本發(fā)明涉及無線感知技術(shù)下的用戶身份識別領(lǐng)域，具體涉及基于wifi聲學(xué)的多模態(tài)步態(tài)用戶識別方法及系統(tǒng)。

背景技術(shù)：

1、無線感知技術(shù)廣泛應(yīng)用于智慧物聯(lián)網(wǎng)領(lǐng)域，它通過具有信號收發(fā)功能的設(shè)備如路由器、rfid閱讀器、智能音箱等設(shè)備收發(fā)wifi、rfid和聲音信號，通過信號處理技術(shù)，從中提取與人體行為相關(guān)聯(lián)的細粒度特征，無需用戶攜帶傳感器設(shè)備，即可實現(xiàn)對人體行為或位置的感知和識別。

2、步態(tài)識別技術(shù)是一種基于模式識別的分類技術(shù)，它的主要思想是用戶在行走時，其潛在的生物學(xué)特征與相應(yīng)的步態(tài)緊密耦合，而且基于人體的生理構(gòu)造和運動習(xí)慣，同一用戶的步態(tài)總是趨于保持一致性，而不同用戶產(chǎn)生的步態(tài)具有差異性，這為用戶識別帶來了可能性。

3、隨著物聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，基于無線感知技術(shù)的智能應(yīng)用已廣泛部署，而成熟的通信協(xié)議和信號處理技術(shù)為這些服務(wù)提供了可靠的支撐。wifi感知作為無線感知技術(shù)的核心技術(shù)之一，常用于人體活動識別(human?activity?recognition,har)和定位跟蹤任務(wù)。它的原理是當wifi信號遇到障礙物，信號會發(fā)生反射和衍射等變化。因此，人體活動時引起的位置和姿態(tài)變動同樣會影響信號模式，例如幅度、相位等。由于不同類型和頻率的動作對信號的影響各異，通過分析信號的特征和變化模式，可以有效地識別和感知人體動作。近年來，研究者們通常利用信道狀態(tài)信息(channel?state?information,csi)來分析這些變化。例如公布號為cn114757237a的現(xiàn)有發(fā)明專利申請文獻《一種基于wifi信號的速度無關(guān)步態(tài)識別方法》該現(xiàn)有方案包括：提取人員行走過程中隨時間變化的wifi的csi幅值；對csi幅值進行預(yù)處理；判斷是否有人在環(huán)境中行走，并提取步行活動片段；將步行活動片段轉(zhuǎn)換成大小相同的時頻圖；搭建基于dann的速度無關(guān)步態(tài)識別模型，該模型包括特征提取器、身份識別器與速度識別器，特征提取器用于在輸入的時頻圖中提取潛在的特征，身份識別器用于利用特征提取器提取的特征預(yù)測被測目標的身份，速度識別器用于利用特征提取器提取的特征預(yù)測被測目標的速度；訓(xùn)練速度無關(guān)步態(tài)識別模型并輸出被測目標的身份。以及公布號為cn114783054a的現(xiàn)有發(fā)明專利申請文獻《一種基于無線和視頻特征融合的步態(tài)識別方法》，該現(xiàn)有方法包括：：使用視頻采集設(shè)備獲取行人步態(tài)識別視頻數(shù)據(jù)，對視頻幀利用分割網(wǎng)絡(luò)獲得高質(zhì)量的行人輪廓圖序列，對輪廓圖進行標準化裁剪操作處理成統(tǒng)一格式，然后使用基于時間空間的深度神經(jīng)網(wǎng)絡(luò)獲取行人的視頻特征；使用普通商用無線信號設(shè)備，一端發(fā)送物理層信道狀態(tài)信息csi數(shù)據(jù)，另外一端接收，對csi數(shù)據(jù)進行去噪以及歸一化預(yù)處理，用多尺度卷積神經(jīng)網(wǎng)絡(luò)對預(yù)處理之后的csi數(shù)據(jù)進行行人的無線特征提?。蛔詈髮⑻崛〉降臒o線和視頻的特征進行融合，進行身份預(yù)測。前述現(xiàn)有技術(shù)中，csi提供了信號傳播中的細粒度物理層信息，如傳播距離、功率衰減和散射等，反映了環(huán)境和人體動態(tài)的綜合影響。當用戶移動時，四肢的活動和位置的變化反映了其走路的習(xí)慣，例如步幅、步頻、擺臂習(xí)慣等。這些特征為識別不同步態(tài)提供了潛力，可以讓新一代智能家居根據(jù)不同用戶身份提供更加個性化的、有區(qū)分度的服務(wù)。

