[发明专利]基于RFID的活动序列识别方法、系统、介质及终端

说明书

本发明提供基于RFID的活动序列识别方法、系统、介质及终端，其包括：获取活动序列的RFID数据流并预处理获取对应的RFID数据帧；基于卷积神经网络构建特征提取器，并通过条件对抗网络令所述特征提取器从所述RFID数据帧中提取出与环境和用户无关的泛化活动特征；基于长短期记忆网络构建活动序列标记器，并将所述泛化活动特征输入所述活动序列标记器以获取包含时序信息的活动概率；将所述活动概率输入活动预测器以预测识别所述活动序列。本发明利用对抗学习抑制了用户和环境相关的特征，具有出色的泛化能力；降低识别精度对感知数据预分割的依赖，在不预分析场景、不定义关键动作的前提下，建立具有上下文关系的活动序列模型，完成实时的活动识别。

技术领域

本发明涉及活动识别领域，特别是涉及基于RFID的活动序列识别方法、系统、介质及终端。

背景技术

利用射频标签(RFID)等空间中已有通信基础设施收发的电磁波进行感知的无源感知系统，其非侵扰且透明的感知过程能融入到日常生产生活环境中。无源感知与基于视频图像的感知方法不同，不存在用户隐私被侵害的风险，具有重要的应用价值。而基于手势动作的交互方式比键盘等输入方式更加自然方便，也是基于射频标签(RFID)的手势识别系统的重要应用方向。

然而，大部分基于射频标签(RFID)的无源感知系统一般关注识别孤立的动作活动(如行走、跌倒和坐下等)，而没有考虑具有时序关系的活动序列的识别。甚至目前的动作识别多关注单手的动作，但由多个身体部分参与执行的手势更加复杂，也蕴含更丰富的信息。

从方法论的角度，已有的系统在识别过程中一般需要对数据预分割，先找到动作活动对应的数据流进而再利用机器学习的方法进行识别，显然分割的准确度会直接影响最后系统的识别精度，而人的动作活动一般是连贯的、多样的，甚至同一个人执行相同的动作活动也会有不同的持续时间，这种动作活动的实时分割比分类更加困难。最后，现有的基于无源感知的动作活动识别多关注其识别精度，一般需要执行完整个动作活动才能进行识别，不满足实际场景中对实时性要求较高的一些应用尤其是交互应用的需求，而且其泛化能力有限，多适用于固定的用户集和环境。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提出一种基于RFID的活动序列识别方法、系统、介质及终端，解决现有技术中活动序识别的泛化性不足，应用范围受限的技术问题。

为实现上述目的及其它相关目的，本发明的第一方面提供一种基于RFID的活动序列识别方法，包括：获取活动序列的RFID数据流并预处理获取对应的RFID数据帧；基于卷积神经网络构建特征提取器，并通过条件对抗网络令所述特征提取器从所述RFID数据帧中提取出与环境和用户无关的泛化活动特征；基于长短期记忆网络构建活动序列标记器，并将所述泛化活动特征输入所述活动序列标记器以获取包含时序信息的活动概率；将所述活动概率输入活动预测器以预测识别所述活动序列。

于本发明的第一方面的一些实施例中，所述RFID数据帧包括相位数据帧和接收信号强度数据帧；所述方法包括：所述特征提取器包括两个独立的卷积神经子网络，分别从所述相位数据帧和所述接收信号强度数据帧中提取相位特征和接收信号强度特征；合并所述相位特征和所述接收信号强度特征，并利用全连接层跨模态学习获取所述泛化活动特征。

于本发明的第一方面的一些实施例中，所述泛化活动特征的获取方式包括：采用两个沿时域同时正反向运行的双向长短期记忆网络分别构建环境鉴别器和用户鉴别器；基于所述环境鉴别器和用户鉴别器构建所述条件对抗网络；基于所述条件对抗网络训练所述特征提取器以获取所述与环境和用户无关的泛化活动特征。

于本发明的第一方面的一些实施例中，所述活动概率的获取方式包括：基于长短期记忆网络构建所述活动序列标记器；将所述活动序列标记器中的每个单元的隐藏状态投影到低维空间中，并通过Softmax函数的归一化获得每个所述窗口对应各个活动的所述活动概率。