CN113238222B - 一种基于包络密度特征的人体动作识别方法 - Google Patents
一种基于包络密度特征的人体动作识别方法 Download PDFInfo
- Publication number
- CN113238222B CN113238222B CN202110523742.2A CN202110523742A CN113238222B CN 113238222 B CN113238222 B CN 113238222B CN 202110523742 A CN202110523742 A CN 202110523742A CN 113238222 B CN113238222 B CN 113238222B
- Authority
- CN
- China
- Prior art keywords
- envelope
- time
- human body
- frequency
- density
- 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
- 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
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种基于包络密度特征的人体动作识别方法,包括:雷达回波信号采集:使用雷达进行多个人体动作探测,接收到回波信号;时频处理:对接收到的回波信号进行时频处理得到回波信号的时频谱图;包络密度特征提取:将所有包络密度特征向量串联起来形成长特征向量;人体动作识别:使用时频谱图以及对应得到的长特征向量作为分类器模型或神经网络模型的输入,对人体动作的雷达回波信号时频谱图进行识别。本发明一种基于包络密度特征的人体动作识别方法,基于包络密度特征对雷达回波信号时频谱图进行特征提取,进一步训练分类器模型或神经网络模型,能够有效提高分类准确度,最终提高对人体动作的识别质量与效率。
Description
技术领域
本发明属于人工智能机器学习领域,尤其是涉及一种基于包络密度特征的人体动作识别方法。
背景技术
随着人类生产生活需求的日益丰富以及科学技术水平的不断提高,人们对智慧生活的诸多美好愿望开始逐步实现。国务院于2017年颁布了《新一代人工智能发展规划》,将“建设安全便捷的智能社会”作为重点任务之一,并指出在未来的人工智能发展过程中要“围绕教育、医疗、养老等迫切民生需求,加快人工智能创新应用,为公众提供个性化、多元化、高品质服务”,其中养老问题随着我国老年人口的比例不断增加逐渐成为重要的社会问题。为积极应对人口老龄化,基于人工智能技术的养老产品开发是构建智能养老体系的关键一环。其中,人体行为智能探测技术能有效的识别人体运动姿态、老年人跌倒、聋哑人手势等人体行为,有效的感知老人、病患的手势动作。特别是在当前全球抗疫、医疗资源和医务人员极度紧缺的情况下,能为老年人独立生活监测提供新方案,为弱势群体,例如老人、病患、聋哑人等提供方便快捷的服务,为解决老龄化及医疗资源紧缺问题提供新途径,并能为我国即将构建的大健康与智慧医疗体系提供良好的技术支撑。
目前常用的人体目标探测手段分为接触式和非接触式,前者是通过接触到人体的温度、声波、压力等传感探测器进行人体特征探测,后者是利用可见光或红外视觉传感器、雷达等开展人体行为及其特征探测。在人体动作行为探测中,作为非接触式传感器,雷达利用探测目标与雷达相对运动时产生的多普勒频移和人体躯干与四肢旋转、振动等微弱动作带来的微多普勒效应探测人体动作运动信息,与其他类型的传感器相比,雷达探测具有一些明显的优势,与接触式探测相比,雷达传感器不需要触碰人体,探测距离远,与非接触式的光学传感器相比,雷达探测不受外界环境、光线、温度等因素的影响,具有一定的遮挡穿透能力,且对目标的微小运动非常敏感,已经成为解决人体姿态和手势动作识别的有力工具。
在现有技术条件下,应用雷达对人体动作进行识别时,一般采用对雷达回波时频谱图提取包络线作为区分不同人体动作的特征,普遍存在着分类准确度低的问题,影响对人体动作进行识别的准确性。
发明内容
有鉴于此,本发明旨在提出一种基于包络密度特征的人体动作识别方法,基于包络密度特征对雷达回波信号时频谱图进行特征提取,进一步训练分类器模型或神经网络模型,能够有效提高分类准确度,最终提高对人体动作的识别质量与效率。
为达到上述目的,本发明的技术方案是这样实现的:
一种基于包络密度特征的人体动作识别方法,包括:
步骤1:雷达回波信号采集:使用雷达进行多个人体动作探测,接收到回波信号;
步骤2:时频处理:对接收到的回波信号进行时频处理得到回波信号的时频谱图;
步骤3:包络密度特征提取:在所得到的时频谱图中,把包络线附近给定的能量强度范围定义为这条包络线的包络带,在时间或频率不变的情况下,能量值对应落入包络带的信号点数则是包络密度特征向量,将所有包络密度特征向量串联起来形成长特征向量;
步骤4:人体动作识别:使用时频谱图以及对应得到的长特征向量作为分类器模型或神经网络模型的输入,使用训练后的分类器模型或神经网络模型,对人体动作的雷达回波信号时频谱图进行识别。
进一步,在步骤2中,利用短时傅里叶变换STFT对回波信号进行时频处理如下:
其中,n=0,1,…,N-1,是离散时间;k=0,1,…,K-1,是离散频率;L是窗函数h(.)的长度。
进一步,在步骤2中,采用汉宁窗进行处理,相参累计时间长度为0.2s,滑动窗口长度为1.0s。
进一步,在步骤3中,能量值E(n,k)计算公式如下:
其中,n=0,1,…,N-1,是离散时间;k=0,1,…,K-1,是离散频率;
在时频谱图中时间不变的每一列中,能量值E(n,k)落在第1条包络带[k1,k2]范围内的点数,作为第1条包络带[k1,k2]内这一列的密度特征值d1,时频谱图内所有列落入第1条包络带[k1,k2]范围内的密度特征值的集合组成特征向量D1,以此类推,能量值E(n,k)落在第N条包络带[kn,kn+1]范围内的点数,作为第N条包络带[kn,kn+1]内这一列的另一个密度特征值dn,时频谱图内所有列落入第N条包络带[kn,kn+1]范围内的密度特征值的集合组成特征向量Dn;
在时频谱图中频率不变的每一行中,能量值E(n,k)落在第N+1条包络带[n1,n2]范围内的点数,作为第N+1条包络带[n1,n2]内这一行的密度特征值f1;时频谱图内所有行落入第N+1条包络带[n1,n2]范围内的密度特征值的集合组成特征向量F1,以此类推,能量值E(n,k)落在第N+M条包络带[nn,nn+1]范围内的点数,作为第N+M条包络带[nn,nn+1]内这一行的另一个密度特征值fn,时频谱图内所有行落入第N+M条包络带[nn,nn+1]范围内的密度特征值的集合组成特征向量Fn;
特征向量D1到特征向量Dn、特征向量F1到特征向量Fn组成长特征向量P1=[D1,…Dn,F1,…Fn]。
进一步,在步骤4中,分类器模型是kNN分类器或SVM分类器。
相对于现有技术,本发明所述的一种基于包络密度特征的人体动作识别方法,具有以下优势:
本发明所述的一种基于包络密度特征的人体动作识别方法,基于包络密度特征对雷达回波信号时频谱图进行特征提取,进一步训练分类器模型或神经网络模型,能够有效提高分类准确度,最终提高对人体动作的识别质量与效率。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
在附图中:
图1为本发明实施例所述的一种基于包络密度特征的人体动作识别方法流程示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
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”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
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,可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
如图1所示,一种基于包络密度特征的人体动作识别方法,包括:
步骤1:雷达回波信号采集:使用雷达进行多个人体动作探测,接收到回波信号;
在本实施例中,采用超宽带雷达模块X4M300对手语动作进行采集,X4M300雷达模块基于Novelda超宽带脉冲雷达X4系统芯片构建,内置了单发、单收天线,雷达的工作频率为7.2~10.2GHz,检测距离范围为0.4~9.4米;
在本实施例中,10种手语动作每种动作由10位被试者分别重复10次并分别接收到回波信号,每一次手语动作持续时间为2s。
步骤2:时频处理:对接收到的回波信号进行时频处理得到回波信号的时频谱图;
步骤3:包络密度特征提取:在所得到的时频谱图中,把包络线附近给定的能量强度范围定义为这条包络线的包络带,在时间或频率不变的情况下,能量值对应落入包络带的信号点数则是包络密度特征向量,将所有包络密度特征向量串联起来形成长特征向量;
步骤4:人体动作识别:使用时频谱图以及对应得到的长特征向量作为分类器模型或神经网络模型的输入,使用训练后的分类器模型或神经网络模型,对人体动作的雷达回波信号时频谱图进行识别。
如图1所示,在步骤2中,利用短时傅里叶变换STFT对回波信号进行时频处理如下:
其中,n=0,1,…,N-1,是离散时间;k=0,1,…,K-1,是离散频率;L是窗函数h(.)的长度。
如图1所示,在步骤2中,采用汉宁窗进行处理,相参累计时间长度为0.2s,滑动窗口长度为1.0s。
如图1所示,在步骤3中,能量值E(n,k)计算公式如下:
其中,n=0,1,…,N-1,是离散时间;k=0,1,…,K-1,是离散频率;
在时频谱图中时间不变的每一列中,能量值E(n,k)落在第1条包络带[k1,k2]范围内的点数,作为第1条包络带[k1,k2]内这一列的密度特征值d1,时频谱图内所有列落入第1条包络带[k1,k2]范围内的密度特征值的集合组成特征向量D1,以此类推,能量值E(n,k)落在第N条包络带[kn,kn+1]范围内的点数,作为第N条包络带[kn,kn+1]内这一列的另一个密度特征值dn,时频谱图内所有列落入第N条包络带[kn,kn+1]范围内的密度特征值的集合组成特征向量Dn;
在时频谱图中频率不变的每一行中,能量值E(n,k)落在第N+1条包络带[n1,n2]范围内的点数,作为第N+1条包络带[n1,n2]内这一行的密度特征值f1;时频谱图内所有行落入第N+1条包络带[n1,n2]范围内的密度特征值的集合组成特征向量F1,以此类推,能量值E(n,k)落在第N+M条包络带[nn,nn+1]范围内的点数,作为第N+M条包络带[nn,nn+1]内这一行的另一个密度特征值fn,时频谱图内所有行落入第N+M条包络带[nn,nn+1]范围内的密度特征值的集合组成特征向量Fn;
特征向量D1到特征向量Dn、特征向量F1到特征向量Fn组成长特征向量P1=[D1,…Dn,F1,…Fn]。
在本实施例中,分别选择了4个包络带,即包络带[k1,k2]=[0.1,0.15],[k3,k4]=[0.85,0.9],[n1,n2]=[0.05,0.3],[n3,n4]=[0.7,0.98];使用上述步骤3进行包络密度特征提取,到D1、D2、F1和F2这4个特征向量,进一步组成长特征向量P1=[D1,D2,F1,F2]。
如图1所示,在步骤4中,分类器模型是kNN分类器或SVM分类器。
使用时频谱图以及对应得到的长特征向量作为分类器模型的输入,可以有效提高分类准确率。
本发明公开的基于包络密度特征的特征提取方式,相比现有的其他方法的分类准确率具有明显优势,对比效果如下:
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于包络密度特征的人体动作识别方法,其特征在于:包括:
步骤1:雷达回波信号采集:使用雷达进行多个人体动作探测,接收到回波信号;
步骤2:时频处理:对接收到的回波信号进行时频处理得到回波信号的时频谱图;
步骤3:包络密度特征提取:在所得到的时频谱图中,把包络线附近给定的能量强度范围定义为这条包络线的包络带,在时间不变的情况下得到包络密度特征向量,在频率不变的情况下得到包络密度特征向量,将两个向量组成为长特征向量;
步骤4:人体动作识别:使用时频谱图以及对应得到的长特征向量作为分类器模型或神经网络模型的输入,使用训练后的分类器模型或神经网络模型,对人体动作的雷达回波信号时频谱图进行识别。
3.根据权利要求2所述的一种基于包络密度特征的人体动作识别方法,其特征在于:在步骤2中,采用汉宁窗进行处理,相参累计时间长度为0.2s,滑动窗口长度为1.0s。
4.根据权利要求1所述的一种基于包络密度特征的人体动作识别方法,其特征在于:在步骤3中,能量值E(n,k)计算公式如下:
其中,n=0,1,…,N-1,是离散时间;k=0,1,…,K-1,是离散频率;
在时频谱图中时间不变的每一列中,能量值E(n,k)落在第1条包络带[k1,k2]范围内的点数,作为第1条包络带[k1,k2]内这一列的密度特征值d1,时频谱图内所有列落入第1条包络带[k1,k2]范围内的密度特征值的集合组成特征向量D1,以此类推,能量值E(n,k)落在第N条包络带[kn,kn+1]范围内的点数,作为第N条包络带[kn,kn+1]内这一列的另一个密度特征值dn,时频谱图内所有列落入第N条包络带[kn,kn+1]范围内的密度特征值的集合组成特征向量Dn;
在时频谱图中频率不变的每一行中,能量值E(n,k)落在第N+1条包络带[n1,n2]范围内的点数,作为第N+1条包络带[n1,n2]内这一行的密度特征值f1;时频谱图内所有行落入第N+1条包络带[n1,n2]范围内的密度特征值的集合组成特征向量F1,以此类推,能量值E(n,k)落在第N+M条包络带[nn,nn+1]范围内的点数,作为第N+M条包络带[nn,nn+1]内这一行的另一个密度特征值fn,时频谱图内所有行落入第N+M条包络带[nn,nn+1]范围内的密度特征值的集合组成特征向量Fn;
特征向量D1到特征向量Dn、特征向量F1到特征向量Fn组成长特征向量P1=[D1,…Dn,F1,…Fn]。
5.根据权利要求1所述的一种基于包络密度特征的人体动作识别方法,其特征在于:在步骤4中,分类器模型是kNN分类器或SVM分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110523742.2A CN113238222B (zh) | 2021-05-13 | 2021-05-13 | 一种基于包络密度特征的人体动作识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110523742.2A CN113238222B (zh) | 2021-05-13 | 2021-05-13 | 一种基于包络密度特征的人体动作识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113238222A CN113238222A (zh) | 2021-08-10 |
CN113238222B true CN113238222B (zh) | 2022-05-13 |
Family
ID=77134135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110523742.2A Active CN113238222B (zh) | 2021-05-13 | 2021-05-13 | 一种基于包络密度特征的人体动作识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113238222B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114722986A (zh) * | 2022-05-06 | 2022-07-08 | 海门市隆茂金属制品有限公司 | 基于机密档案rfid自动选层柜 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107645922B (zh) * | 2015-04-20 | 2021-11-09 | 瑞思迈传感器技术有限公司 | 用传感器进行手势识别 |
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 |
CN108388850A (zh) * | 2018-02-08 | 2018-08-10 | 天津大学 | 一种基于k最近邻及微多普勒特征的人体动作识别方法 |
CN108459311A (zh) * | 2018-03-22 | 2018-08-28 | 三明学院 | 基于Hough变换的卷积神经网络下微多普勒目标分类方法 |
CN110309690B (zh) * | 2018-03-27 | 2022-09-27 | 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 |
CN108664894A (zh) * | 2018-04-10 | 2018-10-16 | 天津大学 | 基于深度卷积对抗神经网络的人体动作雷达图像分类方法 |
-
2021
- 2021-05-13 CN CN202110523742.2A patent/CN113238222B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113238222A (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Human activity recognition based on motion sensor using u-net | |
US20220071588A1 (en) | Sensor fusion to validate sound-producing behaviors | |
Tong et al. | HMM-based human fall detection and prediction method using tri-axial accelerometer | |
CN102499677B (zh) | 基于脑电非线性特征的情绪状态识别方法 | |
Pollreisz et al. | A simple algorithm for emotion recognition, using physiological signals of a smart watch | |
Wang et al. | Pre-impact fall detection based on multi-source CNN ensemble | |
EP3056138B1 (en) | Electrocardiogram (ecg)-based authentication apparatus and method thereof, and training apparatus and method thereof for ecg-based authentication | |
CN104586398A (zh) | 一种基于多传感器融合的老人跌倒检测方法及系统 | |
CN101816560B (zh) | 基于多角度人体热释电信息探测的身份识别方法 | |
Carfi et al. | Online human gesture recognition using recurrent neural networks and wearable sensors | |
Dehzangi et al. | IMU-based robust human activity recognition using feature analysis, extraction, and reduction | |
CN104637242A (zh) | 一种基于多分类器集成的老人跌倒检测方法及系统 | |
CN104484644A (zh) | 一种手势识别方法和装置 | |
CN113238222B (zh) | 一种基于包络密度特征的人体动作识别方法 | |
Lo et al. | Deep learning for detection of fetal ECG from multi-channel abdominal leads | |
CN113010013A (zh) | 一种基于Wasserstein距离的运动想象脑电迁移学习方法 | |
CN111898526A (zh) | 基于多流卷积神经网络的肌电手势识别方法 | |
CN112869717A (zh) | 一种基于bl-cnn的脉搏特征识别分类系统及方法 | |
CN116864112A (zh) | 用于人体芯片的用户数据智能管理系统及其方法 | |
Kurtoglu et al. | Sequential classification of asl signs in the context of daily living using rf sensing | |
Yao et al. | Unobtrusive posture recognition via online learning of multi-dimensional RFID received signal strength | |
CN114756128A (zh) | 可穿戴设备的交互控制系统及其工作方法 | |
CN115754956A (zh) | 基于包络数据时间序列的毫米波雷达手势识别方法 | |
Thu et al. | Freezing of gait detection using discrete wavelet transform and hybrid deep learning architecture | |
CN112863515B (zh) | 利用手机扬声器和麦克风识别人体舌头下颚动作的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |