活动识别方法和装置

摘要

本发明的实施方式提供了一种活动识别方法和装置。该方法包括：采集来自于多类预定义的活动中的每类活动的射频识别RFID信号；针对所述每类活动，从所述RFID信号中提取多个活动特征；以及对所述多个活动特征进行学习，以针对所述每类活动构建一个相关联的活动字典，使得所构建的活动字典将待识别的活动分类为所述多类预定义的活动之一。由于针对每类活动的字典学习和训练过程独立于其他活动而进行，使得活动识别方法和装置具有灵活性和可扩展性。

权利要求

1.一种活动识别方法，包括：

采集来自于多类预定义的活动中的每类活动的射频识别RFID信号；

针对所述每类活动，从所述RFID信号中提取多个活动特征；以及对所述多个活动特征进行学习，以针对所述每类活动构建一个相关联的活动字典，使得所构建的活动字典将待识别的活动分类为所述多类预定义的活动之一；

其中将待识别的活动分类为所述多类预定义的活动之一包括：响应于接收到来自于所述待识别的活动的查询RFID信号，从所述查询RFID信号中提取多个活动特征，以生成查询特征向量集合；

利用所构建的活动字典中的每个活动字典中的基本向量的集合，来分别对所述查询特征向量集合进行稀疏编码，以生成多个重建的信号；

将所述查询特征向量集合与所述多个重建的信号中的每一个进行比较；以及响应于所述查询特征向量集合与所述多个重建的信号之一相匹配，将所述待识别的活动分类为与所匹配的重建的信号相关联的活动。

2.根据权利要求1所述的方法，其中所构建的活动字典中的每个活动字典包括用于表征相应活动的、线性无关的基本向量的集合。

3.根据权利要求2所述的方法，进一步包括：

针对所述每类活动，计算所述多个活动特征中的每一对活动特征之间的相关性；

基于所计算的相关性而从所述多个活动特征中选择预定数目的活动特征；以及对所选择的活动特征进行学习，以构建与相应活动相关联的活动字典。

4.根据权利要求3所述的方法，其中基于所计算的相关性而从所述多个活动特征中选择预定数目的活动特征包括：按照所计算的相关性从低到高的顺序，对所述多个活动特征进行排序；以及从经排序的多个活动特征中选择所述预定数目的活动特征。

5.根据权利要求1所述的方法，其中将所述查询特征向量集合与所述多个重建的信号中的每一个进行比较包括：计算所述查询特征向量集合与所述多个重建的信号中的每一个之间的重建误差；并且其中将所述待识别的活动分类为与所匹配的重建的信号相关联的活动包括：响应于所述查询特征向量集合与所述多个重建的信号之一之间的重建误差最小，将所述待识别的活动分类为与最小的重建误差相关联的活动。

6.根据权利要求1至4中任一项所述的方法，其中提取多个活动特征包括提取多个统计特征。

7.根据权利要求6所述的方法，其中所述多个统计特征包括以下各项中的至少三项：所述射频识别RFID信号的最小值；

所述射频识别RFID信号的最大值；

所述射频识别RFID信号的均值；

所述射频识别RFID信号的方差；

所述射频识别RFID信号的均方根；

所述射频识别RFID信号的标准差；以及

所述射频识别RFID信号的中值。

8.根据权利要求1至4中任一项所述的方法，其中从RFID接收器采集来自于所述每类活动的所述RFID信号；并且其中执行所述每类活动的对象与所述RFID接收器之间不存在物理接触。

9.一种活动识别装置，包括：

信号采集单元，被配置为采集来自于多类预定义的活动中的每类活动的射频识别RFID信号；

特征提取单元，被配置为针对所述每类活动，从所述RFID信号中提取多个活动特征；

学习单元，被配置为对所述多个活动特征进行学习，以针对所述每类活动构建一个相关联的活动字典，使得所构建的活动字典将待识别的活动分类为所述多类预定义的活动之一；以及分类单元，被配置为：

响应于接收到来自于所述待识别的活动的查询RFID信号，从所述查询RFID信号中提取多个活动特征，以生成查询特征向量集合；

利用所构建的活动字典中的每个活动字典中的基本向量的集合，来分别对所述查询特征向量集合进行稀疏编码，以生成多个重建的信号；

将所述查询特征向量集合与所述多个重建的信号中的每一个进行比较；以及响应于所述查询特征向量集合与所述多个重建的信号之一相匹配，将所述待识别的活动分类为与所匹配的重建的信号相关联的活动。

10.根据权利要求9所述的装置，其中所构建的活动字典中的每个活动字典包括用于表征相应活动的、线性无关的基本向量的集合。

11.根据权利要求10所述的装置，进一步包括：相关性计算单元，被配置为针对所述每类活动，计算所述多个活动特征中的每一对活动特征之间的相关性；以及特征选择单元，被配置为基于所计算的相关性而从所述多个活动特征中选择预定数目的活动特征；

其中所述学习单元被进一步配置为对所选择的活动特征进行学习，以构建与相应活动相关联的活动字典。

12.根据权利要求11所述的装置，其中所述特征选择单元被进一步配置为：按照所计算的相关性从低到高的顺序，对所述多个活动特征进行排序；以及从经排序的多个活动特征中选择所述预定数目的活动特征。

13.根据权利要求9所述的装置，其中所述分类单元被进一步配置为：计算所述查询特征向量集合与所述多个重建的信号中的每一个之间的重建误差；以及响应于所述查询特征向量集合与所述多个重建的信号之一之间的重建误差最小，将所述待识别的活动分类为与最小的重建误差相关联的活动。

14.根据权利要求9至12中任一项所述的装置，其中所述特征提取单元被进一步配置为提取多个统计特征。

15.根据权利要求14所述的装置，其中所述多个统计特征包括以下各项中的至少三项：所述射频识别RFID信号的最小值；

所述射频识别RFID信号的最大值；

所述射频识别RFID信号的均值；

所述射频识别RFID信号的方差；

所述射频识别RFID信号的均方根；

所述射频识别RFID信号的标准差；以及

所述射频识别RFID信号的中值。

16.根据权利要求9至12中任一项所述的装置，其中所述信号采集单元被进一步配置为从RFID接收器采集来自于所述每类活动的所述RFID信号，并且执行所述每类活动的对象与所述RFID接收器之间不存在物理接触。

说明书

活动识别方法和装置

技术领域

[0001] 本发明的各实施方式涉及活动识别，更具体地，涉及基于字典的活动识别方法和装置。

背景技术

[0002] 由于平均寿命增长以及出生率下降，世界人口正趋于老龄化。随着价格低廉的传感器和网络技术的新近发展，开发广泛的应用、例如远程健康监控和干预已成为一种可能。这些应用提供了提高老年人生活质量的潜力，给予他们更大的安全感，并且促进了他们的独立生活。

