【技术实现步骤摘要】
本专利技术涉及行为识别，特别是一种基于散射分离的多通道雷达人体行为识别方法及系统。
技术介绍
1、人体行为识别技术广泛应用于智能安防、智慧交通、健康护理以及人机交互等领域。概括来讲，用于人体行为识别的传感器可分为穿戴式和非穿戴式两大类，其中，射频识别电子标签、用于智能手环手表的加速度计、陀螺仪等穿戴式传感器会带来用户使用不适和不便的问题，且无法应用于非合作人体行为识别场景。非穿戴式传感器主要有光学、热红外和雷达，光学传感器易受光照条件影响且无法保护隐私，热红外传感器易受环境温度影响且易被遮挡。相比而言，雷达具有全天时全天候工作的特点，对环境光照和温度条件不敏感，无隐私侵犯风险，且对木板、玻璃甚至墙体具备良好的穿透性，这些优势扩展了基于雷达的人体行为识别技术的应用场景。
2、由于人体目标相对于雷达呈现典型的多散射特性，强散射的躯干部位回波会掩盖四肢和头部等弱散射部位的回波，从而削弱了人体行为特征表达的全面性，限制了行为识别性能。对于雷达传感器收集的人体目标回波，常用的特征表达方式有二维的时间-距离图像、时间-频率谱图和距离-多普勒图像以及三维的时间-距离-多普勒图像和距离-方位-俯仰图像及点云。特征提取环节的实现方法分为人工构建算法提取特征和深度学习自动提取特征，其中，人工提取方法过度依赖于专家知识，仅适合提取浅层次具象化的特征，如时间-距离图像的包络、时间-频率谱图的方向梯度直方图特征和尺度不变特征转换等，而深度学习方法基于神经网络模型，从充足的训练数据中自动学习提取多层次抽象化的特征，对人体行为的描述更为全面和稳健
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种基于散射分离的多通道雷达人体行为识别方法及系统，该方法有效提高了识别的准确率。
2、为达到上述目的，本专利技术提供如下技术方案：
3、本专利技术提供的基于散射分离的多通道雷达人体行为识别方法，包括以下步骤：
4、步骤s1：使用雷达对人体行为数据进行采集，将多通道数据堆叠后进行pca分离出主散射分量与次散射分量；
5、步骤s2：将主散射分量与次散射分量带入进行stft得到时频谱图；
6、步骤s3：对时频谱图分别使用hog和cnn网络提取出主散射分量与次散射分量的特征信息，进而堆叠形成人体行为特征；
7、步骤s4：对人体行为特征使用注意力机制，投入分类器完成分类识别。
8、进一步，步骤s1所述的多通道雷达信号的采集和处理过程为：
9、s1.1首先采用多通道步进变频连续波雷达对人体行为进行采集，得到回波信号；
10、s1.2对个通道的雷达回波信号分别进行mti均值对消，得到个维的矩阵；
11、s1.3将个通道矩阵的同一列的向量数据取出并排列在一起组成一个新的矩阵，将新的矩阵转置得到矩阵，矩阵的列表示通道数，行表示回波数据的时间周期数；
12、s1.4将步骤s1.3得到的矩阵进行pca后提取出前两个主成分分量和，得到主散射分量和次散射分量。
13、进一步，步骤s1.1所述的雷达回波信号为：
14、，
15、其中，为各个部位的散射系数，为某时刻的回波时延，为人体散射部位数量，为发射起始频率，为频率步进，为步进频频点数。
16、进一步，所述步骤s3中的特征提取过程为：
17、s3.1对主散射分量的时频谱进行hog人工特征提取；
18、s3.2将次散射分量的时频谱投入cnn网络进行自动特征提取；
19、s3.3对步骤s3.1和s3.2得到的两个特征向量进行堆叠。
20、进一步，所述步骤s1中的人体行为数据采集包括跳跃、拾捡、下蹲、踏步、摆臂、行走的人体行为动作的数据采集。
21、进一步，所述步骤s1.4中通过pca提取前两个主成分分量和，得到主散射分量和次散射分量的具体过程如下：
22、pca通过正交变换将矩阵中原本线性相关的各通道向量按照贡献度大小顺序重组到新的矩阵的互不相关的行向量中，从而从多通道数据中分离出互不相关的成分；
23、使用pca得到重组矩阵的具体方法为，求的协方差矩阵并求出的特征值，按由大到小的顺序将特征值所对应的单位特征向量按行排列组成矩阵，再将原信号映射到新的特征空间中，得到新的分量矩阵，即原始信号的重新组合，公式表达为：
24、
25、得到的重组矩阵的各行向量互不相关，是原始矩阵行向量的线性加权重组，且其排列顺序即其对观测信号的贡献值大小顺序。
26、进一步，所述步骤s4中将人体行为特征投入注意力机制聚焦得到的特征信息并通过分类器完成分类识别的具体过程如下：
