CN110197120B - 用于无人值守传感器系统的人员目标识别方法 - Google Patents
用于无人值守传感器系统的人员目标识别方法 Download PDFInfo
- Publication number
- CN110197120B CN110197120B CN201910328676.6A CN201910328676A CN110197120B CN 110197120 B CN110197120 B CN 110197120B CN 201910328676 A CN201910328676 A CN 201910328676A CN 110197120 B CN110197120 B CN 110197120B
- Authority
- CN
- China
- Prior art keywords
- data
- signal
- training
- neural network
- recurrent neural
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种用于无人值守传感器系统的人员目标识别方法,其步骤包括:步骤S1:数据预处理;将无人值守地面传感器设备获取的原始数据转换成两种形式的数据:时间序列数据和功率谱密度频谱数据;步骤S2:循环神经网络训练;将步骤S1得到的两类数据分别作为训练样本,分别输入到两个不同的循环神经网络中训练;步骤S3:并联循环神经网络识别信号;将步骤S2得到的训练生成的两个模型并联,一个模型判断有无人走路,一个模型判断有无人跑步,两个模型的结果作或运算,最后判断是否有人。本发明具有原理简单、可以实时对人员进行检测、并能够显著提高识别准确率等优点。
Description
技术领域
本发明主要涉及到适应于人员目标的模式识别领域,特指一种用于无人值守传感器系统的人员目标识别方法。
背景技术
传统的无人值守传感器系统中人员目标识别方法包括:过零分析和小波变换等方法,这些方法在处理单一场景有规律走路或跑步时还行,但实际上走路和跑步可能并存,每个人走跑的步频也是不同的,这时传统方法往往会出现漏检情况。
近些年来随着深度学习方法的蓬勃发展,如循环神经网络尤为擅长处理序列数据。因此,亟需一种高识别准确率的基于循环神经网络在无人值守传感器系统中的人员目标识别方法。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种原理简单、可以实时对人员进行检测、并能够显著提高识别准确率的用于无人值守传感器系统的人员目标识别方法。
为解决上述技术问题,本发明采用以下技术方案:
一种用于无人值守传感器系统的人员目标识别方法,其步骤包括:
步骤S1:数据预处理;将无人值守地面传感器设备获取的原始数据转换成两种形式的数据:时间序列数据和功率谱密度频谱数据;
步骤S2:循环神经网络训练;将步骤S1得到的两类数据分别作为训练样本,分别输入到两个不同的循环神经网络中训练;
步骤S3:并联循环神经网络识别信号;将步骤S2得到的训练生成的两个模型并联,一个模型判断有无人走路,一个模型判断有无人跑步,两个模型的结果作或运算,最后判断是否有人。
作为本发明的进一步改进:在步骤S1中,对原始信号进行低频段带通滤波,频段在18-26Hz;对信号再进行峰值区域提取,即提取以地震信号峰值为中心,时间长度为500ms的时间序列;最后对信号作归一化处理,范围在0至1000,得到输入到一个循环神经网络的时间序列数据。
作为本发明的进一步改进:在步骤S1中,对原始数据使用Welch方法得到功率谱密度估计数据,得到输入到另一个循环神经网络的功率谱密度频谱数据。
作为本发明的进一步改进:所述原始数据只含静置信号和有人跑步信号。
作为本发明的进一步改进:将时间序列数据作为一个循环神经网络的训练样本;对训练样本贴标签,标签0是静置信号,标签1是有人跑步信号;循环神经网络训练迭代次数根据测试集准确率和损失函数值是否收敛来定。
作为本发明的进一步改进:将功率谱密度频谱数据作为另一个循环神经网络的训练样本;对训练样本贴标签,标签0是静置信号,标签1是有人走路信号;循环神经网络训练迭代次数根据测试集准确率和损失函数值是否收敛来定。
作为本发明的进一步改进:在步骤S3中将两个循环神经网络训练模型并联,其中一个循环神经网络模型输入功率谱密度频谱数据,用来判断是否有人走路;另一个循环神经网络模型输入时间序列数据,用来判断是否有人跑步。
作为本发明的进一步改进:两个循环神经网络的输出都是0-1值,对两个网络输出结果作或运算也是得到0-1值,其中0代表无人,1代表有人。
与现有技术相比,本发明的优点在于:本发明的用于无人值守传感器系统的人员目标识别方法,其人员识别方法是通过大样本训练循环神经网络得到训练模型,模型识别具有普适性;本发明能够实时检测人员是否在无人值守传感器附近30米区域活动,进一步提高目标识别准确率,通过大样本测试准确率高达98%。
附图说明
图1是本发明的流程示意图。
图2是本发明在具体应用实例中的对原始数据(含静置信号和跑步信号)进行带通滤波前后的示意图及黑色方框区域放大示意图;其中图2a是带通滤波前的原始信号示意图,图2b是图2a中黑色方框区域放大示意图,图2c是带通滤波后的示意图,图2d是图2c中黑色方框区域放大示意图。
图3是本发明在具体应用实例中的对带通滤波后的信号进行峰值区域提取和归一化后的示意图;其中图3a~3b是跑步信号进行峰值区域提取和归一化后的示意图,图3c~3d是静置信号进行峰值区域提取和归一化后的示意图。
