[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

本發明公開了一種基于多頻融合深度學習的雷達步態識別方法，采用多頻譜圖融合的思想將多個頻點的時頻圖信息融合到一張時頻圖中，其主要原理是運用引導濾波器將所有時頻圖分解為不含噪聲的基礎層以及包含大量噪聲和細節等高頻信息的細節層，然后對獲得的細節層和基礎層分別處理后再重組以獲取時頻圖融合圖像。此后運用卷積神經網絡來提取該圖像中的特征并用稀疏自編碼器選擇用于分類的最佳特征組合，再將其送入到分類器中即可完成分類。本發明的優勢在于采用多頻譜圖融合的思想廣泛減少神經網絡的構建復雜度，同時提升模型的準確率，具有識別精度高，運行速度快，抗噪性能好等優勢，因此能廣泛的運用于實際中步態實時檢測。

技術領域

本發明涉及一種雷達步態的分類方法，尤其涉及一種基于多頻融合深度學習的雷達步態識別方法。

背景技術

在人體步態識別領域，為了實現人體步態的分類，其主要實現方式有兩種，基于機器學習和基于深度學習的方式。基于機器學習的方式主要是通過對雷達的回波數據分析獲得人體的微多普勒譜圖，再從獲得的微多普勒譜圖中人工提取特征，然后將該特征用于步態分類。但是由于人的主觀性和受到專業知識領域的局限，導致所提取的特征不能完美的表達圖像中所蘊含的信息，最終往往導致分類效果差或模型的魯棒性差，不具有實用性。

近年來，深度學習的興起完美的解決了機器學習中的特征提取問題。它能根據分類任務自動提取圖像中與分類有關的所有特征組合。從而極大程度的提升了步態識別準確性，但是隨著研究的深入，漸漸發現單個頻點的時頻圖所蘊含的信息往往有限，它限制了準確率的進一步提高。為了解決這個問題，學術界提出了結合多域的方法，這讓準確率有了進一步的提升。但是目前卻幾乎不采用多頻的方法。其原因主要有以下兩點：(1)相鄰頻點時頻圖相似度極高，只有邊緣存在微小的變化，無法以有效方式提取這些微小細節中蘊含的信息。(2)采用并行輸入的深度學習的方式來提取這些特征，往往由于輸入的時頻圖數量龐大致使網絡復雜度極高，從而導致網絡難以訓練，或無法訓練。

發明內容

本發明的目的就在于提供一種解決上述問題，能運用圖像融合算法將獲得的多個頻點的時頻圖信息融合到一張時頻圖中，廣泛減少神經網絡的構建的復雜度的同時提升模型的準確率，從而極大程度的減小對硬件資源的需求同時做到實時檢測的效果的基于多頻融合深度學習的雷達步態識別方法。

為了實現上述目的，本發明采用的技術方案是這樣的：一種基于多頻融合深度學習的雷達步態識別方法，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}；

(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