CN113341392B - 一种基于多站雷达微多普勒运动测向的人体行为分类方法 - Google Patents
一种基于多站雷达微多普勒运动测向的人体行为分类方法 Download PDFInfo
- Publication number
- CN113341392B CN113341392B CN202110609841.2A CN202110609841A CN113341392B CN 113341392 B CN113341392 B CN 113341392B CN 202110609841 A CN202110609841 A CN 202110609841A CN 113341392 B CN113341392 B CN 113341392B
- Authority
- CN
- China
- Prior art keywords
- doppler
- data
- radar
- micro
- station
- 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
- 230000033001 locomotion Effects 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000004927 fusion Effects 0.000 claims abstract description 27
- 238000000513 principal component analysis Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 230000006399 behavior Effects 0.000 claims description 87
- 230000006870 function Effects 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000000926 separation method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000002238 attenuated effect Effects 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000000877 morphologic effect Effects 0.000 claims description 2
- 230000001629 suppression Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 8
- 230000008859 change Effects 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- 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
- G01S7/415—Identification of targets based on measurements of movement associated with the target
-
- 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
- G01S13/87—Combinations of radar systems, e.g. primary radar and secondary radar
-
- 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
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开的一种基于多站雷达微多普勒运动测向的人体行为分类方法,属于雷达目标探测信号处理领域。本发明实现方法为:通过利用基于多站雷达多普勒频率的人体运动方向估计方法,实时测量人体运动相对于不同雷达接收机的方位角。根据测量的角度值和不同方位角对分类性能影响的不同对多站数据进行区间划分,并依据划分的区间进行数据级融合,利用双通道的卷积主成分分析网络CPCAN对不同区间的数据进行特征提取与分类,将两个通道的分类结果进行自适应加权的决策级融合得到最终的行为类别结果。本发明通过充分考虑运动方位变化带来的微多普勒数据的影响,能够简化多站分类网络结构,具有更佳的分类性能和更稳健的分类效果。
