【技术实现步骤摘要】
基于毫米波雷达的步态识别方法
[0001]本专利技术属于身份识别领域,具体涉及一种基于毫米波雷达的步态识别方法。
技术介绍
[0002]步态识别,是指对获取的人员步态数据进行特征提取,进而识别出人的身份。它具有非接触、非侵入、伪造困难等优点,可广泛应用于各类安全监控场景。传统的步态识别研究主要针对视频数据,一般基于深度学习技术。这类研究的准确性相对较高,但应用存在不少局限。首先,摄像头的安装和使用会侵犯人们的隐私,特别是视频监控系统遭到攻击和劫持时。其次,摄像头的监控易受环境限制,在烟雾、遮挡、黑暗等情况下无法获得有效的图像和视频。为克服上述局限,研究人员引入毫米波雷达,提出了基于毫米波雷达的步态识别技术。其基本思想是,利用毫米波雷达采集人员行走的步态信号,然后对采集到的信号进行预处理和特征提取,在此基础上进行人员身份的识别。
[0003]目前,基于毫米波雷达的步态识别已有不少研究,如(Meng Z,Fu S等.Gait Recognition for Co
‑
Existing Multiple People Using Millimeter Wave Sensing[A].Proceedings of the AAAI Conference on Artificial Intelligence[C],2020,5
‑
9.)和(Zhao Peijun,et al.mID:Tracking and Identifying People with Millimeter Wave
【技术保护点】
【技术特征摘要】
1.基于毫米波雷达的步态识别方法,其特征在于:所述方法包括如下步骤:步骤1:获取步态点云数据,即通过毫米波雷达收集人员行走的步态点云数据;步骤2:数据预处理;对收集的步态点云数据进行去噪,然后进行归一化,并使用滑动窗口划分数据样本,最后将处理后的全部数据样本划分为训练集、验证集和测试集;步骤3:构建网络模型,并进行训练;步骤3.1:构建5D
‑
PointNet;5D
‑
PointNet在PointNet网络基础上进行构建;将网络的输入由点云的三维空间信息,扩充为点云的三维空间信息、速度和信噪比五维属性,并进行相应的处理;在原有池化层之后引入了TCN中的因果扩展卷积,以提取出步态点云的全局特征;步骤3.2:训练网络模型;使用训练集对网络模型进行训练,获得最佳的模型参数;步骤4:应用网络模型;对测试集进行预处理,并输入至训练得到的网络模型中,最后输出身份识别的结果。2.根据权利要求1所述的基于毫米波雷达的步态识别方法,其特征在于:步骤2中,包括如下分步骤:步骤2
‑
1,对毫米波雷达采集的每一帧数据,通过DBSCAN聚类算法去除噪声点;步骤2
‑
2,对去噪后的数据做归一化处理,其方法如公式(1)
‑
(5)所示。(5)所示。(5)所示。(5)所示。(5)所示。其中x
k(i)
、y
k(i)
、z
k(i)
分别是第i帧点云簇中第k个点的x、y、z坐标值,x
’
k(i)
、y
’
k(i)
、z
’
k(i)
分别是原始坐标值归一化后的结果,x
max(i)
、y
max(i)
、z
max(i)
分别是第i帧点云簇中x、y、z的最大值,x
min(i)
、y
min(i)
、z
min(i)
分别是第i帧点云簇中x、y、z的最小值;v
k(i)
是第i帧点云簇中第k个点的速度值,v
’
k(i)
是原始速度归一化后的结果,v
max(i)
是第i帧点云簇中速度的最大值;s
k(i)
是第i帧点云簇中第k个点的信噪比,s
’
k(i)
是原始信噪比归一化后的结果,s
max(i)
是第i帧点云簇中信噪比的最大值;步骤2
‑
3,对归一化后的数据使用步长为1的滑动窗口来切分数据,每30帧数据作为一个数据样本;然后按照0.8:0.1:0...
【专利技术属性】
技术研发人员:郭剑,李智春,陈翌一,陈铭,尹柯鑫,相亚杉,钟焱龙,张勤,韩崇,王娟,
申请(专利权)人:南京邮电大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。