4、現(xiàn)有的基于wifi的用戶識別工作通常依賴于從csi中提取短時傅里葉變換(short-time?fourier?transform，stft)頻譜，通過不同用戶走路時的頻譜特征實現(xiàn)用戶的識別。然而，僅使用wifi特征只能夠獲得plcr，而無法得到人體的真實速度；同時，頻譜特征容易受到行走軌跡、方向等多種因素影響，這意味著同一名用戶行走不同的軌跡時，可能會產(chǎn)生不同的特征，而導(dǎo)致錯誤的將這些軌跡識別為不同的用戶，無法滿足日益多樣化的復(fù)雜場景需求。后續(xù)的一些工作通過引入額外的正交wifi鏈路來獲得另一方向的頻譜圖，并將其從正交方向映射到用戶的移動方向來解決特征的軌跡依賴性的問題，但設(shè)備數(shù)量和部署位置的嚴苛要求，這會使系統(tǒng)在家庭中的部署變得困難。

5、而聲音設(shè)備的廣泛應(yīng)用，也讓人們看到了聲學(xué)感知的潛力。用戶在行走時，會持續(xù)產(chǎn)生腳步聲，該聲音同樣可以作為用于用戶識別的觀測特征。在現(xiàn)有的聲學(xué)感知工作中，通常采用環(huán)形陣列(六角麥克風(fēng))來接收聲音信號，它在六個角上分別有著6個不同位置的麥克風(fēng)。這些麥克風(fēng)陣列的典型尺寸通常較小，以適配常見的智能音箱產(chǎn)品，不同麥克風(fēng)的間距和陣列的邊長通常都為厘米級，相對于陣列與聲源的距離，陣列大小可以忽略不計。因此，根據(jù)遠場效應(yīng)(far-field?effect)，我們可以將聲波視作平行波，它忽略各個麥克風(fēng)接收聲音信號間的幅度差，而只考慮各個接收信號的時延差異。這一時延差異為從中計算聲源位置提供了條件。另一方面，聲信號同樣可以得到相應(yīng)的能量頻譜圖，與wifi信號一樣，通過腳步聲頻譜，可以得到步頻、力度等用于身份區(qū)分的特征。然而，但純音頻極易受到其他因素的干擾，例如地面材質(zhì)，所穿著的鞋子，或是環(huán)境噪聲的影響，魯棒性較差。

6、鑒于wifi步態(tài)特征難以克服行走軌跡、方向依賴，而聲音特征又容易受到干擾，本方法旨在將二者優(yōu)勢結(jié)合，提出一種基于wifi聲學(xué)的多模態(tài)步態(tài)識別系統(tǒng)，僅用單設(shè)備鏈路實現(xiàn)軌跡與方向獨立的用戶步態(tài)識別。

