本發(fā)明屬于室內(nèi)感知，具體涉及一種基于雙網(wǎng)絡(luò)的csi室內(nèi)位置分類和行為識別方法及相關(guān)設(shè)備。

背景技術(shù)：

1、隨著基于位置服務(wù)技術(shù)的不斷進步，智能室內(nèi)應(yīng)用呈現(xiàn)爆發(fā)式增長,為室內(nèi)感知技術(shù)的發(fā)展帶來了廣闊的應(yīng)用前景。其中，準確識別用戶的位置和行為姿態(tài)是實現(xiàn)智能室內(nèi)應(yīng)用的最關(guān)鍵一環(huán)。例如，服務(wù)機器人需要準確感知用戶位置和動作，以提供個性化服務(wù)；免結(jié)賬超市需要實時跟蹤顧客動態(tài)，優(yōu)化商場布局；智能家居需要感知居民狀態(tài)，自動調(diào)節(jié)環(huán)境參數(shù)。因此，關(guān)注和提升室內(nèi)環(huán)境感知的分類與定位能力，成為當前室內(nèi)感知技術(shù)發(fā)展的重中之重。

2、當前，隨著機器學習與深度學習的發(fā)展，傳統(tǒng)的技術(shù)手段已經(jīng)逐漸不能滿足用戶日益復(fù)雜的需求，位置分類和行為姿態(tài)識別任務(wù)也對室內(nèi)感知領(lǐng)域提出了更高的要求。許多深度學習研究已經(jīng)在基于wifi的基于信道狀態(tài)信息(csi)的位置分類和人體姿態(tài)識別方面取得了顯著進展。然而，雖然提取csi特征來分別實現(xiàn)位置分類和姿態(tài)識別任務(wù)有一定的相似性，由于位置分類任務(wù)的csi模式在不同的領(lǐng)域(即房間、環(huán)境)中會發(fā)生變化，以及依靠csi特征去實現(xiàn)兩種完全不同的分類任務(wù)極具挑戰(zhàn)，使用單一的模型往往具有較弱的泛化能力，無法很好地推廣到新的場景或數(shù)據(jù)分布，此時在新的域重復(fù)從頭訓練模型會耗費大量時間和計算資源；并且由于特征空間或任務(wù)之間的差異，直接將模型從一個領(lǐng)域遷移到另一個領(lǐng)域往往效果較差；此外，目前的無線跨域解決方案僅限于跨單因素任務(wù)，需要大量目標域數(shù)據(jù)參與訓練或使用多個收發(fā)器進行位置無關(guān)特征提取。

3、現(xiàn)有的位置分類和行為識別技術(shù)大都基于公開的幾個手勢識別數(shù)據(jù)集，或者需要大量的訓練樣本、復(fù)雜的網(wǎng)絡(luò)模型、繁瑣的特征變換手段來實現(xiàn)高精度的位置分類和姿態(tài)識別任務(wù)，一旦任務(wù)領(lǐng)域或者實驗場景發(fā)生變化，就要重新開始訓練模型，費時費力，效率低，任務(wù)準確率也會顯著退化。

4、由此可見，現(xiàn)有的位置分類和行為識別技術(shù)，由于存在領(lǐng)域差異，針對新的目標域?qū)崿F(xiàn)分類和識別任務(wù)時需要重新訓練模型，導致效率低且精準度差。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供一種基于雙網(wǎng)絡(luò)的csi室內(nèi)位置分類和行為識別方法及相關(guān)設(shè)備，以解決現(xiàn)有的位置分類和行為識別技術(shù)，由于存在領(lǐng)域差異，針對新的目標域?qū)崿F(xiàn)分類和識別任務(wù)時需要重新訓練模型，導致效率低且精準度差的技術(shù)問題。

2、為了達到上述目的，本發(fā)明采用技術(shù)方案如下：

3、一種基于雙網(wǎng)絡(luò)的csi室內(nèi)位置分類和行為識別方法，包括：

4、獲取室內(nèi)位置數(shù)據(jù)集和行為姿態(tài)數(shù)據(jù)集，將獲取的室內(nèi)位置數(shù)據(jù)集劃分為第一室內(nèi)位置數(shù)據(jù)集和第二室內(nèi)位置數(shù)據(jù)集；其中，第一室內(nèi)位置數(shù)據(jù)集包含第一房間對應(yīng)的多個網(wǎng)格位置點csi數(shù)據(jù)，第二室內(nèi)位置數(shù)據(jù)集包含其他房間對應(yīng)的多個網(wǎng)格位置點csi數(shù)據(jù)；行為姿態(tài)數(shù)據(jù)集包含第一房間對應(yīng)多個網(wǎng)格位置上采集的多種行為姿態(tài)csi數(shù)據(jù)；