图4是本发明在具体应用实例中的对原始数据(含静置信号和走路信号)进行功率谱密度估计得到的功率谱密度频谱示意图;其中图4a~4b是走路信号在不同时间段的功率谱密度频谱示意图,图4c~4d是静置信号在不同时间段的功率谱密度频谱示意图。
图5是本发明在具体应用实例中循环神经网络训练流程示意图。
图6是本发明在具体应用实例中循环神经网络模型1训练的准确率示意图和损失函数示意图;其中图6a是损失函数示意图,图6b是准确率示意图,点画线均代表测试集,实线均代表训练集。
图7是本发明在具体应用实例中循环神经网络模型2训练的准确率示意图和损失函数示意图;其中图7a是损失函数示意图,图7b是准确率示意图,点画线均代表测试集,实线均代表训练集。
具体实施方式
以下将结合说明书附图和具体实施例对本发明做进一步详细说明。
如图1所示,本发明的用于无人值守传感器系统的人员目标识别方法,是一种基于并联循环神经网络在无人值守传感器系统中的人员目标识别方法;它的流程为:
步骤S1:数据预处理:
将无人值守地面传感器设备获取的原始数据转换成两种形式的数据:
一类是时间序列数据,是由原始数据经过带通滤波、峰值区域提取和归一化得到;
一类是功率谱密度频谱数据,是由原始数据使用Welch方法作功率谱密度估计得到。
如图2所示,对原始数据(含静置信号和跑步信号)进行带通滤波(18-26Hz)前后的波形图及黑色方框区域放大图。其中图2a是带通滤波前的原始信号波形图,图2b是图2a中黑色方框区域放大图,图2c是带通滤波后的波形图,图2d是图2c中黑色方框区域放大图。
为了使循环神经网络更好地抓取跑步信号的脚步节奏特征,对带通滤波后的信号进行峰值区域提取和归一化。峰值区域指的是提取以信号峰值为中心,时间长度为500ms的时间序列信号。归一化的范围在0至1000。如图3所示,图3a~3b是跑步信号进行峰值区域提取和归一化后的波形图,图3c~3d是静置信号进行峰值区域提取和归一化后的波形图。
将不同时间段的原始数据(含静置信号和走路信号)进行功率谱密度估计,通过使用Welch方法得到不同时间段的功率谱密度估计频谱曲线。如图4所示,图4a~4b是走路信号在不同时间段的功率谱密度频谱曲线,图4c~4d是静置信号在不同时间段的功率谱密度频谱曲线。
步骤S2:循环神经网络训练:
以上述步骤S1得到的两类数据分别作为训练样本,分别输入到两个不同的循环神经网络中训练。如图5所示,循环神经网络训练流程图。
对步骤S1得到两类数据贴标签,静置信号的标签为0,走路和跑步信号的标签为1。
循环神经网络1的训练样本数据是功率谱密度频谱数据,样本中只含静置信号和走路信号。训练生成的模型用来判断是否有人走路。
循环神经网络2的训练样本数据是时间序列数据,样本中只含静置信号和跑步信号。训练生成的模型用来判断是否有人跑步。
两个网络训练样本的数量要求足够大,不能低于5000。有人信号的样本需要在不同人运动时采集,从而进一步增加样本的多样性。
循环神经网络的训练迭代次数需根据样本测试集中准确率和损失函数值是否收敛来定。生成的模型需要对未经过训练的其他样本进行测试,直到测试的准确率接近于训练的收敛准确率值为止。
如图6所示,循环神经网络模型1训练的准确率图和损失函数图,图6a是损失函数图,图6b是准确率图,点画线均是测试集,实线均是训练集。训练样本的数量是9228,其中训练集占80%,测试集占20%。模型训练迭代1200次开始收敛,最终的测试集准确率为98.22%,损失函数值为0.26。
如图7所示,循环神经网络模型2训练的准确率图和损失函数图,图7a是损失函数图,图7b是准确率图,点画线均是测试集,实线均是训练集。训练样本的数量是5389,其中训练集占80%,测试集占20%。模型训练迭代400次开始收敛,最终的测试集准确率为97.96%,损失函数值为0.3341。
对训练好的两个循环神经网络模型分别进行大样本测试。模型1的测试样本数为1225,测试准确率为98.41;模型2的测试样本数为931,测试准确率为98.06%。
步骤S3:并联循环神经网络识别信号:
将上述步骤S2训练生成的两个模型并联,一个模型判断有无人走路,一个模型判断有无人跑步,两个模型的结果作或运算,最后判断是否有人。
循环神经网络模型1的输入是功率谱密度频谱数据,数据处理过程同步骤S1。循环神经网络模型2的输入是时间序列数据,数据处理过程同步骤S1。
两个模型输入的测试样本中均包含静置、走路和跑步三类信号,模型识别结果均是0-1值。网络模型1中0代表无人(静置信号),1代表有人(走路信号)。网络模型2中0代表无人(静置信号),1代表有人(跑步信号)。
两个模型的输出结果作或运算,得到的结果也是0-1值,0是代表无人(静置信号),1代表有人(走路信号或跑步信号)。
并联循环神经网络模型的测试样本数量为1596,测试准确率为98.12%。
综上所述,本发明的方法能够简单、方便、准确、实时地检测人员目标,对无人值守地面传感器系统目标识别具有重要的理论和实用价值。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (7)
1.一种用于无人值守传感器系统的人员目标识别方法,其特征在于,其步骤包括:
步骤S1:数据预处理;将无人值守地面传感器设备获取的原始数据转换成两种形式的数据:时间序列数据和功率谱密度频谱数据;
步骤S2:循环神经网络训练;将步骤S1得到的两类数据分别作为训练样本,分别输入到两个不同的循环神经网络中训练;
