CN106250854A - 基于微多普勒特征和支持向量机的人体步态识别方法 - Google Patents

Abstract

本发明公开了一种基于微多普勒特征和支持向量机的人体步态识别方法，包括：S1：利用雷达采集人体行进时的姿态数据；S2：利用时频分析工具对所述姿态数据进行分析得到对应的时频图；S3：从所述时频图中提取带宽特征和偏置特征，所述带宽特征表示步态引起的正负微多普勒频率的跨度范围，所述偏置特征表示多普勒正负频率相对于中心频率的偏差，偏置值表征着摆臂的对称性；S4：将所述带宽特征和所述偏置特征输入支持向量机中进行姿态识别，以确定所述姿态数据对应的姿态。本发明具有如下优点：通过雷达采集数据，提取微多普勒特征进行人体步态分类识别的方法，对这步态分类的准确性高。

Description

基于微多普勒特征和支持向量机的人体步态识别方法

技术领域

本发明涉及雷达技术领域和模式识别领域，具体涉及一种基于微多普勒特征和支持向量机的人体步态识别方法。

背景技术

人体姿态、步态的识别是一门新兴的技术，并且日益显现其重要性。正确而迅速地识别目标人体的姿态和步态，对于判别目标个体是否友好、判定其威胁等级、提供应对措施的有效依据等具有重要意义，相关需求广泛存在于反恐、安保、监控等领域。

当前已投入实用的实时目标姿态或步态识别系统大多是基于视频监控和图像处理技术的，基于图像的识别系统识别精度受限、识别过程运算量大、受光照等环境因素影响大、判别结果误差大。另外，基于图像的人体步态识别系统不具备全天候全天时工作能力，限制了其应用范围。

雷达是通过发射和接收电磁波进行目标探测和目标特征提取的电子系统。相比于图像获取和处理系统，雷达具备全天候全时段工作能力。除了传统的探测距离功能外，现代雷达普遍具有提取目标更多细节特征的功能。雷达系统通过发射相参脉冲提取运动目标的多普勒信息。近些年来，人们又开始关注目标主体运动速度之外的其它部分运动信息，这些相对于主体的运动反映为微多普勒信息。微多普勒是由目标各部分相对主体运动引起的多普勒效应，可表征目标丰富的状态信息，主要是目标内部相对运动。通过提取微多普勒的特征，可以对目标个体的运动状态进行精细判读和识别。

在特定的环境下，人体的运动状态能够代表丰富的信息，比如行进中的人是否摆臂、单臂摆动或双臂摆动，代表着目标个体是否携带包裹、单手携带包裹或双手携带包裹等信息。由于包裹中可能含有武器、爆炸物等，所以若能远程识别人体的摆臂状态，则可对目标状态进行识别，进而可以有效判定目标的威胁等级。

发明内容

本发明旨在至少解决上述技术问题之一。

为此，本发明的目的在于提出一种可提高识别准确率的基于微多普勒特征和支持向量机的人体步态识别方法。

为了实现上述目的，本发明的实施例公开了一种基于微多普勒特征和支持向量机的人体步态识别方法，包括以下步骤：S1：利用雷达采集人体行进时的姿态数据；S2：利用时频分析工具对所述姿态数据进行分析得到对应的时频图；S3：从所述时频图中提取带宽特征和偏置特征，所述带宽特征表示步态引起的正负微多普勒频率的跨度范围，所述偏置特征表示多普勒正负频率相对于中心频率的偏差，偏置值表征着摆臂的对称性；S4：将所述带宽特征和所述偏置特征输入支持向量机中进行姿态识别，以确定所述姿态数据对应的姿态。

根据本发明实施例的基于微多普勒特征和支持向量机的人体步态识别方法，通过雷达采集数据，提取微多普勒特征进行人体步态分类识别的方法，对这步态分类的准确性高。

另外，根据本发明上述实施例的基于微多普勒特征和支持向量机的人体步态识别方法，还可以具有如下附加的技术特征：

进一步地，所述雷达为X波段调频连续波雷达。

进一步地，在步骤S2中，选择短时傅里叶变换通过以下公式作为时频变换的工具：

$STFT\{x\[n\]\}(m,\mathrm{\ω})\≡X(m,\mathrm{\ω})\≡\underset{n=-\mathrm{\∞}}{\overset{+\mathrm{\∞}}{\mathrm{\Σ}}}x\[n\]w\[n-m\]e^{-j\mathrm{\ω}n}$

