基于多域融合深度学习的毫米波雷达头部动作识别方法.pdf
萌运****魔王
亲,该文档总共12页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
基于多域融合深度学习的毫米波雷达头部动作识别方法.pdf
本发明公开了一种基于多域融合深度学习的毫米波雷达头部动作识别方法,包括以下步骤:步骤1、采集人的头部动作数据;步骤2、预处理,得到时间?距离图、时间?多普勒图;步骤3、对时间?距离图进行特征提取;步骤4、对多通道时间?多普勒图进行特征提取;步骤5、将提取到的距离特征和时频特征混合后,进行二维卷积;步骤6、采用空间注意力机制和通道注意力机制进行权重分配;步骤7、在全连接层中间加入dropout层。本发明利用卷积神经网络,结合多域和多种时频图对毫米波雷达采集的头部动作数据进行分类,同时采用通道注意力机制和空间
基于多频多域深度学习的雷达步态识别方法.pdf
本发明公开了一种基于多频多域深度学习的雷达步态识别方法,用频率步进连续波雷达对步态多次采样,对每个样本分别处理得到多频率时频域微多普勒谱图和时域距离像。将多频率时频域谱图按相似度分组,再将同一组时频域谱图组合为一多通道的高维时频域谱图,并运用多个卷积神经网络分别提取多组高维时频域谱图和时域距离像的分类特征向量,将提取的多组时频域特征和时域特征结合为一个新的特征向量,并将其传入到稀疏自编码神经网络去除无用特征后输入到分类器中完成步态分类。本发明通过获取多频率时频域微多普勒谱图和时域距离像,由深度学习网络综合
一种基于FMCW毫米波雷达的多尺度特征融合手势识别方法.pdf
一种基于FMCW毫米波雷达的多尺度特征融合手势识别方法,采用密度聚类算法对雷达目标的点迹进行处理,有效剔除异常点和无效点,抑制了杂波和噪声,利于提取手势运动特征;采用了信号截取和密度聚类算法的处理,大大减少了数据运算,便于集成在能耗低、体积小的高速处理芯片上;对处理过的距离‑角度图以及距离‑多普勒图进行多尺度变换,提取手掌和手指特征,兼顾手掌整体动作识别的同时,还关注手指的细微动作。融合距离、角度、速度手势运动信息,一定程度上提高了手势识别的准确度和精度。
短驻留条件下基于多域特征融合的雷达目标稳健识别方法.pdf
本发明涉及一种短驻留条件下基于多域特征融合的雷达目标稳健识别方法,包括:步骤1:获取测试数据集;步骤2:根据测试数据集,生成测试特征矩阵;步骤3:将测试特征矩阵输入至训练完成的SVM分类器中,得到目标分类结果;其中,测试数据集包括多个雷达回波信号,将每X个雷达回波信号组成一个测试样本,X≥3;利用测试数据集中每个测试样本的时域熵矩阵、时域方差矩阵、多普勒域熵矩阵和多普勒域方差矩阵的均值特征和方差特征,构造得到测试特征矩阵。本发明的方法克服了雷达在对目标进行观测时驻留时间比较短,目标的微多普勒调制谱分辨率会
基于宽带多通道毫米波雷达的唇语识别方法.pdf
本发明公开了一种基于宽带多通道毫米波雷达的唇语识别方法,包括步骤:毫米波雷达获取待识别目标的回波信号,并对其进行脉压处理,得到运动目标的距离信息;对脉压结果进行二线对消,消除静止场景信号分量;对目标的嘴唇动作回波信号进行微多普勒分析;获取训练集,基于CNN神经网络建立唇语识别网络模型;采用训练集对唇语识别网络模型进行训练;将待识别目标的微多普勒图输入训练后的唇语识别网络,输出唇语识别结果。本发明应用毫米波雷达检测唇语动作,可以应用到高噪声弱光线的特殊场景下;利用毫米波雷达来检测人发音时嘴唇动作的反射信号生