[0003] 例如，通过监控患有痴呆症的人的日常起居，可以跟踪日常起居如何完整地且一致地被执行，并且可以确定该患者何时需要帮助。以认识到这些应用为中心，活动识别近年来作为一个重要的研发领域而出现。与计算机视觉相关的人类活动识别是研究方向之一。然而不幸的是，与计算机视觉相关的方案需要人们监控或者高技术成本来进行机器翻译。
此外，这种基于视觉的方式的性能严重依赖于照明条件和监控摄像头的朝向，这极大地限制了其在实际部署中的适用性。更重要的是，监控摄像头通常被认为侵犯人们的隐私，并且不适于在隐私环境下使用，例如在住宅中使用。

[0004] 随着射频识别(radio frequency identification，RFID)技术和无线传感器网络技术的日渐成熟，根据惯性、非介入性传感器读取来进行活动识别在过去的几年里成为了一个热门研究领域。惯性传感器广泛被用作用于人类活动识别的可穿戴式传感器。尽管与传统的基于计算机视觉的方式相比，基于传感器的活动识别能够更好地解决问题，例如隐私问题，但是大多数基于传感器的活动识别方案都需要人们穿戴传感器。这些可穿戴的传感器通常由电池供电，其主要的缺点在于，需要维护(例如，更换电池)和用户合作。因此，这些方式并不总是实用的，尤其对于监控具有认知障碍的老年人而言。

[0005] 因此，需要一种有效的、不引人注目(unobtrusive)的活动识别方案。

发明内容

[0006] 为了克服上述问题，本发明提出了一种基于字典的学习方式来揭露不同活动的RFID信号之间的结构信息，从而提供了一种基于活动字典来进行活动识别的方案。

[0007] 在本发明的第一方面，提供了一种活动识别方法。该方法包括：采集来自于多类预定义的活动中的每类活动的射频识别RFID信号；针对所述每类活动，从所述RFID信号中提取多个活动特征；以及对所述多个活动特征进行学习，以针对所述每类活动构建一个相关联的活动字典，使得所构建的活动字典将待识别的活动分类为所述多类预定义的活动之一。

[0008] 在一个实施方式中，所构建的活动字典中的每个活动字典包括用于表征相应活动的、线性无关的基本向量的集合。

[0009] 在一个实施方式中，该方法进一步包括：针对所述每类活动，计算所述多个活动特征中的每一对活动特征之间的相关性；基于所计算的相关性而从所述多个活动特征中选择预定数目的活动特征；以及对所选择的活动特征进行学习，以构建与相应活动相关联的活动字典。

[0010] 在一个实施方式中，基于所计算的相关性而从所述多个活动特征中选择预定数目的活动特征包括：按照所计算的相关性从低到高的顺序，对所述多个活动特征进行排序；以及从经排序的多个活动特征中选择所述预定数目的活动特征。

[0011] 在一个实施方式中，将待识别的活动分类为所述多类预定义的活动之一包括：响应于接收到来自于所述待识别的活动的查询RFID信号，从所述查询RFID信号中提取多个活动特征，以生成查询特征向量集合；利用所述每个活动字典中的基本向量的集合来分别对所述查询特征向量集合进行稀疏编码，以生成多个重建的信号；将所述查询特征向量集合与所述多个重建的信号中的每一个进行比较；以及响应于所述查询特征向量集合与所述多个重建的信号之一相匹配，将所述待识别的活动分类为与所匹配的重建的信号相关联的活动。

[0012] 在一个实施方式中，将所述查询特征向量集合与所述多个重建的信号中的每一个进行比较包括：计算所述查询特征向量集合与所述多个重建的信号中的每一个之间的重建误差；并且其中将所述待识别的活动分类为与所匹配的重建的信号相关联的活动包括：响应于所述查询特征向量集合与所述多个重建的信号之一之间的重建误差最小，将所述待识别的活动分类为与最小的重建误差相关联的活动。

[0013] 在一个实施方式中，提取多个活动特征包括提取多个统计特征。

[0014] 在一个实施方式中，所述多个统计特征包括以下各项中的至少三项：所述射频识别RFID信号的最小值；所述射频识别RFID信号的最大值；所述射频识别RFID信号的均值；所述射频识别RFID信号的方差；所述射频识别RFID信号的均方根；所述射频识别RFID信号的标准差；以及所述射频识别RFID信号的中值。

[0015] 在一个实施方式中，从RFID接收器采集来自于所述每类活动的所述RFID信号；并且其中执行所述每类活动的对象与所述RFID接收器之间不存在物理接触。

[0016] 在本发明的第一方面，提供了一种活动识别装置。该装置包括：信号采集单元，被配置为采集来自于多类预定义的活动中的每类活动的射频识别RFID信号；特征提取单元，被配置为针对所述每类活动，从所述RFID信号中提取多个活动特征；以及学习单元，被配置为对所述多个活动特征进行学习，以针对所述每类活动构建一个相关联的活动字典，使得所构建的活动字典将待识别的活动分类为所述多类预定义的活动之一。

[0017] 在本发明中，通过无人监督的稀疏编码算法来学习出活动字典。与现有的活动识别方式相比，本发明的基于字典的学习方式实现了活动的更加紧致的表示，同时保留了更加丰富的信息，由此构成对象活动的有效和健壮的识别的基础。

[0018] 此外，由于针对每类活动的字典学习和训练过程独立于其他活动而进行，因而使得活动识别方法和装置具有灵活性和可扩展性，因为当添加新活动时，不需要对现有的活动字典进行改变。

附图说明

[0019] 结合附图并参考以下详细说明，本发明各实施方式的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：

[0020] 图1示出了本发明的实施方式可以实施于其中的示例性环境；

[0021] 图2示出了来自于“走动”活动的RFID信号强度波动、对RFID信号强度波动的拟合以及对应的残差；

[0022] 图3a示出了针对“走动”活动的RSSI的分布和累计概率；

[0023] 图3b示出了针对“踢左腿”活动的RSSI的分布和累计概率；

[0024] 图4示出了根据本发明的一个实施方式的活动识别方法的流程图；

[0025] 图5示意性描绘了根据本发明一个实施方式的活动识别过程；

[0026] 图6a示出了在2D空间中“最大值”特征和“均值”特征之间的相关性；

[0027] 图6b示出了在2D空间中最小值特征和方差特征之间的相关性；

[0028] 图7a-7c图示了参数对活动识别的影响；

[0029] 图8示出了本发明的方法与现有方法的性能比较结果；

[0030] 图9以混淆矩阵方式示出了对根据本发明实施方式的活动识别方法的详细性能评估；

[0031] 图10a-10d示出了基于CCA的特征选择方法与现有特征选择方法之间、在效率和有效性方面的比较结果；以及

[0032] 图11示出了根据本发明一个实施方式的活动识别装置的框图。

具体实施方式

[0033] 下面将参照附图更详细地描述本发明的实施方式。虽然附图中显示了本发明的某些实施方式，然而应当理解的是，本发明可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施方式，相反提供这些实施方式是为了更加透彻和完整地理解本发明。应当理解的是，本发明的附图及实施方式仅用于示例性作用，并非用于限制本发明的保护范围。

