基于小样本学习的RFID手指踪迹识别方法及装置

基于小样本学习的rfid手指踪迹识别方法及装置
技术领域
1.本发明涉及手指踪迹识别技术领域，特别涉及一种基于小样本学习的rfid手指踪迹识别方法、一种计算机可读存储介质、一种计算机设备以及一种基于小样本学习的rfid手指踪迹识别装置。


背景技术：

2.相关技术中，手指踪迹一般采用传感器、照相机和其他设备进行识别，但是，传统的基于传感器或者摄像头的手指踪迹识别方法往往对硬件设备有着极高的依赖性，硬件设备的好坏影响着其准确率，另外，当周围环境发生变化，如光线强度不足时，传统方法的准确率将无法保证，再者，用户隐私易受到侵犯，由于摄像头将完全记录用户的行为，用户人像信息也有被泄露的风险。


技术实现要素：

3.本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的一个目的在于提出一种基于小样本学习的rfid手指踪迹识别方法，能够在无需人体佩戴任何设备和极少数训练样本的情况下实现高精度、细粒度的手指踪迹识别。
4.本发明的第二个目的在于提出一种计算机可读存储介质。
5.本发明的第三个目的在于提出一种计算机设备。
6.本发明的第四个目的在于提出一种基于小样本学习的rfid手指踪迹识别装置。
7.为达到上述目的，本发明第一方面实施例提出了一种基于小样本学习的rfid手指踪迹识别方法，包括获取标签阵列发送的带有时序性特征的原始手指反射信号；对所述原始手指反射信号进行特征提取，以得到可视化的手指踪迹空间特征图；构建踪迹识别模型，并将所述手指踪迹空间特征图输入到所述踪迹识别模型，以便完成对所述手指踪迹空间特征图的识别。
8.根据本发明实施例的基于小样本学习的rfid手指踪迹识别方法，首先，获取标签阵列发送的带有时序性特征的原始手指反射信号；接着，对原始手指反射信号进行特征提取，以得到可视化的手指踪迹空间特征图；最后，构建踪迹识别模型，并将手指踪迹空间特征图输入到踪迹识别模型，以便完成对手指踪迹空间特征图的识别；由此，能够在无需人体佩戴任何设备和极少数训练样本的情况下实现高精度、细粒度的手指踪迹识别。
9.另外，根据本发明上述实施例提出的基于小样本学习的rfid手指踪迹识别方法还可以具有如下附加的技术特征：
10.可选地，对所述原始手指反射信号进行特征提取，以得到可视化的手指踪迹空间特征图，包括：采用一维相位解包对所述原始手指反射信号的相位进行校正，以及使用滤波器对所述原始手指反射信号进行平滑处理，以得到预处理信号；对所述预处理信号进行分割处理，以得到所述手指踪迹的起点和终点；获取由所述标签阵列中所有标签对应的似然组成的似然估计矩阵，以便根据所述似然估计矩阵和所述手指踪迹的起点和终点对手指运
动趋势进行追踪，并将其绘制成所述可视化的手指踪迹空间特征图。
11.可选地，对所述预处理信号进行分割处理，以得到所述手指踪迹的起点和终点，包括：对所述预处理信号的相位和对应的rssi数据进行归一化处理；使用动态调整的滑动窗口分别计算所述标签阵列中每个标签对应的归一化处理后的相位和rssi的方差流，并赋予相应权重进行结合；将每个滑动窗口的最大方差提取出来组成最大方差流，并获取第一和最后一个峰值作为所述手指踪迹的起点和终点。
12.可选地，所述踪迹识别模型包括分类器、鉴别器和生成器，所述生成器根据随机矢量生成相关图像以补充训练数据集，所述鉴别器用于区分所述生成器生成的样本和真实的样本，将软阈值化加入到所述分类器以便生成图像对应的标签。
13.为达到上述目的，本发明第二方面实施例提出了一种计算机可读存储介质，其上存储有基于小样本学习的rfid手指踪迹识别程序，该基于小样本学习的rfid手指踪迹识别程序被处理器执行时实现如上述的基于小样本学习的rfid手指踪迹识别方法。
14.根据本发明实施例的计算机可读存储介质，通过存储基于小样本学习的rfid手指踪迹识别程序，以使得处理器在执行该基于小样本学习的rfid手指踪迹识别程序时，实现如上述的基于小样本学习的rfid手指踪迹识别方法，由此，能够在无需人体佩戴任何设备和极少数训练样本的情况下实现高精度、细粒度的手指踪迹识别。
