[發明專利]基于多頻融合深度學習的雷達步態識別方法

有效

• 申請號: 201811214288.7
• 申請日: 2018-10-18
• 公開（公告）號: CN109359597B
• 公開（公告）日: 2021-06-01
• 發明（設計）人: 賈勇;宋瑞源;王剛;晏超;李權;鐘曉玲;郭勇
• 申請（專利權）人: 成都理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于多頻融合深度學習的雷達步態識別方法，其特征在于：包括以下步驟：

(1)采用頻率步進連續波雷達對人體多種不同步態進行n次采樣，記錄每次采樣的步態類別，每次采樣得到一個步態樣本，所述樣本為N×M的矩陣，其中，N為采樣周期個數，M為一個采樣周期中步進頻率的個數，n次采樣得到一數據集X,

X＝{X_i∈R^N×M|i＝1,2,…,n}

所述R表示復數，N×M為矩陣維數，X_i為X中第i個樣本；

(2)將每個X_i的每一列的數據進行平均對消運動濾波，得到矩陣P_i，則數據集X中所有樣本進行平均對消運動濾波后構成數據集P

P＝{P_i∈R^N×M|i＝1,2,…,n}；

所述平均對消運動濾波為，采用對消器使該列數據的每個數據，減去該列數據的平均值；

(3)將每個P_i中的每一列數據進行短時傅里葉變換，得到M個頻率的時頻圖集合則數據集P中所有樣本的時頻圖集合構成數據集其中表示第i個樣本的第j個頻率點的時頻圖；

(4)采用引導濾波器對Aⁱ中的所有時頻圖進行濾波，得到該樣本所有時頻圖的基礎層集合其中表示第i個樣本的第j個頻點的時頻圖基礎層，則數據集A中所有樣本濾波后的基礎層集合構成數據集

(5)根據公式計算第i個樣本的第j個頻點的時頻圖細節層并將進行自適應增強去噪處理和高斯濾波，形成第i個樣本的第j個頻點的新時頻圖細節層則所有樣本所有頻點的新時頻圖細節層構成數據集

(6)根據公式將第i個樣本的所有新時頻圖細節層疊加形成融合圖像細節層Fⁱ，則所有樣本的融合圖像細節層構成數據集F＝{Fⁱ|i＝1,2,...n}；

(7)根據公式將Bⁱ中所有頻點的時頻圖基礎層進行像素加權平均運算，得到第i個樣本的融合圖像基礎層Gⁱ，則所有樣本的融合圖像基礎層構成數據集G＝{Gⁱ|i＝1,2,...n}；

(8)根據公式Iⁱ＝Gⁱ+Fⁱ將第i個樣本的融合圖像細節層Fⁱ和融合圖像基礎層Gⁱ疊加形成第i個樣本的融合圖像Iⁱ，則所有樣本的融合圖像構成數據集I＝{Iⁱ|i＝1,2,...n}；

(9)建立用于提取融合時頻圖的深度卷積神經網絡，用融合圖像構成數據集I訓練該網絡，得到步態識別模型。

2.根據權利要求1所述的基于多頻融合深度學習的雷達步態識別方法，其特征在于：所述用于提取融合時頻圖的深度卷積神經網絡，包括卷積層，池化層、稀疏自編碼器和softmax分類器，其中融合圖像經卷積層，池化層后得到該融合圖像的特征表示，然后用稀疏自編碼器選擇卷積層提取的特征中用于步態識別的最佳特征組合，softmax分類器用于接受來自稀疏自編碼器獲取的最佳特征組合來輸出分類結果。