5、基于第一室內(nèi)位置數(shù)據(jù)集對預(yù)構(gòu)建的resnet-densenet并聯(lián)網(wǎng)絡(luò)進行訓練，輸出訓練好的resnet-densenet并聯(lián)網(wǎng)絡(luò)以及輸出第一位置分類結(jié)果；

6、將行為姿態(tài)數(shù)據(jù)集和第二室內(nèi)位置數(shù)據(jù)集分別輸入至訓練好的resnet-densenet并聯(lián)網(wǎng)絡(luò)，輸出行為姿態(tài)識別結(jié)果以及輸出其他房間的位置分類結(jié)果；其中，在將行為姿態(tài)數(shù)據(jù)集和第二室內(nèi)位置數(shù)據(jù)集輸入resnet-densenet并聯(lián)網(wǎng)絡(luò)之前，解凍resnet-densenet并聯(lián)網(wǎng)絡(luò)全連接層的參數(shù)權(quán)重且其他層的參數(shù)保持不變，用于實現(xiàn)行為姿態(tài)數(shù)據(jù)集和第二室內(nèi)位置數(shù)據(jù)集在resnet-densenet并聯(lián)網(wǎng)絡(luò)下的跨域遷移。

7、進一步地，在獲取室內(nèi)位置數(shù)據(jù)集以及對應(yīng)的行為姿態(tài)數(shù)據(jù)集之后，采用hampel濾波對所有數(shù)據(jù)集進行去除異常值和噪聲處理，同時采用滑動窗濾波動態(tài)重復(fù)讀取進行數(shù)據(jù)增強處理以實現(xiàn)數(shù)據(jù)集的擴充。

8、進一步地，所述resnet-densenet并聯(lián)網(wǎng)絡(luò)包括并聯(lián)的resnet34和densenet121網(wǎng)絡(luò)；將第一室內(nèi)位置數(shù)據(jù)集輸入至resnet-densenet并聯(lián)網(wǎng)絡(luò)進行特征提取，并經(jīng)過contact特征拼接融合以獲得第一位置概率作為resnet-densenet并聯(lián)網(wǎng)絡(luò)的輸入數(shù)據(jù)。

9、進一步地，將行為姿態(tài)數(shù)據(jù)集中的20％～30％的樣本輸入至訓練好的resnet-densenet并聯(lián)網(wǎng)絡(luò)以實現(xiàn)網(wǎng)絡(luò)訓練和特征提取，獲得某個姿態(tài)的概率，從而輸出行為姿態(tài)識別結(jié)果；其中，在進行網(wǎng)絡(luò)訓練和特征提取前，訓練好的resnet-densenet并聯(lián)網(wǎng)絡(luò)已解凍全連接層的參數(shù)且其他層的參數(shù)保持不變。

10、進一步地，將第二室內(nèi)位置數(shù)據(jù)集中20％～30％的樣本輸入至訓練好的resnet-densenet并聯(lián)網(wǎng)絡(luò)以實現(xiàn)網(wǎng)絡(luò)訓練和特征提取，獲得某個位置的概率，從而輸出其他房間的位置分類結(jié)果；其中，在進行網(wǎng)絡(luò)訓練和特征提取前，訓練好的resnet-densenet并聯(lián)網(wǎng)絡(luò)已解凍全連接層的參數(shù)且其他層的參數(shù)保持不變。

11、進一步地，所述第一房間為客廳房間，所述其他房間包括臥室、廚房、衛(wèi)生間和餐廳；按照網(wǎng)格對客廳房間的位置點以及其他房間的位置點分別進行采集；所述行為姿態(tài)數(shù)據(jù)集包括站立、下蹲、彎腰、原地踏步、原地跳和坐下行為姿態(tài)csi數(shù)據(jù)。

12、進一步地，其中，csi數(shù)據(jù)表示為：

13、

14、式中，hi,j表示第i個接收天線第j個子載波的csi，nc表示子載波個數(shù)。

15、一種基于雙網(wǎng)絡(luò)的csi室內(nèi)位置分類和行為識別系統(tǒng)，用于實現(xiàn)上述基于雙網(wǎng)絡(luò)的csi室內(nèi)位置分類和行為識別方法的步驟，包括：

16、數(shù)據(jù)采集模塊，用于獲取室內(nèi)位置數(shù)據(jù)集和行為姿態(tài)數(shù)據(jù)集，將獲取的室內(nèi)位置數(shù)據(jù)集劃分為第一室內(nèi)位置數(shù)據(jù)集和第二室內(nèi)位置數(shù)據(jù)集；其中，第一室內(nèi)位置數(shù)據(jù)集包含第一房間對應(yīng)的多個網(wǎng)格位置點csi數(shù)據(jù)，第二室內(nèi)位置數(shù)據(jù)集包含其他房間對應(yīng)的多個網(wǎng)格位置點csi數(shù)據(jù)；行為姿態(tài)數(shù)據(jù)集包含第一房間對應(yīng)多個網(wǎng)格位置上采集的多種行為姿態(tài)csi數(shù)據(jù)；

