一种基于深度学习和超宽带雷达的人体动作识别方法.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CN113850204A(43)申请公布日2021.12.28(21)申请号202111145029.5(22)申请日2021.09.28(71)申请人太原理工大学地址030024山西省太原市迎泽西大街79号(72)发明人张朝霞周晓玲史碧俊李春帅(74)专利代理机构太原晋科知识产权代理事务所(特殊普通合伙)14110代理人赵江艳(51)Int.Cl.G06K9/00(2006.01)G06K9/46(2006.01)G06K9/62(2006.01)权利要求书2页说明书8页附图1页(54)发明名称一种基于深度学习和超宽带雷达的人体动作识别方法(57)摘要本发明属于雷达探测技术领域，公开了一种基于深度学习和超宽带雷达的人体动作识别方法，包括：通过超宽带雷达模块获取人体动作信息数据集，并进行特征提取，提取目标的动作特征；对人体动作信息数据集的数据依次进行距离‑多普勒成像、自适应阈值检测和多目标分割处理，构建包含包含时间、距离、速度的三维特征数据集，并按照每个动作的实际发生时间进行标签标记；将三维特征数据集分为训练集和测试集，搭建PointNet网络模型对网络进行训练和测试；对实时采集到的雷达信号提取人体动作特征并构建三维特征数据，输入训练好的PointNet网络模型进行动作种类进行识别。本发明能够实现更高识别率的人体动作分类识别，可以应用在物理安全与智能检测等方面。CN113850204ACN113850204A权利要求书1/2页1.一种基于深度学习和超宽带雷达的人体动作识别方法，其特征在于，包括以下步骤：S1、通过超宽带雷达模块获取人体动作信息数据集，并进行特征提取，提取目标的动作特征；S2、对人体动作信息数据集的数据依次进行距离‑多普勒成像、自适应阈值检测和多目标分割处理，构建包含包含时间、距离、速度的三维特征数据集，并按照每个动作的实际发生时间进行标签标记；S3、将步骤S2获得的三维特征数据集分为训练集数据和测试集数据，搭建PointNet网络模型，对网络进行训练和测试；S4、网络训练完成后，对实时采集到的雷达信号通过数据处理提取人体动作特征，然后构建三维特征数据，并输入训练好的PointNet网络模型进行动作种类进行识别。2.根据权利要求1所述的一种基于深度学习和超宽带雷达的人体动作识别方法，其特征在于，所述步骤S1中，获取人体动作信息数据集具体包括以下步骤：采用超宽带雷达进行人体动作信息数据采集，并对数据进行预处理；采用公开的运动数据集建立运动中的人体模型，在仿真模型中设置与所述超宽带雷达相同的信号参数实现人体模拟运动数据的采集；将人体模拟运动数据的采集与超宽带雷达采集的人体动作信息数据共同作为人体动作信息数据集的数据。3.根据权利要求1所述的一种基于深度学习和超宽带雷达的人体动作识别方法，其特征在于，所述人体动作信息数据集中的动作数据包括单人动作和多人动作；所述动作数据包括慢跑、步行、跳跃、爬梯、弯腰、坐下和起立七种动作，每种动作至少有1000个样本。4.根据权利要求1所述的一种基于深度学习和超宽带雷达的人体动作识别方法，其特征在于，所述步骤S2中，对人体动作信息数据集的数据依次进行距离‑多普勒成像、自适应阈值检测和多目标分割处理的具体方法为：进行距离‑多普勒成像操作，使用基于Keystone变换的距离偏移补偿方法消除多普勒迁移效应；采用CA‑CFAR算法进行自适应阈值检测；最后通过DBSCAN聚类算法把将多人目标的点云特征分离开。5.根据权利要求4所述的一种基于深度学习和超宽带雷达的人体动作识别方法，其特征在于，在距离‑多普勒成像处理过程中，首先将接收信号在Fourier变换后分成多个子频带，所述子频带包含了由初始目标距离引入的相移、中心频率的多普勒频移和由于迁移产生的快频/慢时间耦合项；然后通过时间缩放对耦合项进行补偿以消除快频/慢时间域内的迁移效应；最后利用Sinc插值对Keystone形状矩阵的慢时间进行重采样，以便进行傅里叶逆变换。6.根据权利要求4所述的一种基于深度学习和超宽带雷达的人体动作识别方法，其特征在于，所述采用CA‑CFAR算法进行自适应阈值检测的具体步骤为：使用滑动的2DCFAR窗口在整个图像中逐像素扫描，提取图像中的有效目标；所述2DCFAR窗口分为覆盖目标特征的内部待测单元、覆盖目标像素周围背景区域的外部参考单元以及待测单元与参考单元间的保护单元；2CN113850204A权利要求书2/2页然后将待测单元与参考单元的能量比与设定阈值进行对比，判断待测单元是否为目标。7.根据权利要求4所述的一种基于深度学习和超宽带雷达的人体动作识别方法，其特征在于，通过DBSCAN聚类算法把将多人目标的点云特征分离开的具体步骤为：从目标