[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

本發明首先將人體目標運動簡化為典型運動形式的復合運動，根據測量的生物機械實驗數據提出一種人體走和跑的經驗模型。并基于XYZ慣例使用歐拉旋轉矩陣建立和完善了原地踏步狀態和走、跑狀態人體運動動畫模型，其次基于連續波信號構建了人體走和跑目標整體雷達回波模型以及目標各部位的雷達回波模型，利用Matlab仿真工具分析了人體不同運動狀態下雷達回波特性并通過短時傅里葉變換生成對應的時頻圖，為運動人體目標特征提取以及人體走跑狀態識別奠定了理論基礎。將人體動作的時頻圖劃分為訓練集、驗證集和測試集，輸入改進后的卷積神經網絡進行訓練，調節網絡參數使模型收斂，使網絡能夠正確分類人體運動狀態。

技術領域

本發明屬于基于雷達探測的人體運動狀態分類技術領域，尤其涉及一種基于改進卷積神經網絡的人體運動狀態分類方法。

背景技術

人體目標探測在反恐、災后搜救等場合具有重要應用，基于雷達的人體運動狀態分類技術是近年來的熱點。針對運動情況下的人體，生命探測雷達通過人體軀干和四肢的擺動對雷達發射信號的微多普勒調制，提取回波信號微多普勒特征，實現對人體的探測和運動狀態辨識，由于人體運動對回波信號的調制過程屬于非平穩過程，且肢體擺動幅度相對胸腔的振動幅度大的多，諧波多且復雜，難以利用傳統的傅里葉頻譜進行分析，因此重點研究主要集中在微多普勒特征提取上。如美國的賓夕法尼亞大學(University ofPennsylvania)利用生命探測雷達對墻體后的人體活動進行探測，并對回波信號進行了Hilbert變換分析。首先通過EMD分解將信號與噪聲進行分離提高信噪比，之后再做Hilbert譜分析，實驗證明這種頻譜分析方法比傳統的時頻分析方法有更好的時間和頻率分辨率，能對人體呼吸心跳、和步態運動的微多普勒特征進行有效的提取。美國加利福利亞大學(University of California)和荷蘭物理電子實驗室聯合研究了一種基于傳統特征的人體步態參數估計方法。黃斌科等人通過肢體的回波，提取步頻作為運動特征，并將其作為特征量進行人體運動狀態識別。張翼等人分析了人體走動時手和腿的多普勒頻率，并將其作為識別的特征。然而，目前用于人體運動狀態辨識的模型多是基于數學模型建立，即用簡單的正弦函數來模擬人體各部件的運動軌跡，其人體運動模型太過于簡單化、理想化、并且與真實人體運動狀態吻合度低。同時，對于步態運動的微多普勒特征的選擇通常是采用特定的特征類型來實現，手動提取特征的過程較為復雜，算法復雜度高，選用不同分類器分類時，結果可能差別較大，對分類器的選擇要求較高。其他的人類活動分類方法如使用SVD是通過觀察人體平均移動速度而實現的一個簡單線性分類器，魯棒性較低。結合深度學習的優勢，采用卷積神經網絡進行運動狀態辨識，可有效地簡化特征提取過程，有效避免了特征數量改變時分類器要重新設計的問題。然而常規卷積神經網絡，沒有針對人體運動狀態特性對網絡進行優化設計，故需要較多的數據集訓練，和較多的網絡層數，容易導致網絡的過擬合。

本發明改進的卷積神經網絡針對人體運動狀態分類進行進行了網絡結構和參數的優化設計，結果表明用改進的卷積神經網絡可以提高分類識別率和魯棒性。

發明內容

針對現有技術存在的問題，本發明基于生物實驗數據，考慮了各關節撓曲角度關系以及各身體部件的位置關系，建立了人體較為準確的運動模型，在此基礎上針對人體運動狀態的分類，提出了一種基于改進卷積神經網絡的人體運動狀態分類方法。

本發明是這樣實現的，一種改進卷積神經網絡，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。