基于多天线射频识别技术的长跑计时的测试方法和设备与流程

1.本公开涉及长跑计时领域，且更为具体地，涉及一种基于多天线射频识别技术的长跑计时的测试方法和设备。


背景技术：

2.长跑是一种常见的体育运动，需要对参与者的成绩进行准确和及时的计时。传统的计时方法主要依靠人工进行，存在误差大、当参与者较多时易产生干扰等问题。
3.因此，期待一种优化的长跑计时的测试方案。


技术实现要素：

4.有鉴于此，本公开提出了一种基于多天线射频识别技术的长跑计时的测试方法和设备，可以实现对参与者的成绩进行准确和及时的计时。
5.根据本公开的一方面，提供了一种基于多天线射频识别技术的长跑计时的测试方法，其包括：在终点架设第一摄像头，所述第一摄像头用于拍摄终点冲线位置；在终点架设边缘计算设备，所述边缘计算设备包括多天线射频模块，所述多天线射频模块用于检测运动员佩戴的rfid手环；在起点架设第二摄像头，所述第二摄像头用于采集运动员的人脸图像，并将所述人脸图像传输至所述边缘计算设备，所述边缘计算设备用于基于所述人脸图像进行人脸识别；在所述边缘计算设备上点击开始运动，同时，开启所述多天线射频模块；运动员每经过一次终点，响应于所述rfid手环被所述多天线射频模块检测到，记为冲线1次；以及保存运动员的成绩。
6.根据本公开的另一方面，提供了一种基于多天线射频识别技术的长跑计时的测试设备，所述基于多天线射频识别技术的长跑计时的测试设备以前述的方法运行。
7.根据本公开的实施例，其首先在终点架设用于拍摄终点冲线位置的第一摄像头，接着，在终点架设边缘计算设备，所述边缘计算设备包括用于检测运动员佩戴的rfid手环的多天线射频模块，然后，在起点架设用于采集运动员的人脸图像的第二摄像头，并将所述人脸图像传输至所述边缘计算设备，所述边缘计算设备用于基于所述人脸图像进行人脸识别，接着，在所述边缘计算设备上点击开始运动，同时，开启所述多天线射频模块，然后，运动员每经过一次终点，响应于所述rfid手环被所述多天线射频模块检测到，记为冲线1次，最后，保存运动员的成绩。这样，可以实现对参与者的成绩进行准确和及时的计时。
8.根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
9.包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
10.图1示出根据本公开的实施例的基于多天线射频识别技术的长跑计时的测试方法
的流程图。
11.图2示出根据本公开的实施例的基于多天线射频识别技术的长跑计时的测试方法的子步骤s130的流程图。
12.图3示出根据本公开的实施例的基于多天线射频识别技术的长跑计时的测试方法的子步骤s130的架构示意图。
13.图4示出根据本公开的实施例的基于多天线射频识别技术的长跑计时的测试方法的子步骤s132的流程图。
14.图5示出根据本公开的实施例的基于多天线射频识别技术的长跑计时的测试方法的子步骤s1324的流程图。
15.图6示出根据本公开的实施例的基于多天线射频识别技术的长跑计时的测试系统的框图。
16.图7示出根据本公开的实施例的基于多天线射频识别技术的长跑计时的测试方法的子步骤s130的应用场景图。
具体实施方式
17.下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本公开的部分实施例，而不是全部的实施例。基于本公开实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本公开保护的范围。
18.如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
19.以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
