[發明專利]低復雜度下日常活動分類方法、裝置、設備及存儲介質

有效

• 申請號: 202011090199.3
• 申請日: 2020-10-13
• 公開（公告）號: CN112327286B
• 公開（公告）日: 2023-10-20
• 發明（設計）人: 陽召成;賴佳磊;鮑潤晗
• 申請（專利權）人: 深圳大學
• 主分類號: G06F3/01
• 分類號: G06F3/01
• 代理公司: 北京品源專利代理有限公司 11332
• 代理人: 潘登

1.一種低復雜度下日常活動分類方法，其特征在于，包括：

獲取室內活動的雷達時距圖；

對所述雷達時距圖進行目標檢測和特征提取以獲取運動目標；

通過訓練好的神經網絡對所述運行目標進行分類獲取所述運動目標的運動狀態。

2.根據權利要求1中所述的低復雜度下日常活動分類方法，其特征在于，所述對所述雷達時距圖進行目標檢測和特征提取以獲取運動目標包括：

通過檢測器對所述雷達時距圖進行目標檢測以消除雜波和多徑信息；

對所述雷達時距圖提取微多普勒特征以獲取運動目標。

3.根據權利要求2中所述的低復雜度下日常活動分類方法，其特征在于，所述通過檢測器對所述雷達時距圖進行目標檢測以消除雜波和多徑信息包括：

對所述雷達時距圖的每一幀多個距離單元的幅度進行排序，求二階導后獲取拐點并將所述拐點對應的幅度提取出來；

根據所述幅度以滑窗的形式統計所述幅度的概率分布，為高斯分布；

對所述雷達時距圖的每一幀多個距離單元進行判斷是否符合條件，若符合條件則為有效距離單元點。

4.根據權利要求3中所述的低復雜度下日常活動分類方法，其特征在于，所述條件包括：

log₁₀(x(n，k))-μ＞Th*σ²

其中，x(n，k)為雷達時距圖，n為幀序列，k為距離單元序列，Th為預先設定門限值，μ為統計的高斯分布的均值，σ²為統計的方差。

5.根據權利要求2中所述的低復雜度下日常活動分類方法，其特征在于，所述對所述雷達時距圖提取微多普勒特征以獲取運動目標包括：

對所述雷達時距圖提取微多普勒特征以獲取微多普勒譜圖；

根據所述微多普勒譜圖提取多個特征進行動靜粗分類以獲取運動目標。

6.根據權利要求5中所述的低復雜度下日常活動分類方法，其特征在于，所述提取多個特征包括：軀干多普勒頻率、高頻信息量和多普勒能量值。

7.根據權利要求1中所述的低復雜度下日常活動分類方法，其特征在于，所述對所述雷達時距圖進行目標檢測和特征提取以獲取運動目標之后還包括：

通過5-折交叉驗證方法訓練神經網絡模型以獲取訓練好的神經網絡。

8.一種低復雜度下日常活動分類裝置，其特征在于，包括：

獲取模塊，用于獲取室內活動的雷達時距圖；

提取模塊，用于對所述雷達時距圖進行目標檢測和特征提取以獲取運動目標；

分類模塊，用于通過訓練好的神經網絡對所述運行目標進行分類獲取所述運動目標的運動狀態。

9.一種設備，其特征在于，所述設備包括：

一個或多個處理器；

存儲裝置，用于存儲一個或多個程序，

當所述一個或多個程序被所述一個或多個處理器執行，使得所述一個或多個處理器實現如權利要求1-7中任一所述的低復雜度下日常活動分類方法。

10.一種計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序包括程序指令，其特征在于，該程序指令被處理器執行時實現如權利要求1-7中任一所述的低復雜度下日常活動分類方法。