15.为达到上述目的，本发明第三方面实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述的基于小样本学习的rfid手指踪迹识别方法。
16.根据本发明实施例的计算机设备，通过存储器对基于小样本学习的rfid手指踪迹识别程序进行存储，以使得处理器在执行该基于小样本学习的rfid手指踪迹识别程序时，实现如上述的基于小样本学习的rfid手指踪迹识别方法，由此，能够在无需人体佩戴任何设备和极少数训练样本的情况下实现高精度、细粒度的手指踪迹识别。
17.为达到上述目的，本发明第四方面实施例提出了一种基于小样本学习的rfid手指踪迹识别装置，包括获取模块，用于获取标签阵列发送的带有时序性特征的原始手指反射信号；特征提取模块，用于对所述原始手指反射信号进行特征提取，以得到可视化的手指踪迹空间特征图；踪迹识别模块，用于构建踪迹识别模型，并将所述手指踪迹空间特征图输入到所述踪迹识别模型，以便完成对所述手指踪迹空间特征图的识别。
18.根据本发明实施例的基于小样本学习的rfid手指踪迹识别装置，通过获取模块获取标签阵列发送的带有时序性特征的原始手指反射信号；特征提取模块对原始手指反射信号进行特征提取，以得到可视化的手指踪迹空间特征图；踪迹识别模块构建踪迹识别模型，并将手指踪迹空间特征图输入到踪迹识别模型，以便完成对手指踪迹空间特征图的识别；由此，能够在无需人体佩戴任何设备和极少数训练样本的情况下实现高精度、细粒度的手指踪迹识别。
19.另外，根据本发明上述实施例提出的基于小样本学习的rfid手指踪迹识别装置还可以具有如下附加的技术特征：
20.可选地，所述特征提取模块还用于，采用一维相位解包对所述原始手指反射信号的相位进行校正，以及使用滤波器对所述原始手指反射信号进行平滑处理，以得到预处理信号；对所述预处理信号进行分割处理，以得到所述手指踪迹的起点和终点；获取由所述标
签阵列中所有标签对应的似然组成的似然估计矩阵，以便根据所述似然估计矩阵和所述手指踪迹的起点和终点对手指运动趋势进行追踪，并将其绘制成所述可视化的手指踪迹空间特征图。
21.可选地，所述特征提取模块还用于，对所述预处理信号的相位和对应的rssi数据进行归一化处理；使用动态调整的滑动窗口分别计算所述标签阵列中每个标签对应的归一化处理后的相位和rssi的方差流，并赋予相应权重进行结合；将每个滑动窗口的最大方差提取出来组成最大方差流，并获取第一和最后一个峰值作为所述手指踪迹的起点和终点。
22.可选地，所述踪迹识别模型包括分类器、鉴别器和生成器，所述生成器根据随机矢量生成相关图像以补充训练数据集，所述鉴别器用于区分所述生成器生成的样本和真实的样本，将软阈值化加入到所述分类器以便生成图像对应的标签。
附图说明
23.图1为根据本发明实施例的基于小样本学习的rfid手指踪迹识别方法的流程示意图；
24.图2为根据本发明实施例的rfid标签阵列的结构示意图；
25.图3为根据本发明实施例的部分可视化的手指踪迹空间特征图；
26.图4为根据本发明实施例的rf-dsgan的整体框架示意图；
27.图5为根据本发明实施例的ds-gan具体架构示意图；
28.图6为根据本发明实施例的基于小样本学习的rfid手指踪迹识别装置的方框示意图。
具体实施方式
29.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
30.为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
31.为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
32.图1为根据本发明实施例的基于小样本学习的rfid手指踪迹识别方法的流程示意图，如图1所示，该基于小样本学习的rfid手指踪迹识别方法包括以下步骤：
33.s101，获取标签阵列发送的带有时序性特征的原始手指反射信号。
34.作为一个实施例，如图2所示，标签阵列由36个rfid标签组成的6*6矩阵阵列，通过rf-dsgan捕捉手指在标签阵列前挥舞引起的时间序列反射信号变化，从而得到带有时序性特征的原始手指反射信号。
35.也就是说，原始手指反射信号为射频信号，包括空间和时间信息。
36.s102，对原始手指反射信号进行特征提取，以得到可视化的手指踪迹空间特征图。