其中，x[n]是离散的时间信号，w[n]是短时傅里叶变换的窗函数，m是窗函数滑动的位置，ω是角频率。

进一步地，步骤S3进一步包括：

将最大正微多普勒频率值、最小负微多普勒频率值分别标记为f_+max和f_-min，人体躯干部分的主多普勒频率标记为f₀，带宽的定义为最大正负微多普勒频率之差，记为F_B，带宽可用数学公式表示为：F_B＝f_+max-f_-min，表示步态引起的正负微多普勒频率的跨度范围，不同的跨度范围对应于不同的摆臂姿态；将所述偏置特征的定义为最大正微多普勒频率值和最小负微多普勒频率值相对于人体躯干部分的主多普勒频率的偏差，记为F_O，所述偏置特征通过以下公式表示：

$F_O=\frac{1}{N}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\[(f_{+}^{\left(n\right)}-f_0)-(f_0-f_{-}^{\left(n\right)})\]=\frac{1}{N}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(f_{+}^{\left(n\right)}+f_{-}^{\left(n\right)}-2f_0)$

其中，N表示每一次测试时间内的总步数，和分别表示第n步内的最大正微多普勒频率值和最小负微多普勒频率值。

进一步地，在步骤S4中，使用支持向量机决策树算法进行所述姿态识别。

进一步地，在步骤S4之后还包括：通过蒙特卡洛实验验证所述姿态识别的结果。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明实施例的基于微多普勒特征和支持向量机的人体步态识别方法的流程图；

图2是本发明一个实施例的试验场景设置图；

图3是本发明一个实施例的行进过程中摆双臂情况时频分布图；

图4是本发明一个实施例的行进过程中摆单臂情况时频分布图；

图5是本发明一个实施例的行进过程中不摆臂情况时频分布图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

参照下面的描述和附图，将清楚本发明的实施例的这些和其他方面。在这些描述和附图中，具体公开了本发明的实施例中的一些特定实施方式，来表示实施本发明的实施例的原理的一些方式，但是应当理解，本发明的实施例的范围不受此限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。

以下结合附图描述根据本发明实施例的基于微多普勒特征和支持向量机的人体步态识别方法。

图1是本发明实施例的基于微多普勒特征和支持向量机的人体步态识别方法的流程图。

如图1所示，一种基于微多普勒特征和支持向量机的人体步态识别方法，包括以下步骤：

S1：利用雷达采集人体行进时的姿态数据。

具体地，如图2所示设置人体步态识别实验场景。在本发明的一个示例中，选择行进中的三种不同姿态作为代表动作，测试者在距离雷达10米距离处正对着雷达行进。实验中，测试者每组姿态各采集50组实验，每次实验时间设置为8秒。

在本发明的一个实施例中，雷达为X波段调频连续波雷达，中心频率为9.8GHz，带宽为400MHz。调频连续波雷达的优点在于其精度高、功率低、不存在距离盲点、便于携带，因此非常适合在本实验中采集数据。

S2：利用时频分析工具对姿态数据进行分析得到对应的时频图。

具体地，运用时频分析工具对步骤一种雷达采集到的每组时域数据都进行分析，得到每组动作的时频图。本发明里选择短时傅里叶变换(STFT)作为时频变换的工具，具体可表示为；

$STFT\{x\[n\]\}(m,\mathrm{\ω})\≡X(m,\mathrm{\ω})\≡\underset{n=-\mathrm{\∞}}{\overset{+\mathrm{\∞}}{\mathrm{\Σ}}}x\[n\]w\[n-m\]e^{-j\mathrm{\ω}n}$

其中，x[n]是离散的时间信号，w[n]是短时傅里叶变换的窗函数，m是窗函数滑动的位置，ω是角频率。因此STFT的结果实际上就是信号在时间和频率平面上的分布，即时频图。从图3、图4、图5中可以清晰地看到这些时频图中不仅包括有人体行进过程中的躯体主多普勒信息，还包括这个过程中手臂和腿部摆动引起的微多普勒信息，这些信息都能被清晰地观测出并被提取出来应用于后续工作中。

S3：从时频图中提取带宽特征和偏置特征，带宽特征表示步态引起的正负微多普勒频率的跨度范围，偏置特征表示多普勒正负频率相对于中心频率的偏差，偏置值表征着摆臂的对称性。

具体地，从步骤S2得到的时频图中提取特征，本发明的实施例选择带宽和偏置作为特征进行提取。从图3、图4、图5中可以看出，每种步态对应的最大正微多普勒频率值、最小负微多普勒频率值和人体躯干部分的主多普勒频率值从时频图中很容易被提取出来。将最大正微多普勒频率值、最小负微多普勒频率值分别标记为f_+max和f_-min，人体躯干部分的主多普勒频率标记为f₀。带宽的定义为最大正负微多普勒频率之差，记为F_B，则带宽可用数学公式表示为：F_B＝f_+max-f_-min，表示这几类步态引起的正负微多普勒频率的跨度范围，不同的跨度范围对应于不同的摆臂姿态；偏置的定义为最大正微多普勒频率值和最小负微多普勒频率值相对于人体躯干部分的主多普勒频率的偏差，记为F_O，则偏置可表示为：

$F_O=\frac{1}{N}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\[(f_{+}^{\left(n\right)}-f_0)-(f_0-f_{-}^{\left(n\right)})\]=\frac{1}{N}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(f_{+}^{\left(n\right)}+f_{-}^{\left(n\right)}-2f_0)$

其中，N表示每一次测试时间内的总步数，和分别表示第n步内的最大正微多普勒频率值和最小负微多普勒频率值。因此偏置也可以表示多普勒正负频率相对于中心频率的偏差，偏置值表征着摆臂的对称性。

本发明的实施例中，行进过程中摆双臂由于只有两支胳膊同时在摆动，因此每一步中能同时达到最大正微多普勒值和最小负微多普勒值，并且其达到的最大正微多普勒频率值和最小负微多普勒频率值相对于行进过程中不摆臂这种步态是较大的，因此这种步态下带宽值较大，偏置值也较大；行进过程中摆单臂由于只有一支胳膊在摆动，因此每一步中只能达到最大正微多普勒值或者最小负微多普勒值，但是其达到的最大正微多普勒频率值和最小负微多普勒频率值与行进过程中摆双臂时是同样数量级，因此这种步态下带宽值较大，偏置值也较大；行进过程中不摆臂这种步态由于没有双臂运动，因此时频图中最大正微多普勒频率值、最小负微多普勒频率值的绝对值比较小，则这种步态下带宽值较小，偏置值也较小。

S4：将带宽特征和偏置特征输入支持向量机中进行姿态识别，以确定姿态数据对应的姿态。

具体地，，将步骤S3提取出的两个特征作为输入送到支持向量机中进行分类识别。在本发明的实施例中训练样本和测试样本是从总样本中随机选取的，一部分作为训练样本，其余的全部作为测试样本，并且做100次蒙特卡洛实验验证分类识别结果。

由于支持向量机只能分两类目标，在本发明中有三类步态需要识别，因此选用支持向量机决策树算法进行分类识别。基于二叉树的支持向量机多类分类算法是先将所有类别分成两个子类，再将子类进一步划分为两个次级子类，如此循环下去，直到所有的节点都只包含一个单独的类别为止。该方法将原来的多类问题同样分解成了一系列的两类分类问题，其中两个子类间的分类函数通过支持向量机方法训练获取。

由于实验中每种步态的样本都为50组，属于小样本数据，因此本实验采用交叉验证的方法进行测试。分别选择相对于总样本数的10％、20％、30％的数据样本作为训练样本训练分类器，其余为测试样本测试分类器分类结果。将行进过程中摆双臂、行进过程中摆单臂和行进过程中不摆臂这三种步态分别记为步态1、步态2和步态3，100次蒙特卡洛实验结果后的平均值如表1、表2和表3所示：

表1：训练样本/总样本＝10％的分类正确/错误率

	步态1	步态2	步态3
				步态1	88.80％	5.84％	5.36％
步态2	10.20％	82.48％	7.32％
				步态3	0.40％	4.52％	95.08％

表2：训练样本/总样本＝20％的分类正确/错误率

	步态1	步态2	步态3
				步态1	88.84％	5.60％	5.56％
步态2	10.76％	83.88％	5.36％
				步态3	0.40％	4.04％	95.56％

表3：训练样本/总样本＝30％的分类正确/错误率

	步态1	步态2	步态3
				步态1	89.08％	4.96％	5.96％
步态2	10.12％	84.52％	5.36％
				步态3	0	3.96％	96.04％

如表所示，100次蒙特卡洛实验后的分类平均值的成功率都在82％以上，并且随着训练样本的增多，分类识别的准确率也随之上升。分析原因主要有以下三点：一是实验中观测者与雷达距离较近，信噪比比较高,在信号处理过程中虽然未去噪也能得到很好的效果；二是本发明选取的两个特征抓住了这三种步态的本质差别所在，选择的这两个特征能最大程度地区分这三种步态；三是采用二叉树的支持向量机方法进行分类，充分发挥了支持向量机在小样本情况下分类准确的优势。

从分类结果看，本发明能够通过提取时频图中的两个特征，输入到二叉树的支持向量机中进行分类识别，演过证明了这种方法在小样本情况下对不同步态进行分类识别，效果显著，能较好地区分出这三类步态。

另外，本发明实施例的基于微多普勒特征和支持向量机的人体步态识别方法的其它构成以及作用对于本领域的技术人员而言都是已知的，为了减少冗余，不做赘述。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同限定。

Claims (6)

1.一种基于微多普勒特征和支持向量机的人体步态识别方法，其特征在于，包括以下步骤：

S1：利用雷达采集人体行进时的姿态数据；

S2：利用时频分析工具对所述姿态数据进行分析得到对应的时频图；

S3：从所述时频图中提取带宽特征和偏置特征，所述带宽特征表示步态引起的正负微多普勒频率的跨度范围，所述偏置特征表示多普勒正负频率相对于中心频率的偏差，偏置值表征着摆臂的对称性；

S4：将所述带宽特征和所述偏置特征输入支持向量机中进行姿态识别，以确定所述姿态数据对应的姿态。

2.根据权利要求1所述的基于微多普勒特征和支持向量机的人体步态识别方法，其特征在于，所述雷达为X波段调频连续波雷达。

3.根据权利要求1所述的基于微多普勒特征和支持向量机的人体步态识别方法，其特征在于，在步骤S2中，选择短时傅里叶变换通过以下公式作为时频变换的工具：

$STFT\{x\[n\]\}(m,\mathrm{\ω})\≡X(m,\mathrm{\ω})\≡\underset{n=-\mathrm{\∞}}{\overset{+\mathrm{\∞}}{\Σ}}x\[n\]w\[n-m\]e^{-j\mathrm{\ω}n}$

其中，x[n]是离散的时间信号，w[n]是短时傅里叶变换的窗函数，m是窗函数滑动的位置，ω是角频率。

4.根据权利要求1所述的基于微多普勒特征和支持向量机的人体步态识别方法，其特征在于，步骤S3进一步包括：

将最大正微多普勒频率值、最小负微多普勒频率值分别标记为f_+max和f_-min，人体躯干部分的主多普勒频率标记为f₀，带宽的定义为最大正负微多普勒频率之差，记为F_B，带宽可用数学公式表示为：F_B＝f_+max-f_-min，表示步态引起的正负微多普勒频率的跨度范围，不同的跨度范围对应于不同的摆臂姿态；将所述偏置特征的定义为最大正微多普勒频率值和最小负微多普勒频率值相对于人体躯干部分的主多普勒频率的偏差，记为F_O，所述偏置特征通过以下公式表示：

$F_O=\frac{1}{N}\underset{n=1}{\overset{N}{\Σ}}\[(f_{+}^{\left(n\right)}-f_0)-(f_0-f_{-}^{\left(n\right)})\]=\frac{1}{N}\underset{n=1}{\overset{N}{\Σ}}(f_{+}^{\left(n\right)}+f_{-}^{\left(n\right)}-2f_0)$

其中，N表示每一次测试时间内的总步数，和分别表示第n步内的最大正微多普勒频率值和最小负微多普勒频率值。

5.根据权利要求1所述的基于微多普勒特征和支持向量机的人体步态识别方法，其特征在于，在步骤S4中，使用支持向量机决策树算法进行所述姿态识别。

6.根据权利要求1所述的基于微多普勒特征和支持向量机的人体步态识别方法，其特征在于，在步骤S4之后还包括：

通过蒙特卡洛实验验证所述姿态识别的结果。