[發明專利]一種基于改進卷積神經網絡的人體運動狀態分類方法

在審

• 申請號: 201910366410.0
• 申請日: 2019-05-05
• 公開（公告）號: CN110045348A
• 公開（公告）日: 2019-07-23
• 發明（設計）人: 楊昀;李震
• 申請（專利權）人: 應急管理部上海消防研究所
• 主分類號: G01S7/41
• 分類號: G01S7/41;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 西安長和專利代理有限公司 61227
• 代理人: 黃偉洪

1.一種改進卷積神經網絡，其特征在于，所述改進卷積神經網絡有4個卷積層，每個卷積層后有LRelu激活函數層，前三個卷積層后的池化層采用的2×2最大池化，最后一個卷積層后的池化層采用的4×4最大池化；

第一個卷積層用128個5×5的卷積核，pad為2；第二個和第三個卷積層用128個3×3的卷積核，pad為1；最后一個卷積層用64個3×3的卷積核，pad為1；

4個卷積層后有2個全連接層；第一個全連接層把4×4×64的特征圖和256×1的向量全連接，然后用LRelu激活函數激活，第二個全連接層降維到2×1，輸出層用softmax實現二分類。

2.如權利要求1所述的改進卷積神經網絡，其特征在于，所述改進卷積神經網絡由卷積層、池化層、全連接層組成；

卷積層，用卷積核在輸入圖像上卷積，得到輸入圖像的特征圖；

池化層，降低減少網絡參數，降低計算量，防止過擬合；

全連接層和輸出層，用于輸出網絡類別。

3.一種基于權利要求1所述改進卷積神經網絡的人體運動狀態分類方法，其特征在于，所述人體運動狀態分類方法包括：

第一步，卷積層用128個卷積核在輸入圖像上卷積，得到輸入圖像的128個特征圖，多個特征圖表達了提取圖像的多個特征；

第二步，由于圖像相鄰像素之間相似度較大，圖像冗余較高，所以對特征圖進行池化，降低圖像尺寸，減小參數量，其后再經過3個卷積池化層，用于提取圖像更深層次的特征；

第三步，最后得到64個4×4的特征圖，第一個全連接層用256個神經元和特征圖全連接，第二個全連接層用2個神經元和第一個全連接層全連接，網絡經過訓練收斂后，根據輸入的圖像可以輸出圖像的類別。

4.如權利要求3所述的人體運動狀態分類方法，其特征在于，所述人體運動狀態分類方法的人體各部位的雷達回波信號計算公式為：

其中P_t為雷達發射功率，L_s為發射接收損耗，G_r和G_v分別為發射接收天線方向圖，λ、f₀分別為雷達發射信號的波長和頻率，c為光速，σ_i人體目標各散射中心的RCS；分別計算出人體各部位的回波，將各回波信號求和即可計算出人體總回波信號。

5.如權利要求3所述的人體運動狀態分類方法，其特征在于，所述人體運動狀態分類方法的時頻特征提取，對目標雷達回波采用短時傅里葉變換進行時頻分析；首先，選取一個窗函數，通過沿時間軸移動窗函數將信號劃分成很多很小的時問間隔，確保信號該時間間隔內為平穩信號，計算出各個時刻的功率譜，回波信號s(t)的短時傅里葉變換為：

其中g(f)為窗函數，常見窗函數有海明窗、高斯窗和漢寧窗；當g(t)＝1時，短時傅里葉變換即轉化為傳統傅里葉變換；STFT能夠粗略表示信號能量，其定義為STFT模值的平方，即：

SPEC(t,w)＝|STFT_f(t,w)|²。

6.一種如權利要求1所述改進卷積神經網絡的訓練方法，其特征在于，所述改進卷積神經網絡的訓練方法包括：網絡模型建立好以后，可以在數據集的子集上進行網絡的訓練，訓練集用人的動作(走和跑)，驗證集和測試集各用1個人的動作。對于每一個動作，是隨機劃分的數據集，所以不會在同一個人的動作數據集上驗證和測試。

網絡的訓練是一個迭代的過程，每一次訓練，loss和accuracy曲線和網絡的超參數向最優化的方向調整，網絡訓練的batch為100，每500次迭代后會在驗證集上測試；從開始訓練時，在驗證集和測試集上loss值就指數級減小而accuracy增加。

7.一種應用權利要求1～2任意一項所述改進卷積神經網絡的人體運動狀態分類處理平臺。