37.作为一个实施例，对原始手指反射信号进行特征提取，以得到可视化的手指踪迹空间特征图，包括：采用一维相位解包对原始手指反射信号的相位进行校正，以及使用滤波器对原始手指反射信号进行平滑处理，以得到预处理信号；对预处理信号进行分割处理，以得到手指踪迹的起点和终点；获取由标签阵列中所有标签对应的似然组成的似然估计矩阵，以便根据似然估计矩阵和手指踪迹的起点和终点对手指运动趋势进行追踪，并将其绘制成可视化的手指踪迹空间特征图。
38.也就是说，对rfid阅读器收到的原始射频信号首先进行数据预处理，然后进行踪迹分割，最后再进行数据可视化，从而得到可视化的手指踪迹空间特征图。
39.作为一个实施例，对预处理信号进行分割处理，以得到手指踪迹的起点和终点，包括：对预处理信号的相位和对应的rssi数据进行归一化处理；使用动态调整的滑动窗口分别计算标签阵列中每个标签对应的归一化处理后的相位和rssi的方差流，并赋予相应权重进行结合；将每个滑动窗口的最大方差提取出来组成最大方差流，并获取第一和最后一个峰值作为手指踪迹的起点和终点。
40.作为一个具体实施例，由于rfid阅读器收到的原始射频信号可能存在测量缺陷、误读、噪音和相位跳动等问题，所以需要进行数据预处理以提高信号的可靠性；解包前的相位值波动很大，而且不规则，不能作为实验数据使用；因此，需要采用一维相位解包法校正相位；同时使用滤波器平滑噪声。
41.其中，相位解包公式如下：
[0042][0043][0044]
其中，为某一时刻i的初始相位值。
[0045]
作为一个具体实施例，由于手势是多种多样的，不同的手势对标签阵列有不同的影响，且手势是不稳定的，即使同一个人以不同的速度做同样的手势，信号序列看起来也有明显的不同，所以为了更正确的提取手指运动的特征，而不增加额外的噪音或丢失重要信息，所以采用改进的最大方差流确定手指踪迹的起点和终点。其中，1)归一化(normalization)：为了确保标签阵列内所有标签的信号变化都处在相同量级，所以将预处理之后的相位与rssi数据进行了归一化处理。2)权重分配(weight distribution)：每个标签都使用动态调整的滑动窗口分别计算对应相位、rssi的方差流(variance stream)，并设计消融实验，选取最优值结合相位与rssi。3)方差最大化(variance maximization)：将每个滑动窗口的最大方差提取出来组成最大方差流，获取第一和最后一个峰值作为手势的起点和终点。
[0046]
作为一个具体实施例，通过计算实际反射能量分布矩阵与理论上整个阵列的反射能量分布矩阵的pearson相关系数，跟踪t时刻手指的运动轨迹，将t时刻手指位于所有标签的似然l(t,i)组成一个似然估计矩阵，似然估计矩阵反映了t时刻手指位于标签阵列的位
置，将每个时刻位置可能性最大的点记录之后，将踪迹平滑以对手指运动趋势的追踪，并将其绘制成如图3所示的图片形式。
[0047]
另外，将标签阵列看成是一个6*6的网格，手指在t时刻位于第i个标签上方的似然l(t,i)可以应用皮尔逊相关系数被定义为：
[0048][0049]
其中：
[0050]
p
actual
＝|s
reflect
|2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0051][0052][0053]eix
＝cosx+isinx
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0054]
其中，n是标签阵列的标签数，c是一个常量，此处取1，为手指距离标签的距离，μ是p
theoretical
(i)和p
actual
对应的均值，p
theoretical
(i)是指假如手指落在第i个标签上方时，理论上整个阵列的反射能量分布矩阵，由公式(5)计算得到；p
actual
(t)指的是t时刻利用阅读器接收到的相位、rssi通过公式(6,7)计算出的实际反射能量分布矩阵。
[0055]
需要说明的是，每个标签i每时刻都有对应的相位、rssi，将每个标签计算出来的实际反射能量拼起来就是一个实际反射能量分布矩阵；如图3展示了使用该算法还原手指书写部分字母；为了提高特征图的分辨率，采用二维线性插值的方式将6*6的图片扩大为了18*18。
