID标签并结合在线多任务深度卷积网络的方式实现人体姿态识别，以站立的姿态识别为主任务，以坐姿识别、睡姿识别为相关任务，训练卷积神经网络模型。

一种在线多任务学习的人体姿态射频识别方法包括以下步骤：

步骤1：部署无源RFID电子标签、天线和读写器；

步骤2：采集数据，训练站立姿态分类器以及相关任务分类器；

步骤3：对在线目标进行姿态识别，对识别结果设计评价指标。

所述步骤1中，可根据实际要解决何种识别任务将标签部署于室内的墙面、床垫或人体关键部位，并将读写器和天线置于环境内。本发明将天线正对于标签放置。为了防止相互耦合对标签天线的辐射模式的改变而影响接收相序，相邻标签之间的距离应大于5厘米。

所述步骤2包括以下步骤：

2.1、测试人员以不同姿态站立、坐着、躺卧，对不同的姿势都记录一段时间的数据，可以得到站立、坐着和躺卧的不同相位序列数组，数组的每个元素都是每个时隙上的RSSI值。当测试人员在改变姿势时，相应的RSSI值也会发生变化，每一时刻的数组数据都可以表示为一帧。

2.2、数据预处理；

2.2.1、删除射频识别系统中硬件造成的恒定相移。输入原始的相位序列数组，对相邻两个相位测量值进行比较，并应用阈值来检测和校准相移，阈值设置为与硬件造成的恒定相移一致。如果相邻两个测量值之间的相位差超过了一个阈值，通过在离群点上增加或减少一个阈值来校准相移。