[發明專利]一種基于雷達微多普勒信號分離的人體行為分類方法

有效

• 申請號: 202011476490.4
• 申請日: 2020-12-15
• 公開（公告）號: CN112580486B
• 公開（公告）日: 2022-12-09
• 發明（設計）人: 單濤;陶然;喬幸帥;白霞;趙娟
• 申請（專利權）人: 北京理工大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/77;G06V10/774
• 代理公司: 北京正陽理工知識產權代理事務所(普通合伙) 11639
• 代理人: 張利萍

1.一種基于雷達微多普勒信號分離的人體行為分類方法，其特征在于：包括如下步驟，

步驟一、對采集到的原始回波信號r(n)進行信號預處理操作，得到預處理后的回波信號x(n)；所述信號預處理包括濾波、去直流、鏡像頻率抑制；

步驟二、對預處理后的信號x(n)執行微多普勒信號分離操作，利用不同階次和不同窗長的短時分數傅里葉變換對肢體和軀體的回波進行稀疏表征，建立形態形量分析優化問題，通過求解該問題分離出軀體的多普勒信號x_torso(n)和肢體的微多普勒信號x_limbs(n)；

步驟二實現方法為，

步驟2.1：執行短時分數域濾波提取慢變的軀體多普勒信號x_torso(n)；

步驟2.2：利用CLEAN技術從信號x(n)中消除提取到的信號x_torso(n)，降低強分量對弱分量的稀疏表征影響；執行完CLEAN操作后，得到的殘留信號為x_rem(n)；

步驟2.3對信號x_rem(n)執行基于短時分數傅里葉變換的形態形量分析MCA優化求解，提取快變的肢體微多普勒信號x_limbs(n)；

步驟三、利用經步驟二中微多普勒信號分離算法產生的肢體運動時頻譜圖構建數據集，包括訓練數據集D_train和測試數據集D_test；

步驟四、利用兩層的聯合維度優化的卷積主成分分析網絡CPCAN從步驟三構建的微多普勒時頻圖像數據集中學習特征；其中，在網絡的訓練階段，維度優化算法用于確定每層卷積濾波器的數目；

步驟四實現方法為，

步驟4.1由訓練數據集D_train訓練卷積核，對D_train分片去均值化得到D′_train，利用維度優化算法二階差分速降法SODD計算最佳維度值K，然后抽取D_trainD_train^T的前K個特征向量，并映射得到卷積核；

步驟4.2訓練數據集D_train抽取特征，利用卷積操作得到的卷積核對訓練數據集D_train做卷積操作，對兩層卷積后的輸出數據執行分塊直方圖統計，得到分塊特征子矩陣f_train；

步驟4.3：測試樣本D_test抽取特征，與步驟4.1，步驟4.2特征抽取方法相同，得到微多普勒時頻圖像數據集D_test的特征為f_test；

步驟五、利用由兩層的聯合維度優化的卷積主成分分析網絡CPCAN學習到的訓練數據特征矩陣f_train訓練SVM分類器，將提取的測試樣本特征f_test輸入到訓練好的SVM分類器進行分類，輸出分類結果label。

2.如權利要求1所述的一種基于雷達微多普勒信號分離的人體行為分類方法，其特征在于：還包括步驟六，利用步驟一至步驟五基于雷達微多普勒信號分離的人體行為分類結果，實現更為準確，更為快速的肢體活動受限人體行為的分類，降低相似行為之間的誤判率。

3.如權利要求1所述的一種基于雷達微多普勒信號分離的人體行為分類方法，其特征在于：步驟2.1實現方法為，

計算預處理后的回波信號x(n)的p₁階短時分數傅里葉變換STFrFTSTFrFT_x,p1(n,k)，p₁為軀體多普勒信號的合適階次；設計時頻濾波函數H(n,k)如下所示

式中，Th為依據經驗選取的閾值；對短時分數域濾波后的信號進行逆短時分數傅里葉變換ISTFrFT得到慢變的軀體多普勒信號x_torso(n)，其表達式如下