[0056]
s103，构建踪迹识别模型，并将手指踪迹空间特征图输入到踪迹识别模型，以便完成对手指踪迹空间特征图的识别。
[0057]
作为一个实施例，踪迹识别模型包括分类器、鉴别器和生成器，生成器根据随机矢量生成相关图像以补充训练数据集，鉴别器用于区分生成器生成的样本和真实的样本，将软阈值化加入到分类器以便生成图像对应的标签。
[0058]
也就是说，如图5所示，将一个100维的随机矢量输入到ds-gan生成器中，以生成相关图像并补充训练数据集；同时，鉴别器也在不断训练，以区分生成的样本和真实的样本；最后，一个具有独立架构的分类器预测标签；参考软阈值化在图像去噪方面的缺陷，将软阈值化加入到了分类器中，加强了其在含噪数据上的表现；由于真实的rfid特征图数据量太小导致常规深度学习模型在测试集上的泛化能力不足，因此，需要使用生成器生成的图片对训练数据进行补充；针对本场景，将软阈值化嵌入分类器中以对生成的具有噪声的虚拟图片进行噪声信息的消除，之后使用伪标记技术，根据分类器的当前能力，给予生成图片一个最有可能的标签；只有当模型以高置信度预测样本的类别，或概率超过一定的阈值时，生成的图像和标签才会被保留；其中，每个小批都会生成新的图像，并立即提供给分类器。
[0059]
即言，如图4所示，rf-dsgan包括两个关键部分：特征提取和踪迹识别。其中，rf-dsgan首先将从标签阵列收到的原始时间序列信号作为输入；通过数据预处理模块从原始
数据中创建一个平滑、均匀的时隙信号；之后，手指轨迹可视化模块接收手势时间序列数据作为输入并生成可视化的踪迹图像；可视化的图像被传递给踪迹识别模块，该踪迹识别模块利用ds-gan(使用半监督算法进行完全监督分类的gan)完成对手指踪迹图像的识别，如将手写踪迹字母“a”识别为相对应的类别编号。
[0060]
综上所述，rf-dsgan使用小样本学习技术，提升了系统在少量数据下的识别表现；此外，利用软阈值化来弥补在有限的数据集上无法有效训练好gan的挑战，使得系统能够在低质量虚拟图片中学习到关键特征；大量的实验表明，rf-dsgan在八种手指踪迹共160条训练数据、640条测试数据下的平均准确率为94.69％，在遇到不同的痕迹、用户、手指速度和环境时，在较少的样本条件下最高可达到97.50％，展示了出色的鲁棒性和跨环境的能力；rf-dsgan与其他方法结果对比如下表所示：
[0061][0062]
可以看出rf-dsgan在多种手指踪迹下的表现均优于其余baseline方法。
[0063]
为了实现上述实施例，本发明实施例还提出了一种计算机可读存储介质，其上存储有基于小样本学习的rfid手指踪迹识别程序，该基于小样本学习的rfid手指踪迹识别程序被处理器执行时实现如上述的基于小样本学习的rfid手指踪迹识别方法。
[0064]
根据本发明实施例的计算机可读存储介质，通过存储基于小样本学习的rfid手指踪迹识别程序，以使得处理器在执行该基于小样本学习的rfid手指踪迹识别程序时，实现如上述的基于小样本学习的rfid手指踪迹识别方法，由此，能够在无需人体佩戴任何设备和极少数训练样本的情况下实现高精度、细粒度的手指踪迹识别。
[0065]
为了实现上述实施例，本发明实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述的基于小样本学习的rfid手指踪迹识别方法。
[0066]
根据本发明实施例的计算机设备，通过存储器对基于小样本学习的rfid手指踪迹识别程序进行存储，以使得处理器在执行该基于小样本学习的rfid手指踪迹识别程序时，实现如上述的基于小样本学习的rfid手指踪迹识别方法，由此，能够在无需人体佩戴任何设备和极少数训练样本的情况下实现高精度、细粒度的手指踪迹识别。
[0067]
为了实现上述实施例，本发明实施例提出了一种基于小样本学习的rfid手指踪迹识别装置，如图6所示，该基于小样本学习的rfid手指踪迹识别装置包括：获取模块10、特征提取模块20和踪迹识别模块30。
[0068]
其中，获取模块10用于获取标签阵列发送的带有时序性特征的原始手指反射信号；特征提取模块20用于对原始手指反射信号进行特征提取，以得到可视化的手指踪迹空间特征图；踪迹识别模块30用于构建踪迹识别模型，并将手指踪迹空间特征图输入到踪迹识别模型，以便完成对手指踪迹空间特征图的识别。
[0069]
可选地，特征提取模块20还用于，采用一维相位解包对原始手指反射信号的相位
进行校正，以及使用滤波器对原始手指反射信号进行平滑处理，以得到预处理信号；对预处理信号进行分割处理，以得到手指踪迹的起点和终点；获取由标签阵列中所有标签对应的似然组成的似然估计矩阵，以便根据似然估计矩阵和手指踪迹的起点和终点对手指运动趋势进行追踪，并将其绘制成可视化的手指踪迹空间特征图。
[0070]
可选地，特征提取模块20还用于，对预处理信号的相位和对应的rssi数据进行归一化处理；使用动态调整的滑动窗口分别计算标签阵列中每个标签对应的归一化处理后的相位和rssi的方差流，并赋予相应权重进行结合；将每个滑动窗口的最大方差提取出来组成最大方差流，并获取第一和最后一个峰值作为手指踪迹的起点和终点。
[0071]
可选地，踪迹识别模型包括分类器、鉴别器和生成器，生成器根据随机矢量生成相关图像以补充训练数据集，鉴别器用于区分生成器生成的样本和真实的样本，将软阈值化加入到分类器以便生成图像对应的标签。
[0072]
需要说明的是，上述关于图1中基于小样本学习的rfid手指踪迹识别方法的描述同样适用于该基于小样本学习的rfid手指踪迹识别装置，在此不做赘述。
[0073]
综上，根据本发明实施例的基于小样本学习的rfid手指踪迹识别装置，通过获取模块获取标签阵列发送的带有时序性特征的原始手指反射信号；特征提取模块对原始手指反射信号进行特征提取，以得到可视化的手指踪迹空间特征图；踪迹识别模块构建踪迹识别模型，并将手指踪迹空间特征图输入到踪迹识别模型，以便完成对手指踪迹空间特征图的识别；由此，能够在无需人体佩戴任何设备和极少数训练样本的情况下实现高精度、细粒度的手指踪迹识别。
[0074]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0075]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0076]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0077]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0078]
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权
利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
[0079]
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0080]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
[0081]
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0082]
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0083]
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
[0084]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0085]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

技术特征：
1.一种基于小样本学习的rfid手指踪迹识别方法，其特征在于，包括以下步骤：获取标签阵列发送的带有时序性特征的原始手指反射信号；对所述原始手指反射信号进行特征提取，以得到可视化的手指踪迹空间特征图；构建踪迹识别模型，并将所述手指踪迹空间特征图输入到所述踪迹识别模型，以便完成对所述手指踪迹空间特征图的识别。2.如权利要求1所述的基于小样本学习的rfid手指踪迹识别方法，其特征在于，对所述原始手指反射信号进行特征提取，以得到可视化的手指踪迹空间特征图，包括：采用一维相位解包对所述原始手指反射信号的相位进行校正，以及使用滤波器对所述原始手指反射信号进行平滑处理，以得到预处理信号；对所述预处理信号进行分割处理，以得到所述手指踪迹的起点和终点；获取由所述标签阵列中所有标签对应的似然组成的似然估计矩阵，以便根据所述似然估计矩阵和所述手指踪迹的起点和终点对手指运动趋势进行追踪，并将其绘制成所述可视化的手指踪迹空间特征图。3.如权利要求2所述的基于小样本学习的rfid手指踪迹识别方法，其特征在于，对所述预处理信号进行分割处理，以得到所述手指踪迹的起点和终点，包括：对所述预处理信号的相位和对应的rssi数据进行归一化处理；使用动态调整的滑动窗口分别计算所述标签阵列中每个标签对应的归一化处理后的相位和rssi的方差流，并赋予相应权重进行结合；将每个滑动窗口的最大方差提取出来组成最大方差流，并获取第一和最后一个峰值作为所述手指踪迹的起点和终点。4.如权利要求1所述的基于小样本学习的rfid手指踪迹识别方法，其特征在于，所述踪迹识别模型包括分类器、鉴别器和生成器，所述生成器根据随机矢量生成相关图像以补充训练数据集，所述鉴别器用于区分所述生成器生成的样本和真实的样本，将软阈值化加入到所述分类器以便生成图像对应的标签。5.一种计算机可读存储介质，其特征在于，其上存储有基于小样本学习的rfid手指踪迹识别程序，该基于小样本学习的rfid手指踪迹识别程序被处理器执行时实现如权利要求1-4中任一项所述的基于小样本学习的rfid手指踪迹识别方法。6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时，实现如权利要求1-4中任一项所述的基于小样本学习的rfid手指踪迹识别方法。7.一种基于小样本学习的rfid手指踪迹识别装置，其特征在于，包括获取模块，用于获取标签阵列发送的带有时序性特征的原始手指反射信号；特征提取模块，用于对所述原始手指反射信号进行特征提取，以得到可视化的手指踪迹空间特征图；踪迹识别模块，用于构建踪迹识别模型，并将所述手指踪迹空间特征图输入到所述踪迹识别模型，以便完成对所述手指踪迹空间特征图的识别。8.如权利要求7所述的基于小样本学习的rfid手指踪迹识别装置，其特征在于，所述特征提取模块还用于，采用一维相位解包对所述原始手指反射信号的相位进行校正，以及使用滤波器对所述
原始手指反射信号进行平滑处理，以得到预处理信号；对所述预处理信号进行分割处理，以得到所述手指踪迹的起点和终点；获取由所述标签阵列中所有标签对应的似然组成的似然估计矩阵，以便根据所述似然估计矩阵和所述手指踪迹的起点和终点对手指运动趋势进行追踪，并将其绘制成所述可视化的手指踪迹空间特征图。9.如权利要求8所述的基于小样本学习的rfid手指踪迹识别装置，其特征在于，所述特征提取模块还用于，对所述预处理信号的相位和对应的rssi数据进行归一化处理；使用动态调整的滑动窗口分别计算所述标签阵列中每个标签对应的归一化处理后的相位和rssi的方差流，并赋予相应权重进行结合；将每个滑动窗口的最大方差提取出来组成最大方差流，并获取第一和最后一个峰值作为所述手指踪迹的起点和终点。10.如权利要求7所述的基于小样本学习的rfid手指踪迹识别装置，其特征在于，所述踪迹识别模型包括分类器、鉴别器和生成器，所述生成器根据随机矢量生成相关图像以补充训练数据集，所述鉴别器用于区分所述生成器生成的样本和真实的样本，将软阈值化加入到所述分类器以便生成图像对应的标签。

技术总结
本发明公开了一种基于小样本学习的RFID手指踪迹识别方法，首先，获取标签阵列发送的带有时序性特征的原始手指反射信号；接着，对原始手指反射信号进行特征提取，以得到可视化的手指踪迹空间特征图；最后，构建踪迹识别模型，并将手指踪迹空间特征图输入到踪迹识别模型，以便完成对手指踪迹空间特征图的识别；由此，能够在无需人体佩戴任何设备和极少数训练样本的情况下实现高精度、细粒度的手指踪迹识别。别。别。


技术研发人员：杨律青 李思杰 钱伟华 于博 曾文华 廖明宏 林凡
受保护的技术使用者：厦门大学
技术研发日：2023.05.06
技术公布日：2023/8/1