一种基于UWB雷达和最优SVM的人体细粒度运动识别方法.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CN106127110A(43)申请公布日2016.11.16(21)申请号201610422538.0(22)申请日2016.06.15(71)申请人中国人民解放军第四军医大学地址710032陕西省西安市长乐西路169号(72)发明人王健琪祁富贵梁福来李川涛于霄吕昊李钊安强张自启(74)专利代理机构西安恒泰知识产权代理事务所61216代理人李婷(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G01S13/88(2006.01)权利要求书2页说明书8页附图9页(54)发明名称一种基于UWB雷达和最优SVM的人体细粒度运动识别方法(57)摘要本发明公开了一种基于UWB雷达和最优SVM的人体细粒度运动识别方法，本发明建立的训练模型更加接近于在此距离上实际运动信号的时频特征值；本发明基于位置先验信息的最优SVM将能够找到待预测数据对应距离处的最优模型，能够很好地避免常规的总体SVM容易产生的不同距离处不同动作微多普勒特征相似而造成误判的问题；因此，本发明提出的方法能够有效的提高识别准确率。CN106127110ACN106127110A权利要求书1/2页1.一种基于UWB雷达和最优SVM的人体细粒度运动识别方法，其特征在于，包括以下步骤：步骤一：人体在隔墙一侧进行细粒度运动时，UWB雷达发射天线在隔墙另一侧发射电磁波，穿过隔墙的电磁波被人体反射后，接收天线接收被人体反射的电磁波，即为雷达原始回波R；步骤二：对雷达原始回波R信号进行预处理，得到信号所述预处理包括减平均操作和低通滤波操作；步骤三：根据信号提取有效运动特征距离范围信号sigval，对有效运动特征距离范围信号sigval进行时频变换得到综合时频谱，根据综合时频谱采用限幅输出的方法得到有效运动信号的时频谱；根据有效运动信号的时频谱提取多个特征值；步骤四：画出信号的伪彩图，根据伪彩图确定人体细粒度运动的距离位置信息d'；步骤五：利用步骤三得到的多个特征值和步骤四得到的探测目标距离位置信息d'采用模式识别算法对人体细粒度运动进行识别。2.如权利要求1所述的基于UWB雷达和最优SVM的人体细粒度运动识别方法，其特征在于，所述步骤三中的根据信号提取有效运动特征距离范围信号sigval，具体包括以下步骤：获取空采信号，对空采信号进行步骤一中的预处理，得到预处理后的空采信号，预处理后的空采信号由多个距离轴单元信号组成，求所有距离轴单元信号的能量，将其平均值作为噪声能量均值Eempty；以能量最强的距离单元信号为中心沿距离轴向两侧延伸，选取能量Ei>Eempty的距离轴单元信号组成有效运动特征距离范围信号sigval。3.如权利要求2所述的基于UWB雷达和最优SVM的人体细粒度运动识别方法，其特征在于，所述步骤三中的根据综合时频谱采用限幅输出的方法得到有效运动信号的时频谱，具体包括以下步骤：获取空采信号的时频谱和综合时频谱的能量分布直方图；找到空采信号的时频谱的能量分布直方图中能量轴最大点，将其作为有效运动信号和背景噪声及杂波对应时频谱能量的阈值；在综合时频谱中基于此阈值进行限幅输出，得到有效运动信号的时频谱。4.如权利要求1所述的基于UWB雷达和最优SVM的人体细粒度运动识别方法，其特征在于，所述步骤三中的多个特征值包括：多普勒信号频移、微多普勒频移、运动主周期、运动次周期、时频图标准差、多普勒信号带宽与运动主周期比值、有效肢体微多普勒特征区域与躯干多普勒区域面积之比和综合时频图上包络标准差。5.如权利要求1所述的基于UWB雷达和最优SVM的人体细粒度运动识别方法，其特征在于，所述步骤五中的利用步骤三得到的多个特征值和步骤四得到的人体细粒度运动的d'采用模式识别算法对人体细粒度运动进行识别，具体包括以下步骤：步骤5.1：获取不同的标准距离位置d＝[d1,d2,…,di,…dn-1,dn]对应的特征值，通过训练建立与不同的标准距离位置相对应的不同模式识别模型：Model＝[Model1,Model2,…,Modeli,…Modeln-1,Modeln]；2CN106127110A权利要求书2/2页步骤5.2：在标准位置d中找到与人体细粒度运动的距离位置信息d'最接近的距离值对应的模型即为最佳模型ModelBest；步骤5.3：将步骤三得到的多个特征值输入到最佳模型ModelBest中，则最佳模型ModelBest将多个特征值与其内部存储的特征值进行匹配和预测，并自动输出一个结果值，根据结果值即可确定人体细粒度运动的类型，实现对人体细粒度运动的识别。3CN106127110A说明书1/8页一种基于UWB雷达和最优SVM的人体细粒度运动识别方法技术领域[0001]本发明属于生物雷