20.另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
21.在体育长跑运动项目中，需要对长跑者进行跑圈计时。可进行长跑计时的方式如下：人工计时，需要人员在终点拿着秒表，观测起点处发令枪的烟雾升起时进行计时，当运动员冲到终点位置时，按下秒表，然后按人员身上的号码进行顺序记录，根据秒表上的时间进行一一对应成绩，该方法需要人员精准掐表，并且需要大量人力，人员未免出现疲劳情况，导致结果不精准；单天线的rfid检测，检测范围较少，容易存在检测死角，造成楼检测。因此，本公开提供了一种基于多天线射频识别技术的长跑计时的测试方法。
22.图1示出根据本公开的实施例的基于多天线射频识别技术的长跑计时的测试方法的流程图。如图1所示，根据本公开实施例的基于多天线射频识别技术的长跑计时的测试方法，包括步骤：s110，在终点架设第一摄像头，所述第一摄像头用于拍摄终点冲线位置；s120，在终点架设边缘计算设备，所述边缘计算设备包括多天线射频模块，所述多天线射频
模块用于检测运动员佩戴的rfid手环；s130，在起点架设第二摄像头，所述第二摄像头用于采集运动员的人脸图像，并将所述人脸图像传输至所述边缘计算设备，所述边缘计算设备用于基于所述人脸图像进行人脸识别；s140，在所述边缘计算设备上点击开始运动，同时，开启所述多天线射频模块；s150，运动员每经过一次终点，响应于所述rfid手环被所述多天线射频模块检测到，记为冲线1次；以及,s160，保存运动员的成绩。
23.具体地，在步骤s110中，在终点架设的第一摄像头可以放置于终点线后方数米后方的龙门架下，向下俯拍，拍摄终点冲线位置，其中，拍摄方向和跑道平行。在终点架设的第一摄像头可以选择一款高分辨率的摄像头，以便能够清晰地拍摄终点冲线位置，同时，为了保证拍摄方向和跑道平行，摄像头可以通过调整角度或使用支架来实现。高分辨率的摄像头能够捕捉更多细节，包括运动员的动作和终点冲线的位置，这对于计时和判定胜负非常重要；高分辨率的摄像头可以提供更精确的图像，这对于判断运动员是否越过终点线非常关键；并且，高分辨率的摄像头可以提供更多的数据用于后续分析。使用高分辨率的摄像头并正确设置角度，可以提高计时的准确性和可靠性，同时为后续的数据分析提供更多有用的信息。
24.具体地，在步骤s120中，多天线射频模块是一种包含多个天线的设备，多个天线用于接收和发送射频信号，在长跑计时的测试方法中，多天线射频模块用于检测运动员佩戴的rfid手环发出的射频信号。rfid手环是一种佩戴在运动员手腕上的装置，其内部包含一个rfid芯片。rfid代表射频识别（radio frequency identification），通过射频信号来识别和跟踪物体，在这个测试方法中，rfid手环用于向多天线射频模块发送射频信号，以便检测运动员经过终点的次数。
25.具体地，在步骤s130中，使用第二摄像头进行人脸识别，人员认证信息可以通过本机添加或者通过信息管理系统进行同步，保存到智能分析计算机的储存介质中，其中人员认证信息中，绑定了人脸信息和手环唯一号。边缘计算机获取第二摄像头的画面，划定人脸识别区域，运动员在人脸识别区域进行身份识别，并佩戴系统中已经绑定了手环号的手环。
26.具体地，在步骤s140中，在边缘计算机上点击开始运动，开启多天线射频模块的同时并发检测。
27.具体地，在步骤s150中，运动员进行长跑运动，每经过一次终点，手环被检测到，记为冲线1次，并采用声音播报运动员成绩，达到指定的次数，认为人员已经完成运动。应可以理解，除了声音播报运动员成绩外，还可以考虑以下别的播报方式：1.视觉显示，在终点线附近设置led显示屏或大屏幕，实时显示运动员的成绩，这样观众和教练等人员可以直接看到成绩，无需依赖声音播报；2.实时数据传输，将运动员的成绩通过网络或无线传输到手机、平板电脑等设备上，运动员和教练可以通过手机app或专用软件实时查看成绩；3.振动提醒，在运动员手腕上佩戴智能手环或手表，当冲线被检测到时，手环可以通过振动来提醒运动员冲线成功，并显示成绩；4.文字提示，在终点线附近设置大字体的显示板或标语，用文字形式显示运动员的成绩，方便观众和教练迅速获取信息。这些播报方式可以根据实际需求和场地条件进行选择和组合，以提供更多样化的成绩播报方式，方便不同人群获取成绩信息。
28.具体地，在步骤s160中，保存运动员的成绩以及终点处考核录像到智能分析计算机的储存介质中，后续运动员成绩和视频将会上传到信息管理系统。
29.该方法在起点处使用摄像头进行人脸识别，在起点处和终点处的连接包括不限于有限网络，无线网络，在终点处采用多根天线进行rfid手环检测；在终点处采用摄像头进行视频采集录像，摄像头和智能计算机的通讯包括不限于网线、usb线缆。该方法还可以采用包括不限于声音、光信信号等方式进行结果播报。该方法通过rfid方式可以达到自动化计时的功能，减少人工掐表计时造成的误差；通过增加多根天线进行同时检测，避免漏检测。
30.特别地，在s130步骤中进行人脸识别是为了确认每个通过终点的运动员的身份，并将其与相应的成绩进行匹配。这样可以确保每个运动员的成绩准确无误。然而，在进行长跑过程中，人脸识别具有较大挑战。例如，运动员的脸部可能会因为运动造成模糊和变形，且摄像头和运动员之间的距离和视角会发生变化可能导致人脸图像的质量下降，进而影响人脸识别的准确性。因此，期待一种解决方案。对此，在本技术的技术构思中，期待利用深度学习和计算机视觉技术来改进人脸识别方案，解决在长跑计时过程中面临的人脸图像质量下降等挑战。
31.图2示出根据本公开的实施例的基于多天线射频识别技术的长跑计时的测试方法的流程图。图3示出根据本公开的实施例的基于多天线射频识别技术的长跑计时的测试方法的架构示意图。如图2和图3所示，根据本公开实施例的基于多天线射频识别技术的长跑计时的测试方法，所述边缘计算设备用于基于所述人脸图像进行人脸识别，包括：s131，获取由所述第二摄像头传输的人脸图像；s132，从所述人脸图像中提取优化注意力增强人脸特征图；以及，s133，基于所述优化注意力增强人脸特征图，确定身份类别标签。
32.更具体地，在步骤s131中，获取由所述第二摄像头传输的人脸图像。为了清晰地采集运动员的人脸图像，可以使用高分辨率的摄像头，例如高清晰度（hd）摄像头或全高清（full hd）摄像头。这样的摄像头具有更高的像素密度和更好的图像质量，可以捕捉到更多细节和清晰的人脸图像。此外，还可以考虑使用具有较高帧率的摄像头，以确保捕捉到动态的人脸图像。
33.更具体地，在步骤s132中，从所述人脸图像中提取优化注意力增强人脸特征图。相应地，在一种可能的实现方式中，如图4所示，从所述人脸图像中提取优化注意力增强人脸特征图，包括：s1321，将所述人脸图像进行图像预处理以得到预处理后人脸图像；s1322，基于深度卷积神经网络模型对所述预处理后人脸图像进行图像特征提取以得到人脸特征图；s1323，利用注意力机制对所述人脸特征图进行信息增强以得到所述注意力增强人脸特征图；以及，s1324，对所述注意力增强人脸特征图进行特征分布优化以得到所述优化注意力增强人脸特征图。