[0034] 在此使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施方式”表示“至少一个实施方式”；术语“另一实施方式”表示“至少一个另外的实施方式”。其他术语的相关定义将在下文描述中给出。

[0035] 首先参照图1，其示出了本发明的实施方式可以实施于其中的示例性环境100。在环境100中，RFID天线(也被称为RFID发射器)110被配置为向RFID接收器120发送射频信号和/或从RFID接收器120接收射频信号。

[0036] RFID接收器120包括由RFID标签(tag)1201、…、1204、…、1209、…、1212构成的RFID标签阵列。RFID标签可以是无源的、有源的、或电池辅助无源的。有源RFID标签具有板载电池并周期性地发送其ID信号。电池辅助无源的RFID标签具有板上的小电池且其在存在RFID读取器的情况下被激活。无源RFID标签不包含电池，因而更廉价且体积更小。在本发明的实施方式中，优选采用无源RFID标签。然而，采用有源的、或电池辅助无源的RFID标签也是可能的。本发明的范围在此方面不受限制。

[0037] RFID天线110和RFID接收器120可以例如分别布置于室内的墙壁上，使得它们可操作以形成RFID信号场，被监控的对象可以在所形成的RFID信号场中执行活动。RFID天线110所发射的射频信号碰到被监控的对象后产生反射，经反射的射频信号携带回被监控的对象的活动信息。RFID接收器120接收经反射的射频信号。

[0038] RFID读取器(reader)130经由RFID天线110从各个RFID标签读取携带有被监控的对象的活动信息的射频信号。在本申请的上下文中，携带有被监控的对象的活动信息的射频信号也被称作射频识别(RFID)信号。

[0039] 特定的计算设备，例如台式计算机、膝上型计算机、平板式计算机等，可以与RFID读取器130进行通信，以从其获取RFID信号，进而通过分析所获取的RFID信号的强度来对对象的活动进行识别。

[0040] 可以理解，在RFID领域中，通常采用接收信号强度指示(Received Signal Strength Indicator，RSSI)来表征RFID信号的强度。众所周知，由于存在信号反射、衍射和散射，因此在真实环境中的RSSI是非常复杂的，特别是对于无源RFID标签而言。RSSI通常受到传播环境和在信号覆盖区域中的标签所附着的对象的属性或者对象移动的严重影响。无源RFID标签的信号强度是不确定的并且是非线性的。图2的上半部分示出了从12个RFID标签采集的来自于“走动”活动的RFID信号强度波动，图2的下半部分示出了对RFID信号强度波动的线性、二次、三次和多项式拟合以及对应的残差。如图2所示，RSSI的波动不容易使用一般的线性回归和多项式回归来拟合，因为拟合残差相当大。因此，不可能在活动识别中直接使用原始的RSSI数据。

[0041] 此外，虽然RFID信号强度反映出如上所述的不确定性和非线性分布模式，但是我们发现RFID信号强度的波动(变化)反映出不同的活动模式，从而能够根据所采集的RFID信号强度数据来区分不同的活动。图3a示出了针对“走动”活动的RSSI的分布和累计概率，图3b示出了针对“踢左腿”活动的RSSI的分布和累计概率。从图3a和3b中可以看出，来自上述两个活动的RSSI的分布和累计概率明显不同。由此，我们认为，无源RFID标签的射频信号强度波动体现了不同活动的模式，可以利用这一点来进行有效的活动识别。

[0042] 因此，在本发明的一个方面，提供了一种基于字典的活动识别方法。图4示出了根据本发明的一个实施方式的活动识别方法400的流程图。如图4所示，在步骤S410，采集来自于多类预定义的活动中的每类活动的射频识别RFID信号。在步骤S420，针对所述每类活动，从所述RFID信号中提取多个活动特征。随后，在步骤S420，对所述多个活动特征进行学习，以针对所述每类活动构建一个相关联的活动字典，使得所构建的活动字典将待识别的活动分类为所述多类预定义的活动之一。

[0043] 图5示意性描绘了根据本发明一个具体实施例的活动识别过程。为了采集活动信息，预定义(设计)了在人们日常活动中最常见的如下23类方向敏感的姿势和动作：(1)坐直，(2)向左坐，(3)向右坐，(4)靠着椅背坐着，(5)坐姿前弯，(6)站直，(7)从坐着到站立，(8)走动，(9)高举手臂挥手(双手水平挥动)，(10)高举手臂挥手(双手前后挥动)，(11)高举手臂挥手(单手向左挥动)，(12)高举手臂挥手(单手向右挥动)，(13)向前踢左腿，(14)向左踢左腿，(15)向后踢左腿，(16)向前踢右腿，(17)向右踢右腿，(18)向后踢右腿，(19)弯腰，(20)从蹲着到站立，(21)向前跌倒，(22)向左跌倒，(23)向右跌倒。

[0044] 在一个实施方式中，要求对象执行上述预定义的每个姿势或者动作并保持预定时间，例如120秒。RFID读取器510经由RFID天线(例如图1所示的RFID天线110)从各个RFID标签(例如图1所示的RFID标签)采集携带有对象的活动信息的射频信号，即RFID信号。

[0045] 如前所述，RFID信号强度的波动反映出不同的活动模式。因此，在一个实施方式中，利用RFID读取器510从各个RFID标签直接采集携带有对象的活动信息的射频信号的强度数据，即RFID信号的强度数据，以作为用于活动识别的活动数据。作为一个示例，RFID信号的强度由RSSI来表征。在下文中，为了便于说明，以RSSI为例来描述对活动数据的处理。然而，应当理解，随着技术的发展，采用其他参数来表征RFID信号的强度也是可能的。

[0046] 所采集的RSSI数据被存储于数据库520中。在一个实施方式中，将针对对象执行全部上述23类预定义的姿势或者动作而采集的RSSI数据看作活动数据的一个集合。将该集合分为用于特征选择和识别模型重建的训练数据集、以及用于对模型进行评估的测试数据集，如图5所示。

[0047] 由于所采集的RSSI数据为连续的数据流序列的形式，而连续的数据流序列包含大量的信息，难以直接对其进行处理，因此通常首先对连续的数据流序列进行分割，从而形成多个独立的数据分段(segment)，如图5的步骤530所示。对连续的数据流序列进行分割可以按照本领域技术人员已知的方式进行。

[0048] 作为一个示例，可以以静态方式将针对每类活动的RSSI数据流序列分割成具有固定长度的多个数据分段。在静态方式中，每个数据分段可以具有适当的长度，例如每个数据分段包括6个样本。

