CN111505632A - 基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法 - Google Patents
基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法 Download PDFInfo
- Publication number
- CN111505632A CN111505632A CN202010510687.9A CN202010510687A CN111505632A CN 111505632 A CN111505632 A CN 111505632A CN 202010510687 A CN202010510687 A CN 202010510687A CN 111505632 A CN111505632 A CN 111505632A
- Authority
- CN
- China
- Prior art keywords
- radar
- power spectrum
- doppler
- matrix
- 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.)
- Granted
Links
Images
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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法,其解决了现有雷达进行人体动作姿态分类识别准确率低、易误判的问题,其步骤包括:雷达原始回波信号预处理;提取受试者相对雷达的径向运动特征;将受试者的动作姿态初步分为“原位运动”、“朝向雷达运动”、“远离雷达运动”三种情况;将“原位运动”情况下的雷达原始回波信号利用功率谱特征提取算法提取功率谱特征并绘制“时间‑距离‑功率谱强度”特征图像;将“朝向雷达运动”、“远离雷达运动”情况下的雷达原始回波信号利用多普勒特征提取算法提取多普勒频移特征并绘制“时间‑多普勒速度‑多普勒频移强度”特征图像;利用卷积神经网络对得到的特征图像进行分类识别。
Description
技术领域
本发明涉及雷达技术领域,特别是涉及一种基于功率谱和多普勒特征的超宽带雷达人体动作姿态分类识别方法。
背景技术
人体动作姿态识别无论是在安防方面还是在智能家居、老弱监测陪护方面都是一个必不可少的环节。通过对人体动作姿态的识别,我们可以实时了解被监测者的相应动作情况,在必要时发出提醒或报警。目前最常见的动作识别技术主要分为基于图像和视频的识别技术以及基于运动传感器的识别技术,然而基于图像和视频的识别技术易受环境和天气的影响且会侵犯受试者的隐私,基于运动传感器的识别技术则需要受试者佩戴相应的设备,这就导致了在应用这些技术时会引发“不方便”的问题。随着雷达技术的发展,基于超宽带雷达的非接触式人体动作姿态分类识别技术解决了以上弊端,我们可以在非接触和相对保护受试者隐私的前提下对受试者的动作姿态进行监测,该技术具有良好的发展前景和应用价值。
发明内容
本发明为解决现有雷达在进行人体动作姿态分类识别时准确率低、易误判的技术问题,提供一种基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法。
本发明提供一种基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法,包括如下步骤:
步骤1:获取超宽带雷达原始回波信号;
步骤2:雷达原始回波信号预处理;
步骤3:获取受试者相对雷达的径向距离信息,并据此提取受试者相对雷达的径向运动特征;
步骤4:将受试者的动作姿态初步分为“原位运动”、“朝向雷达运动”、“远离雷达运动”三种情况;
步骤5:将“原位运动”情况下的雷达原始回波信号利用功率谱特征提取算法提取功率谱特征并绘制“时间-距离-功率谱强度”特征图像;
步骤6:将“朝向雷达运动”、“远离雷达运动”情况下的雷达原始回波信号利用多普勒特征提取算法提取多普勒频移特征并绘制“时间-多普勒速度-多普勒频移强度”特征图像;
步骤7:利用卷积神经网络对根据步骤5、6得到的特征图像进行分类识别。
优选地,步骤2具体包括:
将雷达原始回波信号转化为IQ信号矩阵Signal=I+jQ,其中矩阵横轴为慢时间维度,纵轴为快时间维度;
对IQ信号矩阵的慢时间维度数据进行平均减法滤波处理;
将完成平均减法滤波处理后的信号矩阵转化为功率矩阵;
对功率矩阵的快时间维度数据进行单元平均恒虚警率检测滤波处理。
优选地,步骤3具体包括:
将功率矩阵的快时间维度数据的最大值对应的距离作为此帧慢时间信号持续时间内的受试者相对雷达的径向距离;
对径向距离信息进行一维中值滤波和多项式拟合处理,并根据拟合后的距离信息曲线提取受试者运动相对雷达的径向距离跨越范围、径向平均速度、径向平均加速度特征。
优选地,步骤4具体包括:
将受试者运动的径向距离跨越范围、径向平均速度、径向平均加速度特征进行数学建模,抽象成向量;
根据特征向量每个维度的值,即受试者相对雷达跨越距离的大小与正负、平均速度与平均加速的大小将受试者动作姿态分为“原位运动”、“朝向雷达运动”、“远离雷达运动”三种情况。
优选地,步骤5具体包括:
将雷达原始回波信号转化为IQ信号矩阵Signal=I+jQ,其中矩阵横轴为慢时间维度,纵轴为快时间维度;
创建三维数据缓存器;
将信号矩阵的慢时间维度数据有重叠地分别放入数据缓存器的各个二维单元中;
对数据缓存器单元内的慢时间维度数据进行平均减法滤波处理,消除直流偏置和静态杂波;
创建矩形窗,对数据缓存器单元内对应相同距离的快时间维度数据进行加窗并利用加权交叠平均法提取功率谱特征信息;
对数据缓存器的所有单元进行累加操作,即消除数据缓存器的单元维度;
对数据缓存器二维矩阵的慢时间维度数据进行归一化处理;
绘制填充的二维等高线图。
优选地,步骤6具体包括:
将雷达原始回波信号转化为IQ信号矩阵Signal=I+jQ,其中矩阵横轴为慢时间维度,纵轴为快时间维度;
创建三维数据缓存器;
将信号矩阵的慢时间维度数据有重叠地分别放入数据缓存器的各个二维单元中;
对数据缓存器单元内的慢时间维度数据进行平均减法滤波处理,消除直流偏置和静态杂波;
创建高斯窗,对数据缓存器单元内对应相同距离的快时间维度数据进行加窗并进行快速傅里叶变换提取频域信息;
对数据缓存器单元内的快时间维度数据进行累加操作,即消除快时间维度;
对数据缓存器二维矩阵的单元维度数据进行归一化处理;
将多普勒频移信息转换成多普勒速度信息;
绘制填充的二维等高线图。
优选地,步骤7具体包括:
利用GoogLeNet卷积神经网络对根据步骤5、6得到的特征图像进行分类识别。
本发明还提供一种超宽带雷达人体动作姿态分类识别装置,设有数据采集模块、特征提取模块和分类识别模块;
数据采集模块,目的是基于典型的人体活动场景采集人体动作姿态的回波数据;
特征提取模块,目的是基于回波数据提取人体动作姿态的径向运动特征、功率谱特征、多普勒频移特征;
分类识别模块,目的是利用卷积神经网络对特征图像进行分类识别。
根据本发明提供的具体实施方法,本发明公开了以下技术效果:
本发明提供的一种基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法,首先将受试者的动作姿态进行初级分类,即根据受试者相对雷达的径向运动特征将受试者的动作姿态初步分为“原位运动”、“朝向雷达运动”、“远离雷达运动”三种情况,然后将不同类型动作姿态的原始数据送入不同的特征提取算法(功率谱特征提取算法和多普勒特征提取算法)并绘制特征图像,最后将特征图像送入卷积神经网络完成具体动作姿态的分类识别。本发明相对于现有技术,有如下优点:1)本发明针对不同运动类型分别提出了“功率谱特征提取算法”和“多普勒特征提取算法”,该算法拥有较高的稳定性和准确性,能明显地反映出各类动作姿态的相应特征;2)本发明方法能够有效地识别包括站立、侧转、鞠躬、坐下、原地摔倒、向上跳跃、行走、拄拐杖走、慢跑、爬行、向前跳跃、向前摔倒在内的人体动作姿态;3)本发明最后的分类方法虽然是基于机器学习的图像分类方法,但对于绘制图像的原始信号采集时长要求并不高,采集2秒甚至更少时间的雷达回波信号进行算法处理便可以较高的准确率完成人体动作姿态的分类识别。
附图说明
图1是本发明流程示意图;
图2是本发明径向运动特征提取算法流程示意图;
图3是本发明功率特征提取算法流程示意图;
图4是本发明多普勒特征提取算法流程示意图;
图5a是本发明在人体原位运动情况下站立动作的“时间-距离-功率谱强度”图像;
图5b是本发明在人体原位运动情况下侧转动作的“时间-距离-功率谱强度”图像;
图5c是本发明在人体原位运动情况下鞠躬动作的“时间-距离-功率谱强度”图像;
图5d是本发明在人体原位运动情况下坐下动作的“时间-距离-功率谱强度”图像;
图5e是本发明在人体原位运动情况下原地摔倒动作的“时间-距离-功率谱强度”图像;
图5f是本发明在人体原位运动情况下向上跳跃动作的“时间-距离-功率谱强度”图像;
图6a是本发明在人体朝向雷达运动情况下行走动作的“时间-速度-多普勒频移强度”图像;
图6b是本发明在人体朝向雷达运动情况下拄拐杖走动作的“时间-速度-多普勒频移强度”图像;
图6c是本发明在人体朝向雷达运动情况下慢跑动作的“时间-速度-多普勒频移强度”图像;
图6d是本发明在人体朝向雷达运动情况下爬行动作的“时间-速度-多普勒频移强度”图像;
图6e是本发明在人体朝向雷达运动情况下向前跳跃动作的“时间-速度-多普勒频移强度”图像;
图6f是本发明在人体朝向雷达运动情况下向前摔倒动作的“时间-速度-多普勒频移强度”图像。
具体实施方式
下面结合附图和实施例对本发明做进一步说明,以使本发明所属技术领域的技术人员能够更容易地实施本发明。
实施例1:如图1-4所示,是本发明流程示意图、径向运动特征提取算法流程示意图以及功率特征提取算法流程示意图和多普勒特征提取算法流程示意图,其中人体动作姿态主要包括:站立、侧转、鞠躬、坐下、原地摔倒、向上跳跃、行走、拄拐杖走、慢跑、爬行、向前跳跃、向前摔倒等动作。
本发明包括如下步骤:
步骤1:超宽带雷达的初始化设置;
具体的,探测范围:0.6-4.8m;中心频率:7.29GHz;FPS:255;时间分辨率:0.0039秒;距离分辨率:0.05米;
步骤2:获取超宽带雷达原始回波信号;
具体的,获取的超宽带雷达原始回波信号为:
获取612帧慢信号,每帧信号包含83个快时间点,IQ通道回波信号形式为83×612矩阵;
步骤3:构建回波信号Signal=I+jQ,其中I和Q分别代表I通道回波信号和Q通道回波信号;
步骤4:对回波信号的慢时间维度进行平均减法滤波处理;
具体的,平均减法滤波的公式为:
其中S表示回波信号矩阵Signal,n表示慢时间信号索引;
步骤5:对回波信号的慢时间维度进行滑动平均减法滤波处理;
具体的,滑动平均减法滤波处理的具体步骤为:
取连续不重复的51帧(0.2秒)慢时间信号的平均值;
用参与求平均的每帧慢时间信号减去相应的平均值;
步骤6:计算回波功率,公式为P(m,n)=|I(m,n)|2+|Q(m,n)|2;
步骤7:对功率信号的快时间维度(距离维度)进行单元平均恒虚警率(CA-CFAR)检测滤波处理;
具体的,单元平均恒虚警率(CA-CFAR)检测滤波处理的具体步骤为:
从参考单元中提取噪声样本用来估计噪声,在本发明中参考单元数量设置为64;
将所有参考单元的平均估计值乘以杂波功率估计的缩放系数得到门限值,如果Y≥KZ(其中K为缩放系数,Z为平均估计值),则可以说在被测单元中检测到目标,并将小于门限值的杂波滤除;
步骤8:根据经过步骤6、7滤波后的信号计算受试者相对雷达的径向距离;
具体的,计算受试者相对雷达的径向距离的具体步骤为:
寻找滤波后的快时间信号的质心,公式为
其中xi为快时间索引,P(i,n)为功率信号值;
将质心对应的距离作为受试者本帧慢时间信号相对雷达的径向距离;
步骤9:对上述得到的整个运动过程的距离数据进行一维中值滤波,在本发明中一维中值滤波的邻域大小设置为51;
步骤10:获取受试者相对雷达运动的径向距离跨越范围、径向平均速度、径向平均加速度特征;
步骤11:利用邻近算法根据受试者运动特征将运动分为“原位运动”、“朝向雷达运动”、“远离雷达运动”三种情况;
具体的,利用邻近算法根据受试者运动特征将运动分为“原位运动”、“朝向雷达运动”、“远离雷达运动”三种情况的步骤为:
将受试者运动的径向距离跨越范围、径向平均速度、径向平均加速度特征进行数学建模,抽象成向量;
计算该向量与训练集其它已分类特征向量的欧式距离,取距离最近的前50个特征向量作为最近邻向量,距离越近代表向量所属一个类别的概率越大,欧式距离的计算公式为:
其中X(a)和X(b)代表两个特征向量,n为特征空间维度;
利用加权投票法完成所属类别的判定,其中权重为距离平方的倒数;
步骤12:将经过步骤11分类得到的“原位运动”情况下的雷达原始回波数据根据功率谱特征提取算法绘制出“时间-距离-功率谱强度”图像;
具体的,功率谱特征提取算法的步骤为:
将原始I/Q通道回波数据重构成“快时间信号×慢时间信号”二维信号矩阵,在本发明中采集了2.4秒的雷达回波数据,重构的I/Q通道回波信号矩阵大小为83×612;
构建信号Signal=I+jQ,其中I和Q分别代表I通道回波信号和Q通道回波信号;
创建三维数据缓存器,在本发明中缓存器大小为83×256×612;
将信号有重叠地分别放入数据缓存器中的各个单元,在本发明中数据缓存器每个单元放入83×256的数据,重叠帧数为255,在放入前要在信号矩阵前后补偿数量等于帧率的空帧;
在数据缓存器的每个单元中的慢时间维度进行平均减法滤波处理,消除直流偏置;
创建矩形窗,在本发明中矩形窗长度为256;
对数据缓存器每个单元内对应相同距离的快时间维度数据加窗并利用Welch算法提取功率谱特征,其中Welch算法的公式为:
对数据缓存器的所有单元进行累加操作,即消除数据缓存器的单元维度,在本发明中,累加后的数据矩阵大小为83×256;
对消除单元维度后的慢时间维度数据进行归一化处理;
数据模值平方化,增强特征;
绘制填充的二维等高线图;
应用功率谱特征提取算法绘制出的“时间-距离-功率谱强度”特征图像如图5a-5f所示;
步骤13:将经过步骤11分类得到的“朝向雷达运动”和“远离雷达运动”情况下的雷达原始回波数据根据多普勒特征提取算法绘制出“时间-速度-多普勒频移强度”图像;
具体的,多普勒特征提取算法的步骤为:
将原始I/Q通道回波数据重构成“快时间信号×慢时间信号”二维信号矩阵,在本发明中采集了2.4秒的雷达回波数据,重构的I/Q通道回波信号矩阵大小为83×612;
构建信号Signal=I+jQ,其中I和Q分别代表I通道回波信号和Q通道回波信号;
创建三维数据缓存器,在本发明中缓存器大小为83×256×612;
将信号有重叠地分别放入数据存储器中的各个单元,在本发明中数据缓存器每个单元放入83×256的数据,重叠帧数为255,在放入前要在信号矩阵前后补偿数量等于帧率的空帧;
在数据缓存器的每个单元中的慢时间维度进行均值滤波,消除静态杂波;
创建高斯窗,在本发明中高斯窗长度为256,公式为:
其中M为高斯窗长度,σω为窗口陡度;
对数据缓存器每个单元内对应相同距离的快时间维度数据加窗并利用快速傅里叶变换算法提取频域信息;
对数据缓存器单元内的快时间维度数据进行累加操作,即消除数据缓存器单元内的快时间维度,在本发明中,累加后的数据矩阵大小为256×612;
对各数据缓存器单元内的数据进行归一化处理;
将多普勒频移信息转换成多普勒速度信息;
数据模值平方化,增强特征;
绘制填充的二维等高线图;
应用多普勒特征提取算法绘制出的“时间-速度-多普勒频移强度”特征图像如图6a-6f所示;
步骤14:将步骤12、13绘制的图像送入GoogLeNet Inception V3卷积神经网络进行训练,完成具体动作姿态的分类;
具体的,完成动作姿态分类的步骤为:
所使用GoogLeNet卷积神经网络的基本结构为:1)输入尺寸为299×299×3的9核Conv层;2)输入尺寸为149×149×32的9核Conv层;3)输入尺寸为147×147×32的9核Convpadded层;4)输入尺寸为147×147×64的9核Pool层;5)输入为73×73×64的9核Conv层;6)输入为71×71×80的9核Conv层;7)输入尺寸为35×35×192的9核Conv层;8)3个输入尺寸为35×35×288的Inception层;9)5个输入尺寸为17×17×768的Inception层;10)2个输入尺寸为8×8×1280的Inception层;11)输入尺寸为8×8×2048的64核Pool层;12)输入尺寸为1×1×2048的Linear层;13)输入尺寸为1×1×1000的Softmax层;
将所有权重和偏置常量初始化为较小的随机值;
计算交叉熵损失函数数值;
利用反向传播法更新权重和偏置常量直到误差函数稳定在预设值范围;
在利用卷积神经网络对图像进行学习时,损失函数定义为交叉熵误差函数,公式为:
在本实施例中,共采集了15个人(5女10男)的12种动作姿态雷达回波数据,每个人每种动作重复16次,即共有15×12×16=2880组数据,采用交叉验证法进行验证;
基于本发明实施例提供的上述方法,经测试的人体动作姿态包括站立、侧转、鞠躬、坐下、原地摔倒、向上跳跃、行走、拄拐杖走、慢跑、爬行、向前跳跃、向前摔倒,且其平均分类识别准确率在98%以上,即本方法对人体日常的动作姿态具有较强的分辨能力。
实施例2:本实施例提供一种超宽带雷达人体动作姿态分类识别装置,设有数据采集模块、特征提取模块和分类识别模块。
数据采集模块,目的是基于典型的人体活动场景采集人体动作姿态的回波数据;
特征提取模块,目的是基于回波数据提取人体动作姿态的径向运动特征、功率谱特征、多普勒频移特征;
分类识别模块,目的是利用卷积神经网络对特征图像进行分类识别。
以上所述仅对本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡是在本发明的权利要求限定范围内,所做的任何修改、等同替换、改进等,均应在本发明的保护范围之内。
Claims (8)
1.一种基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法,其特征是,包括如下步骤:
步骤1:获取超宽带雷达原始回波信号;
步骤2:雷达原始回波信号预处理;
步骤3:获取受试者相对雷达的径向距离信息,并据此提取受试者相对雷达的径向运动特征;
步骤4:将受试者的动作姿态初步分为“原位运动”、“朝向雷达运动”、“远离雷达运动”三种情况;
步骤5:将“原位运动”情况下的雷达原始回波信号利用功率谱特征提取算法提取功率谱特征并绘制“时间-距离-功率谱强度”特征图像;
步骤6:将“朝向雷达运动”、“远离雷达运动”情况下的雷达原始回波信号利用多普勒特征提取算法提取多普勒频移特征并绘制“时间-多普勒速度-多普勒频移强度”特征图像;
步骤7:利用卷积神经网络对根据步骤5、6得到的特征图像进行分类识别。
2.根据权利要求1所述的一种基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法,其特征在于,所述步骤2具体包括:
将雷达原始回波信号转化为IQ信号矩阵Signal=I+jQ,其中矩阵横轴为慢时间维度,纵轴为快时间维度;
对IQ信号矩阵的慢时间维度数据进行平均减法滤波处理;
将完成平均减法滤波处理后的信号矩阵转化为功率矩阵;
对功率矩阵的快时间维度数据进行单元平均恒虚警率(CA-CFAR)检测滤波处理。
3.根据权利要求1所述的一种基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法,其特征在于,所述步骤3具体包括:
将功率矩阵的快时间维度数据的最大值对应的距离作为此帧慢时间信号持续时间内的受试者相对雷达的径向距离;
对径向距离信息进行一维中值滤波和多项式拟合处理,并根据拟合后的距离信息曲线提取受试者运动相对雷达的径向距离跨越范围、径向平均速度、径向平均加速度特征。
4.根据权利要求1所述的一种基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法,其特征在于,所述步骤4具体包括:
将受试者运动的径向距离跨越范围、径向平均速度、径向平均加速度特征进行数学建模,抽象成向量;
根据特征向量每个维度的值,即受试者相对雷达跨越距离的大小与正负、平均速度与平均加速的大小将受试者动作姿态分为“原位运动”、“朝向雷达运动”、“远离雷达运动”三种情况。
5.根据权利要求1所述的一种基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法,其特征在于,所述步骤5具体包括:
将雷达原始回波信号转化为IQ信号矩阵Signal=I+jQ,其中矩阵横轴为慢时间维度,纵轴为快时间维度;
创建三维数据缓存器;
将信号矩阵的慢时间维度数据有重叠地分别放入数据缓存器的各个二维单元中;
对数据缓存器单元内的慢时间维度数据进行平均减法滤波处理,消除直流偏置和静态杂波;
创建矩形窗,对数据缓存器单元内对应相同距离的快时间维度数据进行加窗并利用加权交叠平均法提取功率谱特征信息;
对数据缓存器的所有单元进行累加操作,即消除数据缓存器的单元维度;
对数据缓存器二维矩阵的慢时间维度数据进行归一化处理;
绘制填充的二维等高线图。
6.根据权利要求1所述的一种基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法,其特征在于,所述步骤6具体包括:
将雷达原始回波信号转化为IQ信号矩阵Signal=I+jQ,其中矩阵横轴为慢时间维度,纵轴为快时间维度;
创建三维数据缓存器;
将信号矩阵的慢时间维度数据有重叠地分别放入数据缓存器的各个二维单元中;
对数据缓存器单元内的慢时间维度数据进行平均减法滤波处理,消除直流偏置和静态杂波;
创建高斯窗,对数据缓存器单元内对应相同距离的快时间维度数据进行加窗并进行快速傅里叶变换提取频域信息;
对数据缓存器单元内的快时间维度数据进行累加操作,即消除快时间维度;
对数据缓存器二维矩阵的单元维度数据进行归一化处理;
将多普勒频移信息转换成多普勒速度信息;
绘制填充的二维等高线图。
7.根据权利要求1所述的一种基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法,其特征在于,所述步骤7具体包括:
利用GoogLe Net卷积神经网络对根据步骤5、6得到的特征图像进行分类识别。
8.一种超宽带雷达人体动作姿态分类识别装置,设有数据采集模块、特征提取模块和分类识别模块;
所述数据采集模块基于典型的人体活动场景采集人体动作姿态的回波数据;
所述特征提取模块基于回波数据提取人体动作姿态的径向运动特征、功率谱特征、多普勒频移特征;
所述分类识别模块利用卷积神经网络对特征图像进行分类识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010510687.9A CN111505632B (zh) | 2020-06-08 | 2020-06-08 | 基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010510687.9A CN111505632B (zh) | 2020-06-08 | 2020-06-08 | 基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111505632A true CN111505632A (zh) | 2020-08-07 |
CN111505632B CN111505632B (zh) | 2023-03-03 |
Family
ID=71878720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010510687.9A Active CN111505632B (zh) | 2020-06-08 | 2020-06-08 | 基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111505632B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112327288A (zh) * | 2020-10-29 | 2021-02-05 | 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 |
CN113189555A (zh) * | 2021-04-12 | 2021-07-30 | 浙江大学 | 基于时-距包围盒目标截取的多目标分割方法、步态识别方法、装置、系统和存储介质 |
CN113759316A (zh) * | 2021-08-27 | 2021-12-07 | 南京航空航天大学 | 一种基于fft的线性调频连续波雷达检测前参数估计方法 |
CN114863640A (zh) * | 2021-02-03 | 2022-08-05 | 纬创资通股份有限公司 | 特征强化与数据扩增方法及其动作检测装置 |
CN115062658A (zh) * | 2022-06-14 | 2022-09-16 | 电子科技大学 | 基于自适应门限网络的交叠雷达信号调制类型识别方法 |
CN115063884A (zh) * | 2022-06-14 | 2022-09-16 | 电子科技大学 | 基于多域融合深度学习的毫米波雷达头部动作识别方法 |
CN115390058A (zh) * | 2022-08-24 | 2022-11-25 | 中国人民解放军国防科技大学 | 基于微多普勒特征的单通道超宽带雷达人体姿态估计方法 |
CN116559818A (zh) * | 2023-07-04 | 2023-08-08 | 南昌大学 | 一种人体姿态识别方法、系统、计算机及可读存储介质 |
WO2024017363A1 (zh) * | 2022-07-21 | 2024-01-25 | 联合汽车电子有限公司 | 一种动作识别方法、装置、存储介质、传感器及车辆 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090081968A (ko) * | 2008-01-25 | 2009-07-29 | 성균관대학교산학협력단 | 상황 모니터링을 적용한 실시간 물체 인식 및 자세 추정시스템 및 방법 |
US20100046814A1 (en) * | 2008-05-08 | 2010-02-25 | Agfa Healthcare Nv | Method for Mass Candidate Detection and Segmentation in Digital Mammograms |
CN102360528A (zh) * | 2011-07-01 | 2012-02-22 | 上海慧昌智能交通系统有限公司 | 基于多普勒交通雷达进行车型识别的方法 |
US20140285326A1 (en) * | 2013-03-15 | 2014-09-25 | Aliphcom | Combination speaker and light source responsive to state(s) of an organism based on sensor data |
CN105426842A (zh) * | 2015-11-19 | 2016-03-23 | 浙江大学 | 基于支持向量机的表面肌电信号多类手部动作识别方法 |
CN106127110A (zh) * | 2016-06-15 | 2016-11-16 | 中国人民解放军第四军医大学 | 一种基于uwb雷达和最优svm的人体细粒度运动识别方法 |
CN106228031A (zh) * | 2016-09-05 | 2016-12-14 | 北京航空航天大学 | 一种基于试飞数据的飞行动力学模型频宽自适应辨识方法 |
US20160379475A1 (en) * | 2015-06-29 | 2016-12-29 | Echocare Technologies Ltd. | Human motion feature extraction in personal emergency response systems and methods |
CN106295684A (zh) * | 2016-08-02 | 2017-01-04 | 清华大学 | 一种基于微多普勒特征的动态连续/非连续手势识别方法 |
CN206093380U (zh) * | 2016-08-31 | 2017-04-12 | 江苏文瑞智能科技有限公司 | 一种雷达用固定装置 |
CN107220617A (zh) * | 2017-05-25 | 2017-09-29 | 哈尔滨工业大学 | 人体姿态识别系统及方法 |
CN107450724A (zh) * | 2017-07-31 | 2017-12-08 | 武汉大学 | 一种基于双声道音频多普勒效应的手势识别方法及系统 |
CN108133232A (zh) * | 2017-12-15 | 2018-06-08 | 南京航空航天大学 | 一种基于统计字典学习的雷达高分辨距离像目标识别方法 |
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 |
CN109447128A (zh) * | 2018-09-29 | 2019-03-08 | 中国科学院自动化研究所 | 基于微惯性技术的行走和原地踏步运动分类方法和系统 |
CN109507653A (zh) * | 2018-10-22 | 2019-03-22 | 中国人民解放军第四军医大学 | 一种基于uwb的多信息感知生物雷达系统及其获取目标信息的方法 |
CN109709540A (zh) * | 2018-12-19 | 2019-05-03 | 中国人民解放军第四军医大学 | 一种mimo人体雷达信号通道选择方法 |
CN110286368A (zh) * | 2019-07-10 | 2019-09-27 | 北京理工大学 | 一种基于超宽带雷达的老人跌倒检测方法 |
CN110309690A (zh) * | 2018-03-27 | 2019-10-08 | 南京理工大学 | 基于时频谱和距离多普勒谱的手势识别检测方法 |
-
2020
- 2020-06-08 CN CN202010510687.9A patent/CN111505632B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090081968A (ko) * | 2008-01-25 | 2009-07-29 | 성균관대학교산학협력단 | 상황 모니터링을 적용한 실시간 물체 인식 및 자세 추정시스템 및 방법 |
US20100046814A1 (en) * | 2008-05-08 | 2010-02-25 | Agfa Healthcare Nv | Method for Mass Candidate Detection and Segmentation in Digital Mammograms |
CN102360528A (zh) * | 2011-07-01 | 2012-02-22 | 上海慧昌智能交通系统有限公司 | 基于多普勒交通雷达进行车型识别的方法 |
US20140285326A1 (en) * | 2013-03-15 | 2014-09-25 | Aliphcom | Combination speaker and light source responsive to state(s) of an organism based on sensor data |
US20160379475A1 (en) * | 2015-06-29 | 2016-12-29 | Echocare Technologies Ltd. | Human motion feature extraction in personal emergency response systems and methods |
CN105426842A (zh) * | 2015-11-19 | 2016-03-23 | 浙江大学 | 基于支持向量机的表面肌电信号多类手部动作识别方法 |
CN106127110A (zh) * | 2016-06-15 | 2016-11-16 | 中国人民解放军第四军医大学 | 一种基于uwb雷达和最优svm的人体细粒度运动识别方法 |
CN106295684A (zh) * | 2016-08-02 | 2017-01-04 | 清华大学 | 一种基于微多普勒特征的动态连续/非连续手势识别方法 |
CN206093380U (zh) * | 2016-08-31 | 2017-04-12 | 江苏文瑞智能科技有限公司 | 一种雷达用固定装置 |
CN106228031A (zh) * | 2016-09-05 | 2016-12-14 | 北京航空航天大学 | 一种基于试飞数据的飞行动力学模型频宽自适应辨识方法 |
CN107220617A (zh) * | 2017-05-25 | 2017-09-29 | 哈尔滨工业大学 | 人体姿态识别系统及方法 |
CN107450724A (zh) * | 2017-07-31 | 2017-12-08 | 武汉大学 | 一种基于双声道音频多普勒效应的手势识别方法及系统 |
CN108133232A (zh) * | 2017-12-15 | 2018-06-08 | 南京航空航天大学 | 一种基于统计字典学习的雷达高分辨距离像目标识别方法 |
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 |
CN110309690A (zh) * | 2018-03-27 | 2019-10-08 | 南京理工大学 | 基于时频谱和距离多普勒谱的手势识别检测方法 |
CN109447128A (zh) * | 2018-09-29 | 2019-03-08 | 中国科学院自动化研究所 | 基于微惯性技术的行走和原地踏步运动分类方法和系统 |
CN109507653A (zh) * | 2018-10-22 | 2019-03-22 | 中国人民解放军第四军医大学 | 一种基于uwb的多信息感知生物雷达系统及其获取目标信息的方法 |
CN109709540A (zh) * | 2018-12-19 | 2019-05-03 | 中国人民解放军第四军医大学 | 一种mimo人体雷达信号通道选择方法 |
CN110286368A (zh) * | 2019-07-10 | 2019-09-27 | 北京理工大学 | 一种基于超宽带雷达的老人跌倒检测方法 |
Non-Patent Citations (6)
Title |
---|
DING CW等: "Non-contact huamn motion recognition based on UWB radar", 《IEEE》 * |
Y. KIM AND T. MOON: "Human detection and activity classification based on micro-Doppler signatures using deep convolutional neural networks", 《IEEE》 * |
夏雨晴: "基于微动雷达的人体运动状态分类研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
杨晓明,晋玉剑,李永红: "经典功率谱估计WELCH法的MATLAB仿真分析", 《电子测试》 * |
翟世俊: "基于UWB信号的目标识别关键技术研究", 《中国优秀博士学位论文全文数据库》 * |
谢澈澈: "基于深度学习和无监督域适应的跨用户行为识别研究", 《中国优秀硕士论文全文数据库 信息科技辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112327288A (zh) * | 2020-10-29 | 2021-02-05 | 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 |
CN114863640A (zh) * | 2021-02-03 | 2022-08-05 | 纬创资通股份有限公司 | 特征强化与数据扩增方法及其动作检测装置 |
CN114863640B (zh) * | 2021-02-03 | 2024-05-24 | 纬创资通股份有限公司 | 特征强化与数据扩增方法及其动作检测装置 |
CN113189555A (zh) * | 2021-04-12 | 2021-07-30 | 浙江大学 | 基于时-距包围盒目标截取的多目标分割方法、步态识别方法、装置、系统和存储介质 |
CN113189555B (zh) * | 2021-04-12 | 2023-02-14 | 浙江大学 | 基于时-距包围盒目标截取的多目标分割方法、步态识别方法、装置、系统和存储介质 |
CN113759316A (zh) * | 2021-08-27 | 2021-12-07 | 南京航空航天大学 | 一种基于fft的线性调频连续波雷达检测前参数估计方法 |
CN113759316B (zh) * | 2021-08-27 | 2023-10-27 | 江苏云禾峰智能科技有限公司 | 一种基于fft的线性调频连续波雷达检测前参数估计方法 |
CN115063884B (zh) * | 2022-06-14 | 2024-04-23 | 电子科技大学 | 基于多域融合深度学习的毫米波雷达头部动作识别方法 |
CN115062658A (zh) * | 2022-06-14 | 2022-09-16 | 电子科技大学 | 基于自适应门限网络的交叠雷达信号调制类型识别方法 |
CN115063884A (zh) * | 2022-06-14 | 2022-09-16 | 电子科技大学 | 基于多域融合深度学习的毫米波雷达头部动作识别方法 |
CN115062658B (zh) * | 2022-06-14 | 2024-05-28 | 电子科技大学 | 基于自适应门限网络的交叠雷达信号调制类型识别方法 |
WO2024017363A1 (zh) * | 2022-07-21 | 2024-01-25 | 联合汽车电子有限公司 | 一种动作识别方法、装置、存储介质、传感器及车辆 |
CN115390058A (zh) * | 2022-08-24 | 2022-11-25 | 中国人民解放军国防科技大学 | 基于微多普勒特征的单通道超宽带雷达人体姿态估计方法 |
CN116559818B (zh) * | 2023-07-04 | 2023-09-12 | 南昌大学 | 一种人体姿态识别方法、系统、计算机及可读存储介质 |
CN116559818A (zh) * | 2023-07-04 | 2023-08-08 | 南昌大学 | 一种人体姿态识别方法、系统、计算机及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111505632B (zh) | 2023-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111505632B (zh) | 基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法 | |
CN106559749B (zh) | 一种基于射频层析成像的多目标被动式定位方法 | |
CN103049751A (zh) | 一种改进的加权区域匹配高空视频行人识别方法 | |
CN103942577A (zh) | 视频监控中基于自建立样本库及混合特征的身份识别方法 | |
KR101433472B1 (ko) | 상황 인식 기반의 객체 검출, 인식 및 추적 장치, 방법 및 컴퓨터 판독 가능한 기록 매체 | |
Fahmy et al. | A fingerprint segmentation technique based on morphological processing | |
CN109145742A (zh) | 一种行人识别方法及系统 | |
CN107833239B (zh) | 一种基于加权模型约束的寻优匹配目标跟踪方法 | |
CN103020992A (zh) | 一种基于运动颜色关联的视频图像显著性检测方法 | |
CN103049788B (zh) | 基于计算机视觉的待过行人数目的检测系统及方法 | |
CN113378649A (zh) | 身份、位置和动作识别方法、系统、电子设备及存储介质 | |
CN103955682A (zh) | 基于surf兴趣点的行为识别方法及装置 | |
CN107122711A (zh) | 一种基于角度径向变换和质心的夜视视频步态识别方法 | |
CN113850204A (zh) | 一种基于深度学习和超宽带雷达的人体动作识别方法 | |
Song et al. | Feature extraction and target recognition of moving image sequences | |
CN114814832A (zh) | 基于毫米波雷达的人体跌倒行为实时监测系统及监测方法 | |
CN106056078A (zh) | 一种基于多特征回归式集成学习的人群密度估计方法 | |
Zhang et al. | A dynamic hand gesture recognition algorithm based on CSI and YOLOv3 | |
Ahuja et al. | A survey of recent advances in crowd density estimation using image processing | |
CN103577804A (zh) | 基于sift流和隐条件随机场的人群异常行为识别方法 | |
CN107123126A (zh) | 一种人流运动场景热度估计方法 | |
CN108921147A (zh) | 一种基于动态纹理和变换域时空特征的黑烟车识别方法 | |
CN115422962A (zh) | 一种基于毫米波雷达和深度学习算法的姿态和手势识别方法及装置 | |
CN105118073A (zh) | 基于Xtion摄像机的人体头部目标识别方法 | |
Avanzato et al. | A cnn-based differential image processing approach for rainfall classification |
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 |