[發明專利]基于復值卷積神經網絡的墻后人體行為識別方法

有效

• 申請號: 202110332651.0
• 申請日: 2021-03-29
• 公開（公告）號: CN112861813B
• 公開（公告）日: 2022-07-22
• 發明（設計）人: 崔國龍;汪翔;郭世盛;陳朋云;汪育苗;謝杭宸;孔令講;楊曉波
• 申請（專利權）人: 電子科技大學
• 主分類號: G06V40/10
• 分類號: G06V40/10;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 成都虹盛匯泉專利代理有限公司 51268
• 代理人: 王偉

1.一種基于復值卷積神經網絡的墻后人體行為識別方法，包括以下步驟：

步驟1：雷達原始距離像預處理

考慮一個穿墻雷達發射K個脈沖探測一個墻后人體行為，則這K個脈沖的回波構成的雷達原始距離像為：

其中，r_k(m)是第k個脈沖的回波信號，k＝0,1,…,K，M是回波信號長度，在雷達快時間維度進行快速傅里葉逆變換，并將快速傅里葉逆變換后的距離像通過動目標指示濾波器，得到背景雜波被抑制的距離像P”(m)，P”(m)的維度大小為K×M；

步驟2：訓練集和測試集構造

利用收集到的所有距離像P”(m)樣本按構造第一訓練集和第二測試集；

步驟3：構造復值卷積神經網絡

構造由1個輸入層，5個復值卷積層，5個復值批歸一化層，3個復值最大池化層，3個復值全連接層和1個softmax輸出層組成的復值卷積神經網絡，網絡的激活函數選擇復值線性整流函數且復值卷積層聯合利用距離像的幅值和相位信息提取墻后人體行為的多元特征，softmax輸出層用來得到樣本的識別結果；每層的具體參數如下：

第1層為輸入層，其大小等于輸入距離像大小，即227×227×1；

第2層為第一個復值卷積層，卷積核大小為11×11×1，卷積核個數為96，步長為4，卷積運算的輸入特征圖填充為0，卷積輸出特征圖通道數為96；

第3層是第一個復值最大池化層，池化核大小為3×3×96，池化步長為2；

第4層為第二個復值卷積層，卷積核大小為5×5×96，卷積核個數為256，步長為1，卷積運算的輸入特征圖填充為2，卷積輸出特征圖通道數為256；

第5層是第二個復值最大池化層，池化核大小為3×3×256，池化步長為2；

第6層為第三個復值卷積層，卷積核大小為3×3×256，卷積核個數為384，步長為1，卷積運算的輸入特征圖填充為1，卷積輸出特征圖通道數為384；

第7層為第四個復值卷積層，卷積核大小為3×3×384，卷積核個數為384，步長為1，卷積運算的輸入特征圖填充為1，卷積輸出特征圖通道數為384；

第8層為第五個復值卷積層，卷積核大小為3×3×384，卷積核個數為256，步長為1，卷積運算的輸入特征圖填充為1，卷積輸出特征圖通道數為256；

第9層是第三個復值最大池化層，池化核大小為3×3×256，池化步長為2；

第10層、第11層和第12層為復值全連接層，其節點數個數依次為4096,256和11，其中11是要識別行為總類別數，11種行為分別為：拳擊、跌倒、喝水、抬腿、踢腿、撿拾、跑步、坐下、站起、走路、揮手；

第13層是softmax輸出層，其節點為11；

復值批歸一化層在每一個復值卷積層后應用，其通道數與其前面緊接的卷積層輸出特征圖通道數保持一致；

激活函數應用于每一個復值批歸一化層和第10層、第11層全連接層后；

復值卷積層具體計算公式為：

W*H＝(A*X-B*Y)+i(A*Y+B*X)

其中，W＝Α+iB是復值卷積核，A是實部卷積核，B是虛部卷積核，H＝X+iY是復值特征圖，X是實部特征圖，Y是虛部特征圖；

復值批歸一化層具體計算公式為：

其中，x是復值向量，γ和β分別是可學習的尺度參數和平移參數，E(·)是均值運算，V是x的協方差矩陣，具體計算公式為：

其中，和分別是x的實部和虛部，Cov(·,·)是協方差運算；

復值最大池化層ComxP具體計算公式為：

ComxP(H)＝MaxP(X)+iMaxP(Y)

其中，MaxP是最大池化運算，激活函數的具體計算公式為：

其中，ReLU是線性整流函數；

復值全連接層具體計算公式為：

L·s＝(C·e-D·f)+i(C·f+D·e)

其中，L＝C+iD為復值全連接層權重，C是實部全連接層權重，D是虛部全連接層權重，s＝e+if是復值向量；

步驟4：訓練復值卷積神經網絡

利用帶行為類別標簽的第一訓練集對復值卷積神經網絡進行E輪有監督訓練，直到模型收斂，得到訓練好的復值卷積神經網絡模型；

步驟5：利用訓練好的網絡對測試樣本進行識別

將第二測試集輸入訓練好的復值卷積神經網絡模型，對第二測試集中每個樣本距離像的行為進行識別，得到墻后人體行為識別結果。

2.根據權利要求1所述的一種基于復值卷積神經網絡的墻后人體行為識別方法，其特征在于，步驟4所述的E≥1000。