[0049] 作为另一个示例，可以以动态方式将针对每类活动的RSSI数据流序列分割成具有可变长度的多个数据分段。

[0050] 出于说明的目的，在本申请的上下文中，将以静态分割为例进行描述。通过静态分割，RSSI数据流序列S被分割成具有固定长度的独立数据分段的集合。由此，RSSI数据流序列S可以表示为S＝{S1,…,Sn}，其中Si表示第i个数据分段，i＝1,…,n。例如，在数据分段Si包括6个样本并且采用12个RFID标签的情况下，数据分段Si可以被表示为12行×6列的矩阵。

[0051] 随后，如图5的步骤540所示，从每个数据分段中提取活动特征。在一个实施方式中，从每个数据分段中提取活动特征包括从来自于每类预定义的活动的每个数据分段中提取多个统计特征。表1示出了多个统计特征的示例。

[0052]编号 特征 描述
1 最小值 数据分段Si的最小值
2 最大值 数据分段Si的最大值
3 均值 数据分段Si的均值
4 方差 数据分段Si的方差
5 均方根 数据分段Si的均方根
6 标准差 数据分段Si的标准差
7 中值 数据分段Si的中值

[0053] 表1

[0054] 应当理解，表1所示出的统计特征是示例性而非限制性的。可以从每个数据分段中提取以上7个统计特征的全部或部分。可替换地，可以从每个数据分段中提取除以上7个统计特征之外的其他特征。本发明的范围在此方面不受限制。

[0055] 通常，采用活动特征向量(以下简称“特征向量”)来表示活动特征(以下简称“特征”)，并且采用活动特征向量集合(以下简称“特征向量集合”)O＝{o1,…,om}来表示全部特征向量，其中oi表示第i个特征向量，i＝1,…,m，m为特征向量集合中的特征向量的数目。在采用以上全部7个统计特征的情况下，特征向量集合O包括7个特征向量(m＝7)。可以理解，特征向量oi的维度，即特征向量oi中所包含的分量(component)的数目，取决于所采用的RFID标签的数目。例如，在采用12个RFID标签的情况下，特征向量oi的维度为12。

[0056] 作为一个示例，在数据分段(矩阵)Si包括6个样本并且采用12个RFID标签的情况下，针对矩阵Si中的每一行，计算该行中所有元素的最小值，从而得到与数据分段Si对应的最小值特征向量o1，其中最小值特征向量o1包含12个分量，即最小值特征向量o1为12行×1列的向量。类似地，可以针对矩阵Si中的每一行，计算该行中所有元素的最大值、均值、方差、均方根、标准差和中值，从而得到相应的特征向量o2至o7。由此，得到与数据分段Si对应的特征向量集合O＝{o1,…,om}，其中m＝7。以此类推，可以针对来自于每类活动的每个数据分段进行上述计算，从而得到与每类活动关联的多个特征向量集合。可以理解，所得到的特征向量集合的数目取决于所划分的数据分段的数目。例如，在来自于特定活动的RSSI数据流序列S＝{S1,…,Sn}的情况下，通过上述计算，可以得到与该活动关联的n个特征向量集合。由此，与该活动关联的这n个特征向量集合的汇集，即n个特征向量集合所构成的矩阵，被用作对该活动进行识别的训练样本集合。

[0057] 众所周知，高质量、有区分力的特征对改善任何模式识别系统的分类准确性是至关重要的。然而，一些特征可能使分离器迷惑而不是帮助分类器来区分活动。此外，由于“维度灾难”，当没有足够的训练数据来可靠地学习活动模型的所有参数时，随着更多特征被添加，分类性能可能会急剧下降。为了达到最佳的分类性能，特征向量的数目应当尽可能小，从而仅保留最突出和互补的特征。

[0058] 图6a示出了在2D空间中“最大值”特征和“均值”特征之间的相关性，而图6b示出了在2D空间中最小值特征和方差特征之间的相关性。从图6a中可以看出，虽然均值特征可以将“走动”活动与其他四种活动进行粗略地区分，但是两个特征(最大值和均值)不能很好地区分五种活动。在图6b中，方差特征可以帮助识别“高举手臂挥手(水平)”活动和“弯腰”活动，但是由于存在交叉和重叠，因而无法采用方差特征和最小特征二者来表征这两种活动。在这种情况下，最小值特征可以被认为是无关的或者冗余的，而不提供有用的信息以改善分离准确度。

[0059] 为了系统性地评价有用性并且识别用于区分不同活动的最重要的特征，需要采用特征选择技术，如图5的步骤550所示。具体地，在步骤550中，针对每类活动，计算所提取的多个特征中的每一对特征之间的相关性，并且基于所计算的相关性而从所述多个活动特征中选择预定数目的活动特征。

[0060] 在一个实施方式中，利用典型相关分析(canonical correlation analysis，CCA)来计算所提取的多个特征中的每一对特征之间的相关性。

[0061] 具体地，令 为来自多个预定义的活动中的第k类活动 的训练样本集合，其中N为来自活动 的RSSI数据流序列S被分割成的数据分段的数目， 为与数据分段Si对应的特征向量集合并且 m为特征的维度。

[0062] 如前所述，特征向量集合 可以被表示为 其中m为特征向量的数目，即所提取的特征的数目。给定一对特征向量oI和oJ，找出对应的线性组合 和使得 和 在维度降低的空间中具有最大相关性，即，通过使以下等式
取最大值来获得典型相关系数ρ：

[0063]

[0064] 其中， 并且

[0065] 作为一个示例，在采用表1所示的7个统计特征的情况下，特征向量集合 包括7个特征向量(m＝7)。通过对7个特征向量中的每一对特征向量应用CCA，可以得到一个7行×7列的典型相关系数矩阵。类似地，可以对来自活动 的每个数据分段应用CCA，从而得到N个典型相关系数矩阵。然后，对N个典型相关系数矩阵中的对应元素取均值，从而得到最终的典型相关系数矩阵，简称“相似性矩阵”。

[0066] 例如，相似性矩阵P可以被表示为 其中PIJ为特征向量oI和oj的典型相关系数均值并且|pij|≤1。例如，在特征向量oi表示与所提取的最大值特征对应的特征向量、特征向量oj表示与所提取的最小值特征对应的特征向量的情况下，pij表示最大值特征与最小值特征的相关性。

[0067] 典型相关系数pij的绝对值|pij|越大，表明特征i与特征j之间相关性越强，联系越紧密；|pij|越小，表明特征i与特征j之间相关性越弱，联系越不紧密。相关性较弱的特征对可以被认为是彼此互补的、区分力强的特征，而相关性较强的特征对可以被认为是彼此冗余的、区分力弱的特征。因此，为了提高活动识别系统的分类准确性，应尽可能的选择彼此互补的、区分力强的特征。

[0068] 在一个实施方式中，可以基于所获得的相似性矩阵来进行特征选择。

[0069] 作为一个示例，采用前向搜索(forward selection)算法来遍历整个训练样本集合Ok，以从中选择特征子集。在前向搜索中，特征子集从空集开始，每次选择一个在当前看来是最佳的特征加入到特征子集中，使得特征子集逐渐变大，当达到预定的特征数目或者所有特征都已经被考虑时，搜索过程终止。