17、模型訓練模塊，用于基于第一室內(nèi)位置數(shù)據(jù)集對預(yù)構(gòu)建的resnet-densenet并聯(lián)網(wǎng)絡(luò)進行訓練，輸出訓練好的resnet-densenet并聯(lián)網(wǎng)絡(luò)以及輸出第一位置分類結(jié)果；

18、目標結(jié)果輸出模塊，用于將行為姿態(tài)數(shù)據(jù)集和第二室內(nèi)位置數(shù)據(jù)集分別輸入至訓練好的resnet-densenet并聯(lián)網(wǎng)絡(luò)，輸出行為姿態(tài)識別結(jié)果以及輸出其他房間的位置分類結(jié)果；其中，在將行為姿態(tài)數(shù)據(jù)集和第二室內(nèi)位置數(shù)據(jù)集輸入resnet-densenet并聯(lián)網(wǎng)絡(luò)之前，解凍resnet-densenet并聯(lián)網(wǎng)絡(luò)全連接層的參數(shù)權(quán)重且其他層的參數(shù)保持不變，用于實現(xiàn)行為姿態(tài)數(shù)據(jù)集和第二室內(nèi)位置數(shù)據(jù)集在resnet-densenet并聯(lián)網(wǎng)絡(luò)下的跨域遷移。

19、一種設(shè)備，包括：

20、存儲器，用于存儲計算機程序；

21、處理器，用于執(zhí)行所述計算機程序時實現(xiàn)上述基于雙網(wǎng)絡(luò)的csi室內(nèi)位置分類和行為識別方法的步驟。

22、一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)存儲有計算機程序，所述計算機程序被處理器執(zhí)行時用于實現(xiàn)上述基于雙網(wǎng)絡(luò)的csi室內(nèi)位置分類和行為識別方法的步驟。

23、相比于現(xiàn)有技術(shù)，本發(fā)明具有有益效果如下：

24、本發(fā)明還提供一種基于雙網(wǎng)絡(luò)的csi室內(nèi)位置分類和行為識別方法，本方法首先將室內(nèi)位置數(shù)據(jù)集劃分為包含有第一房間對應(yīng)的多個網(wǎng)格位置點csi數(shù)據(jù)的第一室內(nèi)位置數(shù)據(jù)集以及包含其他房間對應(yīng)的多個網(wǎng)格位置點csi數(shù)據(jù)的第二室內(nèi)位置數(shù)據(jù)集；利用第一室內(nèi)位置數(shù)據(jù)集對resnet-densenet并聯(lián)網(wǎng)絡(luò)進行訓練，并根據(jù)第二室內(nèi)位置數(shù)據(jù)集和行為姿態(tài)數(shù)據(jù)集利用訓練好的resnet-densenet并聯(lián)網(wǎng)絡(luò)實現(xiàn)行為姿態(tài)識別結(jié)果以及輸出其他房間的位置分類結(jié)果的輸出；本方法使用跨域遷移的學習框架，能夠復(fù)用已經(jīng)被大量數(shù)據(jù)充分訓練好的神經(jīng)網(wǎng)絡(luò)模型，在新的目標域上實現(xiàn)分類和識別任務(wù)時，無需從頭訓練網(wǎng)絡(luò)，節(jié)省了訓練成本，提高了效率和結(jié)果精度。

25、此外，本發(fā)明還具有如下優(yōu)點：

26、第一、采用hampel濾波對所有數(shù)據(jù)集進行去除異常值和噪聲處理，保證了數(shù)據(jù)的精準性和有效性；采用滑動窗濾波動態(tài)重復(fù)讀取進行數(shù)據(jù)增強處理，將數(shù)據(jù)集大大擴充，提升了本方法的靈活度和適應(yīng)能力。

27、第二、通過將傳統(tǒng)的resnet和densenet并聯(lián)形成雙網(wǎng)絡(luò)結(jié)構(gòu)，增加了神經(jīng)網(wǎng)絡(luò)的寬度，相較于傳統(tǒng)的單網(wǎng)絡(luò)模型，大大提高了特征提取的準確性和有效性。

28、第三、在新的目標域上僅使用少量樣本微調(diào)模型的參數(shù)就能實現(xiàn)很好的分類和識別效果，不需要大量的數(shù)據(jù)資源，也提升了任務(wù)效率，不會浪費計算資源。