(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210218837.8 (22)申请日 2022.03.08 (71)申请人 合肥龙旗智能科技有限公司 地址 230000 安徽省合肥市高新区望江西 路800号创新产业园一期A4-401 (72)发明人 杜浩浩　赵磊　杜军红　葛振纲　 路广　 (74)专利代理 机构 北京同立钧成知识产权代理 有限公司 1 1205 专利代理师 朱颖　臧建明 (51)Int.Cl. G06V 40/20(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) (54)发明名称 人体行为的识别方法及装置 (57)摘要 本申请实施例提供一种人体行为的识别方 法及装置， 该方法包括： 获取信道状态数据； 对信 道状态数据进行采样， 确定信道状态数据对应的 信道状态相位差数据； 根据信道状态数据和 信道 状态相位差数据， 确定信道状态数据的特征图； 将信道状态数据的特征图输入人体行为识别模 型， 并获取人体行为识别模型输出的人体行为的 类别标签， 人体行为识别模型是通过样本集训练 后生成的， 样本集包括历史信道状态数据和标注 的人体行为的类别标签。 通过该方式， 从而实现 对人体行为的实时性识别。 权利要求书3页 说明书10页 附图2页 CN 114596634 A 2022.06.07 CN 114596634 A 1.一种人体行为的识别方法， 其特 征在于， 所述方法包括： 获取信道状态数据； 对所述信道状态数据进行采样， 确定所述信道状态数据对应的信道状态相位差数据； 根据所述信道状态数据和所述信道状态相位差数据， 确定所述信道状态数据的特征 图； 将所述信道状态数据的特征图输入人体行为识别模型， 并获取所述人体行为识别模型 输出的所述人体行为的类别标签， 所述人体行为识别模型是通过样本集训练后生成的， 所 述样本集包括历史信道状态数据和标注的人体行为的类别标签。 2.根据权利要求1所述的方法， 其特征在于， 所述确定所述信道状态数据的特征图， 包 括： 对所述信道状态数据进行小 波变换， 得到所述信道状态数据的小 波变换特征图； 根据所述信道状态数据和所述信道状态相位差数据， 确定所述信道状态数据的局部显 著性特征图； 将所述局部显著性特征图和所述小波变换特征图进行融合， 确定所述信道状态数据的 特征图。 3.根据权利要求2所述的方法， 其特征在于， 所述确定所述信道状态数据的局部显著性 特征图， 包括： 将所述信道状态数据和所述信道状态相位差数据组合成信道状态 矩阵； 对所述信道状态 矩阵进行显著性特 征提取， 确定所述信道状态 矩阵的显著性特 征图； 对所述信道状态 矩阵的著性特 征图进行归一 化处理； 对归一化处理后的著性特征图进行空域滤波， 确定所述信道状态数据的局部显著性特 征图。 4.根据权利要求3所述的方法， 其特征在于， 所述对所述信道状态矩阵进行显著性特征 提取， 确定所述信道状态 矩阵的显著性特 征图， 包括： 将所述信道状态 矩阵划分为多个宏块； 计算所述多个宏块 量化后的范 数， 生成所述信道状态 矩阵的显著性特 征图。 5.根据权利要求3所述的方法， 其特征在于， 所述归一化处理包括最大值最小值归一化 处理。 6.根据权利要求1 ‑5任一项所述的方法， 其特征在于， 所述信道状态相位差数据， 包括 同一子载波天线对的信道状态相位差数据和/或不同信道状态样本的相同子载波之 间的相 位差。 7.根据权利要求1 ‑5任一项所述的方法， 其特征在于， 所述样本集中的历史信道状态数 据为批归一 化处理后的数据。 8.根据权利要求1 ‑5任一项所述的方法， 其特征在于， 所述人体行为识别模型包括深度 卷积神经网络 。 9.根据权利要求8所述的方法， 其特征在于， 所述人体行为识别模型包括分组卷积层和 损失层； 所述分组卷积层用于进行特征提取， 所述损失层用于确定所述人体行为识别模型每次 迭代中预测的人体行为的类别标签和标注的人体行为的类别标签之间的差距。权　利　要　求　书 1/3 页 2 CN 114596634 A 210.一种人体行为的识别装置， 其特 征在于， 所述装置包括： 获取模块， 用于获取信道状态数据； 采样模块， 用于对所述信道状态数据进行采样， 确定所述信道状态数据对应的信道状 态相位差数据； 特征提取模块， 用于根据所述信道状态数据和所述信道状态相位差数据， 确定所述信 道状态数据的特 征图； 识别模块， 用于将所述信道状态数据的特征图输入人体行为识别模型， 并获取所述人 体行为识别模型输出的所述人体行为的类别标签， 所述人体行为识别模型是通过样本集训 练后生成的， 所述样本集包括历史信道状态数据和标注的人体行为的类别标签。 11.根据权利要求10所述的装置， 其特征在于， 所述特征提取模块， 具体用于对所述信 道状态数据进行小波变换， 得到所述信道状态数据的小波变换特征图； 根据所述信道状态 数据和所述信道状态相位差数据， 确定所述信道状态数据的局部显著性特征图； 将所述局 部显著性特 征图和所述小 波变换特征图进行融合， 确定所述信道状态数据的特 征图。 12.根据权利要求11所述的装置， 其特征在于， 所述特征提取模块， 具体用于将所述信 道状态数据和所述信道状态相位差数据组合成信道状态矩阵； 对所述信道状态矩阵进 行显 著性特征提取， 确定所述信道状态矩阵的显著性特征图； 对所述信道状态矩阵的著性特征 图进行归一化处理； 对归一化处理后的著性特征图进行空域滤波， 确定所述信道状态数据 的局部显著性特 征图。 13.根据权利要求12所述的装置， 其特征在于， 所述特征提取模块， 具体用于将所述信 道状态矩阵划分为多个宏块； 计算所述多个宏块量化后的范数， 生成所述信道状态矩阵的 显著性特 征图。 14.根据权利要求12所述的装置， 其特征在于， 所述归一化处理包括最大值最小值归一 化处理。 15.根据权利要求10 ‑14任一项所述的装置， 其特征在于， 所述信道状态相位差数据， 包 括同一子载波天线对的信道状态相位差数据和/或不同信道状态样本的相同子载波之 间的 相位差。 16.根据权利要求10 ‑14任一项所述的装置， 其特征在于， 所述样本集中的历史信道状 态数据为批归一 化处理后的数据。 17.根据权利要求10 ‑14任一项所述的装置， 其特征在于， 所述人体行为识别模型包括 深度卷积神经网络 。 18.根据权利要求17所述的装置， 其特征在于， 所述人体行为识别模型包括分组卷积层 和损失层； 所述分组卷积层用于进行特征提取， 所述损失层用于确定所述人体行为识别模型每次 迭代中预测的人体行为的类别标签和标注的人体行为的类别标签之间的差距。 19.一种计算机程序产品， 包括计算机程序， 其特征在于， 该计算机程序被处理器执行 时实现权利要求1 ‑11任意一项所述的方法。 20.一种计算机存储介质， 其特征在于， 所述计算机存储介质存储有多条指令， 所述指 令适于由处 理器加载并执 行如权利要求1 ‑9任意一项的方法步骤。 21.一种电子设备， 其特征在于， 包括： 处理器和存储器； 其中， 所述存储器存储有计算权　利　要　求　书 2/3 页 3 CN 114596634 A 3