一种域自适应的穿墙雷达人体姿态识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113869397A(43)申请公布日2021.12.31(21)申请号202111127646.2(22)申请日2021.09.26(71)申请人中国科学院空天信息创新研究院地址100190北京市海淀区北四环西路19号(72)发明人方广有郑之杰(74)专利代理机构北京科迪生专利代理有限责任公司11251代理人张乾桢(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)G01S13/42(2006.01)权利要求书2页说明书7页附图2页(54)发明名称一种域自适应的穿墙雷达人体姿态识别方法(57)摘要本发明涉及一种域自适应穿墙雷达人体姿态识别方法，包括如下步骤：步骤一、在第一环境下采集源域数据，制作源数据集，并进行标注；在第二环境下采集目标域数据，制作目标数据集；步骤二、将源数据集中的数据送入卷积神经网络模型，通过特征提取模块，提取包含人体姿态信息的特征，送入分类器后将其分类为不同的姿态类别，更新特征提取模块和分类器的参数；步骤三、将源数据集和目标数据集中的数据送入模型，通过特征提取模块分别提取源数据集的特征和目标数据集的特征，将特征输入判别器，获得域类别的预测结果，更新特征提取模块和判别器的参数；步骤四、将目标数据集中的数据送入神经网络模型，提取包含人体姿态信息的特征送入分类器后，输出人体目标的姿态类别。CN113869397ACN113869397A权利要求书1/2页1.一种域自适应穿墙雷达人体姿态识别方法，其特征在于，包括如下步骤：步骤一、在第一环境下采集源域数据，制作源数据集，并进行标注；在第二环境下采集目标域数据，制作目标数据集；步骤二、将源数据集中的数据送入卷积神经网络模型，通过N层特征提取模块，提取包含人体姿态信息的特征，将这些特征送入分类器后将其分类为不同的姿态类别，通过对损失函数使用反向传播算法，更新特征提取模块和分类器的参数；步骤三、将源数据集和目标数据集中的数据送入模型，通过特征提取模块分别提取源数据集的特征和目标数据集的特征，将特征输入判别器，获得域类别的预测结果，使用反向传播算法更新判别器和特征提取模块的参数；步骤四、当模型训练完成后，将目标数据集中的数据送入神经网络模型，通过特征提取模块提取包含人体姿态信息的特征，将这些特征送入分类器后，输出人体目标的姿态类别。2.根据权利要求1所述的一种域自适应穿墙雷达人体姿态识别方法，其特征在于，所述步骤一、在第一环境下采集源域数据，制作源数据集，并进行标注；在第二环境下采集目标域数据，制作目标数据集；具体包括：在无障碍物的环境下采集源域数据：人体目标摆出不同姿态，雷达采集并接收信号，收集这些信号并制作源数据集；预先指定目标的k类动作类别，为这些数据进行标注，即指定每个雷达信号所对应的人体姿态类别；在有墙体遮挡的环境下采集目标域数据：人体目标摆出不同姿态，雷达采集并接收信号，收集这些信号并制作目标数据集。3.根据权利要求1所述的一种域自适应的穿墙雷达人体姿态识别方法，其特征在于，所述步骤二、将源数据集中的数据送入卷积神经网络模型，通过N层特征提取模块，提取包含人体姿态信息的特征，将这些特征送入分类器后将其分类为不同的姿态类别，通过对损失函数使用反向传播算法，更新特征提取模块和分类器的参数；将源数据集中的数据送入卷积神经网络模型，通过N层特征提取模块，提取包含人体姿态信息的特征；将这些特征送入分类器后将其分类为不同的姿态类别；由于源数据集已进行标注，运用监督学习的方法，构造标注类别y与模型的预测类别之间的损失函数，即姿态类别损失函数L1，通过对该损失函数使用反向传播算法，更新特征提取模块和分类器的参数，记Ns是源数据集中的样本总数，I是示性函数，当条件满足时为1否则为0；则L1表示为：c和i是中间变量，表明当前处理第i个样本对于第c个工作类别的预测结果，k是指定的类别总数，yi代表第i个样本的预测类别，yic代表第i个样本输出的第c个类别的得分，即置信度。4.根据权利要求1所述的一种域自适应穿墙雷达人体姿态识别方法，其特征在于，所述步骤三、将源数据集和目标数据集中的数据送入模型，通过特征提取模块分别提取源数据集的特征和目标数据集的特征，将特征输入判别器，获得域类别的预测结果，使用反向传播算法更新判别器和特征提取模块的参数，具体包括：将源数据集和目标数据集中的数据送入模型，通过特征提取模块分别提取源数据集的2CN113869397A权利要求书2/2页特征fs和目标数据集的特征ft，将这特征输入判别器，获得域类别的预测结果；对于判别器，希望其能正确区分源数据集的特征fs和目标数据集的特征ft，构造损失函数L2；记Nt是目标