步骤S3:并联循环神经网络识别信号;将步骤S2得到的训练生成的两个模型并联,其中一个循环神经网络模型输入功率谱密度频谱数据,用来判断是否有人走路;另一个循环神经网络模型输入时间序列数据,用来判断是否有人跑步,两个模型的结果作或运算,最后判断是否有人;
在步骤S1中,对原始信号进行低频段带通滤波,对信号再进行峰值区域提取,即提取以地震信号峰值为中心的时间序列;最后对信号作归一化处理,得到输入到一个循环神经网络的时间序列数据。
2.根据权利要求1所述的用于无人值守传感器系统的人员目标识别方法,其特征在于,在步骤S1中,对原始信号进行低频段带通滤波时频段在18-26Hz;所述对信号再进行峰值区域提取,即提取以地震信号峰值为中心,时间长度为500ms的时间序列;所述对信号作归一化处理,范围在0至1000。
3.根据权利要求1所述的用于无人值守传感器系统的人员目标识别方法,其特征在于,在步骤S1中,对原始数据使用Welch方法得到功率谱密度估计数据,得到输入到另一个循环神经网络的功率谱密度频谱数据。
4.根据权利要求2或3所述的用于无人值守传感器系统的人员目标识别方法,其特征在于,所述原始数据只含静置信号和有人跑步信号。
5.根据权利要求4所述的用于无人值守传感器系统的人员目标识别方法,其特征在于,将时间序列数据作为一个循环神经网络的训练样本;对训练样本贴标签,标签0是静置信号,标签1是有人跑步信号;循环神经网络训练迭代次数根据测试集准确率和损失函数值是否收敛来定。
6.根据权利要求4所述的用于无人值守传感器系统的人员目标识别方法,其特征在于,将功率谱密度频谱数据作为另一个循环神经网络的训练样本;对训练样本贴标签,标签0是静置信号,标签1是有人走路信号;循环神经网络训练迭代次数根据测试集准确率和损失函数值是否收敛来定。
7.根据权利要求4所述的用于无人值守传感器系统的人员目标识别方法,其特征在于,两个循环神经网络的输出都是0-1值,对两个网络输出结果作或运算也是得到0-1值,其中0代表无人,1代表有人。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910328676.6A CN110197120B (zh) | 2019-04-23 | 2019-04-23 | 用于无人值守传感器系统的人员目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910328676.6A CN110197120B (zh) | 2019-04-23 | 2019-04-23 | 用于无人值守传感器系统的人员目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110197120A CN110197120A (zh) | 2019-09-03 |
CN110197120B true CN110197120B (zh) | 2021-09-10 |
Family
ID=67751999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910328676.6A Active CN110197120B (zh) | 2019-04-23 | 2019-04-23 | 用于无人值守传感器系统的人员目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110197120B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461064A (zh) * | 2020-04-24 | 2020-07-28 | 中国人民解放军国防科技大学 | 一种用于无人值守传感器系统的车辆目标识别方法及系统 |
CN112580537B (zh) * | 2020-12-23 | 2022-06-21 | 中国人民解放军国防科技大学 | 一种用于多无人机系统持续覆盖特定区域的深度强化学习方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463966A (zh) * | 2017-08-17 | 2017-12-12 | 电子科技大学 | 基于双深度神经网络的雷达一维距离像目标识别方法 |
CN108318249A (zh) * | 2018-01-24 | 2018-07-24 | 广东石油化工学院 | 一种旋转机械轴承的故障诊断方法 |
CN109034054A (zh) * | 2018-07-24 | 2018-12-18 | 华北电力大学 | 基于lstm的谐波多标签分类方法 |
CN109508677A (zh) * | 2018-11-15 | 2019-03-22 | 电子科技大学 | 一种基于改进cnn网络的空中手写动作识别 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104323780B (zh) * | 2014-10-30 | 2016-07-06 | 上海交通大学 | 基于支持向量机的行人步态分类系统及方法 |
CN104598880A (zh) * | 2015-03-06 | 2015-05-06 | 中山大学 | 一种基于模糊支持向量机的行为识别方法 |
