CN115240040A - 一种穿墙雷达人体行为特征增强方法及装置 - Google Patents
一种穿墙雷达人体行为特征增强方法及装置 Download PDFInfo
- Publication number
- CN115240040A CN115240040A CN202210652538.5A CN202210652538A CN115240040A CN 115240040 A CN115240040 A CN 115240040A CN 202210652538 A CN202210652538 A CN 202210652538A CN 115240040 A CN115240040 A CN 115240040A
- Authority
- CN
- China
- Prior art keywords
- layer
- module
- output
- input
- wall
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 102
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 12
- 230000004927 fusion Effects 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 21
- 238000010586 diagram Methods 0.000 claims abstract description 20
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- 241001134453 Lista Species 0.000 claims abstract 10
- 238000004422 calculation algorithm Methods 0.000 claims description 65
- 230000006870 function Effects 0.000 claims description 36
- 230000006399 behavior Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 21
- 230000003044 adaptive effect Effects 0.000 claims description 20
- 238000011176 pooling Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 230000004931 aggregating effect Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000008602 contraction Effects 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 230000003014 reinforcing effect Effects 0.000 claims 2
- 238000003384 imaging method Methods 0.000 abstract description 36
- 230000000694 effects Effects 0.000 abstract description 12
- 230000007246 mechanism Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 15
- 238000012549 training Methods 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000005457 optimization Methods 0.000 description 8
- 238000007635 classification algorithm Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 230000001629 suppression Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000011840 criminal investigation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G01S13/887—Radar or analogous systems specially adapted for specific applications for detection of concealed objects, e.g. contraband or weapons
- G01S13/888—Radar or analogous systems specially adapted for specific applications for detection of concealed objects, e.g. contraband or weapons through wall detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种穿墙雷达人体行为特征增强方法及装置，所述方法包括：基于信息关系将所述输入数据分割为若干区域，并为分割后的各区域赋予相应的权重，所述注意力加权模块的输出为特征图；所述卷积层模块用于生成对所述输入数据降尺度的二维图像；所述特征图输入包括多路LISTA模型的超分辨模块；所述二维图像输入自适应权重模块，生成各区域的增强信息；融合所述各区域的增强信息，得到融合特征向量，将所述融合特征向量进行尺度转换，得到输出。该方法结合了穿墙雷达成像特定复杂多径效应和低信杂噪比场景下的物理学背景，使得该方法利用更少的成本达到更好的数据增强效果。
Description
