一种卷积神经网络的微多普勒雷达人体动作分类方法.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CN110569895A(43)申请公布日2019.12.13(21)申请号201910814336.4(22)申请日2019.08.30(71)申请人深圳大学地址518000广东省深圳市南山区南海大道3688号(72)发明人叶文彬陈海权(74)专利代理机构深圳市兴科达知识产权代理有限公司44260代理人徐民奎(51)Int.Cl.G06K9/62(2006.01)G01S7/41(2006.01)G01S13/58(2006.01)权利要求书1页说明书9页附图11页(54)发明名称一种卷积神经网络的微多普勒雷达人体动作分类方法(57)摘要本发明公开了一种卷积神经网络的微多普勒雷达人体动作分类方法，包括原始数据处理过程和深度卷积神经网络，原始数据处理过程的输出连接到深度卷积神经网络；原始数据处理过程为一维卷积过程，一维卷积过程包括代表实部的第一1D卷积层、代表虚部的第二1D卷积层、第一合并层、第二合并层、总合并层、映射层和激活层，第一1D卷积层之后的第一合并层用于计算实部的平方，第二1D卷积层之后的第二合并层用于计算虚部的平方；总合并层对实部的平方值与虚部的平方值求和，映射层用于计算归一化的平方根值，激活层具有的反正切函数进行非线性变换。本发明的网络的输入是原始雷达信号，输出为动作类别，充分发挥了神经网络中端到端的学习优势。CN110569895ACN110569895A权利要求书1/1页1.一种卷积神经网络的微多普勒雷达人体动作分类方法，包括原始数据处理过程和深度卷积神经网络，原始数据处理过程的输出连接到深度卷积神经网络，其特征在于，所述的原始数据处理过程为一维卷积过程，一维卷积过程包括两个1D卷积层、第一合并层、第二合并层、总合并层、映射层和激活层，两个1D卷积层包括代表实部的第一1D卷积层、代表虚部的第二1D卷积层；第一1D卷积层之后的第一合并层用于计算实部的平方，第二1D卷积层之后的第二合并层用于计算虚部的平方；总合并层对实部的平方值与虚部的平方值求和，在总合并层之后，映射层用于计算归一化的平方根值，激活层具有的反正切函数进行非线性变换。2.根据权利要求1所述的微多普勒雷达人体动作分类方法，其特征在于，深度卷积神经网络包括三个2D卷积层和两个池化层；顶层为全连接层，用于使用随机失活机制以防止过度拟合。3.根据权利要求1所述的微多普勒雷达人体动作分类方法，其特征在于，两个1D卷积层的大小对应于STFT中权重矩阵的大小。4.根据权利要求2所述的微多普勒雷达人体动作分类方法，其特征在于，1D卷积层卷积核的大小为为51，步长为39，1D卷积层核的数量为150；深度卷积神经网络的三个2D卷积层，分别包括8、16和32个卷积核，卷积核大小都是3×3；两个池化层为最大值池化层，大小分别为3×3和2×3。5.根据权利要求2所述的微多普勒雷达人体动作分类方法，其特征在于，使用Adam优化器进行优化；在训练过程中采用早停法机制，如果网络的准确率在50个时期内没有提升，则停止训练。2CN110569895A说明书1/9页一种卷积神经网络的微多普勒雷达人体动作分类方法[技术领域][0001]本发明涉及人体动作识别技术，尤其涉及一种卷积神经网络的微多普勒雷达人体动作分类方法。[背景技术][0002]人体活动分类可用于许多领域，如睡眠监测，老年人护理和反恐监测。对人类日常活动进行分类的传统方法是基于光学相机的。然而，摄像机监控系统受到两个限制：一个是在黑暗环境中的精度相对较低，另一个是它不能用于捕获墙壁或窗帘的障碍物后面的人类活动。为克服这些局限性，许多研究提出用微多普勒雷达取代相机。[0003]用于对雷达信号进行分类的传统算法需要从原始信号中提取特征，然后将提取的特征输入到一个或多个分类器。这些基于手动特征提取的算法主要包括主成分分析(PCA)和线性判别分析。这些特征提取方法无法实现高准确率，因为它们忽略了雷达信号的时间信息。后来，通过短时傅立叶变换(STFT)对原始雷达信号进行预处理，以获得表示信号的时频域信息的频谱图。因此，雷达信号分类可以变为图像(频谱图)分类问题。首先手动提取图像特征，然后将其输入不同的分类器，例如k-最近邻(KNN)分类器和支持向量机。这些分类方法属于机器学习方法的类别，其需要对光谱图像进行预处理以获得特征。随着深度学习的发展，人们开始使用深度卷积神经网络(DCNN)来提取人体动作的频谱图特征。然后在神经网络的最后接全连接层用于分类。[0004]采用STFT的传统网络架构如图1所示，在用于人体动作识别的STFTNet(基于STFT的网络)中，先对雷达信号的原始数据进行STFT处理，然后连接到深度神经网络。原始数据经过STFT处理的频谱图被用作DC