基于多频多域深度学习的雷达步态识别方法.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CN109343046A(43)申请公布日2019.02.15(21)申请号201811093238.8(22)申请日2018.09.19(71)申请人成都理工大学地址610059四川省成都市成华区二仙桥东三路1号(72)发明人贾勇王刚宋瑞源晏超李权钟晓玲郭勇(51)Int.Cl.G01S13/50(2006.01)权利要求书2页说明书7页附图7页(54)发明名称基于多频多域深度学习的雷达步态识别方法(57)摘要本发明公开了一种基于多频多域深度学习的雷达步态识别方法，用频率步进连续波雷达对步态多次采样，对每个样本分别处理得到多频率时频域微多普勒谱图和时域距离像。将多频率时频域谱图按相似度分组，再将同一组时频域谱图组合为一多通道的高维时频域谱图，并运用多个卷积神经网络分别提取多组高维时频域谱图和时域距离像的分类特征向量，将提取的多组时频域特征和时域特征结合为一个新的特征向量，并将其传入到稀疏自编码神经网络去除无用特征后输入到分类器中完成步态分类。本发明通过获取多频率时频域微多普勒谱图和时域距离像，由深度学习网络综合提取多频率、多域的多层次特征进行步态识别，识别精度高，抗噪声性能好，更具有实用性。CN109343046ACN109343046A权利要求书1/2页1.一种基于多频多域深度学习的雷达步态识别方法，其特征在于：包括以下步骤：(1)采用频率步进连续波雷达对人体多种不同步态进行n次采样，记录每次采样的步态类别，每次采样得到一个步态样本，所述样本为N×M的矩阵，其中，N为采样周期个数，M为一个采样周期中步进频率的个数，n次采样得到一数据集X,N×MX＝{Xi∈R|i＝1,2,…,n}所述R表示实数，N×M为矩阵维数，Xi为X中第i个样本；(2)将每个Xi的每一列的数据进行平均对消运动滤波，得到矩阵Pi，则数据集X中所有样本进行平均对消运动滤波后构成数据集PN×MP＝{Pi∈R|i＝1,2,…,n}；(3)将每个Pi的每一列数据进行短时傅里叶变换，得到M个频率的时频域谱图则数据集P中所有样本的时频域谱图集合为其中表示第i个样本的第j个频率的时频域谱图；1(4)用均值哈希算法计算得到G中M个频率时频域谱图的哈希值Hj(j＝1,2,…,M)，并分别计算H1与Hj(j＝2,3,…,M)之间的汉明距离，将汉明距离值小于5的时频域谱图分为同一组，一共得到q组时频域谱图，并记录同一组内的频率下标，将G2,G3，…，Gn中的时频域谱图按此频率下标分组，分组完成后，将同一组内的多张时频域谱图组合成一张多通道的高维时频域谱图，得到则G中所有样本的高维时频域谱图为(5)将步骤(1)中每个Xi的每一行的数据进行IFFT变换，形成快慢时间数据平面,记为N×MQi，Qi∈R；(6)对Qi沿慢时间进行双脉冲运动滤波，运动滤波后的矩阵即为时域距离像Ri，则X中n个样本的时域距离像数据集合为R，R＝{Ri|i＝1,2,…,n}；(7)建立一用于提取步骤(4)F中高维时频域谱图特征的第一卷积神经网络和一用于提取步骤(6)R中时域距离像的第二卷积神经网络；对F中每张高维时频域谱图按步态类别标记，送入第一卷积神经网络训练得到第一训练模型，再将Fi中q张高维时频域谱图输入第一训练模型中，获取全连接层输出的用于分类的的特征向量Ui，Ui的大小为200×q；则F中输出的所有特征向量U,U＝{Ui|i＝1,2,…,n}；将R中每张时域距离像的步态类别进行标记，并将其以F中Fi的样本顺序送入卷积神经网络训练得到第二训练模型，再次将Ri输入第二训练模型中，获取全连接层输出的用于分类的特征向量Vi,Vi的大小为100×1；则R中所有的时域距离像的特征输出为V，V＝{Vi|i＝1,2,…,n}；(8)将Ui每行依次连接得到(200×q)×1的一维向量，并将其与Vi进行连接得到一(200×q+100)×1的一维向量Ci,则Ui和Vi拼接得到所有特征向量C,(200×q+100)×1C＝{Ci∈R|i＝1,2,…,n}(9)建立一个稀疏自编码器网络，并在其后连接一个Softmax分类器，将C输入稀疏自编2CN109343046A权利要求书2/2页码器网络和Softmax分类器中训练，得到能识别步态类别类模型。2.根据权利要求1所述的基于多频多域深度学习的雷达步态识别方法，其特征在于：所述步骤(2)中，采用下式进行平均对消运动滤波，3.根据权利要求1所述的基于多频多域深度学习的雷达步态识别方法，其特征在于：所述步骤(6)中，采用下式进行双脉冲运动滤波，Qi(x,y)＝Ri(x+1,y)-Ri(x,y)x＝1,2,...,N-1,y＝1,2,...,M。3CN109343046A说明书1/7页基于多频多域深度学习的雷