CN108459311A - 基于Hough变换的卷积神经网络下微多普勒目标分类方法 - Google Patents
基于Hough变换的卷积神经网络下微多普勒目标分类方法 Download PDFInfo
- Publication number
- CN108459311A CN108459311A CN201810240475.6A CN201810240475A CN108459311A CN 108459311 A CN108459311 A CN 108459311A CN 201810240475 A CN201810240475 A CN 201810240475A CN 108459311 A CN108459311 A CN 108459311A
- Authority
- CN
- China
- Prior art keywords
- doppler
- human body
- radar
- wheeled vehicle
- hough transform
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种基于Hough变换的卷积神经网络下微多普勒目标分类方法,所述方法为:通过雷达获取人体和轮式车辆的雷达回波信号,所述人体和轮式车辆的雷达回波信号是经过去杂波、降频到音频段的雷达回波信号,对雷达回波信号进行Wigner‑Villie时频分析,然后对时频分析获得的谱图数据进行Hough变换直线检测,对检测到的直线进行标识,最后将谱图数据送到卷积神经网络中进行分类识别,从而识别出是人体还是轮式车辆。本发明提高了目标分类的准确率,且目标分类操作的耗时大幅度减少。
Description
技术领域
本发明涉及雷达技术领域,特别是基于Hough变换的卷积神经网络下微多普勒目标分类方法。
背景技术
当目标在雷达视线方向有相对速度并被雷达照射到时,雷达反射波的载频会发生调制现象,这种现象称为多普勒频移,载频的偏移量就是目标的多普勒频率。同时,如果目标除了自身的平动外还有其他部件相对于自身平动的摆动、转动等微运动,这些微运动会产生目标多普勒频率附近的副边带,这些副边带被称为微多普勒频率。
在实际应用中,地面战场侦察雷达不仅需要完成目标的探测,更总要的是对目标属性进行分类识别。目前,主要还是靠有经验的士兵对目标的微多普勒特征进行辨别,给雷达操纵员增加了很大负担;其识别准确率受人为的随机性很大。因此,对单兵便携雷达的目标属性自动识别具有很大的意义,雷达的智能化、信息化研究是满足现代高技术战争的需要。
本专利基于上述背景,研究基于微多普勒特征下的人和轮式车辆分类问题。单兵便携雷达目标识别是在雷达探测的基础上,对目标回波信号进行分析,从而确定目标的种类、状态以及型号等特性。
发明内容
为克服上述问题,本发明的目的是提供一种基于Hough变换的卷积神经网络下微多普勒目标分类方法,提高了目标分类的准确率,且目标分类操作的耗时大幅度减少。
本发明采用以下方案实现:一种基于Hough变换的卷积神经网络下微多普勒目标分类方法,所述方法为:通过雷达获取人体和轮式车辆的雷达回波信号,所述人体和轮式车辆的雷达回波信号是经过去杂波、降频到音频段的雷达回波信号,对雷达回波信号进行Wigner-Villie时频分析,然后对时频分析获得的谱图数据进行Hough变换直线检测,对检测到的直线进行标识,最后将谱图数据送到卷积神经网络中进行分类识别,从而识别出是人体还是轮式车辆。
进一步的,所述方法进一步为:单兵雷达收集了人体和轮式车辆分别在飞机场和公路上的实测数据,采集到的数据是对固定目标抵消以及运动目标检测算法后,降频到音频段来获得雷达回波信号;
其中,人体的运动雷达回波分析是:人行走时人体的重心是上下摆动的,因而人体躯干的平移分量是随时间周期性变化的,人体的四肢在躯干平移的基础上有相对的摆动,摆动的幅度与四肢的长度、摆动频率、平移速度有关;设摆动幅度为A0,摆动频率为ω0,摆动的初始角为μ0,则人体的微运动可用如下公式表示:A0sin(ω0t+μ0),由该公式得出人体的微运动是随时间呈三角函数变化的;
轮式车辆运动的雷达回波分析是:轮式车辆运动能分解为车身的平动加上轮胎转动的微运动,因此轮式车辆的多普勒信号由两部分组成,第一部分是反映车身平动的多普勒信号,第二部分是反映轮胎旋转的多普勒信号;当车身速度为V时,车辆的微动结构与车身的相对速度分布在[-ν,ν]之间;
因此,人体和轮式车辆,微动部件分别为四肢和橡胶轮胎,微动时差异性明显,这种差异性在多普勒域中以微多普勒分量的形式体现出来;即人体躯干和轮式车辆的车身运动的雷达回波在回波总能量中的占比较大,四肢摆动和轮胎转动所造成的微动能量在回波总能量中的占比较小。