RU2625092C1 (ru) * | 2016-08-24 | 2017-07-11 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Российский государственный университет физической культуры, спорта, молодежи и туризма (ГЦОЛИФК)" (РГУФКСМиТ) | Способ измерения коэффициента преобразования датчика ускорения с помощью тредбана и устройство для его осуществления |
CN107092861B (zh) * | 2017-03-15 | 2020-11-27 | 华南理工大学 | 基于压力与加速度传感器的下肢动作识别方法 |
CN108875584A (zh) * | 2018-05-23 | 2018-11-23 | 西北工业大学 | 一种基于无线感知的高可靠用户行为识别方法 |
-
2019
- 2019-04-23 CN CN201910328676.6A patent/CN110197120B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463966A (zh) * | 2017-08-17 | 2017-12-12 | 电子科技大学 | 基于双深度神经网络的雷达一维距离像目标识别方法 |
CN108318249A (zh) * | 2018-01-24 | 2018-07-24 | 广东石油化工学院 | 一种旋转机械轴承的故障诊断方法 |
CN109034054A (zh) * | 2018-07-24 | 2018-12-18 | 华北电力大学 | 基于lstm的谐波多标签分类方法 |
CN109508677A (zh) * | 2018-11-15 | 2019-03-22 | 电子科技大学 | 一种基于改进cnn网络的空中手写动作识别 |
Non-Patent Citations (1)
Title |
---|
Seismic sensor system for security applications based on MEMS accelerometer;Roman Berešík et al;《2014 International Conference on Applied Electronics》;20150119;摘要、第Ⅲ部分第5、8段 * |
Also Published As
Publication number | Publication date |
---|---|
CN110197120A (zh) | 2019-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107203692B (zh) | 基于深度卷积神经网络的心电数据数字信号处理方法 | |
CN108564005B (zh) | 一种基于卷积神经网络的人体跌倒辨识方法 | |
CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
CN109171707A (zh) | 一种智能心电图分类方法 | |
CN104198898B (zh) | 基于脉冲序列分析的局部放电发展过程诊断方法 | |
CN103279765B (zh) | 基于图像匹配的钢丝绳表面损伤检测方法 | |
CN110197120B (zh) | 用于无人值守传感器系统的人员目标识别方法 | |
CN102509085A (zh) | 基于轮廓不变矩特征的猪行走姿态识别系统和方法 | |
CN111428631B (zh) | 无人机飞控信号可视化识别分选方法 | |
CN112580486B (zh) | 一种基于雷达微多普勒信号分离的人体行为分类方法 | |
CN110659649A (zh) | 一种基于近红外光成像的图像处理与字符识别算法 | |
CN105139029A (zh) | 一种监狱服刑人员的行为识别方法及装置 | |
CN105071830B (zh) | 一种直扩信号的检测识别方法 | |
CN112068120A (zh) | 基于二维傅里叶变换的微多普勒时频平面单兵小分队识别方法 | |
CN112528774B (zh) | 一种复杂电磁环境下未知雷达信号智能分选系统及方法 | |
CN113283331A (zh) | 用于无人值守传感器系统的多类别目标识别方法及系统 | |
CN103267652B (zh) | 一种智能早期设备故障在线诊断方法 | |
CN110764152B (zh) | 一种无人机快速检测与识别的装置及方法 | |
CN106198008B (zh) | 一种电机轴承外圈故障辨识方法 | |
CN109254654B (zh) | 一种结合PCA和PCANet的驾驶疲劳特征提取方法 | |
CN104125050A (zh) | 超高频rfid读卡器协议一致性测试方法 | |
CN109409216B (zh) | 基于子载波动态选择的速度自适应室内人体检测方法 | |
CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
CN115700595B (zh) | 基于射频指纹深度学习的身份识别方法及装置 | |
CN111616680A (zh) | 一种脑力负荷自动辨识方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |