一种基于雷达微多普勒信号分离的人体行为分类方法.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CN112580486A(43)申请公布日2021.03.30(21)申请号202011476490.4(22)申请日2020.12.15(71)申请人北京理工大学地址100081北京市海淀区中关村南大街5号(72)发明人单涛陶然乔幸帅白霞赵娟(74)专利代理机构北京正阳理工知识产权代理事务所(普通合伙)11639代理人张利萍(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)权利要求书4页说明书8页附图5页(54)发明名称一种基于雷达微多普勒信号分离的人体行为分类方法(57)摘要本发明公开的一种基于雷达微多普勒信号分离的人体行为分类方法，属于雷达目标探测信号处理领域。本发明实现方法为：通过在雷达人体行为分类系统的预处理环节增加微多普勒信号分离操作，实现肢体运动微多普勒信号增强，利用联合维度优化的卷积主成分分析网络CPCAN从增强后的微多普勒时频图中自主学习高辨识度的特征，将提取的特征输入SVM分类器实现行为分类。分离操作用于防止主成分滤波提取特征和进行数据降维时丢失肢体微多普勒特征细节信息，通过维度优化算法能够准确、快速地确定CPCAN卷积网络层的滤波器数目。本发明具有网络结构简单、运算复杂度低的优点，能够以较少的网络层数实现高识别率的肢体活动受限人体行为分类，降低相似行为之间的误判率。CN112580486ACN112580486A权利要求书1/4页1.一种基于雷达微多普勒信号分离的人体行为分类方法，其特征在于：包括如下步骤，步骤一、对采集到的原始回波信号r(n)进行信号预处理操作，得到预处理后的回波信号x(n)；所述信号预处理包括滤波、去直流、镜像频率抑制；步骤二、对预处理后的信号x(n)执行微多普勒信号分离操作，利用不同阶次和不同窗长的短时分数傅里叶变换对肢体和躯体的回波进行稀疏表征，建立形态形量分析优化问题，通过求解该问题分离出躯体的多普勒信号xtorso(n)和肢体的微多普勒信号xlimbs(n)；步骤三、利用经步骤二中微多普勒信号分离算法产生的肢体运动时频谱图构建数据集，包括训练数据集Dtrain和测试数据集Dtest；步骤四、利用两层的联合维度优化的卷积主成分分析网络CPCAN从步骤三构建的微多普勒时频图像数据集中学习特征；其中，在网络的训练阶段，维度优化算法用于确定每层卷积滤波器的数目；步骤五、利用由两层的联合维度优化的卷积PCA网络学习到的训练数据特征矩阵ftrain训练SVM分类器，将提取的测试样本特征ftest输入到训练好的SVM分类器进行分类，输出分类结果label。2.如权利要求1所述的一种基于雷达微多普勒信号分离的人体行为分类方法，其特征在于：还包括步骤六，利用步骤一至步骤五基于雷达微多普勒信号分离的人体行为分类结果，实现更为准确，更为快速的肢体活动受限人体行为的分类，降低相似行为之间的误判率。3.如权利要求1或2所述的一种基于雷达微多普勒信号分离的人体行为分类方法，其特征在于：步骤二实现方法为，步骤2.1：执行短时分数域滤波提取慢变的躯体多普勒信号xtorso(n)；步骤2.2：利用CLEAN技术从信号x(n)中消除提取到的信号xtorso(n)，降低强分量对弱分量的稀疏表征影响；执行完CLEAN操作后，得到的残留信号为xrem(n)；步骤2.3对信号xrem(n)执行基于短时分数傅里叶变换的形态形量分析MCA优化求解，提取快变的肢体微多普勒信号xlimbs(n)。4.如权利要求3所述的一种基于雷达微多普勒信号分离的人体行为分类方法，其特征在于：步骤四实现方法为，步骤4.1由训练数据集Dtrain训练卷积核，对Dtrain分片去均值化得到D′train，利用维度优化算法二阶差分速降法SODD(second‑orderdifferencedescent)计算最佳维度值K，然后T抽取D′trainD′train的前K个特征向量，并映射得到卷积核；步骤4.2训练数据集Dtrain抽取特征，利用卷积操作得到的卷积核对训练数据集Dtrain做卷积操作，对两层卷积后的输出数据执行分块直方图统计，得到分块特征子矩阵ftrain；步骤4.3：测试样本Dtest抽取特征，与步骤4.1，步骤4.2特征抽取方法相同，得到微多普勒时频图像数据集Dtest的特征为ftest。5.如权利要求4所述的一种基于雷达微多普勒信号分离的人体行为分类方法，其特征在于：步骤2.1实现方法为，计算预处理后的回波信号x(n)的p1阶短时分数傅里叶变换STFrFT(short‑timefractionalFouriertransform)p1为躯体多普勒信号的合适阶次；设计2CN112580486A权利要求书2/4页时频滤波函数H