Description
技术领域
本发明涉及一种基于多站雷达微多普勒运动测向的人体行为分类方法,属于雷达目标探测信号处理领域。
背景技术
人体的行为监测与步态识别在现代生活中具有重要的价值。经过数十年的研究,人体行为识别技术取得了巨大进步,各种方法被提出,目前常用的人体行为与健康监测手段有:可穿戴式设备(加速度计、三轴陀螺仪)、视频、红外、雷达等。与其它手段相比,雷达监测具有如下几点优势:第一,雷达通过主动发射低功耗、对人体无害的电磁波进行探测,是一种无接触式的监测手段,避免了穿戴式设备对用户带来的不舒适感和易遗落的缺点;第二,雷达发射的电磁波信号传播能力强,探测距离远,且具备一定的穿透能力,特别适合于环境复杂,存在遮挡的室内场所;第三,雷达探测不受光照条件、温度变化等天时天候的影响,能够实现对目标的全天时、全天候监测;第四,雷达探测不直接对监测目标进行成像,具备良好的隐私保护能力,不易泄露私人信息,更加适合于居家敏感区域(卧室、浴室)人体行为的监测。因此,基于雷达微多普勒效应的人体行为分类成为当下的研究热点,且被广泛应用于安保监视、搜索救援、医学监护、居家养老、智能家居、人机交互等多个领域。
雷达微多普勒人体行为分类系统在实际应用中面临的一个主要问题是对雷达视线方向与人体运动方向夹角的依赖性。由于单站雷达系统覆盖范围有限以及雷达多普勒效应对目标运动方位角的敏感性,在实际场景中的某些区域或某些时刻(人体运动方向垂直于雷达视线方向)无法有效获取人体行为信息,进而导致行为分类失败。由于多站雷达系统可以通过配置多个节点从不同空间分布位置照射人体目标,不但可以消除探测盲区,还可以确保人体能够在至少一个有利的方位角度下被探测到,从而克服单站雷达微多普勒人体行为分类系统角度敏感的问题,保证人体行为分类的正常进行。但由于人体在实际运动过程中方位角度不断发生变化,同一雷达的不同时刻或不同站位雷达所得到的人体微多普勒信息有一定的差异,如果不加区分的将这些信息全部利用,会导致人体行为分类准确率下降。因此,如何利用好多站雷达人体行为回波信息是一个难点,需要开展研究,提高多站人体微多普勒行为分类的准确率和分类系统的稳健性能。
发明内容
本发明公开的一种基于多站雷达微多普勒运动测向的人体行为分类方法的目的是:提供一种基于多站雷达微多普勒信号人体运动方向测量和多站数据融合的人体行为分类方法,能提高多站人体微多普勒行为分类的准确率和分类系统的稳健性能。
本发明的目的是通过下述技术方案实现的。
本发明公开的一种基于多站雷达微多普勒运动测向的人体行为分类方法,通过利用基于多站雷达多普勒频率的人体运动方向估计方法,实时测量人体运动相对于不同雷达接收机的方位角。根据测量的角度值和不同方位角对分类性能影响的不同对多站数据进行区间划分,并依据划分的区间进行数据级融合,利用双通道的卷积主成分分析网络CPCAN(convolutional principal component analysis network)对不同区间的数据进行特征提取与分类,将两个通道的分类结果进行自适应加权的决策级融合得到最终的行为类别结果。本发明通过充分考虑运动方位变化带来的微多普勒数据的影响,能够简化多站分类网络结构,具有更佳的分类性能和更稳健的分类效果。
本发明公开的一种基于多站雷达微多普勒运动测向的人体行为分类方法,包括如下步骤:
步骤一、对采集到的多站雷达回波信号r(n)进行预处理操作,得到预处理后的回波信号x(n)。所述信号预处理包括滤波、去直流、镜像频率抑制。
步骤二、对预处理后的信号x(n)执行微多普勒信号分离操作,分别提取躯体的多普勒信号xtorso(n)和肢体的微多普勒信号xlimbs(n)。
步骤2.1:执行短时分数域滤波提取慢变的躯体多普勒信号xtorso(n)。
计算回波信号x(n)的p1阶短时分数傅里叶变换STFrFT(short-time fractionalFourier transform)p1为躯体多普勒信号的合适阶次。设计时频滤波函数H(n,k)如下所示
式中,Th为依据经验选取的阈值。对短时分数域滤波后的信号进行逆短时分数傅里叶变换ISTFrFT得到慢变的躯体多普勒信号xtorso(n),其表达式如下
步骤2.2:利用CLEAN技术从信号x(n)中消除步骤2.1中提取到的信号xtorso(n),得到的残留信号为xrem(n)。
步骤2.3:对信号xrem(n)执行基于短时分数傅里叶变换的形态形量分析MCA(morphological component analysis)优化求解,提取快变的肢体微多普勒信号xlimbs(n)。
对于残留信号xrem(n),xrem=x′torso+xlimbs+w,x′torso是信号xtorso的残留成分,保持与xtorso一样的时频变化特性,xlimbs是待提取的肢体微多普勒信号,w表示噪声。利用p1阶的宽窗STFrFT和p2阶的窄窗STFrFT分别稀疏表征xtorso和xlimbs,建立如下优化问题
通过求解式(3)得到肢体的微多普勒信号xlimbs。
步骤三、利用经步骤二中微多普勒信号分离算法产生的躯体多普勒信号xtorso(n),估计目标相对于多站雷达系统各个接收机的运动方位角。
步骤3.1:利用基于Viterbi算法的瞬时频率估计方法提取步骤二中分离后的躯体多普勒信号xtorso的瞬时多普勒值。
步骤3.2:利用步骤3.1中得到的躯体多普勒信号xtorso的瞬时多普勒值估计目标相对于雷达发射天线的运动方位角。
利用多站雷达系统结构实时测量目标的运动方向。接收天线1与发射天线构成单站雷达系统,而接收天线2和接收天线3分别与发射天线构成双基地雷达系统,双基地角分别为和根据单站和双基地多普勒频移方程可知,当目标以速度v(t)沿着特定方向运动时,每个接收机测得的多普勒频移为
式中,分别为目标运动方向与两个双基地角等分线的夹角,θ表示目标速度矢量相对于雷达发射视线的角度。fd1,fd2,fd3为利用Viterbi算法提取到的三个接收天线躯体多普勒信号xtorso的瞬时多普勒值。
定义一个新的参数如下
利用三角函数倍角公式和半角公式化简后得到目标速度矢量相对于雷达发射天线的角度
步骤四、利用经步骤二中微多普勒信号分离算法产生的肢体运动时频谱图,根据步骤三中测量的目标相对于各个接收机的运动方位角,构建多站雷达人体行为分类数据集。
步骤4.1:根据估计出的目标相对于各个接收机的运动方位角和不同大小方位角对微多普勒信号影响程度的不同,对每个接收机相应的肢体微多普勒数据进行区间划分。主要划分为三个区间,由于区间3的数据微多普勒频率严重衰减,对不同行为准确分类的贡献很小,划分后数据只保留区间1和区间2。其中,接收机1的三个数据区间的角度范围分别为0-30°,31-60°和61-90°。而接收机2、接收机3的数据区间1和数据区间2范围要小于接收机0的范围,与实际站位配置所设的双基地角有关。
步骤4.2:对每个雷达接收机的每条测量数据完成数据区间划分后,进行数据级融合,即不同接收机的同一区间内的回波数据归类为同一类。为此,三个雷达接收机的多视角数据便被重新组合成为两个回波数据库,分别对应据区间1和数据区间2。
步骤五、将步骤四中构建好的两个数据集输入到双通道的卷积主成分分析网络CPCAN中,每个网络通道分别处理对应数据区间1和数据区间2的数据集。两个通道分类后的结果进行自适应加权的决策级融合,最终输出人体行为分类结果。
步骤5.1:利用双通道的卷积主成分分析网络分别对两个数据集进行特征提取,将提取到的特征输入到对应的两个SVM分类中,得到某一特定行为的两个分类决策结果。
步骤5.2:由于两个分类网络分别对应不同角度范围的数据集,对行为分类后的结果可信度不一样,对每个网络的输出结果进行一定程度的加权,实现两个分类网络的加权决策级融合。
利用Sigmoid函数将两个网络中SVM分类后的结果拟合为目标类别的后验概率。记Pr(ct|x,Ek)为第k个分类器将行为测试数据x识别为ct的概率,其中代表两个网络通道中的SVM分类器,表示要分类的三种行为,分别为正常行走,单臂摆动行走,无臂摆行走。因此,行为数据x关于两个通道SVM分类器的决策矩阵可表示为
式中
融合各分类器决策信息并通过不同决策权重方式以获得优于单个分类器的决策性能。融合后的决策信息表示为
而行为测试数据x最终类别为
为了获得最优的权重系数,在利用训练数据集进行网路的有监督学习阶段建立式(14)所示的目标函数,将最优权重的求解转化为目标函数最大化。
还包括步骤六:利用步骤一至步骤五基于多站雷达微多普勒运动测向的人体行为分类方法,实现更为准确,更为稳健的人体行为分类。
有益效果:
1.本发明公开的一种基于多站雷达微多普勒运动测向的人体行为分类方法,利用基于多站雷达微多普勒的目标运动方位测量方法,能够准确、实时地估计出目标相对于各个雷达接收天线的运动方位角度,降低对精确双基地角的依赖,不需要在目标运动的过程中多次测量,简化多站分类算法步骤与运算复杂度。
2.本发明公开的一种基于多站雷达微多普勒运动测向的人体行为分类方法,利用多站雷达微多普勒运动测向方法对多站数据进行区间划分,充分考虑人体运动方位角变化对分类性能的影响,实现更为合理的多站雷达微多普勒数据利用,减少多站数据融合通道数目,简化融合网络结构。
3.本发明公开的一种基于多站雷达微多普勒运动测向的人体行为分类方法,利用数据级融合与自适应加权决策级融合结合的方式,解决多站数据差异和人体运动方位角时变影响分类准确率的问题,实现更为准确和稳健的多站雷达微多普勒人体行为分类。
附图说明
图1是本发明“一种基于多站雷达微多普勒运动测向的人体行为分类方法”中实施例中的基于测向辅助的多站人体行为分类流程图。
图2是本发明“一种基于多站雷达微多普勒运动测向的人体行为分类方法”中实施例中的一发三收多站雷达系统示意图。
图3是本发明“一种基于多站雷达微多普勒运动测向的人体行为分类方法”中实施例中的双基地雷达实验场景示意图。
图4是本发明“一种基于多站雷达微多普勒运动测向的人体行为分类方法”中实施例中的正常行走行为三个接收机的微多普勒时频图,其中图4(a)为接收天线1正常走NW行为的时频谱图,图4(b)为接收天线2正常走NW行为的时频谱图,图4(c)为接收天线3正常走NW行为的时频谱图。
图5是本发明“一种基于多站雷达微多普勒运动测向的人体行为分类方法”中实施例中的基于Viterbi的躯体多普勒瞬时频率估计结果图,其中图5(a)为分离后接收机1躯体多普勒,图5(b)为接收机1躯体多普勒瞬时频率值,其中图5(c)为分离后接收机2躯体多普勒,图5(d)为接收机2躯体多普勒瞬时频率值,其中图5(e)为分离后接收机3躯体多普勒,图5(f)为接收机3躯体多普勒瞬时频率值。
图6是本发明“一种基于多站雷达微多普勒运动测向的人体行为分类方法”中实施例中的正常行走行为人体运动方位角估计结果图,其中图6(a)为目标运动相对于接收天线1的方位角,图6(b)为目标运动相对于接收天线2的方位角,图6(c)为目标运动相对于接收天线3的方位角。
图7是本发明“一种基于多站雷达微多普勒运动测向的人体行为分类方法”中实施例中不同多站数据利用方式分类性能对比结果图。
具体实施方式
下面将结合附图及具体实例对本发明技术方案进行详细说明,需要指出的是,所描述的实施例仅旨在便于对本发明的理解,而不起任何限定作用。
实施例1:
本实施例阐述:将本发明“一种基于多站雷达微多普勒运动测向的人体行为分类方法”应用于实际采集的人体行为分类的流程。
本实施例中,实验系统是ANCORTEK SDR-KIT 580B雷达,参数设置为:载波频率5.8GHz,发射波形连续波,发射功率19dBm,扫描时间10ms,采样点数128点,采集时长5s。本实施例采用的多站雷达结构如图2所示,含有一个发射天线,3个接收天线。其中,接收天线1与发射天线放置在一起,组成单站雷达系统。而接收天线2和接收天线3分置在发射天线的两侧,与其组成双基地雷达系统。由于所用设备为单发单收系统,无法实现如图2所示一发三收功能。为此,实验采用分时数据采集的方式来模拟一发多收的实验场景。即分别按照图2中发射机和接收机1、接收机2、接收机3的位置关系来配置实验模块收发天线的位置,然后对每一个测试对象的每一种行为进行三次采集。同时,受限于设备的探测威力和天线的波束范围,当模拟发射机和接收机2时场景时,两个天线的间距为1.5m;模拟发射机和接收机3场景时,两个天线的距离为2.5m,如图3所示。在每一次测量中,每个测试者以特定的行为在雷达前1m到8m的距离范围内任意行走,且尽可能保持三次的行走姿态相同,以实现三个不同接收站位回波数据的分时采集。总共采集五种常见日常行为的数据,包括:(a)正常走NW(Normal Walking),(b)一只手插兜行走WOP(Walking with one hand in pocket),(c)两只手插兜行走WTP(Walking with two hand in pocket)。其中,一只手插兜行走和两只手插兜行走的行为是模拟肢体活动受限人体行为中的单臂摆动行走和无摆臂行走。
图4给出了人体沿着发射天线方向从距离雷达8m出处正常行走靠近雷达时,三次分时采集后所得到的三个接收机的正常走行为微多普勒信号时频分析结果。从中可以看出,接收机2和接收机3的微多普勒频谱相较于接收机1的均有一定的衰减,且由于双基地角大小的不同,衰减的程度也不同。接收机2与发射机的距离为1.5m,双基地角小,受到的影响小;接收机3与发射机的距离为2.5m,双基地角大,受到的影响大。
当得到三种行为的回波数据后,利用基于STFrFT的微多普勒信号分离算法进行处理,将其分离成躯体的多普勒信号和肢体的微多普勒信号。肢体的微多普勒信号被用于构建三种行走行为分类的数据集,躯体多普勒信号被用于人体运动方向的估计,并根据得到的运动方向角度指导相应的肢体微多普勒信号进行数据区间的划分。选用躯体多普勒频率估计运动方向角度的原因是,相对于肢体的微多普勒频率,躯体运动引起的主多普勒频率相对稳定,其值在不同次、不同人的测量中变化较小。其中,在利用所提测向方法对人体运动方向角度进行估计时,参数值k的计算利用的是主体多普勒频率的瞬时值。为此,本发明利用维特比(Viterbi)算法提取其瞬时频率值。利用该方法对图4中的数据进行处理,提取三个接收机各自对应的躯体多普勒信号的瞬时频率值,其结果如图5所示。可以看到躯体的多普勒值不是平稳变化的,呈现一定的起伏特性;且由于三个接收机中的数据是测试者在三次行走中分时采集得到的,受此影响,三者的起伏规律不尽相同。
当得到各个接收机对应多普勒信号的瞬时频率值后,计算参数值k,估计人体运动方向相对于每个接收机的方位角,得到的结果如图6所示。其中,接收机1对应的是测试者径向运动,即运动方位角度数应为0。但受到测试者在不同次数内行走姿态的不一致,三次分时采集的偏差,行走过程中两个双基地角大小的变化等原因,图6(a)呈现的角度测量值在0~3°内起伏,与理论值有一定的偏差,但这一偏差对数据区间的划分影响不大,属于可接受范围。同样,受到上述各种不确定因素的影响,人体运动方向相对于接收机2和接收机3的方位角估计值也都在一定范围内起伏,但其值仍可用于数据区间划分的参考。从图6(b)和6(c)显示的角度估计结果与运动角度变化对双基地雷达多普勒效应的影响可知,接收机1接收到的整个5s时长的测量数据均可被划分到数据区间1,而接收机2接收到的数据则会被划分到两个数据区间,分割点的位置大约在3.5s左右。所述数据划分的结果与图4中显示的三个接收机的微多普勒时频谱变化规律一致,接收机1和接收机2的时频谱比较接近,接收机3的衰减明显,尤其是整个采集时长的3.5s后,其微多普勒频率峰值明显降低。
当对所有数据完成区间划分后,利用分离后得到的肢体微多普勒信号构建数据集,可得到对应数据区间1和数据区间2的两个数据集。其中,每个数据集里都含有训练数据和测试数据。然后,两个数据集被分别输入到两个不同的卷积PCA网络中去执行分类任务,并通过自适应加权的决策级融合得到最终的行为类别结果。其中,最优融合权重是在每个SVM分类器分别获取各行为类别后验概率后,在监督学习下采用粒子群优化算法求解而得到的。本次实验对比了不同多站数据利用方式的分类系统,常用的利用方式如下
方式1:三个接收机的数据全部融合在一个分类网络通道中,即数据级融合;
方式2:三个接收机分别在三个不同的分类网络通道中训练,然后将提取的特征进行融合,由一个分类器决策分类结果;
方式3:三个接收机分别在三个不同的分类网络通道中训练,并分别给出分类结果,最终的结果由三者按3选2投票决策。
按照情形二的方式构建数据集,然后利用卷积PCA网络按照上述三种方式处理数据,得到不同数据利用方式下的分类结果如图7所示。可以看出,方式1的数据级融合和方式2的特征级融合分类正确率相对于决策级融合的结果都偏低,甚至低于单站情形下的分类准确率。造成这一现象的原因是因为不同角度下多普勒数据的差异性较大,强行融合在一起反而不利于行为分类。基于此,本发明通过选取多站数据决策级融合的方式。而投票式的决策级融合没有考虑不同站位对不同行为分类正确率的可信度,同时也忽略每个站位数据采集过程中运动方位角度变化对多普勒频率带来的影响,故融合决策后的分类正确率不如本发明采用的数据利用方式。本次发明采用的多站数据利用方式实际上是数据级融合与决策级融合的结合,充分考虑运动方位变化带来的微多普勒数据的影响以及不同角度区间数据对不同行为分类的可信度。所以,相较于上述常用的多站数据利用方式,所提方法能够获得最佳的人体行为分类性能。
通过本发明的高准确率人体行为分类,能够提升居家环境中对独居老人异常行为的监测能力,对保障独居老人的健康生活有着十分重要的意义。本发明所提方法还可用于安防、反恐救援领域中,提高对武装威胁分子或受伤人员的检测能力。
以上所述的具体描述,对发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于多站雷达微多普勒运动测向的人体行为分类方法,其特征在于:包括如下步骤:
步骤一、对采集到的多站雷达回波信号r(n)进行预处理操作,得到预处理后的回波信号x(n);所述预处理包括滤波、去直流、镜像频率抑制;
步骤二、对预处理后的信号x(n)执行微多普勒信号分离操作,分别提取躯体的多普勒信号xtorso(n)和肢体的微多普勒信号xlimbs(n);
步骤三、利用经步骤二中微多普勒信号分离操作产生的躯体多普勒信号xtorso(n),估计目标相对于多站雷达系统各个接收机的运动方位角;
步骤三实现方法为,
步骤3.1:利用基于Viterbi算法的瞬时频率估计方法提取步骤二中分离后的躯体多普勒信号xtorso的瞬时多普勒值;
步骤3.2:利用步骤3.1中得到的躯体多普勒信号xtorso的瞬时多普勒值估计目标相对于雷达发射天线的运动方位角;
利用多站雷达系统结构实时测量目标的运动方向;接收天线1与发射天线构成单站雷达系统,而接收天线2和接收天线3分别与发射天线构成双基地雷达系统,双基地角分别为和根据单站和双基地多普勒频移方程可知,当目标以速度v(t)沿着特定方向运动时,每个接收机测得的多普勒频移为
式中,分别为目标运动方向与两个双基地角等分线的夹角,θ表示目标速度矢量相对于雷达发射天线的角度;fd1,fd2,fd3为利用Viterbi算法提取到的三个接收天线躯体多普勒信号xtorso的瞬时多普勒值;
定义一个新的参数如下
利用三角函数倍角公式和半角公式化简后得到目标速度矢量相对于雷达发射天线的角度
步骤四、利用经步骤二中微多普勒信号分离操作产生的肢体运动时频谱图,根据步骤三中估计的目标相对于各个接收机的运动方位角,构建多站雷达人体行为分类数据集;
步骤五、将步骤四中构建好的两个数据集输入到双通道的卷积主成分分析网络CPCAN中,每个网络通道分别处理对应数据区间1和数据区间2的数据集;两个通道分类后的结果进行自适应加权的决策级融合,最终输出人体行为分类结果。
2.如权利要求1所述的一种基于多站雷达微多普勒运动测向的人体行为分类方法,其特征在于:还包括步骤六,利用步骤五输出的人体行为分类结果,实现更为准确,更为稳健的人体行为分类。
3.如权利要求1或2所述的一种基于多站雷达微多普勒运动测向的人体行为分类方法,其特征在于:步骤二实现方法为,
步骤2.1:执行短时分数域滤波提取慢变的躯体多普勒信号xtorso(n);
计算回波信号x(n)的p1阶短时分数傅里叶变换STFrFT(short-time fractionalFourier transform)p1为躯体多普勒信号的合适阶次;设计时频滤波函数H(n,k)如下所示
式中,Th为依据经验选取的阈值;对短时分数域滤波后的信号进行逆短时分数傅里叶变换ISTFrFT得到慢变的躯体多普勒信号xtorso(n),其表达式如下
步骤2.2:利用CLEAN技术从信号x(n)中消除步骤2.1中提取到的信号xtorso(n),得到的残留信号为xrem(n);
步骤2.3:对信号xrem(n)执行基于短时分数傅里叶变换的形态形量分析MCA(morphological component analysis)优化求解,提取快变的肢体微多普勒信号xlimbs(n);
对于残留信号xrem(n),xrem=x′torso+xlimbs+w,xtorso是信号xtorso的残留成分,保持与xtorso一样的时频变化特性,xlimbs是待提取的肢体微多普勒信号,w表示噪声;利用p1阶的宽窗STFrFT和p2阶的窄窗STFrFT分别稀疏表征x′torso和xlimbs,建立如下优化问题
通过求解式(3)得到肢体的微多普勒信号xlimbs。
4.如权利要求3所述的一种基于多站雷达微多普勒运动测向的人体行为分类方法,其特征在于:步骤四实现方法为,
步骤4.1:根据估计出的目标相对于各个接收机的运动方位角和不同大小方位角对微多普勒信号影响程度的不同,对每个接收机相应的肢体微多普勒数据进行区间划分;主要划分为三个区间,由于区间3的数据微多普勒频率严重衰减,对不同行为准确分类的贡献很小,划分后数据只保留区间1和区间2;其中,接收机1的三个数据区间的角度范围分别为0-30°,31-60°和61-90°;而接收机2、接收机3的数据区间1和数据区间2范围要小于接收机1的范围,与实际站位配置所设的双基地角有关;
步骤4.2:对每个雷达接收机的每条测量数据完成数据区间划分后,进行数据级融合,即不同接收机的同一区间内的回波数据归类为同一类;为此,三个雷达接收机的多视角数据便被重新组合成为两个回波数据库,分别对应数据区间1和数据区间2。
5.如权利要求4所述的一种基于多站雷达微多普勒运动测向的人体行为分类方法,其特征在于:步骤五实现方法为,
步骤5.1:利用双通道的卷积主成分分析网络分别对两个数据集进行特征提取,将提取到的特征输入到对应的两个SVM分类器中,得到某一特定行为的两个分类决策结果;
步骤5.2:由于两个网络通道分别对应不同角度范围的数据集,对行为分类后的结果可信度不一样,对每个网络通道的输出结果进行一定程度的加权,实现两个网络通道的加权决策级融合;
利用Sigmoid函数将两个网络通道中SVM分类后的结果拟合为目标类别的后验概率;记Pr(ct|x,Ek)为第k个分类器将行为测试数据x识别为ct的概率,其中代表两个网络通道中的SVM分类器,表示要分类的三种行为,分别为正常行走,单臂摆动行走,无臂摆行走;因此,行为测试数据x关于两个通道SVM分类器的决策矩阵可表示为
式中
融合各分类器决策信息并通过不同决策权重方式以获得优于单个分类器的决策性能;融合后的决策信息表示为
而行为测试数据x最终类别为
为了获得最优的权重系数,在利用训练数据集进行网络的有监督学习阶段建立式(14)所示的目标函数,将最优权重的求解转化为目标函数最大化;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110609841.2A CN113341392B (zh) | 2021-06-01 | 2021-06-01 | 一种基于多站雷达微多普勒运动测向的人体行为分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110609841.2A CN113341392B (zh) | 2021-06-01 | 2021-06-01 | 一种基于多站雷达微多普勒运动测向的人体行为分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113341392A CN113341392A (zh) | 2021-09-03 |
CN113341392B true CN113341392B (zh) | 2023-06-16 |
Family
ID=77474285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110609841.2A Active CN113341392B (zh) | 2021-06-01 | 2021-06-01 | 一种基于多站雷达微多普勒运动测向的人体行为分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113341392B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113687348B (zh) * | 2021-09-18 | 2024-03-15 | 无锡威孚高科技集团股份有限公司 | 基于追踪微多普勒图的行人识别方法和装置 |
CN114563784B (zh) * | 2022-04-27 | 2022-08-09 | 武汉理工大学 | 一种基于双毫米波雷达的船载环境入侵检测方法及系统 |
CN115079118B (zh) * | 2022-06-08 | 2024-08-02 | 西安电子科技大学 | 基于检索任务的毫米波雷达步态识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110647788B (zh) * | 2018-12-28 | 2023-04-18 | 南京华曼吉特信息技术研究院有限公司 | 一种基于微多普勒特征的人类日常行为分类方法 |
CN110286368B (zh) * | 2019-07-10 | 2021-03-05 | 北京理工大学 | 一种基于超宽带雷达的老人跌倒检测方法 |
CN112580486B (zh) * | 2020-12-15 | 2022-12-09 | 北京理工大学 | 一种基于雷达微多普勒信号分离的人体行为分类方法 |
-
2021
- 2021-06-01 CN CN202110609841.2A patent/CN113341392B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113341392A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113341392B (zh) | 一种基于多站雷达微多普勒运动测向的人体行为分类方法 | |
Khan et al. | A deep learning framework using passive WiFi sensing for respiration monitoring | |
Yang et al. | MU-ID: Multi-user identification through gaits using millimeter wave radios | |
CN108924736B (zh) | 一种基于PCA-Kalman的无源室内人员状态检测方法 | |
Rana et al. | UWB localization employing supervised learning method | |
Chen et al. | Activity recognition based on micro-Doppler signature with in-home Wi-Fi | |
Hoang et al. | A CNN-LSTM quantifier for single access point CSI indoor localization | |
CN110456320B (zh) | 一种基于自由空间步态时序特征的超宽带雷达身份识别方法 | |
Xia et al. | Person identification with millimeter-wave radar in realistic smart home scenarios | |
Qiao et al. | Human activity classification based on moving orientation determining using multistatic micro-Doppler radar signals | |
Al-Homayani et al. | Improved indoor geomagnetic field fingerprinting for smartwatch localization using deep learning | |
CN110991559B (zh) | 一种室内人员行为非接触式协同感知方法 | |
CN110647788B (zh) | 一种基于微多普勒特征的人类日常行为分类方法 | |
Korany et al. | Multiple people identification through walls using off-the-shelf WiFi | |
Zhu et al. | NotiFi: A ubiquitous WiFi-based abnormal activity detection system | |
Pegoraro et al. | Deep learning for accurate indoor human tracking with a mm-wave radar | |
CN113453180B (zh) | 一种人体摔倒智能检测方法、系统、信息数据处理终端 | |
CN108898066B (zh) | 一种基于生成式对抗网络的人体运动检测方法 | |
Canil et al. | MilliTRACE-IR: Contact tracing and temperature screening via mmWave and infrared sensing | |
He et al. | A robust CSI-based Wi-Fi passive sensing method using attention mechanism deep learning | |
Abdelgawwad et al. | A trajectory-driven 3D channel model for human activity recognition | |
Li et al. | Passive Multi-user Gait Identification through micro-Doppler Calibration using mmWave Radar | |
Ren et al. | Grouped people counting using mm-wave FMCW MIMO radar | |
CN106792505A (zh) | 一种目标追踪系统和方法 | |
Liu et al. | An intelligent signal processing method for motional vital signs detection system based on deep learning |
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 |