CN111476078B - 基于毫米波步态生物特征的身份识别方法和系统 - Google Patents
基于毫米波步态生物特征的身份识别方法和系统 Download PDFInfo
- Publication number
- CN111476078B CN111476078B CN202010023557.2A CN202010023557A CN111476078B CN 111476078 B CN111476078 B CN 111476078B CN 202010023557 A CN202010023557 A CN 202010023557A CN 111476078 B CN111476078 B CN 111476078B
- Authority
- CN
- China
- Prior art keywords
- millimeter wave
- frequency
- data
- time
- wave data
- 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
- 230000005021 gait Effects 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000001228 spectrum Methods 0.000 claims description 39
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 abstract description 7
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
- G06V40/25—Recognition of walking or running movements, e.g. gait recognition
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/12—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with electromagnetic waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Evolutionary Biology (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Radar Systems Or Details Thereof (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明实施例公开一种基于毫米波步态生物特征的身份识别方法进而系统,其中方法包括如下步骤:基于全电子稀疏阵列获取目标对象在行走时的毫米波数据,采用预设信号处理角度对所述毫米波数据进行预处理,生成所述毫米波数据对应的特征数据,将所述特征数据输入预先训练好的步态识别模型,识别所述目标对象的身份信息。采用本发明,通过毫米波成像系统获取目标对象运动产生的回波数据,在毫米波对衣物的穿透性的基础上可以增加所获得的回波数据的准确性,进而可以提高身份识别的正确率。
Description
技术领域
本发明涉及生物特征身份识别技术领域,尤其涉及一种基于毫米波步态生物特征的身份识别方法和系统。
背景技术
在生活中,每个人行走时的步态都是生活中长期养成的习惯,不会轻易发生变化,可以作为一种区别于他人的生物特征。然而,当目标对象(例如,犯罪嫌疑人或者公共场所的可疑分子)刻意通过添加衣物改变步态特征时,即使所采集的目标对象的光学图像分辨率再高也会影响身份识别的准确性。
发明内容
本发明实施例提供一种基于毫米波步态生物特征的身份识别方法和系统,通过毫米波成像系统获取目标对象运动产生的回波数据,在毫米波对衣物的穿透性的基础上可以增加所获得的回波数据的准确性,进而可以提高身份识别的正确率。
本发明第一方面实施例提供了一种基于毫米波步态生物特征的身份识别方法,该方法可包括:
基于全电子稀疏阵列获取目标对象在行走时的毫米波数据;
采用预设信号处理角度对所述毫米波数据进行预处理,生成所述毫米波数据对应的特征数据;
将所述特征数据输入预先训练好的步态识别模型,识别所述目标对象的身份信息。
进一步的:
所述预设信号处理角度包括时域处理、频域处理以及时域频域联合处理。
进一步的,在采用预设信号处理角度对所述毫米波数据进行预处理,生成所述毫米波数据对应的特征数据时,基于毫米波步态生物特征的身份识别方法还包括:
基于短时傅里叶变换计算所述毫米波数据的时频特性频谱;
将所述时频特性频谱所指示的频谱特征确定为所述毫米波数据对应的特征数据。
进一步的:
人体不同运动部位在行走时的步频特性在时域频谱中表现出的不同能量强度为所述时频特性频谱的频谱特征。
进一步的,基于毫米波步态生物特征的身份识别方法还包括:
采集若干非合作对象在行走时的毫米波数据,组成训练数据集合;
基于预设模型训练算法对所述训练数据集合中的毫米波数据进行训练,生成识别目标对象身份信息的步态识别模型。
本发明第二方面实施例提供了一种基于毫米波步态生物特征的身份识别系统,该系统可包括:
目标数据获取模块,用于基于全电子稀疏阵列获取目标对象在行走时的毫米波数据;
特征数据生成模块,用于采用预设信号处理角度对所述毫米波数据进行预处理,生成所述毫米波数据对应的特征数据;
身份识别模块,用于将所述特征数据输入预先训练好的步态识别模型,识别所述目标对象的身份信息。
进一步的:
所述预设信号处理角度包括时域处理、频域处理以及时域频域联合处理。
进一步的,特征数据生成模块包括:
频谱计算单元,用于基于短时傅里叶变换计算所述毫米波数据的时频特性频谱;
特征数据确定单元,用于将所述时频特性频谱所指示的频谱特征确定为所述毫米波数据对应的特征数据。
进一步的:
人体不同运动部位在行走时的步频特性在时域频谱中表现出的不同能量强度为所述时频特性频谱的频谱特征。
进一步的,基于毫米波步态生物特征的身份识别系统还包括:
集合获取模块,用于采集若干非合作对象在行走时的毫米波数据,组成训练数据集合;
模型训练模块,用于基于预设模型训练算法对所述训练数据集合中的毫米波数据进行训练,生成识别目标对象身份信息的步态识别模型。