34.在本技术的技术方案中，首先获取由所述第二摄像头传输的人脸图像，并将所述人脸图像进行图像预处理以得到预处理后人脸图像。其中，图像预处理可以去除人脸图像中的噪声、增强重要的信息，并使得图像更适合被输入到机器学习模型中进行处理。在本技术实施例中，图像预处理可以包括：图像去噪、图像增强和人脸对齐等操作。具体而言，图像去噪通过应用滤波器或降噪算法来消除图像中的噪声，使得人脸边缘更加清晰；图像增强通过增加图像的对比度、亮度或色彩饱和度等方式，提高图像的质量和可识别性；人脸对齐可以将人脸从图像中分离出来，并对其进行对齐，使得人脸在图像中的位置和角度更加一致，这有助于减少因人脸姿态和角度差异而引起的识别误差。通过这样的方式，经过图像预处理后得到的图像比原始图像更清晰，能提高识别算法的准确性和鲁棒性。
35.相应地，在一种可能的实现方式中，基于深度卷积神经网络模型对所述预处理后人脸图像进行图像特征提取以得到人脸特征图，包括：将所述预处理后人脸图像通过基于卷积神经网络模型的人脸特征提取器以得到所述人脸特征图。也就是，利用卷积神经网络（convolutional neural network，cnn）来构建人脸特征提取器，以提取所述预处理后人脸图像中更具代表性和区分度的特征。其中，卷积神经网络通过一系列的卷积层和池化层，能够自动学习图像中的局部隐含关联特征。更具体地，在人脸识别中，基于卷积神经网络模型的人脸特征提取器经过一系列的卷积操作和特征映射，从中提取出人脸图像中的重要特征。这些特征可以是人脸的轮廓、眼睛、鼻子等部位，或者是更高层次的抽象特征，比如人脸的纹理、颜色分布等。通过训练，卷积神经网络模型可以学习到不同人脸之间的差异和共同点，从而生成具有区分度的人脸特征图。
36.在本技术的一个具体示例中，所述卷积神经网络模型包含输入层、第一卷积层、第一池化层、第二卷积层、第二池化层和输出层。其中，所述第一卷积层的卷积核大小为3x3，卷积核数量为32，步长为1，使用relu激活函数；所述第二卷积层卷积核大小为3x3，卷积核数量为64，步长为1，使用relu激活函数；所述第一池化层和所述第二池化层皆使用池化核大小为2x2，步长为2的均值池化操作。在上述网络结构当中，模型的卷积层使用3x3的卷积核提取特征，在实际应用中，卷积核的数量可以根据实际需求进行调整。池化层通过指定核大小和步长来降低特征图的分辨率。
37.输入层是神经网络的第一层，用于接收输入数据，在卷积神经网络中，输入层通常接收原始图像或特征图作为输入。卷积层是卷积神经网络中的核心层之一，其通过使用卷积操作来提取输入数据中的特征，在所描述的模型中，第一卷积层使用了3x3的卷积核，卷积核的数量为32，步长为1，使用relu激活函数，第二卷积层也是类似的，使用了3x3的卷积核，卷积核的数量为64，步长为1，同样使用relu激活函数。池化层用于减少特征图的尺寸，并提取出最显著的特征，在所描述的模型中，第一池化层和第二池化层都使用了2x2的池化核，步长为2，采用均值池化操作。输出层是神经网络的最后一层，用于产生最终的输出结果，输出层通常是一个全连接层，其神经元数量等于类别的数量，输出层的激活函数根据具体任务而定，例如在多类别分类任务中，可以使用softmax激活函数。换言之，输入层接收输入数据，卷积层提取特征，池化层降低特征图的分辨率，输出层生成最终的输出结果，这些层的组合构成了卷积神经网络的基本结构。
38.应可以理解，relu（rectified linear unit）激活函数是一种常用的非线性激活函数，广泛应用于神经网络和深度学习模型中。relu函数定义为：f(x)=max(0,x)，其中，x是输入值，f(x)是输出值。relu函数的特点是，当输入值大于0时，输出值等于输入值；当输入值小于等于0时，输出值为0。简而言之，对于正数输入，relu函数保持不变，而对于负数输入，relu函数将其变为0。relu激活函数简单且计算高效，其能够引入非线性特性，帮助神经网络模型学习更复杂的函数关系，并且不会出现梯度消失的问题，此外，relu函数的导数在大部分区域都是常数，使得反向传播的计算更加简单和高效。
39.相应地，在一种可能的实现方式中，利用注意力机制对所述人脸特征图进行信息增强以得到所述注意力增强人脸特征图，包括：将所述人脸特征图通过跨通道空间注意力模块以得到所述注意力增强人脸特征图。其中，跨通道空间注意力是时空注意力模块中的一个重要机制，用于学习数据不同通道之间的空间相关性。它可以帮助模型更好地理解特
征图中不同通道之间的关系，从而提高模型的性能。也就是说，利用注意力机制可以使模型更加关注重要的特征。具体而言，跨通道空间注意力模块可以通过动态地调整通道之间的权重来提取出重要的特征。
40.值得一提的是，跨通道空间注意力模块（cross-channel spatial attention module）是一种在深度学习中常用的注意力机制模块，其用于增强输入特征图的表示能力，使模型能够更好地关注重要的特征并抑制不重要的特征。该模块的主要目的是通过学习通道间的相互关系来提取特征图中的空间注意力，其包括两个关键步骤：1.通道注意力，通过在特征图的通道维度上进行全局池化操作，得到一个全局描述向量，然后，使用一个全连接层将全局描述向量映射为一个通道注意力向量，该向量表示每个通道的重要性；2.空间注意力，将原始特征图与通道注意力向量相乘，以对每个通道进行加权，然后，通过对加权后的特征图进行空间上的自注意力操作，得到最终的注意力增强人脸特征图，在自注意力操作中，每个位置的特征都可以与其他位置的特征进行交互，以捕捉全局上的空间关系。通过使用跨通道空间注意力模块，模型可以自动学习并加强重要的人脸特征，提高人脸识别等任务的性能。
41.进一步地，在一种可能的实现方式中，如图5所示，对所述注意力增强人脸特征图进行特征分布优化以得到所述优化注意力增强人脸特征图，包括：s13241，将所述注意力增强人脸特征图中各个特征矩阵二维排列为组合特征矩阵；s13242，对所述组合特征矩阵的每个位置的特征值进行空间多源融合验前信息分布优化以获得优化后组合特征矩阵；以及，s13243，将所述优化后组合特征矩阵按照所述各个特征矩阵之间的排列关系还原为所述优化注意力增强人脸特征图。
42.在本技术的技术方案中，将所述人脸特征图通过跨通道空间注意力模块以得到注意力增强人脸特征图时，由于所述跨通道空间注意力模块对所述人脸特征图的每个特征矩阵施加了空间注意力机制，在强化了每个特征矩阵的空间图像语义特征分布的同时，也会导致所述注意力增强人脸特征图对于各个特征矩阵之间的关联分布表达效果降低。
43.这里，本技术的申请人考虑到，在各个特征矩阵排列组成所述注意力增强人脸特征图的情况下，所述注意力增强人脸特征图实质上可以看作为是各个特征矩阵的局部特征分布子集合组成的整体特征分布集合，因此具有相互关联的邻域部分分布关联。而且，所述各个特征矩阵本身是所述预处理后人脸图像通过基于卷积神经网络模型的人脸特征提取器提取得到的，因此其还具有来自于所述预处理后人脸图像的同源图像语义的多源信息关联关系。
44.因此，为了进一步提升注意力增强人脸特征图对于各个特征矩阵之间的关联分布表达效果，本技术的申请人首先将所述多个特征矩阵二维排列为组合特征矩阵，这里，保持所述组合特征矩阵的高度和宽度数值尽可能接近，然后，对所述组合特征矩阵的每个位置的特征值进行空间多源融合验前信息分布优化，以获得优化后的特征值。
45.相应地，在一种可能的实现方式中，对所述组合特征矩阵的每个位置的特征值进行空间多源融合验前信息分布优化以获得优化后组合特征矩阵，包括：以如下优化公式对所述组合特征矩阵的每个位置的特征值进行空间多源融合验前信息分布优化以获得所述
优化后组合特征矩阵；其中，所述优化公式为：其中，为所述组合特征矩阵的第行第列的特征值，和为邻域设置超参数，且当或者小于等于零或者大于所述组合特征矩阵的宽度或者高度时，特征值设置为零或者一，表示以2为底的对数函数，为所述优化后组合特征矩阵的第位置的特征值。
