基于毫米波雷达的步态识别方法技术

基于毫米波雷达的步态识别方法，通过毫米波雷达点云数据进行步态识别，应用时不会受雨、雪、雾、夜晚等因素的影响，而且不会侵犯用户的隐私；设计5D

【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 Radar[A].Proceedings of 15th International Conference on Distributed Computing in Sensor Systems(DCOSS)[C],2019,10
‑
13.)，其中大多数工作基于人体微多普勒(micro
‑
Doppler，μD)信号进行。这些研究通常采用深度学习的相关网络，对毫米波雷达采集的μD频谱图进行分析。但μD频谱图的获取和传输需要较高的通信与计算成本。针对这些问题，一些研究放弃μD信号，改用毫米波雷达点云数据来进行分析。点云具有获取成本低、距离分辨率高等优点，在步态识别领域具有很好的应用前景。但目前相关工作还存在一些局限。一些研究中，没有利用速度和信噪比等信息，导致步态点云的相关特征提取不充分。另外，在不少算法中，分类器网络要求将不规则的点云数据映射到规则的三维体素表示上，这种处理方式使生成的数据较为臃肿和庞大，不利于后续的处理。

技术实现思路

[0004]针对现有研究的局限，本专利技术提出了一种基于毫米波雷达的步态识别方法，同时考虑点云的五个属性，即三维空间位置、速度和信噪比，以尽量提取出步态点云的特征，并从得到的特征信息中进一步提取其中的时序信息，以提高识别准确率。该方法设计了一个5D
‑
PointNet网络架构。5D
‑
PointNet网络以传统的PointNet网络为基础。PointNet以点云的三维空间位置作为网络输入，经过一系列变换和特征提取实现分类和分割任务。5D
‑
PointNet网络在其基础上又增加了点云的速度和信噪比这两个属性进行特征提取。此外，5D
‑
PointNet还引入了TCN(Temporal Convolutional Network)中的因果扩展卷积来提取相关的时序特征，以进一步提高识别准确度。
[0005]基于毫米波雷达的步态识别方法，包括如下步骤：
[0006]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；
[0007]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；
[0008]步骤3：构建网络模型，并进行训练；
[0009]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；
[0010]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；
[0011]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。
[0012]本专利技术的有益效果：
[0013](1)本专利技术基于毫米波雷达点云数据进行步态识别，应用时不会受雨、雪、雾、夜晚等因素的影响，而且不会侵犯用户的隐私。
[0014](2)传统的PointNet只使用了点云的三维空间信息，本专利技术设计的5D
‑
PointNet，将人体步态点云的速度和信噪比这两个属性也考虑了进去，可以使网络提取的步态点云特征更加丰富，识别的效果会更好。
[0015](3)本专利技术引入因果扩展卷积模块从已提取的特征信息中提取时序信息，可进一步提升识别准确率。
附图说明
[0016]图1是本专利技术实施例中的基于毫米波雷达的步态识别方法流程图。
[0017]图2是本专利技术实施例中的5D
‑
PointNet网络模型示意图。
[0018]图3是本专利技术实施例中的Feature Transform模块示意图。
[0019]图4是本专利技术实施例中的因果扩展卷积示意图。
具体实施方式
[0020]下面结合说明书附图对本专利技术的技术方案做进一步的详细说明。
[0021]本实施例的流程如图1所示，其具体实施步骤如下。
[0022]步骤1，获取步态点云数据：每个受测个体在采集场景中自由行走10分钟。使用毫米波雷达，每0.1秒采集一帧点云数据。
[0023]步骤2，数据预处理：数据预处理包含去噪、归一化、划分数据样本、划分数据集等操作。
[0024]首先对毫米波雷达采集的每一帧数据，通过聚类算法去除噪声点。这里使用DBSCAN(Density
‑
Based Spatial Clustering ofApplications with Noise)聚类算法，它不需要预先设置集群的数量，可以去除人体步态点云之外的噪声点，得到步态点云簇。然后对去噪后的数据做归一化处理，其方法如公式(1)
‑
(5)所示。
[0025][0026][0027][0028][0029][0030]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
...

【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：