技术领域
本发明涉及雷达信号处理领域，具体涉及一种穿墙雷达人体行为特征增强方法及装置。
背景技术
采用超宽带(UWB)技术的穿墙雷达(TWR)人体运动状态识别具有重要的应用场景，包括军事、刑侦、防灾、医疗生命信号检测等，近年来成为研究热点。完整的穿墙雷达人体运动识别系统包含四个步骤：信号采集、杂波抑制、成像和分类。由于墙体杂波、系统干扰和多路径效应，在成像和分类之间，由于穿墙雷达人体行为特征受到干扰及信号误差，造成分类的不准确。
一般来说，现有的穿墙雷达成像(TWRI)的数据论证算法可以分为五类：信号域变换方法、统计信号处理方法、压缩传感(CS)方法、传统机器学习方法和深度学习方法。其中，信号域变换方法包括快速傅里叶变换、短时傅里叶变换、小波变换及其改进。该类方法可以在特定条件下以最低的计算成本实现高的峰值信噪比(PSNR)和鲁棒性，使分类器的准确度达到80％。统计信号处理方法，包括信号估计算法和信号检测算法，被应用于单发单收(SISO)、多发多收(MIMO)和阵列穿墙雷达系统，使识别精度提高到80％以上。压缩感知(CS)方法，具有稀疏和低秩建模、数据重建和优化过程，具有泛化复杂场景的能力，使分类器的准确度达到90％。传统的机器学习方法，包括支持向量机(SVM)、随机森林(RF)、主成分分析(PCA)，可以自适应地从数据中感知一部分特征信息，并给出其优化路径，使分类器的识别精度达到90％以上。基于神经网络的深度学习方法，包括卷积神经网络(CNN)、生成对抗网络(GAN)、自动编码器网络(AEN)和级联U型网络(CU-Net)。可以解决低SCNR的算法性能问题，通过神经网络的结构设计，将分类器的精度提高到95％左右。这些算法主要是针对模拟场景中静止的目标成像信息而开发的，由于墙面杂波、系统干扰和多路径效应严重，不适合真实测量数据上的移动人类目标。
对于现有的数据增强算法，为了有效提高分类算法的性能，实现特征聚类提取和识别精度的上点功能，算法的设计需要同时满足较高的场景泛化能力、较高的输出峰值信噪比(PSNR)和较低的计算复杂度等多种要求。其中，基于信号域变换的方法和统计信号处理方法的时间复杂度最低，而且与底层物理模型的可解释性最接近。然而，事实上，不同的场景和目标需要使用不同的统计函数来表征，这使得这些算法不具有普适性。对于压缩传感方法，与前两类方法相比，其使用稀疏和低秩建模理论来表示目标特征，使得其计算复杂度大大降低。但是，该算法的重建步骤在复杂的环境条件下容易出现大量的失真，不利于分类算法的理解。对于传统的机器学习和深度学习来说，这些算法可以通过对数据特征的拟合过程实现最佳的泛化能力。然而，由于没有底层物理模型的支持，这些算法的可解释性很低，而且有改进的余地。同时，数据训练步骤的存在导致算法的部署成本大大增加。因此，需要一种数据增强算法，能够同时结合穿墙雷达人体运动场景的物理学背景、稀疏建模理论和人工智能算法的优势，实现更高的特征提取精度、更强的上分性能和更快的收敛速度。
存在以下已知的技术方案：申请号CN202111602243.9，该方案适用于雷达信号处理，提供了一种基于解耦原子范数最小化的高精度多带融合方法。该方法包括如下步骤：步骤1、接收各子脉冲时间段内的各子带雷达信号；步骤2、对每个脉冲时间段内的子带雷达信号进行运动补偿；步骤3、对各子带雷达信号的模型表示；步骤4、对完成运动补偿后的每个脉冲回波信号进行基于MRA的各子带信号间非相干项的估计与补偿；步骤5：基于解耦原子范数最小化从多个子带信号中估计大带宽信号并成像。该方法解决了雷达信号及数据处理算法实现复杂环境及目标超分辨成像的任务，利用多通道融合的方式实现成像超分辨。然而其设计理念基于传统的压缩感知信号处理中的稀疏重构方法，求解二范数正则化问题，不具备现有智能算法的高准确性和高泛化能力。
存在以下已知的技术方案：申请号CN202111431117.1，该方案公开了一种雷达距离超分辨方法，基于雷达目标在观测空间关注目标的稀疏性，雷达发射线性调频信号，保持雷达信号带宽不变，对雷达目标的线性调频回波信号在频域去斜处理，变成复正弦波，用于建立多目标回波信号的距离维稀疏数学模型，构造关于目标距离的凸优化函数并求解，得到目标距离，分开距离上靠近的目标，实现雷达距离超分辨，相较于常规脉冲压缩处理，具有更高的距离分辨能力，改善了目标分类识别、成像、距离测量以及杂波中目标检测的性能。该方案解决了通过雷达信号及数据处理算法实现复杂环境及目标超分辨成像的任务，提出了一种简单快捷的距离向超分辨方法。然而针对穿墙、探地超宽带雷达二维连续扫描图像来说，距离向和方位向的超分辨具有同等重要的地位，使用该方法时的优化目标具有局限性，不能做到完美的图像二维超分辨任务。
发明内容
有鉴于此，本发明提供了一种穿墙雷达人体行为特征增强方法及装置，能够解决雷达数据与图像识别算法之间的不适应性，以及低信杂噪比(SCNR)导致的识别准确度下降问题。
为了解决上述技术问题，本发明是这样实现的。
一种穿墙雷达人体行为特征增强方法，包括：
步骤S1：穿墙雷达人体行为数据作为输入数据，将所述输入数据分别输入坐标注意力加权模块以及卷积层模块；所述坐标注意力加权模块用于确定所述输入数据的信息关系，基于所述信息关系将所述输入数据分割为若干区域，并为分割后的各区域赋予相应的权重，所述注意力加权模块的输出为特征图；所述卷积层模块用于生成对所述输入数据降尺度的二维图像；
步骤S2：所述特征图输入包括多路LISTA模型的超分辨模块；所述二维图像输入自适应权重模块，所述自适应权重模块为卷积神经网络；每路LISTA模型的输出与所述自适应权重模块中与该路LISTA模型对应的全连接层输出的权值相乘聚合，生成各区域的增强信息；
步骤S3：融合所述各区域的增强信息，得到融合特征向量，将所述融合特征向量进行尺度转换，得到输出；同时将所述输出作为验证数据，反馈给网路算法的输入端。