46.这里，所述空间多源融合验前信息分布优化可以基于特征空间分布融合的稳健性类极大似然估计，来将所述组合特征矩阵作为由多个相互关联的邻域部分对应的特征局部集合组成的特征全局集合，实现特征局部集合各自的多源验前信息到特征全局集合的有效折合，并通过多源情况下的验前信息分布构建，来获得能够用于评估特征矩阵的内部空间关联与空间信息融合变动关系之间的标准期望的优化范式，以提升所述组合特征矩阵基于多源信息空间分布关联融合的表达效果。然后，再将所述组合特征矩阵按照多个特征矩阵之间的排列关系还原为所述注意力增强人脸特征图，也就提升了所述注意力增强人脸特征图对于各个特征矩阵之间的关联分布表达效果，从而提升了所述注意力增强人脸特征图通过分类器得到的分类结果的准确性。
47.更具体地，在步骤s133中，基于所述优化注意力增强人脸特征图，确定身份类别标签。相应地，在一种可能的实现方式中，基于所述优化注意力增强人脸特征图，确定身份类别标签，包括：将所述优化注意力增强人脸特征图通过分类器以得到分类结果，所述分类结果用于表示身份类别标签。也就是，利用分类器将所述注意力增强人脸特征图映射转化为具体的身份类别标签作为分类结果。在实际场景中，所述身份类别标签可以是人的姓名或id等，在此并不为本技术所局限。通过这样的方式来实现对通过终点的每个运动员身份的准确识别。这将确保每个运动员的成绩准确无误，提高长跑计时系统的整体性能和可靠性。
48.应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、svm等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或svm，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有softmax分类函数。
49.相应地，在一种可能的实现方式中，将所述优化注意力增强人脸特征图通过分类器以得到分类结果，所述分类结果用于表示身份类别标签，包括：将所述优化注意力增强人脸特征图按照行向量或者列向量展开为优化分类特征向量；使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。
50.相应地，在一个具体示例中，如果选择按行向量展开，可以按照以下步骤进行：1.将优化注意力增强人脸特征图的每一行作为一个特征向量；2.将每个特征向量按顺序连接起来，形成一个长向量。具体地，假设优化注意力增强人脸特征图的大小为h
×w×
c，其中h表示高度，w表示宽度，c表示通道数，将特征图展平为一个形状为h
×
w的矩阵，将每一行作
为一个特征向量，得到h个特征向量；将h个特征向量按顺序连接起来，形成一个长向量，大小为h
×
w。
51.如果选择按列向量展开，可以按照以下步骤进行：1.将优化注意力增强人脸特征图的每一列作为一个特征向量；2.将每个特征向量按顺序连接起来，形成一个长向量。具体地，假设优化注意力增强人脸特征图的大小为h
×w×
c，其中h表示高度，w表示宽度，c表示通道数，将特征图展平为一个形状为h
×
(w
×
c)的矩阵，将每一列作为一个特征向量，得到w
×
c个特征向量，将w
×
c个特征向量按顺序连接起来，形成一个长向量，大小为h
×
(w
×
c)。
52.综上，基于本公开实施例的基于多天线射频识别技术的长跑计时的测试方法，其可以实现对参与者的成绩进行准确和及时的计时。
53.进一步地，本公开还提供一种基于多天线射频识别技术的长跑计时的测试设备，其中，所述基于多天线射频识别技术的长跑计时的测试设备以前述任一所述的方法运行。
