[發明專利]基于超寬帶穿墻雷達與CNN的檢測墻后人體動作的方法

在審

• 申請號: 202111609978.4
• 申請日: 2021-12-27
• 公開（公告）號: CN114333053A
• 公開（公告）日: 2022-04-12
• 發明（設計）人: 趙子一;李文鈞;岳克強;李懿霖;李瑞雪;梁嘉鎧;趙金鐸;甘智高;許雨婷
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06V40/20
• 分類號: G06V40/20;G06N3/04;G06N3/08
• 代理公司: 杭州浙科專利事務所(普通合伙) 33213
• 代理人: 楊小凡

本發明公開了基于超寬帶穿墻雷達與CNN的檢測墻后人體動作的方法，包括以下步驟：建立與初始化神經網絡，采集訓練數據并訓練與優化神經網絡，部署神經網絡，使用訓練好的神經網絡預測待測數據，本發明結合了穿墻雷達與卷積神經網絡對墻后人體動作進行檢測，相較于其他常用識別方式具有識別準確性高，檢測速度快，穩定性高，訓練規模上限大等諸多優點，且在保證識別率的情況下，大幅簡化了預處理的過程，開拓了新的處理穿墻雷達數據的方式，使得穿墻雷達檢測墻后人體動作的能力大大提升。

技術領域

本發明涉及雷達探測技術領域與人工智能領域，尤其是涉及基于超寬帶穿墻雷達與CNN的檢測墻后人體動作的方法。

背景技術

基于穿墻雷達能夠穿過墻面檢測到墻后目標以及運動情況的特點，它在與墻后檢測有關的領域有著諸多應用，如心跳呼吸檢測，人體位置檢測。在硬件層面，雷達的發射帶寬范圍已經非常廣泛，包括可以穿墻的超寬帶雷達，而且接收的數據也具有非常高的分辨率，損失也可以做到非常小。目前，對超寬帶雷達的應用優化主要集中在軟件層面。卷積神經網絡已經有了廣泛的應用以及成熟的處理方式，但大多數應用于攝像頭收集的可見光，即處理人眼可直接看到的畫面。

目前處理穿墻雷達數據的反射波的方法多種多樣，但大多人工算法存在穿墻雷達反射波的預處理過程復雜，識別準確率低，訓練數據增加后無法提升準確率等問題，在實際應用中具有一定的局限性。

發明內容

為解決現有技術的不足，在訓練數據很大的情況下，增加訓練數據仍然可以提升準確率，簡化了雷達數據在檢測前要進行的預處理，擁有更高的檢測準確率，本發明采用如下的技術方案：

基于超寬帶穿墻雷達與CNN的檢測墻后人體動作的方法，包括如下步驟：

S1，構建神經網絡模型，神經網絡模型包括卷積層和池化層的多重組合層，以及其后續依次連接的平攤層與全連接層；

所述平攤層，將二維圖片展開為一維數據，便于后續全連接層進行處理；

所述全連接層，包括一層及以上的隱含層與一層輸出層；

S2，采集墻后人體的動作圖像作為訓練數據，并訓練與優化神經網絡模型，采集的訓練數據，其采集環境應與待檢測數據的采集環境相同或相似，調整超參數的大小與神經網絡的結構，調整的神經網絡的結構包括隱含層的層數、神經元數量、卷積層和池化層的多重組合層的層數；

S3，部署神經網絡模型，將神經網絡部署在計算機和/或移動端的軟件，和/或使用數字電路部署在硬件端；

S4，使用訓練好的神經網絡模型預測待測的墻后人體的動作圖像，選擇置信度最高的動作，即輸出神經元中數據最大的神經元對應的動作，作為最終檢測結果。

進一步地，S1中對神經網絡進行初始化，包括設置無法由訓練獲得的超參數的數值，設置神經元排列組成的層對應的的激活函數，設置指導神經網絡學習方法的優化器，設置用于評估訓練模型準確性的損失函數，設置回調函數。

進一步地，激活函數，包括卷積層與全連接層中的神經元輸出數值時使用的激活函數。

進一步地，激活函數，為非線形激活函數，以提升神經網絡處理非線形數據的能力。

進一步地，回調函數，用于神經網絡在訓練過程中，及時停止過擬合的發生，防止訓練出的神經網絡僅適用于訓練數據而不具有泛用性。

進一步地，回調函數，在訓練過程中，通過測試不同超參數的訓練結果，自動設置最優超參數。

進一步地，S2中采集訓練數據劃分為訓練集，驗證集與測試集，并標注標簽，其中訓練集的數量應占所有采集數據的3/5，驗證集與測試集的數量應分別占所有采集數據的1/5，通過訓練集訓練神經網絡，并調整超參數的大小與神經網絡的結構，通過驗證集驗證訓練效果，選擇效果最好一組所使用的超參數與神經網絡結構，通過測試集進行準確性測試，保存表現良好的神經網絡結構與超參數的值。