7、現(xiàn)有公開文獻《基于wifi的被動式室內(nèi)人員定位技術(shù)研究》，該現(xiàn)有文獻中，信號到達角的估計容易受到環(huán)境噪聲的影響，隨著目標與接收端的距離增加，往往很小的信號到達角估計誤差，就會導(dǎo)致最終的定位精度產(chǎn)生較大的損失，從而嚴重減低系統(tǒng)性能。本系統(tǒng)設(shè)計了一種基于時間和空間維度的雙窗口aoa估計算法，在有效的保證了算法時間復(fù)雜度的同時，降低了aoa估計中的環(huán)境噪聲。通過對所有傳感器的csi幅度中減去一個較小的常數(shù)值α，并在參考傳感器的csi幅度中加入一個較大的常數(shù)值β的方法可以用來消除dfs歧義造成的影響。通過music算法來獲得信號到達角估計值。由于多普勒效應(yīng)的存在，可以知道當待測人員在室內(nèi)環(huán)境中移動時，人體反射信號的傳播路徑長度會發(fā)生相應(yīng)的變化，這會導(dǎo)致接收信號的頻率相較于發(fā)射端發(fā)射的信號頻率發(fā)生不同程度的偏移。當待測人員面向信號接收端運動時，wifi接收信號頻率相較于發(fā)送端發(fā)送的原始信號頻率會有所升高。相對應(yīng)的，當待測人員遠離信號接收端時，wifi接收信號頻率相較于發(fā)送端發(fā)送的原始信號頻率會有所降低。前述對比文獻中記載了該系統(tǒng)中信號到達角估計算法不依賴于多普勒頻移估計值，但對比文獻還提到：d表示目標到接收器的距離，可以由多普勒頻移估計值可以獲得其變化范圍。如果該變化范圍與采樣概率和角度求解有關(guān)，則多普勒頻移的誤差可能會遷移到角度估計上，會造成累積誤差。

8、綜上，現(xiàn)有技術(shù)存在復(fù)雜場景適應(yīng)性差、部署難度大、存在環(huán)境干擾以及魯棒性差的技術(shù)問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題在于：如何解決現(xiàn)有技術(shù)中復(fù)雜場景適應(yīng)性差、部署難度大、存在環(huán)境干擾以及魯棒性差的技術(shù)問題。

2、本發(fā)明是采用以下技術(shù)方案解決上述技術(shù)問題的：基于wifi聲學(xué)的多模態(tài)步態(tài)用戶識別方法包括：

3、s1、使被識別目標在預(yù)置室內(nèi)設(shè)備范圍內(nèi)運動，利用預(yù)置wifi設(shè)備采集wifi信號，以提取得到csi特征，根據(jù)csi特征計算反射路徑長度變化率plcr，據(jù)以構(gòu)建菲涅爾區(qū)橢圓模型，處理得到plcr特征；

4、s2、設(shè)置并利用麥克風(fēng)陣列采集被識別目標的腳步聲，根據(jù)腳步聲的信號計算腳步聲aoa序列，構(gòu)建射線模型，根據(jù)預(yù)置信號傳播模式、數(shù)學(xué)幾何理論進行建模，求取所有角度θ所對應(yīng)的理論樣本偏移值nsim，將實際測量得到的樣本偏移nshift與理論樣本偏移值nsim進行匹配，獲取最接近角度值，通過聲源定位，從腳步聲信號中提取每個腳步聲的信號到達角aoa，以處理得到沿時域分布連續(xù)角度序列，據(jù)以將原始步態(tài)特征轉(zhuǎn)換為aoa角度特征；

5、s3、通過多模態(tài)融合，確認用戶移動軌跡；聯(lián)立plcr特征與aoa角度特征，構(gòu)建幾何模型，可以求得用戶移動的軌跡位置序列；構(gòu)建速度-角度矩陣，并根據(jù)速度和頻率關(guān)系，進行速度-角度矩陣和頻率-角度矩陣的轉(zhuǎn)化操作，從軌跡位置序列中，求取各個時刻的移動方向角度；以移動方向角度、速度-角度矩陣以及頻率-角度矩陣作為索引，匹配plcr速度譜中的速度，以將plcr速度譜映射轉(zhuǎn)化為獨立步態(tài)速度譜；

