[發明專利]基于時頻分析和深度神經網絡的步態特征提取與識別方法

有效

• 申請號: 202010900952.4
• 申請日: 2020-08-31
• 公開（公告）號: CN111965620B
• 公開（公告）日: 2023-05-02
• 發明（設計）人: 韓冬;周良將;焦澤坤;宋晨;吳一戎
• 申請（專利權）人: 中國科學院空天信息創新研究院
• 主分類號: G01S7/41
• 分類號: G01S7/41;G01S13/88
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 孫蕾

一種基于時頻分析和深度神經網絡的步態特征提取與識別方法，包括以下步驟：初始化雷達參數以及人體步態雷達原始回波信號采集；對人體步態的雷達原始回波信號進行預處理；時頻分析處理，采用短時傅里葉變換處理所述一維復序列，獲得時頻分析圖像，時頻分析圖像的橫軸為時間軸，縱軸為多普勒頻率軸；從時頻分析圖像中獲取人體步態特征參；將時頻分析圖像中的人體步態獨立周期結果按行張成一維實序列，將多次不同類型步態實驗的人體時頻分析圖像中的多個周期結果按行張成的一維實序列，構建訓練集和測試集；構建深度神經網絡，將訓練集送入深度神經網絡完成網絡訓練，并在測試集上驗證不同類型人體步態行為的識別精度。

技術領域

本發明涉及雷達信息獲取與處理技術領域，更具體地，涉及一種基于時頻分析和深度神經網絡的步態特征提取與識別方法。

背景技術

與光學系統和錄像監視系統相比較，采用雷達技術可對人體步態進行全天時、全天候的監測，雷達在大霧或其他可見度較低的環境下仍然可以無障礙使用。雷達發射微波信號對人體步態進行探測，其回波信號中包含了人體微動所產生的微多普勒信息。因此，利用雷達進行人體步態微動特征參數提取在軍事、安防、反恐等相關領域具有非常重要的應用前景與價值。

日常生活中存在著一些常見的“低、慢、小”運動目標，如人體、動物、旋翼無人機等。時頻分析方法是提取運動目標微動特征參數的主要方法，是分析時變非平穩信號的有力工具。時頻分析方法提供了時間域與頻率域的聯合分布信息，能夠清楚地描述信號頻率隨時間的變化關系。常見的時頻分析方法有短時傅里葉變換、小波變換、Garbor展開等。

深度學習是當前圖像處理領域的前沿熱點，其在圖像特征提取方面具有無可比擬的優越性。深度學習利用神經網絡結構做逐層的非線性變換，并通過分層的網絡獲取分層次的特征信息。優秀的特征自學習能力使得深度學習受到了學術界的廣泛關注。近年來，深度學習在圖像分類，目標檢測與識別，以及自然語言處理等領域均取得了較好的效果。

通過人體步態雷達信號的時頻分析結果，以及時頻分析結果中所提取的特征參數主觀人為地去判斷其具體的步態類型會耗費大量的人力和物力資源，并可能存在嚴重的主觀臆斷，造成誤判的情況。

發明內容

有鑒于此，本發明的主要目的在于提供一種基于時頻分析和深度神經網絡的步態特征提取與識別方法，以期部分地解決上述技術問題中的至少之一。

為了實現上述目的，作為本發明的一方面，提供了一種基于時頻分析和深度神經網絡的步態特征提取與識別方法，包括以下步驟：

初始化雷達參數以及人體步態雷達原始回波信號采集；

對人體步態的雷達原始回波信號進行預處理，包括距離向脈沖壓縮處理以獲取時間-距離像，時間-距離像中方位脈沖對消處理；

時頻分析處理，采用短時傅里葉變換處理所述一維復序列，獲得時頻分析圖像，時頻分析圖像的橫軸為時間軸，縱軸為多普勒頻率軸；

從時頻分析圖像中獲取人體步態特征參數，根據人體時頻分析圖的周期獲取人體步態周期，根據時頻分析圖的中心頻率相對于零頻的偏移量獲取人體軀干與雷達間的瞬時徑向速度，根據時頻圖像中的多普勒頻率獲取人體主要關節部位與雷達間的瞬時徑向擺動速度；

將時頻分析圖像中的人體步態獨立周期結果按行張成一維實序列，將多次不同類型步態實驗的人體時頻分析圖像中的多個周期結果按行張成的一維實序列，構建訓練集和測試集；

構建深度神經網絡，將訓練集送入深度神經網絡完成網絡訓練，并在測試集上驗證不同類型人體步態行為的識別精度。