[0070] 具体而言，最初，从训练样本集合Ok中随机地选择一个特征向量，例如oi，并且将特征向量oi加入到特征子集中。接下来，从训练样本集合Ok中再选择一个候选特征向量，例如oj。然后，搜索相似性矩阵P，以确定特征向量oi与oj的典型相关系数的绝对值|pij|是否是相似性矩阵P中的所有典型相关系数的绝对值中最小的。如果是，则将特征向量oj加入到特征子集中。否则，不将特征向量oj加入到特征子集中。随后，继续从训练样本集合Ok中选择一个新的候选特征向量，并对相似性矩阵P执行上述搜索过程，如果相比于其他未被考虑过的特征向量，该新的候选特征向量与特征子集中已有的各个特征向量之间的典型相关系数的绝对值是最小的，则确定将其加入到特征子集中；否则，不将其加入到特征子集中。当达到预定的特征数目或者所有特征都已经被考虑时，搜索过程终止。

[0071] 返回到图5，通过上述特征选择过程，从来自每类预定义活动的训练样本集合中选择出了相应的特征子集，如步骤560所示。该特征子集中的特征被认为是彼此互补的、区分力强的特征，利用这些特征能够实现更准确的活动识别。应当理解，上述特征选择过程实质上是针对每类活动，计算多个特征中的每一对特征之间的相关性、按照所计算出的每对特征之间的相关性从低到高的顺序来对多个特征进行排序、并且从经排序的多个活动特征中选择预定数目的活动特征的过程。

[0072] 在获得了针对每类预定义活动的特征子集后，我们的目标是对针对每类预定义活动的特征子集(所选择的特征)进行学习，以针对每类预定义活动构建一个相关联的活动字典，使得所构建的活动字典将待识别的活动分类为多类预定义的活动之一，如步骤570所示。

[0073] 在一个实施方式中，所构建的活动字典中的每个活动字典包括用于表征相应活动的、线性无关的基本向量(basis vector)的集合。每个基本向量可以有效地捕获/表示来自于每类活动的给定训练样本集的关键结构信息。特别地，在执行上述特征选择过程以生成针对每类活动的特征子集的情况下，每个基本向量可以有效地捕获/表示特征子集的关键结构信息。

[0074] 在一个实施方式中，通过对稀疏优化问题进行求解来获得每个活动字典中的基本向量的集合。关于对稀疏优化问题进行求解的过程在E.J.Candès,J.Romberg和T.Tao的以下文献中进行了详细描述：“Robust uncertainty  principles:Exact signal reconstruction from highly incomplete frequency information”；Information Theory,IEEE Transactions，52(2):489–509页，2006。上述文献的公开内容通过引用的方式全部并入于此。

[0075] 在下文中，将结合具体示例来描述根据本发明实施方式的活动字典学习过程。

[0076] 如前所述，令 为来自第k类活动 的训练样本集合，其中N为来自活动 的RSSI数据流序列S被分割成的数据分段的数目， 为与数据分段Si对应的特征向量集合并且 m为特征的维度。

[0077] 为了学习和编码属于特定活动类的测试样本的信息，首先针对每类活动 构建过完备(overcomplete)字典 我们旨在找到一个具有K(K＞m)个基本向量的字典矩阵 使得Ok在字典矩阵 上具有稀疏表
示 其中 所谓的“稀疏”是指：Xk中只有很少的几个
非零元素或只有很少的几个远大于零的元素。在这种情况下，原始的训练样本集合(矩阵)k k
O可以被表示为不超过 个基本向量的线性组合。由于X 中只有很少的几个
非零元素，因此对于一个查询RFID信号，只需要较少的几个基本向量就可以将该RFID信号表示出来。优化问题可以被表示为：

[0078]

[0079] 其中，‖·‖2表示求取2范数运算。

[0080] 在一个实施方式中，采用K均值奇异值分解(K-means  Singular Value Decomposition，SVD)算法来对上式(3)进行求解。在K-SVD算法中，迭代地执行两个步骤直到收敛。第一步骤是稀疏编码阶段，其中 保持固定，并且通过正交匹配追踪(Orthogonal Matching Pursuit)算法来计算稀疏表示的稀疏系数矩阵Xk。然后，连续地更新字典 允许相关的稀疏系数对于K-SVD算法是唯一的，并且导致更快的收敛。关于利用K-SVD算法对上式(3)进行求解的过程在M.Aharon,M.Elad和A.Bruckstein的以下文献中进行了详细描述：“K-svd:An algorithm for designing overcomplete dictionaries for sparse representation”；Signal Processing,IEEE Transactions，54(11):4311–4322页,2006。上述文献的公开内容通过引用的方式全部并入于此。

[0081] 用于实现上述字典学习过程的伪码如下所示：

[0082]

[0083]

[0084] 根据本发明的实施方式而创建的活动字典存在若干优点。首先，针对每类活动的活动字典是从训练样本的汇集中、通过对稀疏优化问题进行求解而学习到的，其以更紧致和信息量更大的方式来表示RSSI数据的结构信息。其次，针对每类活动的字典学习和训练过程独立于其他活动而进行，这使得活动识别系统具有灵活性和可扩展性，因为当添加新活动时，不需要对现有的活动字典进行改变。最后，每个活动字典可以通过仅使用少量的训练样本来训练和学习，这可以有效地缓解在大多数现有的活动识别方法中对训练数据加标签(label)和标注(annotate)的沉重负担。

[0085] 在针对每类活动构建了一个相关联的活动字典后，利用所构建的活动字典将待识别的活动分类为多类预定义的活动之一包括：响应于接收到来自于所述待识别的活动的查询RFID信号，从所述查询RFID信号中提取多个活动特征，以生成查询特征向量集合；利用所述每个活动字典中的基本向量的集合来分别对所述查询特征向量集合进行稀疏编码，以生成多个重建的信号；将所述查询特征向量集合与所述多个重建的信号中的每一个进行比较；以及响应于所述查询特征向量集合与所述多个重建的信号之一相匹配，将所述待识别的活动分类为与所匹配的重建的信号相关联的活动。

[0086] 在一个实施方式中，将所述查询特征向量集合与所述多个重建的信号中的每一个进行比较包括：计算所述查询特征向量集合与所述多个重建的信号中的每一个之间的重建误差；并且其中将所述待识别的活动分类为与所匹配的重建的信号相关联的活动包括：响应于所述查询特征向量集合与所述多个重建的信号之一之间的重建误差最小，将所述待识别的活动分类为与最小的重建误差相关联的活动。

[0087] 具体而言，在针对每类活动构建了活动字典之后，对于信号样本的给定查询特征向量集合o*，针对第k个活动的重建误差ek可以如下计算：

[0088] ek＝||o*-DkXk||2  (7)其中，k∈[1，K]，K表示活动类的数目。

[0089] 然后，可以使用下式来为查询特征向量集合o*分配活动标签lo*：

[0090]

[0091] 用于实现上述基于信号重建的活动分类过程的伪码如下所示：

[0092]

[0093] 为了验证根据本发明实施方式的活动识别方案，进行了大量实验。在下文中，将首先简要介绍关键实验设置，其中包括硬件设置、采样速率和数据采集。然后，阐述对所提出的方案的大量的实验研究成果。

[0094] 硬件设置。在实验中，使用一个Alien 9900+RFID读取器、四个圆形天线(每个天线用于一个房间)和12个Squig镶体(inlay)无源RFID标签。RFID标签被放置在墙壁上，形成4×3的RFID标签阵列。基于对标签部署的经验性研究，我们将该阵列的每个格粗略地设置为0.8m×0.8m。天线被布置在≈1.3m～1.6m的高度，面向标签≈70°。以0.5s的采样速率来采集RSSI。

[0095] 一个值得关注的问题是，基于RFID的活动识别系统可能对人的健康造成危害。商用RFID读取器和标签在低能范围的电磁频率下操作，有效地消除与人类细胞相互作用的风险。此外，无源RFID标签本身不具有基线电磁活动，并且只响应于来自RFID读取器的询问(interrogation)而产生信号。RFID标签本身甚至已经被准许植入人体中并且未显示出任何负面健康影响。在本发明中，从RFID接收器采集来自于每类活动的RFID信号，而执行活动的对象与该RFID接收器之间不存在物理接触。由此，实现了设备无关(device-free)的活动识别。

[0096] 采样速率。无源RFID标签往往是嘈杂的，甚至在实验室环境中。例如，现有RFID系统中的一个挑战是由错失检测(即，标签在天线的读取范围内，但是未被检测到)引起的错误的负读值。同时，RSSI数据对环境非常敏感，即来自环境的一些干扰可以引起RSSI波动。合适的采样速率可以降低前述问题。太小的采样速率使得所提出的方法对RFID读取的噪声更敏感，而太大的采样速率使类间姿势边界模糊(即，活动转换的样本可能未被捕获到)。在实施中，以≈0.5秒的采样速率采集了连续的RSSI数据流。

[0097] 数据采集。对于采集活动数据，设计了以上参照图5所描述的在人们日常活动中最常见的23个方向敏感的姿势和动作。六个对象(1名女性和5名男性)参加了本实验并且每个对象执行了包括6个姿势(上述姿势(1)-(6))和17个动作(上述动作(7)-(23))的23个细粒度活动的集合。每个对象被要求执行每个姿势或者动作120秒。针对对象顺序执行的所有23类不同的活动而采集的活动数据被视为一个集合。使得数据集成为公众可获得的，以便再现所提出的方案并且为本领域中其他研究人员提供支持。

[0098] 验证策略。使用依赖于对象的(subject-dependent)模型来验证所提出的方案，其中将从每个对象采集的数据分为用于特征选择和识别模型重建的训练数据集、以及用于评估的测试数据集。

[0099] 针对训练数据集，例如执行图5的上半部分所描绘的分割步骤530、特征提取步骤540、特征选择步骤550、特征子集生成步骤560以及字典学习步骤570，从而针对每类活动构建一个相关联的活动字典。

[0100] 针对测试数据集，例如执行图5的下半部分所描绘的分割步骤530’、特征提取步骤540’、特征选择步骤550’。并且，利用测试数据集来对所创建的活动字典进行评估，以生成评估结果。

[0101] 最终呈现的评估结果，即准确率(precision)、召回率(recall)和Fl评分，是所有6个对象的平均值。

[0102] 在下文中，结合图7a-7c来描述参数对活动识别的影响。我们进行实验来研究本发明的方法中的三个参数对活动识别的影响，即前k个特征、字典大小d以及训练数据与测试数据的比率。

[0103] 所选择的特征大小k的影响。前k个特征控制有多少最有用和最有效的特征被用于馈送到分类算法中。图7a示出了当字典大小d固定为8时的活动识别准确率、召回率和F1评分。在图7a中，横坐标表示特征向量集合中的特征向量的分量数目。例如，在特征向量集合O＝{o1,…,om}包括7个特征向量(m＝7)并且采用12个RFID标签的情况下，特征向量oi中的分量的数目为12，全部特征向量的分量数目共计为84。结果表明，在大部分情况下，与采用特征全集相比，选择特征全集的一个子集改善了分类性能。还可以观察到，当分类算法最佳地执行时，随着所选择的特征的数目的增加(即随着分量的增加)，性能也增加，直到分量的数目达到34。

[0104] 字典大小d的影响。活动字典是基本向量的过完备集合，并且向量的数目指示字典的大小。类似于研究k的影响的实验，在固定特征大小k＝5的情况下将字典大小d从2改变到16，结果被示出在图7b中。从图7b中可以看出，分类性能在d＝8处达到最高，之后性能保持稳定并且当d＝14时甚至略微降低。考虑到效率和准确性二者，设置d＝8作为实验中的缺省字典大小。

[0105] 训练数据与测试数据的比率的影响。影响活动识别性能的第三个重要的因素是有多少训练数据应当参与到所提出的模型中。在固定的k＝5和d＝8的情况下通过将整个数据集的训练数据比率从0.05改变到0.7进行评估，并且结果被示出在图7c中。可以观察到，仅使用10％的用于训练的样本，所提出的方法达到超过65％的准确率，并且它在仅仅20％的数据作为训练数据的情况下达到超过90％的准确率。性能保持改进并且当40％的数据被用于学习模型时性能达到峰值。在实验中，设置0.2作为缺省训练百分比。

[0106] 总之，所提出的方法的一个重要优点是它只需要非常小数目的训练样本就可以以期望的水平执行活动识别。由于在对数据加标签中的困难，这对于人类活动识别而言是非常具有吸引力的特征。

[0107] 在下文中，将集中于以下两个方面来描述针对所提出的方法与其他现有方案的比较实验：i)所提出的基于稀疏字典的方法与四种基于稀疏表示的方法的比较，以及ii)所提出的方法与在普适计算领域(ubiquitous community)中被广泛使用的其他四种一般分类器的性能比较。

[0108] 首先，实施在以下两篇文献中提出的基于稀疏表示的四种启发式学习方案：(1)J.Wright,A.Y.Yang,A.Ganesh,S.S.Sastry和Y.Ma的“Robust face recognition via sparse representation”；Pattern Analysis and Machine Intelligence,IEEE Transactions，31(2):210–227页，2009；(2)J.J.Liu,W.Xu、M.-C.Huang,N.Alshurafa、M.Sarrafzadeh、N.Raut以及B.Yadegar的“A dense pressure sensitive bedsheet design for unobtrusive sleep posture monitoring”，Pervasive Computing and Communications(PerCom)，2013IEEE International Conference，第207–215页，IEEE，2013。

[0109] 在上述启发式学习方案中，训练样本被直接用于构建字典。假设由从K个活动变换得到的训练特征向量形成的矩阵B＝[B1，…BK]，其中Bi为来自活动i的训练样本的子集。给定查询样本o*，总体过程包括以下两个主要步骤。

[0110] 第一步骤是关于找出o*在B上的稀疏表示。我们计算o*的稀疏表示，即，与不同活动相关联的稀疏系数向量wi，其可以被用于重建o*。换言之，查询样本o*可以被表示为线性跨距

[0111]

[0112] 以上等式可以被重新表示为：

[0113]

[0114] 其中可以使用在以下文献中记载的截断式牛顿内点法、经由 最小化来找到的稀疏解：S.-J.Kim,K.Koh,M.Lustig,S.Boyd和D.Gorinevsky的“An interior-point method for large-scale l1-regularized least squares”；Selected Topics in Signal Processing,IEEE Journal，1(4):606–617页，2007。该文献的公开内容通过引用的方式全部并入于此。

[0115] 第二步骤是关于分类。给定查询样本o*，四种启发式学习方法利用重建系数、通过利用系数 的子空间结构来执行活动分类，其详细描述如下。

[0116] 最大系数(MC)。测试样本标签与oi的最大系数相关联。因此，用于查询样本的预测活动标签li为：

[0117]

[0118] 其中，δk(o*)表示o*中仅与标签lk相关联的系数。

[0119] 最大系数总和(MCS)。查找样本的预测标签是o*的系数的总和被最大化的标签：

[0120]

[0121] 对于每个标签lk，计算对应于属于每个标签的训练样本的o*的系数的总和。对于给定的测试RSSI，具有最大总和值的标签是被预测的活动。

[0122] 最小残差(MR)。对于每类活动k，定义特征函数 其选择与第k个姿势类相关联的系数。对于 是新向量，其仅非零条目是 中与第k个
姿势类相关联的条目。可以将给定的查询样本o*重建为 因此，可以基
于来自每个活动类的重建近似值而将o*分类到在真实o*和估计的 之间具有最小残差的姿势类：

[0123]

[0124] 然后，可以使用以下等式将oi分类为具有最小残差值的活动k：

[0125]

[0126] 最大数目的非零系数(简称“非零”)。对于查询RSSI样本o*，其预测的活动标签被表示为：

[0127]

[0128] 其中δk(o*)表示o*中的仅与标签lk相关联的系数。|·|表示δk(o*)的长度。

[0129] 第二，使用多个分类器来评估生成的特征子集的质量。选择以下分类技术，因为它们已经在最近的文献中被成功地应用于活动识别应用。

[0130] 具有 的多项式逻辑回归(MLGL1)是对线性回归的修正，其能够基于逻辑函数来预测所依赖的变量。多项式或者多变量计算通过分解为一系列二元变量而被求解。其 正则化使用补偿(penalty)项，该补偿项使得参数的绝对值的总和较小，这通常导致稀疏参数向量。在本文中，将 正则化集成到目标项中的线性分类器中。给定多类活动识别问题，将正则化与多项式逻辑回归组合，其对条件概率 进行建模。 正则化的主要问题可以通过优化对数可能性而被计算：

[0131]

[0132] 最近邻法(kNN)是用于各种分类问题的普通分类器。它通过K个最近邻训练实例的类标签的多数表决来预测样本的类。

[0133] 线性支持向量机(LSVM)针对通过确定最大化不同类的支持向量之间的裕量的超平面找到二元标志实例的最优分离。给定训练RSSI的序列和对应的姿势标签其中 标签l∈{1,…,k}。目标函数被表示为：

[0134]

[0135] s.t.li(wTφ(oi)+b)≥1-ξi，i＝1，2，…，n

[0136] ξi≥0，i＝1，2，…，n  (17)其中ξi是松弛变量，C是误差项的补偿，K(oi，oj)＝φ(oi)Tφ(oj)是内核函数。

[0137] 随机森林(RF)建立决策树的森林，其具有相同分布、但是相互独立的输出类。随机森林基于针对每个树对特征的随机选择并且基于针对个别树的输出的组合。

[0138] 图8示出了总体性能比较结果。可以看出，本发明的基于RFID的活动监控(简称“RFM”)明显胜出所有其他方法，这显示出活动分类中的良好的潜力和有效性。

[0139] 图9以混淆矩阵方式示出了对根据本发明实施方式的活动识别方法的详细性能评估。可以看出，大部分错误发生在识别具有相似的类内间隙的活动(例如，上述活动(22)向左跌倒和(23)向右跌倒)时。从结果中可以看出，本发明的方法可以准确地识别杂乱室内环境中的大部分方向敏感的活动。

[0140] 在下文中，将结合图10a-10d来描述在本发明中所采用的基于CCA的特征选择方法与目前被广泛采用的特征选择方法之间、在效率(例如，运行时间)和有效性(例如，准确率/召回率/Fl)方面的比较实验。具体地，比较了所提出的基于CCA的前向选择方法和基于F评分(Fisher Score，FScore)的方法、基于具有免除F评分的顺序前向(Sequential Forward with Relief-F  Score，SFRF)的方法和基于具有F统计评分的前向选择(Forward Selection with F-Statistics Score，SFSS)的方法。

[0141] ·基于FScore的特征选择。基于FScore的特征选择用于量化第i个特征oi的评分：

[0142]

[0143] 其中nk是第k个活动类中的样本的数目， 和vik分别是第i个特征的均值和方差，并且 是第i个特征的均值。

[0144] ·基于SFRF的特征选择。基于SFRF的特征选择方法根据特征的相关性值在多大程度上区分相同活动类和彼此靠近的不同活动类的数据点来估计特征的相关性。该方法计算每个特征的权重以量化其价值。根据如下评价函数而针对在每个活动类中呈现的信号样本来更新该权重：

[0145]

[0146] 其中nearmissj(oi)和nearhiti(oi)表示分别离来自相同活动类和不同活动类的oi最近的RSSI样本。

[0147] 基于SFSS的特征选择。该方法测量多个实数集合的区别，其可以使用如下公式来计算：

[0148]

[0149] 其中nj是第j个活动类中的样本的数目， 表示训练数据集中的标签i的均值，并且 是第j个活动类中的第i个标签的均值。分子指示正集合和负集合之间的区别，并且分母指示两个集合中的每个集合内的一个。F评分越大，该特征越有可能在活动识别中是有区分力的。

[0150] 首先比较特征选择过程的运行时间，因为识别延迟是活动识别应用的关键考量。根据算法的本质，运行时间可以被分为特征排序时间和特征集合评估时间。本发明的基于排序的特征选择对整个特征集合执行最初排序并且因此具有恒定的运行时间，该恒定的运行时间不依赖于待选择的特征的实际数量。图10a描绘了四种基于特征选择的方法在整个数据集合上的运行时间。从图10a可以看出，本发明的基于CCA的特征选择与其他三种基于特征选择的方法相比具有有竞争力的性能，即使基于FScore的方法采用最少的时间。

[0151] 除了效率之外，图10b-图10d呈现了使用四种特征选择方法的对比结果，并且本发明的基于CCA的特征选择方法明显胜出其他三种方法。本发明的基于CCA的特征选择方法不仅保留了特征分量的自然分配，而且揭露了特征分量之间的互相独立性。考虑到在运行时间和准确性方面结合的评估结果，本发明的特征选择方法在活动识别中具有良好的性能。

[0152] 在第二方面，本发明的实施方式还提供了一种活动识别装置。图11示出了根据本发明一个实施方式的活动识别装置1100的框图。如图所示，装置1100包括：信号采集单元1010，被配置为采集来自于多类预定义的活动中的每类活动的射频识别RFID信号；特征提取单元1120，被配置为针对所述每类活动，从所述RFID信号中提取多个活动特征；以及学习单元1130，被配置为对所述多个活动特征进行学习，以针对所述每类活动构建一个相关联的活动字典，使得所构建的活动字典将待识别的活动分类为所述多类预定义的活动之一。

[0153] 在一个实施方式中，所构建的活动字典中的每个活动字典包括用于表征相应活动的、线性无关的基本向量的集合。

[0154] 在一个实施方式中，装置1100进一步包括：相关性计算单元，被配置为针对所述每类活动，计算所述多个活动特征中的每一对活动特征之间的相关性；以及特征选择单元，被配置为基于所计算的相关性而从所述多个活动特征中选择预定数目的活动特征。学习单元1130被进一步配置为对所选择的活动特征进行学习，以构建与相应活动相关联的活动字典。

[0155] 在一个实施方式中，特征选择单元被进一步配置为：按照所计算的相关性从低到高的顺序，对所述多个活动特征进行排序；以及从经排序的多个活动特征中选择所述预定数目的活动特征。

[0156] 在一个实施方式中，装置1100进一步包括分类单元，该分类单元被配置为：响应于接收到来自于所述待识别的活动的查询RFID信号，从所述查询RFID信号中提取多个活动特征，以生成查询特征向量集合；利用所述每个活动字典中的基本向量的集合来分别对所述查询特征向量集合进行稀疏编码，以生成多个重建的信号；将所述查询特征向量集合与所述多个重建的信号中的每一个进行比较；以及响应于所述查询特征向量集合与所述多个重建的信号之一相匹配，将所述待识别的活动分类为与所匹配的重建的信号相关联的活动。

[0157] 在一个实施方式中，该分类单元被进一步配置为：计算所述查询特征向量集合与所述多个重建的信号中的每一个之间的重建误差；以及响应于所述查询特征向量集合与所述多个重建的信号之一之间的重建误差最小，将所述待识别的活动分类为与最小的重建误差相关联的活动。

[0158] 在一个实施方式中，特征提取单元1120被进一步配置为提取多个统计特征。

[0159] 在一个实施方式中，多个统计特征包括以下各项中的至少三项：所述射频识别RFID信号的最小值；所述射频识别RFID信号的最大值；所述射频识别RFID信号的均值；所述射频识别RFID信号的方差；所述射频识别RFID信号的均方根；所述射频识别RFID信号的标准差；以及所述射频识别RFID信号的中值。

[0160] 在一个实施方式中，信号采集单元1110被进一步配置为从RFID接收器采集来自于所述每类活动的所述RFID信号，并且执行所述每类活动的对象与所述RFID接收器之间不存在物理接触。

[0161] 特别地，根据本发明的实施方式，上文参考图2-10描述的过程可以被实现为计算机软件程序。例如，本发明的实施方式包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包含用于执行方法400的程序代码。

[0162] 一般而言，本发明的各种示例实施方式可以在硬件或专用电路、软件、逻辑，或其任何组合中实施。某些方面可以在硬件中实施，而其他方面可以在可以由控制器、微处理器或其他计算设备执行的固件或软件中实施。当本发明的实施方式的各方面被图示或描述为框图、流程图或使用某些其他图形表示时，将理解此处描述的方框、装置、系统、技术或方法可以作为非限制性的示例在硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备，或其某些组合中实施。

[0163] 而且，流程图中的各框可以被看作是方法步骤，和/或计算机程序代码的操作生成的操作，和/或理解为执行相关功能的多个耦合的逻辑电路元件。例如，本发明的实施方式包括计算机程序产品，该计算机程序产品包括有形地实现在机器可读介质上的计算机程序，该计算机程序包含被配置为实现上文描述方法的程序代码。

[0164] 在公开的上下文内，机器可读介质可以是包含或存储用于或有关于指令执行系统、装置或设备的程序的任何有形介质。机器可读介质可以是机器可读信号介质或机器可读存储介质。机器可读介质可以包括但不限于电子的、磁的、光学的、电磁的、红外的或半导体系统、装置或设备，或其任意合适的组合。机器可读存储介质的更详细示例包括带有一根或多根导线的电气连接、便携式计算机磁盘、硬盘、随机存储存取器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、光存储设备、磁存储设备，或其任意合适的组合。

[0165] 用于实现本发明的方法的计算机程序代码可以用一种或多种编程语言编写。这些计算机程序代码可以提供给通用计算机、专用计算机或其他可编程的数据处理装置的处理器，使得程序代码在被计算机或其他可编程的数据处理装置执行的时候，引起在流程图和/或框图中规定的功能/操作被实施。程序代码可以完全在计算机上、部分在计算机上、作为独立的软件包、部分在计算机上且部分在远程计算机上或完全在远程计算机或服务器上执行。

[0166] 另外，尽管操作以特定顺序被描绘，但这并不应该理解为要求此类操作以示出的特定顺序或以相继顺序完成，或者执行所有图示的操作以获取期望结果。在某些情况下，多任务或并行处理会是有益的。同样地，尽管上述讨论包含了某些特定的实施细节，但这并不应解释为限制任何发明或权利要求的范围，而应解释为对可以针对特定发明的特定实施方式的描述。本说明书中在分开的实施方式的上下文中描述的某些特征也可以整合实施在单个实施方式中。相反地，在单个实施方式的上下文中描述的各种特征也可以分离地在多个实施方式或在任意合适的子组合中实施。

[0167] 针对前述本发明的示例实施方式的各种修改、改变将在连同附图查看前述描述时对相关技术领域的技术人员变得明显。任何及所有修改将仍落入非限制的和本发明的示例实施方式范围。此外，前述说明书和附图存在启发的益处，涉及本发明的这些实施方式的技术领域的技术人员将会想到此处阐明的本发明的其他实施方式。

[0168] 将会理解，本发明的实施方式不限于公开的特定实施方式，并且修改和其他实施方式都应包含于所附的权利要求范围内。尽管此处使用了特定的术语，但是它们仅在通用和描述的意义上使用，而并不用于限制目的。