54.图6示出根据本公开的实施例的基于多天线射频识别技术的长跑计时的测试系统100的框图。如图6所示，根据本公开实施例的基于多天线射频识别技术的长跑计时的测试系统100，包括：第一摄像头架设模块110，用于在终点架设第一摄像头，所述第一摄像头用于拍摄终点冲线位置；边缘计算设备架设模块120，用于在终点架设边缘计算设备，所述边缘计算设备包括多天线射频模块，所述多天线射频模块用于检测运动员佩戴的rfid手环；第二摄像头架设模块130，用于在起点架设第二摄像头，所述第二摄像头用于采集运动员的人脸图像，并将所述人脸图像传输至所述边缘计算设备，所述边缘计算设备用于基于所述人脸图像进行人脸识别；开始模块140，用于在所述边缘计算设备上点击开始运动，同时，开启所述多天线射频模块；记录模块150，用于运动员每经过一次终点，响应于所述rfid手环被所述多天线射频模块检测到，记为冲线1次；以及，成绩保存模块160，用于保存运动员的成绩。
55.这里，本领域技术人员可以理解，上述基于多天线射频识别技术的长跑计时的测试系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的基于多天线射频识别技术的长跑计时的测试方法的描述中得到了详细介绍，并因此，将省略其重复描述。
56.如上所述，根据本公开实施例的基于多天线射频识别技术的长跑计时的测试系统100可以实现在各种无线终端中，例如具有基于多天线射频识别技术的长跑计时的测试算法的服务器等。在一种可能的实现方式中，根据本公开实施例的基于多天线射频识别技术的长跑计时的测试系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该基于多天线射频识别技术的长跑计时的测试系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该基于多天线射频识别技术的长跑计时的测试系统100同样可以是该无线终端的众多硬件模块之一。
57.替换地，在另一示例中，该基于多天线射频识别技术的长跑计时的测试系统100与该无线终端也可以是分立的设备，并且该基于多天线射频识别技术的长跑计时的测试系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
58.图7示出根据本公开的实施例的基于多天线射频识别技术的长跑计时的测试方法
的子步骤s130的应用场景图。如图7所示，在该应用场景中，首先，获取由所述第二摄像头（例如，图7中所示意的c）传输的人脸图像（例如，图7中所示意的d），然后，将所述人脸图像输入至部署有基于多天线射频识别技术的长跑计时的测试算法的服务器中（例如，图7中所示意的s），其中，所述服务器能够使用所述基于多天线射频识别技术的长跑计时的测试算法对所述人脸图像进行处理以得到用于表示身份类别标签的分类结果。
59.附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
60.以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

技术特征：
1.一种基于多天线射频识别技术的长跑计时的测试方法，其特征在于，包括：在终点架设第一摄像头，所述第一摄像头用于拍摄终点冲线位置；在终点架设边缘计算设备，所述边缘计算设备包括多天线射频模块，所述多天线射频模块用于检测运动员佩戴的rfid手环；在起点架设第二摄像头，所述第二摄像头用于采集运动员的人脸图像，并将所述人脸图像传输至所述边缘计算设备，所述边缘计算设备用于基于所述人脸图像进行人脸识别；在所述边缘计算设备上点击开始运动，同时，开启所述多天线射频模块；运动员每经过一次终点，响应于所述rfid手环被所述多天线射频模块检测到，记为冲线1次；以及保存运动员的成绩。2.