6、s4、獲取不同的被識別目標的獨立速度譜，構(gòu)建數(shù)據(jù)驅(qū)動用戶識別模型，構(gòu)建并訓(xùn)練輕量化神經(jīng)網(wǎng)絡(luò)，得到適用步態(tài)識別模型，以進行步態(tài)識別，確定被識別目標的身份。

7、本發(fā)明將麥克風(fēng)與wifi收發(fā)端放在同一位置，用于搭建智能揚聲器或智能語音助手原型，同時具備收發(fā)wifi信號和麥克風(fēng)收聲功能，wifi和麥克風(fēng)分別用于采集用戶行走時引起的wifi信號與走路時的腳步聲，設(shè)計相應(yīng)的特征提取和融合算法并從中提取人體移動速度、角度、步態(tài)頻譜等信息，最終將步態(tài)頻譜映射到聲學(xué)角度上，來得到軌跡方位無關(guān)的步態(tài)特征，實現(xiàn)更高魯棒性的用戶識別。

8、本發(fā)明能夠在不依賴于穿戴式傳感器或攝像頭設(shè)備的情況下，非侵入式的提取用戶的步態(tài)特征，避免了繁瑣的設(shè)備部署需求，且有效解決了基于攝像頭識別的隱私和照明條件問題，在單鏈路下即可實現(xiàn)準確的識別效果，提高了非侵入式身份識別技術(shù)在真實場景下部署和應(yīng)用的可行性。

9、在更具體的技術(shù)方案中，s1包括：

10、s11、利用預(yù)置csi提取工具，利用下述邏輯，從wifi信號中提取csi：

11、h(f,t)＝hs(f,t)+hd(f,t)＝hs(f,t)+a(f,t)e-j2πf(t)

12、式中，hs(f,t)和hd(f,t)分別是靜態(tài)信號分量和包含用戶移動情況的動態(tài)信號分量；s12、將不同時刻的反射路徑長度記為d(t)，利用用下述邏輯，確定多普勒頻

13、移dfs：

14、

15、其中，fd(t)是多普勒頻移dfs，λ是信號波長，τ是信號飛行時間；

16、s13、利用下述邏輯，確定反射路徑長度變化率plcr與多普勒頻移dfs關(guān)系：

17、

18、s14、利用下述邏輯，對反射路徑長度變化率plcr在時間上積分，得到路徑長度d(t)：

19、

20、在更具體的技術(shù)方案中，s2中，根據(jù)預(yù)置幾何關(guān)系，利用下述邏輯，表達麥克風(fēng)陣列中，不同的麥克風(fēng)mi、mj收到聲音的時間差δt：

21、

22、利用下述邏輯，根據(jù)時間差δt，表達樣本偏移nshift：

23、nshift＝δt×fs

24、根據(jù)樣本偏移nshift，利用下述邏輯，處理得到角度θ：

25、

26、式中，l為兩個麥克風(fēng)間距，csound為聲速，fs為聲學(xué)采樣率。

27、具體地，本發(fā)明的理論值求解過程中，麥克風(fēng)陣列的構(gòu)造、尺寸是已知的，聲音傳播的聲速、麥克風(fēng)信號采樣率也是已知的，因此，對于二維平面中任何一個角度傳來的聲音信號，我們都可以用幾何公式計算出該信號到達六個麥克風(fēng)的距離差，即時間差；再根據(jù)信號采樣率，就可以進一步得到這六個信號之間的樣本偏移；

28、本發(fā)明的實際值求解過程中，在實際的腳步聲采集中，我們通過互相關(guān)，可以求解兩兩信號序列之間的樣點偏移。

29、根據(jù)樣本偏移nshift，利用下述互相關(guān)函數(shù)邏輯，表達麥克風(fēng)信號間互相關(guān)關(guān)系，根據(jù)麥克風(fēng)互相關(guān)關(guān)系，處理得到離散點序列c[nshift]：