进一步的,对Wigner-Ville算法分析后的时频图进行Hough变换,所述Hough变换是图像处理中的一种特征提取技术,通过检测具有特定形状的物体,该检测过程在一个参数空间中通过计算累计结果的局部最大值得到一个符合该特定形状的集合作为Hough变换结果,对Hough变换结果中检测到图像的直线进行标识,把这些雷达回波能量集中的图像作分解成32×32像素,然后将32×32像素的图像送到卷积神经网络中进行分类识别。
本发明的有益效果在于:本发明基于Hough特征的时频图与卷积神经网络相结合的人和轮式车辆分类方法,该方法在相同的硬件条件下,识别率有所提高,耗时大幅度减少。
附图说明
图1是本发明的方法流程示意图。
图2本发明人在机场时的Wigner-Ville时频结果的时频图。
图3本发明人在公路上时的Wigner-Ville时频结果的时频图。
图4本发明车辆在机场时的Wigner-Ville时频结果的时频图。
图5本发明车辆在公路上时的Wigner-Ville时频结果的时频图。
图6是本发明人在机场时的Wigner-Ville时频图的Hough变换得到的图像的示意图。
图7是本发明人在公路上时的Wigner-Ville时频图的Hough变换得到的图像的示意图。
图8是本发明车辆在机场时的Wigner-Ville时频图的Hough变换得到的图像的示意图。
图9是本发明车辆在公路上时的Wigner-Ville时频图的Hough变换得到的图像的示意图。
图10是EMD分解的能量比算法特征提取流程图。
图11是人体在机场的微多普勒信号的EMD分解得到的IMF分量及其FFT频谱图。
图12是人体在公路的微多普勒信号的EMD分解得到的IMF分量及其FFT频谱图。
图13是车辆在机场的微多普勒信号的EMD分解得到的IMF分量及其FFT频谱图。
图14是车辆在公路的微多普勒信号的EMD分解得到的IMF分量及其FFT频谱图。
图15是人体在机场的回波信号STFT时频谱图。
图16是人体在公路的回波信号STFT时频谱图。
图17是车辆在机场的回波信号STFT时频谱图。
图18是车辆在公路的回波信号STFT时频谱图。
具体实施方式
下面结合附图对本发明做进一步说明。
请参阅图1至图9所示,本发明的一种基于Hough变换的卷积神经网络下微多普勒目标分类方法,所述方法为:通过雷达获取人体和轮式车辆的雷达回波信号,所述人体和轮式车辆的雷达回波信号是经过去杂波、降频到音频段的雷达回波信号,对雷达回波信号进行Wigner-Villie时频分析,然后对时频分析获得的谱图数据进行Hough变换直线检测,对检测到的直线进行标识,最后将谱图数据送到卷积神经网络中进行分类识别,从而识别出是人体还是轮式车辆。
其中,所述方法进一步为:单兵雷达收集了人体和轮式车辆分别在飞机场和公路上的实测数据,采集到的数据是对固定目标抵消以及运动目标检测算法后,降频到音频段来获得雷达回波信号;
其中,人体的运动雷达回波分析是:人行走时人体的重心是上下摆动的,因而人体躯干的平移分量是随时间周期性变化的,人体的四肢在躯干平移的基础上有相对的摆动,摆动的幅度与四肢的长度、摆动频率、平移速度有关;设摆动幅度为A0,摆动频率为ω0,摆动的初始角为μ0,则人体的微运动可用如下公式表示:A0sin(ω0t+μ0),由该公式得出人体的微运动是随时间呈三角函数变化的;
轮式车辆运动的雷达回波分析是:轮式车辆运动能分解为车身的平动加上轮胎转动的微运动,因此轮式车辆的多普勒信号由两部分组成,第一部分是反映车身平动的多普勒信号,第二部分是反映轮胎旋转的多普勒信号;当车身速度为V时,车辆的微动结构与车身的相对速度分布在[-ν,ν]之间;
因此,人体和轮式车辆,微动部件分别为四肢和橡胶轮胎,微动时差异性明显,这种差异性在多普勒域中以微多普勒分量的形式体现出来;即人体躯干和轮式车辆的车身运动的雷达回波在回波总能量中的占比较大,四肢摆动和轮胎转动所造成的微动能量在回波总能量中的占比较小。
另外,本发明对Wigner-Ville算法分析后的时频图进行Hough变换,所述Hough变换是图像处理中的一种特征提取技术,通过检测具有特定形状的物体,该检测过程在一个参数空间中通过计算累计结果的局部最大值得到一个符合该特定形状的集合作为Hough变换结果,对Hough变换结果中检测到图像的直线进行标识,把这些雷达回波能量集中的图像作分解成32×32像素,然后将32×32像素的图像送到卷积神经网络中进行分类识别(其中使用卷积神经网络进行图片分类的技术手段已经是现有技术,在此不进行详细说明,可以参阅CSDN博客中提到的使用卷积神经网络进行图片分类:http://blog.csdn.net/oxuzhenyi/article/details/73480448)。
下面结合具体实施例对本发明做进一步说明:
1.1人体的运动雷达回波分析
人行走时人体的重心是上下摆动的,因而人体躯干的平移分量是随时间周期性变化的,人体的四肢在躯干平移的基础上有相对的摆动,摆动的幅度与四肢的长度、摆动频率、平移速度有关。设摆动幅度为A0,摆动频率为ω0,摆动的初始角为μ0,则人体的微运动可用如下公式表示:A0sin(ω0t+μ0),由该公式可看出人体的微运动是随时间呈三角函数变化的。因此,人体行进的微多普勒效应回波的周期性很明显,在所有谐波分量中躯干分量的比重最大,并随着在频率上呈周期性变化,四肢分量都是在躯干平移的基础上叠加一个时间上的正弦函数。
1.2轮式车辆运动的雷达回波分析
轮式车辆运动可分解为车身的平动加上轮胎转动的微运动,因此轮式车辆的多普勒信号由两部分组成,第一部分是反映车身平动的多普勒信号,第二部分是反映轮胎旋转的多普勒信号。当车身速度为V时,车辆的微动结构与车身的相对速度分布在[-ν,ν]之间,相应地,其相对于车身的微多普勒频率分布在[-fd,fd]之间。d为行程距离;实际中,由于橡胶轮胎对雷达发射波的后向散射作用较弱,因而轮式车辆的微多普勒成分不明显。
1.3数据来源
本发明使用雷达收集了人和轮式车辆分别在飞机场和公路上的实测数据,采集到的数据是对固定目标抵消以及动目标检测算法后,降频到音频段处理。其中有两种目标属性分别在飞机场和公路。为了使得实验结果更具意义,我们在数据录取过程中尽可能避免录取时间上过于集中,从而保证了选取的训练样本集和测试样本集来自不同时间段录取的数据。
从上述对人体和轮式车辆运动所反射的雷达回波分析可以得到结论,人体躯干和轮式车辆的车身运动的雷达回波在回波总能量中的占比较大,四肢摆动和轮胎转动所造成的微动能量在回波总能量中的占比较小,本发明尝试首先从能量角度出发,通过分析人和轮式车辆各自的微动能量与总能量关系的差异性,探讨该差异性是否能够达成目标分类的目的。
Hough变换与卷积神经网络结合的目标分类
微多普勒特征信号的时频分析虽然能很好的解析其微动特征,但在CNN网络进行目标分类时需要对整个512×512像素的图像进行卷积,使系统的实时性能严重滞后。采用Wigner-Ville分布优良的时间边缘性、频率边缘性和能量集中性,可以把微多普勒特征信号集中在特定的区域内,算法处理后的信号具有较好的直线特性,Hough变换原理正是建立在直线与圆弧检测特性的基础上,可以很快速得到时频图的特征向量。
1.1Wigner-Ville时频分析算法
Wigner-Ville不含有任何的窗函数,因此避免短时傅立叶变换时间分辨率,频率分辨率相互牵制的矛盾,具有理论上最高的分辨率,以及很高的时频聚集性,高的时频聚集性可以帮助我们更加准确地估计目标的目标在短驻留时间内的瞬时频率分布。
本发明对提取到的人和轮式车辆在路和机场两种场景中的雷达回波信号分别计算他们Wigner-Ville分布,绘出其2D分布图,请参阅图2至图5。
图2为人在机场的雷达回波的Wigner-Ville2D分布,主要频率成分为人体躯干的雷达回波,散布在主频率周围的是频率成分为四肢摆动的微多普勒回波、地面杂波以及上述三种回波组成的交叉项,由于机场场景地形平坦开阔,杂波较少,因而主频率成分呈一定的发散状,在图形上呈一定的单条直线特征。
图3为人在路上的雷达回波的Wigner-Ville2D分布,图像呈雪花状,在主频率成分不明显,原因是场景杂波较多,人体躯干的多普勒回波、四肢摆动的微多普勒回波、地面杂波组成的交叉项干扰严重。
观察图4和图5可以发现,与行人相比较,轮式车辆橡胶轮胎转动引起的微多普勒效应不明显,因而其Wigner-Ville2D分布图中,车身雷达回波的主频率非常明显,在图形上呈凝聚的直线状,而微多普勒回波、地面杂波极其与主频率组成的交叉项在主频率周围呈稀少零散的点状分布。
因此人和轮式车辆雷达回波的Wigner-Ville2D分布图在直线特征方面具有更好的区分度。
1.2基于Hough变换及Wigner-Ville的微动目标分类
Hough变换是图像处理中的一种特征提取技术,它通过算法检测具有特定形状的物体。该过程在一个参数空间中通过计算累计结果的局部最大值得到一个符合该特定形状的集合作为Hough变换结果。本发明对Wigner-Ville算法分析后的时频图进行Hough变换,获取了图像的直线特征后进行标识。把这些能量集中的图像作分解成32×32像素,然后进入卷积神经网络训练学习。通过表3可以看出特征提取后的深度学习不仅可以大大提高识别率而且运行速度得到保证。请参阅6至图9所示;该图6是图2进行Hough变换后的图像,图7是图3进行Hough变换后的图像,图8是图4进行Hough变换后的图像,图9是图5进行Hough变换后的图像。
根据图6至图9和图像送到卷积神经网络中进行分类识别得出:表1:实测数据目标属性分类结果
表1
下面本发明对另外两种算法进行说明:
第一种算法:请参阅图10至图14所示,本发明的基于EMD分解的能量比算法特征提取分类:
