一种基于数据增强的调频连续波雷达人体动作识别方法.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CN113296087A(43)申请公布日2021.08.24(21)申请号202110569715.9(22)申请日2021.05.25(71)申请人沈阳航空航天大学地址110136辽宁省沈阳市道义经济开发区道义南大街37号(72)发明人屈乐乐王禹桐杨天虹张丽丽孙延鹏(74)专利代理机构沈阳东大知识产权代理有限公司21109代理人李在川(51)Int.Cl.G01S13/536(2006.01)G01S13/42(2006.01)G01S7/41(2006.01)权利要求书3页说明书9页附图5页(54)发明名称一种基于数据增强的调频连续波雷达人体动作识别方法(57)摘要本发明提供一种基于数据增强的调频连续波雷达人体动作识别方法，首先采集不同人体动作的雷达回波数据，对得到的雷达回波数据进行预处理，获得相应人体动作的微多普勒时频谱图像；然后使用基于梯度惩罚的生成对抗网络进行数据增强，得到各动作相应的生成图像，最后向训练集添加生成图像组成新训练集用于深度卷积神经网络的训练，使用深度卷积神经网络进行人体动作识别；本发明提供的方法可有效解决雷达数据过少的问题，充分发挥深度学习模型的性能，提高人体动作识别精度。CN113296087ACN113296087A权利要求书1/3页1.一种基于数据增强的调频连续波雷达人体动作识别方法，其特征在于，包括：步骤1:采集不同人体动作的雷达回波数据，对得到的雷达回波数据进行预处理，获得相应人体动作的微多普勒时频谱图像；步骤2：将微多普勒时频谱图像划分成训练集、验证集和测试集，其中训练集用来训练WGAN‑GP和深度卷积神经网络，验证集用来确定WGAN‑GP生成图像的添加倍数，测试集用来测试人体动作识别准确率；步骤3:搭建WGAN‑GP，将训练集按动作类别分别输入到WGAN‑GP中进行无监督学习，得到各动作相应的生成图像；步骤4:搭建深度卷积神经网络，向训练集添加生成图像组成新训练集，将新训练集中的数据输入到建立的深度卷积神经网络中进行训练，训练结束后获得具有人体动作识别功能的网络模型，利用验证集确定最佳的添加生成图像倍数，确定最佳添加倍数后，将测试集作为数据输入到训练完成的深度卷积神经网络模型中，得到人体动作识别结果。2.根据权利要求1所述的一种基于数据增强的调频连续波雷达人体动作识别方法，其特征在于，所述步骤1包括：(1)在室内环境下，使用调频连续波雷达系统，针对不同的人体动作进行测量，获取相应的雷达回波数据；(2)将每个动作对应的回波样本数据表示为M×N维数据矩阵S(m',n)，m'＝0,1,…,M‑1，n＝0,1,…,N‑1，其中M为快时间采样个数，即为每个调频周期对应的数据采样点数，N为慢时间采样个数，即为每个动作回波样本数据对应的chirps数量；(3)对数据矩阵S(m',n)的每一列在快时间维进行快速傅里叶变换得到距离像矩阵T(m',n)；(4)采用动目标显示(MTI)滤波器对距离像矩阵T(m',n)进行杂波抑制得到杂波抑制后的距离像矩阵X(m',n)；(5)确定人体与雷达之间的距离选择目标对应的距离单元范围，采用短时傅里叶变换得到微多普勒时频谱矩阵，包括：对距离像矩阵X(m',n)的第m行沿慢时间维进行STFT：式中，k为多普勒频率索引，p为窗函数移动步数索引，U为窗函数移动步长，[h,H]为选择的距离单元范围，h、H∈{0,1,2,…,M‑1}，ω(·)为Hamming窗函数，L为窗函数的长度，j为虚数单位；然后对每个距离单元的STFT结果进行相干叠加取模值后再取dB值得到矩阵将所有距离单元的根据设定的阈值α得到微多普勒时频谱矩阵F(k,p)的所有元素，如果则取值为否则取值为α；2CN113296087A权利要求书2/3页(6)采用伪彩色处理将微多普勒时频谱矩阵转换为微多普勒时频谱彩色图像；(7)将微多普勒时频谱矩阵转换为微多普勒时频谱图像后，将每张图像统一缩放成64×64像素，以减少网络训练的计算复杂度。3.根据权利要求2所述的一种基于数据增强的调频连续波雷达人体动作识别方法，其特征在于，所述步骤(6)采用伪彩色处理将微多普勒时频谱矩阵转换为微多普勒时频谱彩色图像，其具体方法为：将微多普勒时频谱矩阵F(k,p)映射到范围为[1,256]的颜色索引区间：式中，F(k,p)为微多普勒时频谱矩阵(k,p)处的取值，Fmax为微多普勒时频谱矩阵中的最大值，Fmin为微多普勒时频谱矩阵中的最小值，N(k,p)为微多普勒时频谱矩阵(k,p)处的颜色索引值，(k,p)表示矩阵中的第k行、第p列；根据颜色索引值分别得到F(k,p)对应彩色图像的R、G、B通道矩阵，将微多普勒时频谱矩阵转换为微多普勒时频谱彩色图像：4.根据权利要求