在本发明实施例中,通过毫米波成像系统获取目标对象运动产生的回波数据,基于毫米波对衣物的穿透性的增加了所获得的回波数据的准确性,进而提高了根据上述回波数据进行特征分析及身份识别的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术对象员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于毫米波步态生物特征的身份识别方法的流程示意图;
图2是本发明实施例提供的一种基于毫米波步态生物特征的身份识别系统的结构示意图;
图3是本发明实施例提供的特征数据生成模块的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术对象员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明实施例中,基于毫米波步态生物特征的身份识别系统以下简称为识别系统。
下面将结合附图1,对本发明实施例提供的基于毫米波步态生物特征的身份识别方法进行详细介绍。
请参见图1,为本发明实施例提供了一种基于毫米波步态生物特征的身份识别方法的流程示意图。如图1所示,本发明实施例的方法可以包括以下步骤S101-步骤S103。
S101,基于全电子稀疏阵列获取目标对象在行走时的毫米波数据。
需要说明的是,全电子稀疏阵列可以是毫米波成像系统的核心,可以用于获取目标对象行走时产生的电磁回波信号,形成毫米波图像。
具体的,识别系统可以基于全电子稀疏阵列获取目标对象在行走时的毫米波数据,该毫米波数据可以是目标对象行走时在稀疏阵列中产生的电磁回波信号。
S102,采用预设信号处理角度对毫米波数据进行预处理,生成毫米波数据对应的特征数据。
需要说明的是,对于行人的电磁回波信号,可以采用时频分析手段,提取其步态的电磁回波模型,例如,时域的AR模型、频域的傅里叶变换、或者时域频域联合的短时傅里叶变换等。
在本发明实施例中,识别系统可以采用预设信号处理角度对毫米波数据进行预处理,生成毫米波数据对应的特征数据。可以理解的是,上述预设信号处理角度可以指处理上述毫米波数据的方法,例如可以是时域处理、频域处理或者时域频域联合处理等。优选的,短时傅里叶变换可以克服传统傅里叶变换的缺乏局域性信息的缺点,识别系统可以采用时域频域联合处理的短时傅里叶变换计算毫米波数据的时频特性频谱。进一步的,可以将上述时频特性频谱所指示的频谱特征确定为所述毫米波数据对应的特征数据。
在可选实施例中,人体不同运动部位在行走时的步频特性在时域频谱中表现出的不同能量强度为上述时频特性频谱的频谱特征。可以理解的是,步频特性可以包括双手摆动幅度、步频、步长等。可以用不同的颜色代表时频特性频谱的不同的能量,例如,颜色越黑代表回波能量越小,不同的能量可以对应不同的运动部位,例如,行走时躯干接近平云运动,回波能量最大,可以是时频特性频谱中白色的部分,行走时手脚周期性的摆动会在躯干多普勒频移中产生锯齿状的多普勒调制。
S103,将所述特征数据输入预先训练好的步态识别模型,识别所述目标对象的身份信息。
需要说明的是,在进行身份识别前,识别系统可以采集若干非合作对象在行走时的毫米波数据,组成训练数据集合,进一步的,基于预设模型训练算法对上述训练数据集合中的毫米波数据进行训练,生成识别目标对象身份信息的步态识别模型。可选的,识别系统可以采用卷积神经网络或者支持向量机(support Vector Machine,SVM)进行训练生成步态识别模型。
可以理解的是,步态识别模型可以识别目标对象行走时电磁回波数据的频谱特征,相当于目标对象的步态特征,进而确定该特征对应的对象身份。
具体的,识别系统可以采用上述卷积神经网络或者SVM进行身份识别,优选的可以采用SVM进行识别。
在本发明实施例中,通过毫米波成像系统获取目标对象运动产生的回波数据,基于毫米波对衣物的穿透性的增加了所获得的回波数据的准确性,进而提高了根据上述回波数据进行特征分析及身份识别的准确性。
下面将结合附图2和附图3对本发明实施例提供的基于毫米波步态生物特征的身份识别系统进行详细介绍。需要说明的是,附图2所示的识别系统,用于执行本发明图1所示实施例的方法,为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明图1所示的实施例。
如图2所示,本发明实施例的所述识别系统10可以包括:目标数据获取模块101、特征数据生成模块102、身份识别模块103、集合获取模块104和模型训练模块105。
目标数据获取模块101,用于基于全电子稀疏阵列获取目标对象在行走时的毫米波数据。
需要说明的是,全电子稀疏阵列可以是毫米波成像系统的核心,可以用于获取目标对象行走时产生的电磁回波信号,形成毫米波图像。
具体实现中,目标数据获取模块101可以基于全电子稀疏阵列获取目标对象在行走时的毫米波数据,该毫米波数据可以是目标对象行走时在稀疏阵列中产生的电磁回波信号。
特征数据生成模块102,用于采用预设信号处理角度对毫米波数据进行预处理,生成毫米波数据对应的特征数据。
需要说明的是,对于行人的电磁回波信号,可以采用时频分析手段,提取其步态的电磁回波模型,例如,时域的AR模型、频域的傅里叶变换、或者时域频域联合的短时傅里叶变换等。
在本发明实施例中,特征数据生成模块102可以采用预设信号处理角度对毫米波数据进行预处理,生成毫米波数据对应的特征数据。可以理解的是,上述预设信号处理角度可以指处理上述毫米波数据的方法,例如可以是时域处理、频域处理或者时域频域联合处理等。
在可选实施例中,如图3所示特征数据生成模块102可以包括:频谱计算单元1021和特征数据确定单元1022。由于短时傅里叶变换可以克服传统傅里叶变换的缺乏局域性信息的缺点,频谱计算单元1021可以采用时域频域联合处理的短时傅里叶变换计算毫米波数据的时频特性频谱。进一步的,特征数据确定单元1022可以将上述时频特性频谱所指示的频谱特征确定为所述毫米波数据对应的特征数据。
在可选实施例中,人体不同运动部位在行走时的步频特性在时域频谱中表现出的不同能量强度为上述时频特性频谱的频谱特征。可以理解的是,步频特性可以包括双手摆动幅度、步频、步长等。可以用不同的颜色代表时频特性频谱的不同的能量,例如,颜色越黑代表回波能量越小,不同的能量可以对应不同的运动部位,例如,行走时躯干接近平云运动,回波能量最大,可以是时频特性频谱中白色的部分,行走时手脚周期性的摆动会在躯干多普勒频移中产生锯齿状的多普勒调制。
身份识别模块103,用于将所述特征数据输入预先训练好的步态识别模型,识别所述目标对象的身份信息。
需要说明的是,在进行身份识别前,集合获取模块104可以采集若干非合作对象在行走时的毫米波数据,组成训练数据集合,进一步的,模型训练模块105可以基于预设模型训练算法对上述训练数据集合中的毫米波数据进行训练,生成识别目标对象身份信息的步态识别模型。可选的,模型训练模块105可以采用卷积神经网络或者支持向量机(supportVector Machine,SVM)进行训练生成步态识别模型。
可以理解的是,步态识别模型可以识别目标对象行走时电磁回波数据的频谱特征,相当于目标对象的步态特征,进而确定该特征对应的对象身份。
具体实现中,身份识别模块103可以采用上述卷积神经网络或者SVM进行身份识别,优选的可以采用SVM进行识别。
在本发明实施例中,通过毫米波成像系统获取目标对象运动产生的回波数据,基于毫米波对衣物的穿透性的增加了所获得的回波数据的准确性,进而提高了根据上述回波数据进行特征分析及身份识别的准确性。
可以理解的是,上述方法步骤的执行过程只是一种优选的执行顺序,在实现的过程中可以根据实际需求调整上述执行过程的顺序。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所用的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (1)
1.一种基于毫米波步态生物特征的身份识别方法,其特征在于,所述方法包括:
基于全电子稀疏阵列获取目标对象在行走时的毫米波数据;
采用预设信号处理角度对所述毫米波数据进行预处理,生成所述毫米波数据对应的特征数据,其中,对于行人的电磁回波信号,采用时频分析手段,提取其步态的电磁回波模型,所述时频分析手段包括:时域的AR模型、频域的傅里叶变换、或者时域频域联合的短时傅里叶变换;
将所述特征数据输入预先训练好的步态识别模型,识别所述目标对象的身份信息;
所述预设信号处理角度包括时域处理、频域处理以及时域频域联合处理;
其特征在于,在采用预设信号处理角度对所述毫米波数据进行预处理,生成所述毫米波数据对应的特征数据时,所述方法还包括:基于短时傅里叶变换计算所述毫米波数据的时频特性频谱;将所述时频特性频谱所指示的频谱特征确定为所述毫米波数据对应的特征数据;
人体不同运动部位在行走时的步频特性在时域频谱中表现出的不同能量强度为所述时频特性频谱的频谱特征;所述步频特性包括双手摆动幅度、步频、步长;采用不同的颜色代表时频特性频谱的不同的能量,不同的能量对应不同的运动部位;行走时躯干为时频特性频谱中白色的部分,行走时手脚周期性的摆动会在躯干多普勒频移中产生锯齿状的多普勒调制;
所述方法还包括:采集若干非合作对象在行走时的毫米波数据,组成训练数据集合;基于预设模型训练算法对所述训练数据集合中的毫米波数据进行训练,生成识别目标对象身份信息的步态识别模型。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2019101524543 | 2019-02-28 | ||
CN201910152454 | 2019-02-28 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111476078A CN111476078A (zh) | 2020-07-31 |
CN111476078B true CN111476078B (zh) | 2024-06-25 |
Family
ID=71746224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010023557.2A Active CN111476078B (zh) | 2019-02-28 | 2020-01-09 | 基于毫米波步态生物特征的身份识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111476078B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113591760B (zh) * | 2021-08-09 | 2024-01-05 | 路晟悠拜(重庆)科技有限公司 | 基于毫米波的远场多人体的步态监测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630364A (zh) * | 2009-08-20 | 2010-01-20 | 天津大学 | 基于融合特征的步态信息处理与身份识别方法 |
CN108225304A (zh) * | 2018-01-26 | 2018-06-29 | 青岛美吉海洋地理信息技术有限公司 | 基于多源传感器室内快速定位方法与系统 |
CN108564005A (zh) * | 2018-03-26 | 2018-09-21 | 电子科技大学 | 一种基于卷积神经网络的人体跌倒辨识方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201113143D0 (en) * | 2011-07-29 | 2011-09-14 | Univ Ulster | Gait recognition methods and systems |
CN107358250B (zh) * | 2017-06-07 | 2019-11-22 | 清华大学 | 基于双波段雷达微多普勒融合的人体步态识别方法及系统 |
CN108537144B (zh) * | 2018-03-21 | 2019-01-29 | 特斯联(北京)科技有限公司 | 一种多维人体步态识别方法与设备 |
CN108600202B (zh) * | 2018-04-11 | 2020-11-03 | Oppo广东移动通信有限公司 | 一种信息处理方法及装置、计算机可读存储介质 |
-
2020
- 2020-01-09 CN CN202010023557.2A patent/CN111476078B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630364A (zh) * | 2009-08-20 | 2010-01-20 | 天津大学 | 基于融合特征的步态信息处理与身份识别方法 |
CN108225304A (zh) * | 2018-01-26 | 2018-06-29 | 青岛美吉海洋地理信息技术有限公司 | 基于多源传感器室内快速定位方法与系统 |
CN108564005A (zh) * | 2018-03-26 | 2018-09-21 | 电子科技大学 | 一种基于卷积神经网络的人体跌倒辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111476078A (zh) | 2020-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Waveear: Exploring a mmwave-based noise-resistant speech sensing for voice-user interface | |
CN111445905B (zh) | 混合语音识别网络训练方法、混合语音识别方法、装置及存储介质 | |
CN107851182B (zh) | 用于假冒检测及活跃度分析的系统及方法 | |
Li et al. | Vocalprint: exploring a resilient and secure voice authentication via mmwave biometric interrogation | |
Tivive et al. | Classification of micro‐Doppler signatures of human motions using log‐Gabor filters | |
US20200341114A1 (en) | Identification system for subject or activity identification using range and velocity data | |
KR20190049401A (ko) | 신원 인증 방법, 단말기 장치 및 컴퓨터 판독 가능한 저장 매체 | |
US20140114655A1 (en) | Emotion recognition using auditory attention cues extracted from users voice | |
CN111178331B (zh) | 雷达图像识别系统、方法、设备及计算机可读存储介质 | |
Seifert et al. | Subspace classification of human gait using radar micro-Doppler signatures | |
Khanna et al. | Through-wall remote human voice recognition using doppler radar with transfer learning | |
Miao et al. | Underwater acoustic signal classification based on sparse time–frequency representation and deep learning | |
Gao et al. | Generalized spoofing detection inspired from audio generation artifacts | |
Liu et al. | Automatic human fall detection in fractional Fourier domain for assisted living | |
CN111476078B (zh) | 基于毫米波步态生物特征的身份识别方法和系统 | |
Li et al. | Vocalprint: A mmwave-based unmediated vocal sensing system for secure authentication | |
Janakaraj et al. | STAR: Simultaneous tracking and recognition through millimeter waves and deep learning | |
Le et al. | A fast and compact deep Gabor network for micro-Doppler signal processing and human motion classification | |
Xiang et al. | Acquisition and enhancement of remote human vocal signals based on Doppler radar | |
Garzon-Guerrero et al. | Classification of geometrical targets using natural resonances and principal components analysis | |
Chen et al. | A multi-domain fusion human motion recognition method based on lightweight network | |
Faisal et al. | Human activity recognition from FMCW radar signals utilizing cross-terms free WVD | |
KR102261754B1 (ko) | 박쥐를 모방한 3차원 초음파 이미징 방법 및 장치 | |
CN116994600A (zh) | 基于音频驱动角色口型的方法及系统 | |
KR101413853B1 (ko) | 적외선 영상을 이용한 생체 신호 측정 방법 및 장치 |
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 |