EMD是由Norden E.Huang提出的一种尺度分离算法。其基本思想是利用3次样条函数拟合信号的上下包络,信号每减去一次上下包络中心轴线,就得到一条轴对称的波形(IMF分量)。该算法本质上是将非平稳信号进行轴对称化处理,然后按频率从高到低逐次分离得到平稳的各IMF分量。因此,EMD算法能够使非线性、非稳态的信号转换为多个线性、稳态的IMF信号。分解出的IMF分量之间能量比是相对稳定的,经EMD处理后所得的IMF分量与信号的总能量比是稳定的。
目标的微多普勒信号经过EMD分解后,会生成若干个IMF分量,每一个IMF分量都包含了目标微动部分所激励的频率,如人体四肢的摆动和轮式车辆的车轮的转动的微多普勒效应。当目标加减速或转向时,微动部分在雷达视线上的速度分量会发生变化,因此微多普勒信号频率也会有一定变化。但是,在频域下各微动部件所激励的微多普勒信号分解出的IMF分量之间的能量比、各IMF分量与总能量的能量比却是相对稳定的。
基于此,本发明提出了一种基于EMD分解的能量比特征分类方法。该方法首先对输入信号进行经验模态分解(EMD)得到各IMF分量,计算各IMF分量的能量与总能量之间的比值,然后选取区分度大的比值作为分类器的输入。各IMF分量占总信号能量的比公式如下:
Ai为频谱幅值大小,i表示第i个IMF分量。ki所有有效IMF分量的能量之和的比值,可以作为EMD网络的特征向量。
分别取在公路和机场2种场景中,人和轮式车辆运动的多普勒效应的音频信号各30组,按上述流程处理后,将得到的各层能量比归一化后取均值可以发现,信号经EMD分解后,各IMF分量的能量比不同。其信号能量大部分集中在前4个IMF分量,区分度较大,后4个IMF分量所具有的能量较少,且区分度较小。因此,选择区分度较大的前4层IMF分量能量与总能量的比值作为特征。
对训练数据和测试数据按上述流程进行处理后,采用支持向量SVM对提取的特征进行了分类,结果如下表2所示。
表2实测数据分类结果
第二种算法:请参阅图15至图18所示,时频分析下的卷积神经网络。
3.1短时傅里叶分析下的微多普勒特征信号处理
大部分的单兵便携雷达都是窄带雷达,其雷达回波包含着目标微动部件的微多普勒效应。然而,目标的微多普勒产生的回波信号是非平稳的,通过传统的傅里叶变换缺乏局部时间信息,仅对平稳信号处理有效,无法适应复杂的时变频率调制信号。但是,经过短时傅里叶变换,移动窗函数使信号在处理一个短的时间间隔内是平稳的,然后在每一个时间宽度内完成快速傅里叶变换,计算出不同时刻的功率谱。这样,不但能够得到目标的较为精细的频率,还可以得到其频率随时间变化的时频谱图,并且目标时频谱图中包含了重要的目标的微多普勒信息,参阅图15至图18;可以看出在路和机场2种场景下,与轮式车辆比较,人体躯干的多普勒效应分量在时频图中呈现发散,断续状,该分量附近由四肢摆动引起的微多普勒效应明显,而轮式车辆由车身运动引起的多普勒效应分量在时频图中呈明显的柱状,橡胶轮胎转动引起的微多普勒效应不明显。因此,人与车辆分类的问题就可转化为多普勒信号时频图分类的处理问题上来。目前,常规的多普勒信号时频图识别多依赖于人为指定一种特定的信号处理方式来获取信号中数学特性,使其成为观测目标的一个特征值,然后基于这些特征值,配合大量的样本数据训练分类器,最终逼近待解决问题的信号模型。这种传统目标分类识别模式耗费了研究人员大量的精力,才提出一种解决某个特定问题的特征提取方法,而且该特征提取方法只能适用于范围很窄的问题,不具有很好的移植性。因此采用自动获取目标特征算法的卷积神经网络就是一个非常好的解决手段。
3.2卷积神经网络模型与框架
本发明结合卷积神经网络完成对信号的时频图特征自学习,设计了一个5层卷积神经网络,由输入层、卷积层、激活层、池化层、全连接层和输出层构成。
(1)输入层:网络的输入为512×512像素大小的3通道RGB图像。其中训练与测试集分别记为
TR为训练数据集,TE为测试数据集,输入xn∈R512×512。
(2)卷积层:在卷积层中,层与层之间相互连接的特征图由一个或者多个卷积核通过卷积运算对输入时频图进行处理,可学习到鲁棒性较高的特征。为保证网络深度,减少参数,提升网络泛化能力,该网络第一个卷积层采用的卷积核的尺寸较小,均为11×11,第二个卷积层卷积核大小为5×5,所有卷积核都同时作用于相应前一层的所有特征图上,且同一卷积核对于前一层不同特征图的权重不一致。
(3)激活层是通过层级非线性映射的复合使网络的非线性刻画能力得到提升。本发明中采用Sigmoid函数,在保证信号特征在空间映射有很好的效果,同时,还使得每层结果具有一定稀疏性。
(4)池化层:可以降低空间维度,减少计算量,文中选用池化半径为2。
(5)全连接层:输出层也是全连接层,共有4个节点,分别代表人在机场、人在公路、车在机场以及车在公路四种状态。
表3实测数据目标属性分类结果
由表3分析可知,适当的卷积神经网络模型,不仅具备自动学习特征的深度学习能力,而且可以提升系统的识别率,之后的实验则均是建立在上面5层卷积神经网络模型上。同时,我们也发现该神经网络耗费了大量的硬件资源,主要原因是输入的数据量太大了,通过两个卷积层,数据吞吐量急剧增加。因此本发明提出了使用卷积神经网络之前,应对数据进行预处理,在保证不丢失主要特征信号的同时,尽量减少输入数据量。