27、s4.1将特征信息数据分成m个token作为输入，通过网络的权重生成，和向量，其中，然后对，进行点乘运算，以计算两者的相似度，除以矩阵维度的平方根，使数值梯度稳定，然后通过softmax将相似度计算结果转换为权重的概率分布，最后在将权重作用于，得到自注意力的计算结果，自注意力的计算表达式如下：
28、
29、其中，，，；
30、s4.2将步骤s4.1得到的结果输入由两个全连接层组成的分类层，分别选用relu和softmax作为激活函数，softmax函数输出与人体行为种类同维度的结果向量，每个维度代表该输入被识别为某行为的概率值，各维度概率之和为1，最终将概率最大的人体行为判定该行为动作的识别结果。
31、进一步，所述步骤s3.2中的将次散射分量的时频谱投入cnn网络进行自动特征提取的具体过程如下：
32、通过投入由n个二维卷积层和n个二维池化层相互交叉堆叠构成的2dcnn网络进行自动特征提取，然后再利用flatten层将提取到的二维特征展平为一维向量，所述二维卷积层负责对输入图像或输入张量进行特征提取，所述二维池化层完成对前一层得到的特征向量的筛选和降维。
33、本专利技术提供的基于散射分离的多通道雷达人体行为识别系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法。
34、本专利技术的有益效果在于：
35、本专利技术提供的基于散射分离的多通道雷达人体行为识别方法及系统，涉及行为识别
，包括以下步骤：首先，对采集的多通道雷达信号进行数据堆叠，通过pca分离出主散射分量与次散射分量，并分别进行stft得到时频谱图；然后对主散射分量的时频谱图提取hog特征，对次散射分量的时频谱图进行cnn特征提取；将特征进行堆叠后投入注意力机制，使用分类器完成分类识别。该方法有效避免了人体强散射的躯干部位回波对四肢和头部等弱散射本文档来自技高网...
【技术保护点】
1.基于散射分离的多通道雷达人体行为识别方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于散射分离的多通道雷达人体行为识别方法，其特征在于，步骤S1所述的多通道雷达信号的采集和处理过程为：
3.根据权利要求2所述的基于散射分离的多通道雷达人体行为识别方法，其特征在于，步骤S1.1所述的雷达回波信号为：
4.根据权利要求1所述的基于散射分离的多通道雷达人体行为识别方法，其特征在于，所述步骤S3中的特征提取过程为：
5.根据权利要求1所述的基于散射分离的多通道雷达人体行为识别方法，其特征在于，所述步骤S1中的人体行为数据采集包括跳跃、拾捡、下蹲、踏步、摆臂、行走的人体行为动作的数据采集。
6.根据权利要求2所述的基于散射分离的多通道雷达人体行为识别方法，其特征在于，所述步骤S1.4中通过PCA提取前两个主成分分量和，得到主散射分量和次散射分量的具体过程如下：
7.根据权利要求1所述的基于散射分离的多通道雷达人体行为识别方法，其特征在于，所述步骤S4中将人体行为特征投入注意力机制聚焦得到的特征信息并通过
8.根据权利要求4所述的基于散射分离的多通道雷达人体行为识别方法，其特征在于，所述步骤S3.2中的将次散射分量的时频谱投入CNN网络进行自动特征提取的具体过程如下：
9.基于散射分离的多通道雷达人体行为识别系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1至8任一项所述的方法。
...【技术特征摘要】
1.基于散射分离的多通道雷达人体行为识别方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于散射分离的多通道雷达人体行为识别方法，其特征在于，步骤s1所述的多通道雷达信号的采集和处理过程为：
3.根据权利要求2所述的基于散射分离的多通道雷达人体行为识别方法，其特征在于，步骤s1.1所述的雷达回波信号为：
4.根据权利要求1所述的基于散射分离的多通道雷达人体行为识别方法，其特征在于，所述步骤s3中的特征提取过程为：
5.根据权利要求1所述的基于散射分离的多通道雷达人体行为识别方法，其特征在于，所述步骤s1中的人体行为数据采集包括跳跃、拾捡、下蹲、踏步、摆臂、行走的人体行为动作的数据采集。
6.根据权利要求2所述的基于散射分离的多...
【专利技术属性】
技术研发人员：李未一，贾勇，张喜娟，李权，陈川，钟晓玲，
申请(专利权)人：成都理工大学，
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。