优选地，每路LISTA模型包括多个LISTA模块；所述LISTA模块包括卷积层、权重层、第一迭代阈值层、融合层、第二迭代阈值层、高分辨率字典、反卷积层、输出层；所述卷积层接收输入的图像，将所述输入的图像作二维卷积，所述卷积层输出的图像作为权重层的输入，所述权重层用于调整图像中像素级的特征信息，所述卷积层的输出作为参数Y1用于后续处理，其中Y1代表碎片化的输入数据；所述权重层用于参数学习，输出的图像作为所述第一迭代阈值层的输入，所述第一迭代阈值层的输出与所述权重层的输出经所述融合层融合，融合后的图像输入所述第二迭代阈值层，所述第二迭代阈值层求解ISTA方法中的迭代收缩阈值函数，得到迭代收缩阈值α，将所述特征图输入所述高分辨率字典，与高分辨字典相乘处理得到高分辨特征图像，将高分辨特征图像输出到所述反卷积层，由所述反卷积层实现卷积碎片的放回和尺度还原，得到高分辨图像作为输出，所述高分辨层的输出作为参数X1用于后续处理，其中X1代表碎片化的标签；所述高分辨率是指网络能最高分辨图像的能力的大小。
优选地，所述迭代收缩阈值函数为：
softT(x)＝sign(xi)(|xi|-T)
其中，softT代表迭代收缩阈值，sign为符号函数，T为超参数，xi为输入数据的第i个分量。
优选地，所述坐标注意力加权模块包括X轴向池化层、Y轴池化层，所述X轴向池化层、Y轴池化层分别用于改变X、Y方向上的参数量并形成特征值，将抽取出的特征值通过激活函数的学习与迭代，得到增强的数据输出。
优选地，所述坐标注意力加权模块的梯度函数为：
其中，
表示图像高度方向上的梯度信息输出，
表示图像宽度方向上的梯度信息输出，he为高度方向上的像素序号，上限为Height，le为宽度方向上的像素序号，上限为Length，xc为输入图像对应的像素取值信息。
优选地，所述超分辨模块的梯度函数为：
其中，sgn为符号函数，max为取最大值函数，ri为输入的迭代向量，λ为正则项。
优选地，在所述步骤S1之前，包括：将墙后人体地为状态划分为三个大类，分别是无人、静止和运动，共七种，分别墙后无人、墙后人体向墙站立、墙后人体向墙站立、墙后人体与墙平行站立、墙后人体向墙移动、墙后的人体在墙后移动、墙后的人体在七种不同的状态。
本发明所提供的一种穿墙雷达人体行为特征增强装置，所述装置包括：
特征图模块：配置为穿墙雷达人体行为数据作为输入数据，将所述输入数据分别输入坐标注意力加权模块以及卷积层模块；所述坐标注意力加权模块用于确定所述输入数据的信息关系，基于所述信息关系将所述输入数据分割为若干区域，并为分割后的各区域赋予相应的权重，所述注意力加权模块的输出为特征图；所述卷积层模块用于生成对所述输入数据降尺度的二维图像；
增强模块：配置为所述特征图输入包括多路LISTA模型的超分辨模块；所述二维图像输入自适应权重模块，所述自适应权重模块为卷积神经网络；每路LISTA模型的输出与所述自适应权重模块中与该路LISTA模型对应的全连接层输出的权值相乘聚合，生成各区域的增强信息；
融合模块：配置为融合所述各区域的增强信息，得到融合特征向量，将所述融合特征向量进行尺度转换，得到输出；同时将所述输出作为验证数据，反馈给网路算法的输入端。
一种系统，所述系统，包括：
处理器，用于执行多条指令；
存储器，用于存储多条指令；
其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行如前所述方法。
一种计算机可读存储介质，所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行如前所述方法。
本发明公开了一种高效的穿墙雷达数据论证算法，即基于改进的坐标注意机制和自适应权重学习模块的迭代编码网络(CoordAtt-CSCN)，用于真实场景下的移动目标识别。具体来说，设计了一个具有平行超分辨率子网络和自适应权重模块的神经网络模型，并引入了改进的坐标注意机制。超分辨率子网络模块实现了对CS-ISTA方法计算过程的模拟。该算法通过坐标注意机制进行改进，可以破译墙后人体距离图片的位置信息，并标定有效信息区域，利用并行的自适应权重模块进行加权和汇总。该算法将二维成像中的距离信息与稀疏和低秩建模的物理背景相结合，引入了并行生成神经网络架构，增强了目标累积成像中人体的动态特征，并进一步加速收敛，提高了后端分类算法的识别精度，收敛迭代次数缩短25以上。实验表明，提出的数据增强算法可以提取峰值信噪比为46.39dB的特征，并成功提升现有分类算法的准确率达98.61％。
本发明涉及一种基于坐标注意力机制与稀疏低秩建模神经网络的穿墙雷达人体行为识别特征增强方法，具体来说，该方法结合了多个尺度的信息，包括运动目标的物理背景和成像的视觉特征，实现了对墙面杂波和噪声的有效抑制以及运动特征的突出。该方法通过稀疏编码学习迭代收缩阈值算法(LISTA)子网络提供了人体运动特征数据的超分辨率结果。通过改进的坐标注意机制了解墙后人体距离图像的位置信息，同时对重要信息区域进行自动校准，最后通过并行自适应权重模块进行加权和聚合，实现针对穿墙雷达墙后人体运动目标的特征超分辨效果。该方法结合了多个尺度的信息，包括运动目标的物理背景和成像的视觉特征，实现了对墙体杂波和噪声的有效抑制，并突出了人体运动特征。
有益效果：
(1)本发明公开的方法，有别于传统的穿墙雷达人体行为数据增强技术，该方法结合了穿墙雷达成像特定复杂多径效应和低信杂噪比场景下的物理学背景，使得该方法利用更少的成本达到更好的数据增强效果。有效解决传统超分辨识别生成式模型的数据量大、计算成本高的问题。能够超越现有的基于超宽带探地和穿墙雷达的峰值信噪比数值达到46.39dB，通过在分类器前插入所提出的数据增强方法，有效提高了现有分类算法的准确性和收敛速度。能够有效提升当前分类器算法的准确率在2％-10％不等，其中针对神经网络一类的由迭代及训练过程搭建的分类算法中，本方案可以使其收敛速度提升25轮以上。
(2)本发明链路搭建模式遵循有监督-无监督混合模式。其中改进坐标注意力模块是一种有监督的x-y信息加权学习过程，LISTA子网络并行模块是实现穿墙雷达成像网格信息聚类的无监督学习过程。而自适应权重模块对不同的模块进行调配，使得本发明的性能在训练过程中逐渐趋于良好。这种网络搭建方式有助于将方法拓展为一种即插即用的数据增强模块，并利于在硬件系统上部署适用。单条链路中LISTA自网络的节点数由推导的经验公式进行大致测算。链路总数通过实验对比确定为3是在计算成本和表现性能上都最佳的方案。此外，由于本发明以压缩感知和稀疏统计建模为背景，所以更能贴近底层物理学模型的目标表征，算法的处理性能大大增强。本发明的自适应权重模块构建与LISTA构建的骨干网络的链路数应当保持一致，在本发明的最后验证阶段应当保持为3条，分别将每一条链路的自适应权重学习成果和LISTA子网络的输出特征图加权、聚合，得到的特征图是完整的方法对成像信息理解结果。