总之,本发明的人和轮式车辆,微动部件分别为四肢和橡胶轮胎,微动时差异性明显,这种差异性在多普勒域中以微多普勒分量的形式体现出来,使得短驻留时间条件下人和轮式车辆的分类成为可能。在此基础上本发明利用微多普勒原理分析了某型单兵雷达提取到的经过去杂波、降频到音频段的人和轮式车辆的雷达回波信号,针对人和轮式车辆的雷达回波信号的微多普勒效应在时频域上的特点,提出了3种人和轮式车辆的分类算法:
(1)基于EMD分解的能量比算法。该算法首先对信号进行EMD分解,计算出各层IMF分量的能量比特征,用SVM分类器进行分类,分类结果与人工识别比较并无替代优势,原因在于本发明所采用的数据是原始回波信号经过处理后得到音频信号,与原始信号比,各层的IMF分量已经发生了改变,因而对识别率有一定影响。
(2)基于时频图与卷积神经网络相结合的人和轮式车辆分类算法。该算法是对信号进行短时傅里叶变换(STFT),将得到的谱图数据送到训练好的卷积神经网络中进行分类识别,识别率较高,人与轮式车辆车的平均识别率均不低于90%。但也存在对GPU的并行性能要求高,识别耗时长的缺点。
(3)基于Hough特征的时频图与卷积神经网络相结合的人和轮式车辆分类算法。该算法是对信号进行Wigner-Villie时频分析,然后对谱图数据进行Hough直线检测,对检测到的直线进行标识,最后将谱图数据送到训练好的卷积神经网络中进行分类识别,与“基于时频图与卷积神经网络相结合的行人和轮式车辆分类算法”比,在相同的硬件条件下,识别率有所提高,耗时大幅度减少,具有实用意义。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (3)
1.一种基于Hough变换的卷积神经网络下微多普勒目标分类方法,其特征在于:所述方法为:通过雷达获取人体和轮式车辆的雷达回波信号,所述人体和轮式车辆的雷达回波信号是经过去杂波、降频到音频段的雷达回波信号,对雷达回波信号进行Wigner-Villie时频分析,然后对时频分析获得的谱图数据进行Hough变换直线检测,对检测到的直线进行标识,最后将谱图数据送到卷积神经网络中进行分类识别,从而识别出是人体还是轮式车辆。
2.根据权利要求1所述的一种基于Hough变换的卷积神经网络下微多普勒目标分类方法,其特征在于:所述方法进一步为:单兵雷达收集了人体和轮式车辆分别在飞机场和公路上的实测数据,采集到的数据是对固定目标抵消以及运动目标检测算法后,降频到音频段来获得雷达回波信号;
其中,人体的运动雷达回波分析是:人行走时人体的重心是上下摆动的,因而人体躯干的平移分量是随时间周期性变化的,人体的四肢在躯干平移的基础上有相对的摆动,摆动的幅度与四肢的长度、摆动频率、平移速度有关;设摆动幅度为A0,摆动频率为ω0,摆动的初始角为μ0,则人体的微运动可用如下公式表示:A0sin(ω0t+μ0),由该公式得出人体的微运动是随时间呈三角函数变化的;
轮式车辆运动的雷达回波分析是:轮式车辆运动能分解为车身的平动加上轮胎转动的微运动,因此轮式车辆的多普勒信号由两部分组成,第一部分是反映车身平动的多普勒信号,第二部分是反映轮胎旋转的多普勒信号;当车身速度为V时,车辆的微动结构与车身的相对速度分布在[-ν,ν]之间;
因此,人体和轮式车辆,微动部件分别为四肢和橡胶轮胎,微动时差异性明显,这种差异性在多普勒域中以微多普勒分量的形式体现出来;即人体躯干和轮式车辆的车身运动的雷达回波在回波总能量中的占比较大,四肢摆动和轮胎转动所造成的微动能量在回波总能量中的占比较小。
3.根据权利要求1所述的一种基于Hough变换的卷积神经网络下微多普勒目标分类方法,其特征在于:对Wigner-Ville算法分析后的时频图进行Hough变换,所述Hough变换是图像处理中的一种特征提取技术,通过检测具有特定形状的物体,该检测过程在一个参数空间中通过计算累计结果的局部最大值得到一个符合该特定形状的集合作为Hough变换结果,对Hough变换结果中检测到图像的直线进行标识,把这些雷达回波能量集中的图像作分解成32×32像素,然后将32×32像素的图像送到卷积神经网络中进行分类识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810240475.6A CN108459311A (zh) | 2018-03-22 | 2018-03-22 | 基于Hough变换的卷积神经网络下微多普勒目标分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810240475.6A CN108459311A (zh) | 2018-03-22 | 2018-03-22 | 基于Hough变换的卷积神经网络下微多普勒目标分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108459311A true CN108459311A (zh) | 2018-08-28 |
Family
ID=63236381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810240475.6A Pending CN108459311A (zh) | 2018-03-22 | 2018-03-22 | 基于Hough变换的卷积神经网络下微多普勒目标分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108459311A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110658506A (zh) * | 2019-09-10 | 2020-01-07 | 武汉大学 | 一种基于角度聚类和多普勒分析的微多普勒杂波滤除方法 |
CN110907906A (zh) * | 2018-09-14 | 2020-03-24 | 深圳市道通智能航空技术有限公司 | 目标分类方法和相关设备 |
CN112241001A (zh) * | 2020-10-10 | 2021-01-19 | 深圳大学 | 雷达人体动作识别方法、装置、电子设备和存储介质 |
CN112327286A (zh) * | 2020-10-13 | 2021-02-05 | 深圳大学 | 低复杂度下日常活动分类方法、装置、设备及存储介质 |
CN112433207A (zh) * | 2020-11-06 | 2021-03-02 | 浙江理工大学 | 基于双通道卷积神经网络的人体身份识别方法 |
CN112598009A (zh) * | 2020-09-29 | 2021-04-02 | 中科劲点(北京)科技有限公司 | 基于运动分析的车辆分类方法及系统 |
CN112924944A (zh) * | 2021-02-02 | 2021-06-08 | 西安电子工程研究所 | 一种基于时频谱熵估计的车辆目标微动信号抑制方法 |
CN112965038A (zh) * | 2021-02-02 | 2021-06-15 | 西安电子工程研究所 | 一种基于点迹数据和频谱特征的地面活动目标分类方法 |
CN113167860A (zh) * | 2018-11-30 | 2021-07-23 | 高通股份有限公司 | 雷达深度学习 |
CN113238222A (zh) * | 2021-05-13 | 2021-08-10 | 天津大学 | 一种基于包络密度特征的人体动作识别方法 |
CN113985393A (zh) * | 2021-10-25 | 2022-01-28 | 南京慧尔视智能科技有限公司 | 一种目标检测方法、装置及系统 |
US11295543B2 (en) | 2020-03-31 | 2022-04-05 | International Business Machines Corporation | Object detection in an image |
CN117331047A (zh) * | 2023-12-01 | 2024-01-02 | 德心智能科技(常州)有限公司 | 基于毫米波雷达的人体行为数据分析方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184382B (zh) * | 2011-04-11 | 2012-12-05 | 西安电子科技大学 | 基于经验模态分解的运动车辆目标分类方法 |
CN102156282B (zh) * | 2011-03-25 | 2013-02-06 | 电子科技大学 | 一种基于微多普勒效应的雷达目标检测方法 |
CN104267394A (zh) * | 2014-10-07 | 2015-01-07 | 电子科技大学 | 高分辨率人体目标运动特征检测方法 |
CN106250854A (zh) * | 2016-08-02 | 2016-12-21 | 清华大学 | 基于微多普勒特征和支持向量机的人体步态识别方法 |
CN103914703B (zh) * | 2014-05-12 | 2017-02-15 | 西安电子科技大学 | 一种行人与车辆微动目标的分类识别方法 |
-
2018
- 2018-03-22 CN CN201810240475.6A patent/CN108459311A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156282B (zh) * | 2011-03-25 | 2013-02-06 | 电子科技大学 | 一种基于微多普勒效应的雷达目标检测方法 |
CN102184382B (zh) * | 2011-04-11 | 2012-12-05 | 西安电子科技大学 | 基于经验模态分解的运动车辆目标分类方法 |
CN103914703B (zh) * | 2014-05-12 | 2017-02-15 | 西安电子科技大学 | 一种行人与车辆微动目标的分类识别方法 |
CN104267394A (zh) * | 2014-10-07 | 2015-01-07 | 电子科技大学 | 高分辨率人体目标运动特征检测方法 |
CN106250854A (zh) * | 2016-08-02 | 2016-12-21 | 清华大学 | 基于微多普勒特征和支持向量机的人体步态识别方法 |
Non-Patent Citations (6)
Title |
---|
V.C. CHEN: "Analysis of radar micro-Doppler with time-frequency transform", 《PROCEEDINGS OF THE TENTH IEEE WORKSHOP ON STATISTICAL SIGNAL AND ARRAY PROCESSING》 * |
刘锋: "基于改进Wigner-Hough变换的多分量LFM信号特征提取", 《北京理工大学学报》 * |
张国祥: "基于深度神经网络的人车分类算法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
张翼: "基于微多普勒特征的人体目标雷达回波信号分析", 《信号处理》 * |
李彦兵: "基于微多普勒效应和多级小波分解的轮式履带式车辆分类研究", 《电子与信息学报》 * |
袁俊泉: "基于Wigner-Hough变换的LFM信号参数估计方法", 《航天电子对抗》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110907906A (zh) * | 2018-09-14 | 2020-03-24 | 深圳市道通智能航空技术有限公司 | 目标分类方法和相关设备 |
CN113167860A (zh) * | 2018-11-30 | 2021-07-23 | 高通股份有限公司 | 雷达深度学习 |
CN110658506A (zh) * | 2019-09-10 | 2020-01-07 | 武汉大学 | 一种基于角度聚类和多普勒分析的微多普勒杂波滤除方法 |
CN110658506B (zh) * | 2019-09-10 | 2021-09-03 | 武汉大学 | 一种基于角度聚类和多普勒分析的微多普勒杂波滤除方法 |
US11295543B2 (en) | 2020-03-31 | 2022-04-05 | International Business Machines Corporation | Object detection in an image |
CN112598009A (zh) * | 2020-09-29 | 2021-04-02 | 中科劲点(北京)科技有限公司 | 基于运动分析的车辆分类方法及系统 |
CN112241001A (zh) * | 2020-10-10 | 2021-01-19 | 深圳大学 | 雷达人体动作识别方法、装置、电子设备和存储介质 |
CN112241001B (zh) * | 2020-10-10 | 2023-06-23 | 深圳大学 | 雷达人体动作识别方法、装置、电子设备和存储介质 |
CN112327286B (zh) * | 2020-10-13 | 2023-10-20 | 深圳大学 | 低复杂度下日常活动分类方法、装置、设备及存储介质 |
CN112327286A (zh) * | 2020-10-13 | 2021-02-05 | 深圳大学 | 低复杂度下日常活动分类方法、装置、设备及存储介质 |
CN112433207B (zh) * | 2020-11-06 | 2024-05-28 | 浙江理工大学 | 基于双通道卷积神经网络的人体身份识别方法 |
CN112433207A (zh) * | 2020-11-06 | 2021-03-02 | 浙江理工大学 | 基于双通道卷积神经网络的人体身份识别方法 |
CN112965038B (zh) * | 2021-02-02 | 2023-07-21 | 西安电子工程研究所 | 一种基于点迹数据和频谱特征的地面活动目标分类方法 |
CN112924944B (zh) * | 2021-02-02 | 2023-06-13 | 西安电子工程研究所 | 一种基于时频谱熵估计的车辆目标微动信号抑制方法 |
CN112924944A (zh) * | 2021-02-02 | 2021-06-08 | 西安电子工程研究所 | 一种基于时频谱熵估计的车辆目标微动信号抑制方法 |
CN112965038A (zh) * | 2021-02-02 | 2021-06-15 | 西安电子工程研究所 | 一种基于点迹数据和频谱特征的地面活动目标分类方法 |
CN113238222A (zh) * | 2021-05-13 | 2021-08-10 | 天津大学 | 一种基于包络密度特征的人体动作识别方法 |
CN113985393A (zh) * | 2021-10-25 | 2022-01-28 | 南京慧尔视智能科技有限公司 | 一种目标检测方法、装置及系统 |
CN113985393B (zh) * | 2021-10-25 | 2024-04-16 | 南京慧尔视智能科技有限公司 | 一种目标检测方法、装置及系统 |
CN117331047A (zh) * | 2023-12-01 | 2024-01-02 | 德心智能科技(常州)有限公司 | 基于毫米波雷达的人体行为数据分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108459311A (zh) | 基于Hough变换的卷积神经网络下微多普勒目标分类方法 | |
Wang et al. | Deep learning-based UAV detection in pulse-Doppler radar | |
CN105137498B (zh) | 一种基于特征融合的地下目标探测识别系统及方法 | |
CN103955702B (zh) | 基于深度rbf网络的sar图像地物分类方法 | |
CN103177458B (zh) | 一种基于频域分析的可见光遥感图像感兴趣区域检测方法 | |
CN105427314A (zh) | 基于贝叶斯显著性的sar图像目标检测方法 | |
CN110991418B (zh) | 合成孔径雷达目标图像识别方法及系统 | |
Klęsk et al. | Fast analysis of C-scans from ground penetrating radar via 3-D Haar-like features with application to landmine detection | |
Lei et al. | Automatic classification of radar targets with micro-motions using entropy segmentation and time-frequency features | |
CN106291492A (zh) | 一种基于精细杂波图的自适应目标检测方法 | |
CN104103033A (zh) | 图像实时处理方法 | |
CN103065136A (zh) | 一种基于视觉注意机制的sar图像协同目标识别方法 | |
CN107064894A (zh) | 一种基于深度学习的杂波抑制方法 | |
CN107490795A (zh) | 一种通过雷达实现人体运动状态识别的方法 | |
CN107607942A (zh) | 基于深度学习模型的大尺度电磁散射与逆散射的预测方法 | |
Fei et al. | A novel visual attention method for target detection from SAR images | |
CN103218832A (zh) | 基于图像中全局颜色对比度和空域分布的视觉显著性算法 | |
Rizik et al. | Cost-efficient FMCW radar for multi-target classification in security gate monitoring | |
CN105005761A (zh) | 一种结合显著性分析的全色高分辨率遥感图像道路检测方法 | |
CN109934101A (zh) | 基于卷积神经网络的雷达杂波识别方法 | |
CN110232342A (zh) | 基于卷积神经网络的海况等级判断方法及装置 | |
CN104463227B (zh) | 基于fqpso和目标分解的极化sar图像分类方法 | |
CN107341449A (zh) | 一种基于云块特征变化的静止气象卫星降水估算方法 | |
CN103400159B (zh) | 快速移动场景中的目标分类识别方法及分类器获取方法 | |
CN107563420A (zh) | 基于散射能量和堆栈自编码的极化sar图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180828 |
|
RJ01 | Rejection of invention patent application after publication |