30、c[nshift]＝∑(mi[n]·mj[n+nshift])，

31、利用離散點序列c[nshift]，表示信號序列[n+nshift]相對于信號序列[n]的滯后性。

32、利用下述邏輯，計算離散點序列c[nshift]的峰值對應(yīng)下標，以找到信號序列[n+nshift]相對于信號序列[n]的樣點偏移值：

33、

34、具體地，本發(fā)明中采用六角麥克風(fēng)陣列采集腳步聲信號，由于六角麥克風(fēng)陣列中每個麥克風(fēng)位置不同，因此同一個聲音到達六個麥克風(fēng)的時間也不同，這樣得到的六個信道的信號會有微小的偏移，即本發(fā)明中的樣本偏移。

35、在更具體的技術(shù)方案中，s2包括：

36、s21、設(shè)置仿真角度θ′的取值范圍，將仿真角度帶入預(yù)置幾何模型，以利用下述邏輯，求取仿真樣本偏移角度矩陣nsim：

37、

38、式中，l為兩個麥克風(fēng)間距，csound為聲速，fs為聲學(xué)采樣率；

39、預(yù)設(shè)基準麥克風(fēng)，計算其余麥克風(fēng)接收到的信號相對于基準麥克風(fēng)的接收信號的時延δt；

40、s22、通過相似度計算，獲取與實際樣本偏移最匹配的適用理論樣本偏移，將適用理論樣本偏移對應(yīng)的仿真交底θ′，作為聲音信號到達角：

41、

42、對每一步產(chǎn)生的腳步聲信號，匹配得到適用理論樣本偏移得到步點數(shù)量對齊角度序列：

43、θseq＝{θ1,θ2,…,θk}。

44、具體地，由于傳統(tǒng)算法僅能得到整數(shù)的nshift(因為峰值的位置下標只能取整數(shù))，但實際情況中樣點偏移通常包含小數(shù)，這樣會導(dǎo)致求解的最終角度產(chǎn)生誤差。針對前述情形，本發(fā)明采用了一種理論與實際樣點偏移匹配的方式，即通過信號傳播模式和數(shù)學(xué)幾何理論進行建模，計算出所有可能的角度θ所對應(yīng)的理論樣本偏移值nsim，再將實際測量得到的樣本偏移nshift與理論值進行匹配，從而找到最接近的角度值，能夠更加精確地進行樣點偏移求解。

45、在更具體的技術(shù)方案中，s21中，將每個麥克風(fēng)分別作為基準麥克風(fēng)，以擴展仿真樣本偏移角度矩陣nsim的維度，根據(jù)投影定理，利用下述邏輯，處理得到理論樣本偏移

46、

47、式中，mi,mj為不同的麥克風(fēng)i,j∈{1,2,3,4,5,6}，δd為信號的額外飛行距離,為角度向量，為兩個麥克風(fēng)之間的距離向量。

48、本發(fā)明可以用有限的設(shè)備實現(xiàn)軌跡與方向無關(guān)的步態(tài)特征提取，提高了實際場景中的用戶識別精度。通過麥克風(fēng)陣列可以采集到用戶走路時的腳步聲聲音序列，在走路時，腳步聲是離散的，即相鄰兩步中間會有短暫的無聲片段。相對于傳統(tǒng)的聲源定位通常針對連續(xù)聲源。而本發(fā)明的應(yīng)用場景是連續(xù)移動的聲源為腳步，與傳統(tǒng)的研究場景有所區(qū)別。因此，本發(fā)明將移動的過程看作多個靜態(tài)聲源的組合，只對有聲音的步點進行計算，而放棄步伐之間的靜音部分。因此，首先通過閾值檢測或相關(guān)性匹配的方法，確定用戶的步點。這樣不僅可以避免靜音片段的無效信息帶來的計算干擾，也可以減少計算量，提升運算效率。

49、在更具體的技術(shù)方案中，s3包括：

50、s31、將得到的plcr速度譜轉(zhuǎn)化得到的fmat(t)頻率譜；由于fmat的維度構(gòu)成為速度-角度-時間，因此通過我們得到的β(t)，可以確定時間步和對應(yīng)的角度，進而匹配出相應(yīng)的速度；

51、s32、將每個時間步的速度值組合在一起，就實現(xiàn)了整個plcr速度譜到軌跡、方向無關(guān)的獨立速度譜。

52、在更具體的技術(shù)方案中，s31包括：

53、s311、結(jié)合wifi菲涅爾橢圓與角度序列射線，來求解用戶位置；其中，將整個感知區(qū)域均分為不少于2個網(wǎng)格，將每個的網(wǎng)格坐標記為(x,y)，利用反射路徑長度d(t)構(gòu)建菲涅爾橢圓方程：

54、

55、根據(jù)移動方向角度θ，構(gòu)建角度序列射線方程：

56、yt＝tanθseq(t)·xt

57、s312、轉(zhuǎn)換處理菲涅爾橢圓方程、角度序列射線方程，獲取誤差計算方程：

58、

59、s313、將每個網(wǎng)格的坐標代入誤差計算方程，進行極大似然估計，求取每個時刻的用戶位置(xt,yt)：

60、

61、s314、在步態(tài)特征求解過程中，利用極坐標vρ、vθ表示反射路徑長度變化率plcr；

62、s315、獲取并根據(jù)速度特征、角度特征，構(gòu)建速度-角度矩陣vmat，根據(jù)速度頻率公式，將速度-角度矩陣vmat轉(zhuǎn)化為頻率矩陣，以利用下述邏輯，對plcr速度譜進行映射操作：

63、

64、處理得到用戶位置軌跡，根據(jù)兩個相鄰坐標點計算出位移方向角度β(t)。

65、具體地，在本發(fā)明的理論計算中，代入[0,360]°的aoa，分別計算出每個角度對應(yīng)的理論樣本偏移；將互相關(guān)得到的實際樣本偏移與理論值進行匹配，兩者最相近時理論值所對應(yīng)的aoa角度，即為所求的信號到達角。

66、在更具體的技術(shù)方案中，s314中，極坐標中的vρ代表速度值，vθ代表速度方向：

67、

68、在更具體的技術(shù)方案中，s315中，δx和δy是由wifi設(shè)備位置決定的方向系數(shù)：

69、

70、式中，表示用戶位置，和分別表示發(fā)射機和接收機位置。

71、在更具體的技術(shù)方案中，基于wifi聲學(xué)的多模態(tài)步態(tài)用戶識別系統(tǒng)包括：

72、plcr特征處理模塊，用以使被識別目標在預(yù)置室內(nèi)設(shè)備范圍內(nèi)運動，利用預(yù)置wifi設(shè)備采集wifi信號，以提取得到csi特征，根據(jù)csi特征計算反射路徑長度變化率plcr，據(jù)以構(gòu)建菲涅爾區(qū)橢圓模型，處理得到plcr特征；

73、aoa角度特征處理模塊，用以設(shè)置并利用麥克風(fēng)陣列采集被識別目標的腳步聲，根據(jù)腳步聲的信號計算腳步聲aoa序列，構(gòu)建射線模型，根據(jù)預(yù)置信號傳播模式、數(shù)學(xué)幾何理論進行建模，求取所有角度θ所對應(yīng)的理論樣本偏移值nsim，將實際測量得到的樣本偏移nshift與理論樣本偏移值nsim進行匹配，獲取最接近角度值，通過聲源定位，從腳步聲信號中提取每個腳步聲的信號到達角aoa，以處理得到沿時域分布連續(xù)角度序列，據(jù)以將原始步態(tài)特征轉(zhuǎn)換為aoa角度特征；

74、多模態(tài)融合模塊，用以通過多模態(tài)融合，確認用戶移動軌跡；聯(lián)立plcr特征與aoa角度特征，構(gòu)建幾何模型，可以求得用戶移動的軌跡位置序列；構(gòu)建速度-角度矩陣，并根據(jù)速度和頻率關(guān)系，進行速度-角度矩陣和頻率-角度矩陣的轉(zhuǎn)化操作，從軌跡位置序列中，求取各個時刻的移動方向角度；以移動方向角度、速度-角度矩陣以及頻率-角度矩陣作為索引，匹配plcr速度譜中的速度，以將plcr速度譜映射轉(zhuǎn)化為獨立步態(tài)速度譜，多模態(tài)融合模塊與plcr特征處理模塊及aoa角度特征處理模塊連接；

75、步態(tài)識別模塊，用以獲取不同的被識別目標的獨立速度譜，構(gòu)建數(shù)據(jù)驅(qū)動用戶識別模型，構(gòu)建并訓(xùn)練輕量化神經(jīng)網(wǎng)絡(luò)，得到適用步態(tài)識別模型，以進行步態(tài)識別，確定被識別目標的身份，步態(tài)識別模塊與多模態(tài)融合模塊連接。

76、本發(fā)明相比現(xiàn)有技術(shù)具有以下優(yōu)點：

77、本發(fā)明將麥克風(fēng)與wifi收發(fā)端放在同一位置，用于搭建智能揚聲器或智能語音助手原型，同時具備收發(fā)wifi信號和麥克風(fēng)收聲功能，wifi和麥克風(fēng)分別用于采集用戶行走時引起的wifi信號與走路時的腳步聲，設(shè)計相應(yīng)的特征提取和融合算法并從中提取人體移動速度、角度、步態(tài)頻譜等信息，最終將步態(tài)頻譜映射到聲學(xué)角度上，來得到軌跡方位無關(guān)的步態(tài)特征，實現(xiàn)更高魯棒性的用戶識別。

78、本發(fā)明能夠在不依賴于穿戴式傳感器或攝像頭設(shè)備的情況下，非侵入式的提取用戶的步態(tài)特征，避免了繁瑣的設(shè)備部署需求，且有效解決了基于攝像頭識別的隱私和照明條件問題，在單鏈路下即可實現(xiàn)準確的識別效果，提高了非侵入式身份識別技術(shù)在真實場景下部署和應(yīng)用的可行性。

79、本發(fā)明采用了一種理論與實際樣點偏移匹配的方式，即通過信號傳播模式和數(shù)學(xué)幾何理論進行建模，計算出所有可能的角度θ所對應(yīng)的理論樣本偏移值nsim，再將實際測量得到的樣本偏移nshift與理論值進行匹配，從而找到最接近的角度值，能夠更加精確地進行樣點偏移求解。

80、本發(fā)明可以用有限的設(shè)備實現(xiàn)軌跡與方向無關(guān)的步態(tài)特征提取，提高了實際場景中的用戶識別精度。通過麥克風(fēng)陣列可以采集到用戶走路時的腳步聲聲音序列，在走路時，腳步聲是離散的，即相鄰兩步中間會有短暫的無聲片段。相對于傳統(tǒng)的聲源定位通常針對連續(xù)聲源。而本發(fā)明的應(yīng)用場景是連續(xù)移動的聲源為腳步，與傳統(tǒng)的研究場景有所區(qū)別。因此，本發(fā)明將移動的過程看作多個靜態(tài)聲源的組合，只對有聲音的步點進行計算，而放棄步伐之間的靜音部分。因此，首先通過閾值檢測或相關(guān)性匹配的方法，確定用戶的步點。這樣不僅可以避免靜音片段的無效信息帶來的計算干擾，也可以減少計算量，提升運算效率。

81、本發(fā)明解決了現(xiàn)有技術(shù)中存在的復(fù)雜場景適應(yīng)性差、部署難度大、存在環(huán)境干擾以及魯棒性差的技術(shù)問題。