(3)本发明的超分辨网络结合了坐标注意力机制进行改进。具体来说，该方法利用两个一维全局池化操作，分别沿垂直和水平方向将输入特征聚合为两个单独的方向感知特征映射。这两个具有嵌入方向特定信息的特征映射随后分别编码为两个注意映射，每个注意映射捕获输入特征图沿某一个空间方向的距离依赖关系。因此，位置信息可以保存在生成的注意力映射中。然后，通过乘法将两个注意力映射应用于输入特征映射，以对图像中感兴趣的区域强调突出。本发明将提出的注意力方法命名为坐标注意力。其中坐标注意力机制提供了以下优势：首先，它不仅捕获跨通道信息，还捕获方向感知和位置敏感信息，这有助于模型更准确地定位和识别感兴趣的对象。其次，该方法灵活且权重轻，可以很容易地插入经典网络构建中。第三，坐标注意可以为下游任务带来显著的性能提升，特别是对于那些预测密集的任务(例如图像分类及语义分割)。(4)实现了墙杂波抑制、噪声子空间抑制、特征增强三位一体的功能。
(5)在不需要重新采集数据和不需要引入其它先验知识的条件下，提高分类器算法的识别精度和收敛速度。
(6)本发明公开的方法，结合了杂波、噪声、人体成像子空间多尺度的信息，从而得到较高的特征增强超分辨的峰值信噪比(PSNR)，保证了方法的高效性。
(7)本发明通过稀疏编码学习迭代收缩阈值算法(LISTA)子网络提供了人体运动特征数据的超分辨率结果。人体距离图像在墙后的位置信息通过改进的坐标注意机制被理解，同时重要的信息区域被自动标定，最后由并行的自适应权重模块进行加权和汇总。
(8)本发明将墙后的人体运动状态在训练和推理过程中被分为其中不同的类型，包括三种静止类型，三种运动类型和一种空场景作为对照组。本发明的处理会围绕七种状态展开，针对不同的方法去理解不一样的运动状态信息，从而达到在具体推理的时候能够准确地对人体运动特征进行增强，以及削弱墙杂波还有噪声这一类对分类器无效甚至干扰的信息，这样有助于分类器的识别工作。
(9)本发明的注意力机制，一种称为坐标注意力即插即用模块构建，这种注意力机制可以学习x-y坐标系中的有意义区块，忽略无意义的部分，从而实现距离向和方位向二者的分划与加权。一方面，坐标注意力模块与穿墙雷达B扫的原理一致，从而进一步提升其效果；另一方面，将坐标注意力和LISTA子网络级联之后，本发明的处理过程会更精确。这是本发明能够同时提升后端分类器准确度和收敛速度的前提保障。
(10)本发明引入稀疏建模的物理环境，降低了本发明的计算复杂度。
附图说明
图1为本发明提供的穿墙雷达人体行为特征增强方法流程示意图；
图2为本发明提供的穿墙雷达人体行为特征增强方法架构示意图；
图3为本发明提供的学习迭代收缩阈值(LISTA)子网络模块的架构示意图；
图4为本发明提供的坐标注意力模块的架构示意图；
图5为本发明提供的利用不同的注意力机制更改算法以及设计不同的LISTA模块层数设计时其识别性能的比较示意图；
图6(A)-图6(D)为本发明提供的数据增强算法对后端分类器的训练过程的优化效果示意图；
图7为本发明提供的穿墙雷达人体行为特征增强装置结构示意图。
具体实施方式
下面结合附图和实施例，对本发明进行详细描述。
如图1-图2所示，本发明提出了一种穿墙雷达人体行为特征增强方法，包括如下步骤：
步骤S1：穿墙雷达人体行为数据作为输入数据，将所述输入数据分别输入坐标注意力加权模块以及卷积层模块；所述坐标注意力加权模块用于确定所述输入数据的信息关系，基于所述信息关系将所述输入数据分割为若干区域，并为分割后的各区域赋予相应的权重，所述注意力加权模块的输出为特征图；所述卷积层模块用于生成对所述输入数据降尺度的二维图像；
步骤S2：所述特征图输入包括多路LISTA模型的超分辨模块；所述二维图像输入自适应权重模块，所述自适应权重模块为卷积神经网络；每路LISTA模型的输出与所述自适应权重模块中与该路LISTA模型对应的全连接层输出的权值相乘聚合，生成各区域的增强信息；
步骤S3：融合所述各区域的增强信息，得到融合特征向量，将所述融合特征向量进行尺度转换，得到输出；同时将所述输出作为验证数据，反馈给网路算法的输入端。
本实施例中，所述特征图由分割的各区域和与各区域对应的热度信息组成。每路LISTA模型包括多个LISTA模块。所述输入数据的信息关系表征了连续时间采样的信息，与特征数量呈正相关。
本发明构建了LISTA模型，所述LISTA模型体现了迭代收缩阈值算法(ISTA)的思想，能够对输入数据的参数量进行压缩。本实施例中，12个LISTA模块构成一个超分辨模型，实验证明，3路超分辨模型效果较好，每路LISTA模型包括4个LISTA模块。在多路超分辨模型组成的数据增强算法的基础上，结合注意力机制，即将坐标注意力机制叠加于所述数据增强算法上，将坐标注意力机制模块用来强化先前提到的利用ISTA子网和卷积神经网络结合的用于信号压缩感知稀疏模型的网络，得到了用于穿墙雷达目标识别的坐标注意力优化级联稀疏编码的网络Through-the-Wall CoordAtt-CSCN。每个超分辨模块与其对应的自适应权重模块配对，通过叠加，能够实现区域化数据增强。再将融合的数据增强特征向量做尺度转换的操作，得到最终的增强图像。
进一步地，如图3所示，所述LISTA模块包括卷积层、权重层、第一迭代阈值层、融合层、第二迭代阈值层、高分辨率字典、反卷积层、输出层；所述卷积层接收输入的图像，将所述输入的图像作二维卷积，所述卷积层输出的图像作为权重层的输入，所述权重层用于调整图像中像素级的特征信息，所述卷积层的输出作为参数Y1用于后续处理，其中Y1代表碎片化的输入数据。所述权重层用于参数学习，输出的图像作为所述第一迭代阈值层的输入，所述第一迭代阈值层的输出与所述权重层的输出经所述融合层融合，融合后的图像输入所述第二迭代阈值层，所述第二迭代阈值层求解ISTA方法中的迭代收缩阈值函数，得到迭代收缩阈值α，将所述特征图输入所述高分辨率字典，与高分辨字典相乘处理得到高分辨特征图像，将高分辨特征图像输出到所述反卷积层，由所述反卷积层实现卷积碎片的放回和尺度还原，得到高分辨图像作为输出，所述高分辨层的输出作为参数X1用于后续处理，其中X1代表碎片化的标签。
所述迭代收缩阈值函数为：
softT(x)＝sign(xi)(|xi|-T)
其中，softT代表迭代收缩阈值，sign为符号函数，T为超参数。
本实施例中，对传统的LISTA模块进行了改进，改进之处在于：一是引入注意力机制，二是是改变输出结构，将传统的从头输入然后超分辨输出，改进为从中间取出X，Y和α，取出的中间要进行后处理。
本实施例中，所述权重层、第一迭代阈值层、融合层、第二迭代阈值层、输出层均为由多个神经元组成的网络隐层。所述高分辨率字典存储先验的压缩感知重建规则，其中的高分辨率是指网络能最高分辨图像的能力的大小，其数值小于人体行为特征在图像上的尺度大小，使得网络能够更好地检测运动信息。此外，所述高分辨率字典具有可学习机制，根据网络算法的迭代训练自动调整内部参数。
如何结合信号模型去改进“黑箱模型”，让“黑箱模型”在穿墙场景上更有理有据是需要努力突破的。LASSO问题的求解方法包含两大类，其中基于最优化理论的传统求解方法包括正交匹配追踪、截断牛顿内点法、迭代收缩阈值算法、增广拉格朗日乘子方法等。该类方法中迭代收缩阈值方法可以取得较好的收敛速度及精度。另一类方法为基于字典学习的方法，包括鲁棒在线字典更新方法。深度L0编码器的意义就是用神经网络替代一类LASSO问题迭代求解算法的思路:
LASSO是压缩感知成像中的经典目标方程，例如穿墙成像超分辨问题中，已知模糊的像b，和模糊函数R，目标在于恢复去模糊的像I。这些变量的关系可以表达成I*R＝b，其中*为卷积。在理想状态下，b没有任何噪音，那么这个问题就很简单。基于卷积定理，两个函数在时域的卷积相当于频域的相乘，那么只需要求出b和R的傅里叶变换，然后相除得到I的傅里叶变换，再将其恢复到时域。但是一般来说模糊图像b含有噪声，这使得频域中的操作异常不稳定，所以更多时候，希望通过这个方程求得I：
其中模糊算子R表现成矩阵形式，I和b表示为1维向量，函数p作为规范项。将I小波分解，I＝Wx，其中W为小波基，x为小波基系数。穿墙成像的小波分解是稀疏的。那么目标方程就变成了LASSO问题：
其中A＝RW。现在的问题是，这个方程由于L1范数的存在，不是处处可微的，如果用sub-gradient的方法，收敛的速度会很慢。
利用ISTA迭代收缩阈值算法可以得到如下方案：
这个算法可以解决以上f+g形式的最小化问题，但ISTA适用于以下形式问题的求解：
(1)目标方程是f+g的形式；
(2)f和g是凸的，f是可导的，g无限制；
(3)非超越方程，如探地管线探测中的四次难解问题。
这种形式的递归下降可以写成等价的以下形式(general form)：
在问题中除了f还有一个非平滑的g存在,一个简单的想法是改变迭代公式成以下形式(也就是直接把g加到后面):
通过基本的代数计算,消去和x无关的常数项,每一步的迭代公式就变成了:
这时可以看到,假如g是一个可拆分的函数(比如L范数),就可以对每一维分别进行坐标下降,也就是将N维的最小值问题,转化成N个维的最小值问题。能够发现,如果g＝λ||x||1那么这个问题有解析解,每步的迭代可以写成:
其中,τα(x)i＝(|xi|-α)+sign(xi)为“收缩或值”。
由此引入改进：利用ISTA中的快速可训练回归量的类似思想,构建学习稀疏模型的前馈网络近似。
将原本需要通过迭代计算的参数,更换为需前馈学习的超参数,利用ISTA收缩阈值函数作为激活函数,则FISTA的迭代过程重构为一个浅层神经网络如图1所示，其中,α是对输入信号y的稀疏码近似值,线性权值W、S和收缩阈值θ从数据中学习：
进一步地，如图4所示，所述坐标注意力加权模块包括X轴向池化层、Y轴池化层，所述X轴向池化层、Y轴池化层分别用于改变X、Y方向上的参数量并形成特征值，将抽取出的特征值通过激活函数的学习与迭代，得到增强的数据输出。
最后，利用如下算法，实现了对坐标注意力改进CSCN网络的推理工作。
首先，输入一组训练数据x,y，求解：
其中F(y；Θ)代表训练好的模型，Wi为权重向量，
则代表各个训练好的子模型，Θ为阈值，
为子模型的阈值。求解优化问题：
最后利用Nesterov Momentum SGD梯度下降优化器求解：
其中θω为一个权值学习后得到的阈值参数。训练完成后，整合网络为一个完整的模型，并进行推理，具体过程设输入图像为Inputi，则：
其中Output即为输出图像。
本发明的算法最终构建为一个完整的网络结构，并利用Nesterov Momentum SGD梯度下降优化器，求解损失函数下降的最优化问题。为了提高算法的实用性，整个方法的开发和验证都是针对实测数据进行的。对于实测条件下的应用，通过插入CoordAtt-CSCN算法模块，在不重新增强采样数据和先验知识的情况下，有助于提高TWR人类运动分类算法的效果。此外，由于算法模型纳入了稀疏建模的物理环境，算法的计算复杂度降低了。本发明比已有算法SA-Inception-ResNet101轻量化很多，而且如前所述这里引入了稀疏建模理论，作为MIMO穿墙人体行为识别作为铺垫。
进一步地，本实施例中，所述坐标注意力加权模块的梯度函数为：
其中，
表示图像高度方向上的梯度信息输出，
表示图像宽度方向上的梯度信息输出，he为高度方向上的像素序号，上限为Height，le为宽度方向上的像素序号，上限为Length，xc为输入图像对应的像素取值信息。
所述超分辨模块的梯度函数为：
其中，sgn为符号函数，max为取最大值函数，ri为输入的迭代向量，λ为正则项。
进一步地，在所述步骤S1之前，包括：将墙后人体地为状态划分为三个大类，分别是无人、静止和运动，共七种，分别墙后无人、墙后人体向墙站立、墙后人体向墙站立、墙后人体与墙平行站立、墙后人体向墙移动、墙后的人体在墙后移动、墙后的人体在七种不同的状态。
为了更好地说明本发明的目的和优点，阐述具体实施方式，下面结合附图、实验以及数据分析做进一步说明。
实测验证部分，设计了一个基于三维扫描穿透式超宽带(UWB)雷达以及上位机控制器的硬件和软件系统解决方案。其中，射频模块以及简单的预处理器使用了商用手持式矢量网络分析仪(VNA)，Keysight N9923A。控制系统与固定在二维导轨系统上的UWBVivaldi天线相连，该天线用一组同轴电缆与主机相连，构成整个系统的检测部分。在信号预处理模块中，使用窗口长度为5的滑动平均和信道间平均进行了一个简单的过程，用系统的时间延迟观测进行校正。最后，使用频域补偿方法实现脉冲步进频率制度的测量数据的生成。使用理论分析部分提到的成像方法生成图像，并通过伪色图映射和对比度增强处理，等待下一步的数据增强和识别处理。使用目前的穿墙雷达系统，在相对复杂的墙体和人体运动环境中可以获得清晰的成像信息。
本发明利用单发射、单接收的超宽带穿墙雷达来验证墙后的人类运动识别数据增强算法，其数据采集参数设置如下。超宽带穿墙雷达被放置在靠近墙壁的地方，人的运动距离在墙后2-5m的范围内。雷达经过简单的采样和信号处理后，将数据送回主机，利用所提出的算法进行智能数据处理。在完成数据增强后，引入了几个经典的分类器接口，以验证数据增强算法确实使后续识别更加可靠。具体来说，设计的雷达系统的起始频率为0.5GHz，终止频率为2.5GHz，频率间隔为10MHz，步进持续时间为100微秒，步进频率数为200。雷达被压在一个厚度为0.23m的墙上。雷达接收信号的采样点数为每秒2048次，采样率为50(步进周期为0.02s)。利用该系统进行实验数据增强算法的时候，可以得到轮廓更加清晰的二维成像。
在累积的人类运动状态的成像信息图矩阵中，靠近雷达和远离人体的区域包含墙面杂波、多路径重影和一些噪声。这些区域对识别任务没有意义，但其信息会干扰分类器的决策。因此，应该对杂波和噪声区域施加一个较低的权重。人体运动特征部分区域包含身体主要部位的运动特征和一些紧密耦合的微多普勒特征，其运动状态是行为识别的关键信息，应强制应用较高的权重。最后通过组合得到的特征图信息更有助于分类器的学习和收敛。
当墙后没有人类目标时，成像信息主要集中在墙体回波以及叠加的环境回波，可以用高斯随机函数近似建模。由于墙面杂波是一种低等级的信息，它反映了每面墙后面未被占用的成像数据的类似特征。因此，随着CoordAtt-CSCN算法中坐标注意机制模块的训练，墙面杂波区域逐渐被网络理解并被赋予较低的权重。当神经网络的输入参数为包含无人驾驶环境的数据和其他六个包含人类信息的场景。经过大量的迭代，神经网络会自动更新墙体杂波所在的坐标区域的适应性权重。最终的权重被降低到当前区域可以被忽略的水平。在此之后，使用乘法器将CoordAtt-SR模块输出的图像分块信息和自适应权重模块输出的权重信息汇总。聚合后的成像信息矩阵就是数据论证结果。在图6(c)中，不难发现，经过SR模块和自适应权重处理后，墙体区域的成像信息得到了较好的抑制，相反，墙体后面的空间信息会被进一步突出。由于当前场景中没有人类目标，成像信息中只包含少量的噪声部分，这些噪声部分没有被神经网络结果识别和加权抑制。
中间三种状态分别代表了静止站立的人体目标的三个状态子类别，包括面向雷达天线方向的静止站立状态、平行于雷达天线方向的静止站立状态和相对于雷达天线的俯卧状态。人体与雷达天线的最短距离被设定为5m。此时，雷达成像信息主要包含强墙杂波、受墙影响的近似高斯噪声和静止的人体目标的回波信息。由于人体相对于雷达的方向不同，人体对于雷达的RCS也不同，这使得人体所在的坐标区域内的距离成像信息略有不同。通过提出的算法进行推理后，该网络与之前的无人空间一样，有效地抑制了墙面杂波和大部分噪声，同时对人体所在的坐标区域信息有了很好的了解。由于墙面杂波特征和部分人体特征都反映了低等级特征，在网络训练过程中很难做出区分。因此，该网络去除人体成像信息中的一些低等级成分，但保留了对分类和识别最有意义的高等级成分。
同样，后三种状态分别代表了人体平行于雷达、垂直于雷达和斜折回行走时的成像信息和算法处理结果。步行的人体成像结果更容易被算法提取，因为它们包含更复杂的微多普勒特征，并且在数据增强推理过程中会有更少的成分被错误分类。具体来说，和以前一样，雷达成像信息包含强烈的墙面杂波、近高斯建模噪声和2-5m范围内的人类运动的复杂距离图像信息。所提出的算法学习人体范围内的信息，并在训练过程中逐渐增加其权重，最终达到突出人体运动状态、抑制墙壁和噪声的目的。从实验结果可以看出，由于移动的人体特征，特别是与雷达天线平行移动的人体成像特征，含有类似于墙体杂波的低等级区域，神经网络可以通过增加较低的权重将其去除，但含有高模态微多普勒特征的区域的信息得到了很好的保留。
显然，与分类成功率较低的SVM等原始算法相比，数据增强过程对分类器的识别准确率有明显的提高，超过10％。与传统的监督机器学习和深度学习分类器算法可以达到90％以上的识别精度相比，数据增强过程可以使分类器的识别精度提高两个百分点左右，同时不同程度地加快收敛速度。其中，以ResNet101为例，仔细分析提出的数据论证算法对训练和验证过程的影响。如图6，在引入提议的数据增强之前，ResNet10在验证数据集上收敛到最高95.6％的识别精度所需的训练迭代次数93。在引入拟议的数据增强算法后，ResNet101网络收敛到最高98.61％的准确率所需的训练迭代次数68。比较结果表明，数据论证算法使相同参数的分类器在更短的时间内收敛到更好的结果，证明了其在有效挖掘和增强墙后人体动态特征方面的优越性。
本发明还提供了一种穿墙雷达人体行为特征增强装置，如图7所示，该装置包括：
特征图模块：配置为穿墙雷达人体行为数据作为输入数据，将所述输入数据分别输入坐标注意力加权模块以及卷积层模块；所述坐标注意力加权模块用于确定所述输入数据的信息关系，基于所述信息关系将所述输入数据分割为若干区域，并为分割后的各区域赋予相应的权重，所述注意力加权模块的输出为特征图；所述卷积层模块用于生成对所述输入数据降尺度的二维图像；
增强模块：配置为所述特征图输入包括多路LISTA模型的超分辨模块；所述二维图像输入自适应权重模块，所述自适应权重模块为卷积神经网络；每路LISTA模型的输出与所述自适应权重模块中与该路LISTA模型对应的全连接层输出的权值相乘聚合，生成各区域的增强信息；
融合模块：配置为融合所述各区域的增强信息，得到融合特征向量，将所述融合特征向量进行尺度转换，得到输出；同时将所述输出作为验证数据，反馈给网路算法的输入端。
以上的具体实施例仅描述了本发明的设计原理，该描述中的部件形状，名称可以不同，不受限制。所以，本发明领域的技术人员可以对前述实施例记载的技术方案进行修改或等同替换；而这些修改和替换未脱离本发明创造宗旨和技术方案，均应属于本发明的保护范围。
Claims (10)
1.一种穿墙雷达人体行为特征增强方法，其特征在于，包括：
步骤S1：穿墙雷达人体行为数据作为输入数据，将所述输入数据分别输入坐标注意力加权模块以及卷积层模块；所述坐标注意力加权模块用于确定所述输入数据的信息关系，基于所述信息关系将所述输入数据分割为若干区域，并为分割后的各区域赋予相应的权重，所述注意力加权模块的输出为特征图；所述卷积层模块用于生成对所述输入数据降尺度的二维图像；
步骤S2：所述特征图输入包括多路LISTA模型的超分辨模块；所述二维图像输入自适应权重模块，所述自适应权重模块为卷积神经网络；每路LISTA模型的输出与所述自适应权重模块中与该路LISTA模型对应的全连接层输出的权值相乘聚合，生成各区域的增强信息；
步骤S3：融合所述各区域的增强信息，得到融合特征向量，将所述融合特征向量进行尺度转换，得到输出；同时将所述输出作为验证数据，反馈给网路算法的输入端。
2.如权利要求1所述的方法，其特征在于，每路LISTA模型包括多个LISTA模块；所述LISTA模块包括卷积层、权重层、第一迭代阈值层、融合层、第二迭代阈值层、高分辨率字典、反卷积层、输出层；所述卷积层接收输入的图像，将所述输入的图像作二维卷积，所述卷积层输出的图像作为权重层的输入，所述权重层用于调整图像中像素级的特征信息，所述卷积层的输出作为参数Y1用于后续处理，其中Y1代表碎片化的输入数据；所述权重层用于参数学习，输出的图像作为所述第一迭代阈值层的输入，所述第一迭代阈值层的输出与所述权重层的输出经所述融合层融合，融合后的图像输入所述第二迭代阈值层，所述第二迭代阈值层求解ISTA方法中的迭代收缩阈值函数，得到迭代收缩阈值α，将所述特征图输入所述高分辨率字典，与高分辨字典相乘处理得到高分辨特征图像，将高分辨特征图像输出到所述反卷积层，由所述反卷积层实现卷积碎片的放回和尺度还原，得到高分辨图像作为输出，所述高分辨层的输出作为参数X1用于后续处理，其中X1代表碎片化的标签；所述高分辨率是指网络能最高分辨图像的能力的大小。
3.如权利要求2所述方法，其特征在于，所述迭代收缩阈值函数为：
softT(x)＝sign(xi)(|xi|-T)
其中，softT代表迭代收缩阈值，sign为符号函数，T为超参数，xi为输入数据的第i个分量。
4.如权利要求3所述的方法，其特征在于，所述坐标注意力加权模块包括X轴向池化层、Y轴池化层，所述X轴向池化层、Y轴池化层分别用于改变X、Y方向上的参数量并形成特征值，将抽取出的特征值通过激活函数的学习与迭代，得到增强的数据输出。
5.如权利要求4所述的方法，其特征在于，所述坐标注意力加权模块的梯度函数为：
其中，
表示图像高度方向上的梯度信息输出，
表示图像宽度方向上的梯度信息输出，he为高度方向上的像素序号，上限为Height，le为宽度方向上的像素序号，上限为Length，xc为输入图像对应的像素取值信息。
6.如权利要求5所述的方法，其特征在于，所述超分辨模块的梯度函数为：
其中，sgn为符号函数，max为取最大值函数，ri为输入的迭代向量，λ为正则项。
7.如权利要求1-5中任一项所述的方法，其特征在于，在所述步骤S1之前，包括：将墙后人体地为状态划分为三个大类，分别是无人、静止和运动，共七种，分别墙后无人、墙后人体向墙站立、墙后人体向墙站立、墙后人体与墙平行站立、墙后人体向墙移动、墙后的人体在墙后移动、墙后的人体在七种不同的状态。
8.一种穿墙雷达人体行为特征增强装置，其特征在于，包括：
特征图模块：配置为穿墙雷达人体行为数据作为输入数据，将所述输入数据分别输入坐标注意力加权模块以及卷积层模块；所述坐标注意力加权模块用于确定所述输入数据的信息关系，基于所述信息关系将所述输入数据分割为若干区域，并为分割后的各区域赋予相应的权重，所述注意力加权模块的输出为特征图；所述卷积层模块用于生成对所述输入数据降尺度的二维图像；
增强模块：配置为所述特征图输入包括多路LISTA模型的超分辨模块；所述二维图像输入自适应权重模块，所述自适应权重模块为卷积神经网络；每路LISTA模型的输出与所述自适应权重模块中与该路LISTA模型对应的全连接层输出的权值相乘聚合，生成各区域的增强信息；
融合模块：配置为融合所述各区域的增强信息，得到融合特征向量，将所述融合特征向量进行尺度转换，得到输出；同时将所述输出作为验证数据，反馈给网路算法的输入端。
9.一种计算机可读存储介质，所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行如权利要求1-7中任一项所述方法。
10.一种电子设备，其特征在于，所述电子设备，包括：
处理器，用于执行多条指令；
存储器，用于存储多条指令；
其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行如权利要求1-7中任一项所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210652538.5A CN115240040A (zh) | 2022-06-07 | 2022-06-07 | 一种穿墙雷达人体行为特征增强方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210652538.5A CN115240040A (zh) | 2022-06-07 | 2022-06-07 | 一种穿墙雷达人体行为特征增强方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115240040A true CN115240040A (zh) | 2022-10-25 |
Family
ID=83670360
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210652538.5A Pending CN115240040A (zh) | 2022-06-07 | 2022-06-07 | 一种穿墙雷达人体行为特征增强方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115240040A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115542282A (zh) * | 2022-11-28 | 2022-12-30 | 南京航空航天大学 | 基于深度学习的雷达回波检测方法、系统、设备及介质 |
| CN116756835A (zh) * | 2023-08-15 | 2023-09-15 | 深圳市前海荣群铝业科技有限公司 | 模板组合设计方法、装置、设备及存储介质 |
-
2022
- 2022-06-07 CN CN202210652538.5A patent/CN115240040A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115542282A (zh) * | 2022-11-28 | 2022-12-30 | 南京航空航天大学 | 基于深度学习的雷达回波检测方法、系统、设备及介质 |
| CN116756835A (zh) * | 2023-08-15 | 2023-09-15 | 深圳市前海荣群铝业科技有限公司 | 模板组合设计方法、装置、设备及存储介质 |
| CN116756835B (zh) * | 2023-08-15 | 2023-12-01 | 深圳市前海荣群铝业科技有限公司 | 模板组合设计方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110472483B (zh) | 一种面向sar图像的小样本语义特征增强的方法及装置 | |
| CN110472627B (zh) | 一种端到端的sar图像识别方法、装置及存储介质 | |
| CN109086700B (zh) | 基于深度卷积神经网络的雷达一维距离像目标识别方法 | |
| CN111310666B (zh) | 一种基于纹理特征的高分辨率影像地物识别与分割方法 | |
| CN109683161B (zh) | 一种基于深度admm网络的逆合成孔径雷达成像的方法 | |
| CN107563411B (zh) | 基于深度学习的在线sar目标检测方法 | |
| CN115240040A (zh) | 一种穿墙雷达人体行为特征增强方法及装置 | |
| CN111551928B (zh) | 一种基于墙体低秩稀疏约束的穿墙雷达成像方法 | |
| CN110826428A (zh) | 一种高速的sar图像中船只检测方法 | |
| CN111784560A (zh) | 基于级联残差生成对抗网络的sar和光学图像双向翻译方法 | |
| CN110988818A (zh) | 基于条件生成式对抗网络的欺骗干扰模板生成方法 | |
| Tang et al. | Compressive radar imaging of stationary indoor targets with low-rank plus jointly sparse and total variation regularizations | |
| Zhang et al. | Polarimetric HRRP recognition based on ConvLSTM with self-attention | |
| CN109324315A (zh) | 基于双层次块稀疏性的空时自适应处理雷达杂波抑制方法 | |
| CN113095417B (zh) | 基于融合图卷积和卷积神经网络的sar目标识别方法 | |
| CN106845343B (zh) | 一种光学遥感图像海上平台自动检测方法 | |
| CN113536963A (zh) | 基于轻量化yolo网络的sar图像飞机目标检测方法 | |
| Huang et al. | EST-YOLOv5s: SAR image aircraft target detection model based on improved YOLOv5s | |
| Ruan et al. | Automatic recognition of radar signal types based on CNN-LSTM | |
| Tang et al. | Enhanced through-the-wall radar imaging using Bayesian compressive sensing | |
| CN107977943B (zh) | 一种基于提纯优化的空间目标光谱解混方法 | |
| Huan et al. | SAR multi‐target interactive motion recognition based on convolutional neural networks | |
| CN111931570B (zh) | 一种基于全卷积网络的穿墙成像雷达人体目标检测方法 | |
| CN111967292B (zh) | 一种轻量级的sar图像船只检测方法 | |
| CN114114246A (zh) | 穿墙雷达成像方法、系统、终端设备及可读存储介质 |
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 |