1.一种在线多任务学习的人体姿态射频识别方法，包括以下步骤：

步骤1：部署无源RFID电子标签、天线和读写器；

步骤2：采集数据，训练站立姿态分类器以及相关任务分类器；具体包括：

2.1、测试人员以不同姿态站立、坐着、躺卧，对不同的姿势都记录一段时间的数据，得到站立、坐着和躺卧的不同相位序列数组，数组的每个元素都是每个时隙上的RSSI值；当测试人员在改变姿势时，相应的RSSI值也会发生变化，每一时刻的数组数据都表示为一帧；

2.2、数据预处理；

2.2.1、删除射频识别系统中硬件造成的恒定相移；输入原始的相位序列数组，对相邻两个相位测量值进行比较，并应用阈值来检测和校准相移，阈值设置为与硬件造成的恒定相移一致；如果相邻两个测量值之间的相位差超过了一个阈值，通过在离群点上增加或减少一个阈值来校准相移；

2.2.2、消除室内环境中的多径效应；采用小波去噪滤波器去除测量相位序列中的高频噪声；

2.3、基于步骤2.2的数据训练多任务卷积神经网络，以训练站立姿态分类器为主任务，坐姿和睡姿识别任务为相关任务进行关联训练，利用任务之间的相关性在线更新分类器；

步骤3：对在线目标进行姿态识别，对识别结果设计评价指标；

3.1、将每一时刻采集到的数据作为当前帧数据，进行特征参数提取采用滑动窗口将采集到的相序列分割为若干段，提取每个片段的“相序平均值”、“相序中位数”、“信号强度S”和“信息量Q”特征，S和Q的计算方式分别如公式1和公式2所示，其中α是快速傅里叶变换系数，N是滑动窗口的大小，ni是快速傅里叶变换系数归一化值；

公式1：

公式2：

3.2、将提取的特征参数输入步骤2得到的分类器，进行在线学习特征，得到当前姿态识别结果，同时在线更新分类器，使得多任务卷积神经网络模型的识别结果更加准确；

3.3、使用交叉验证并使用准确性、F1得分、精确度和召回率四个度量标准来评价分类器性能；在评估每个姿势的特征分割的准确性方面，使用每个边界与理论值的偏移量作为评价指标，偏移量越大则误差越大。

2.如权利要求1所述的一种在线多任务学习的人体姿态射频识别方法，其特征在于：所述步骤1中，根据实际要解决何种识别任务将标签部署于室内的墙面、床垫或人体关键部位，并将读写器和天线置于环境内；将天线正对于标签放置；为了防止相互耦合对标签天线的辐射模式的改变而影响接收相序，相邻标签之间的距离应大于5厘米。