根据权利要求1所述的基于多天线射频识别技术的长跑计时的测试方法，其特征在于，所述边缘计算设备用于基于所述人脸图像进行人脸识别，包括：获取由所述第二摄像头传输的人脸图像；从所述人脸图像中提取优化注意力增强人脸特征图；以及基于所述优化注意力增强人脸特征图，确定身份类别标签。3.根据权利要求2所述的基于多天线射频识别技术的长跑计时的测试方法，其特征在于，从所述人脸图像中提取优化注意力增强人脸特征图，包括：将所述人脸图像进行图像预处理以得到预处理后人脸图像；基于深度卷积神经网络模型对所述预处理后人脸图像进行图像特征提取以得到人脸特征图；利用注意力机制对所述人脸特征图进行信息增强以得到所述注意力增强人脸特征图；以及对所述注意力增强人脸特征图进行特征分布优化以得到所述优化注意力增强人脸特征图。4.根据权利要求3所述的基于多天线射频识别技术的长跑计时的测试方法，其特征在于，基于深度卷积神经网络模型对所述预处理后人脸图像进行图像特征提取以得到人脸特征图，包括：将所述预处理后人脸图像通过基于卷积神经网络模型的人脸特征提取器以得到所述人脸特征图。5.根据权利要求4所述的基于多天线射频识别技术的长跑计时的测试方法，其特征在于，利用注意力机制对所述人脸特征图进行信息增强以得到所述注意力增强人脸特征图，包括：将所述人脸特征图通过跨通道空间注意力模块以得到所述注意力增强人脸特征图。6.根据权利要求5所述的基于多天线射频识别技术的长跑计时的测试方法，其特征在于，对所述注意力增强人脸特征图进行特征分布优化以得到所述优化注意力增强人脸特征图，包括：将所述注意力增强人脸特征图中各个特征矩阵二维排列为组合特征矩阵；对所述组合特征矩阵的每个位置的特征值进行空间多源融合验前信息分布优化以获得优化后组合特征矩阵；以及将所述优化后组合特征矩阵按照所述各个特征矩阵之间的排列关系还原为所述优化注意力增强人脸特征图。7.根据权利要求6所述的基于多天线射频识别技术的长跑计时的测试方法，其特征在于，对所述组合特征矩阵的每个位置的特征值进行空间多源融合验前信息分布优化以获得优化后组合特征矩阵，包括：以如下优化公式对所述组合特征矩阵的每个位置的特征值进行空间多源融合验前信息分布优化以获得所述优化后组合特征矩阵；其中，所述优化公式
为：其中，为所述组合特征矩阵的第行第列的特征值，和为邻域设置超参数，且当或者小于等于零或者大于所述组合特征矩阵的宽度或者高度时，特征值设置为零或者一，表示以2为底的对数函数，为所述优化后组合特征矩阵的第位置的特征值。8.根据权利要求7所述的基于多天线射频识别技术的长跑计时的测试方法，其特征在于，基于所述优化注意力增强人脸特征图，确定身份类别标签，包括：将所述优化注意力增强人脸特征图通过分类器以得到分类结果，所述分类结果用于表示身份类别标签。9.一种基于多天线射频识别技术的长跑计时的测试设备，其特征在于，所述基于多天线射频识别技术的长跑计时的测试设备以如权利要求1至8所述的方法运行。

技术总结
公开了一种基于多天线射频识别技术的长跑计时的测试方法和设备。其首先在终点架设用于拍摄终点冲线位置的第一摄像头，接着，在终点架设边缘计算设备，所述边缘计算设备包括用于检测运动员佩戴的RFID手环的多天线射频模块，然后，在起点架设用于采集运动员的人脸图像的第二摄像头，并将所述人脸图像传输至所述边缘计算设备，所述边缘计算设备用于基于所述人脸图像进行人脸识别，接着，在所述边缘计算设备上点击开始运动，同时，开启所述多天线射频模块，然后，运动员每经过一次终点，响应于所述RFID手环被所述多天线射频模块检测到，记为冲线1次，最后，保存运动员的成绩。这样，可以实现对参与者的成绩进行准确和及时的计时。现对参与者的成绩进行准确和及时的计时。现对参与者的成绩进行准确和及时的计时。


技术研发人员：周茂林 李杨杨 徐志麟 王浩文 陈秋华
受保护的技术使用者：广州思林杰科技股份有限公司
技术研发日：2023.07.14
技术公布日：2023/8/14