基于多频多域深度学习的雷达步态识别方法技术

本发明专利技术公开了一种基于多频多域深度学习的雷达步态识别方法，用频率步进连续波雷达对步态多次采样，对每个样本分别处理得到多频率时频域微多普勒谱图和时域距离像。将多频率时频域谱图按相似度分组，再将同一组时频域谱图组合为一多通道的高维时频域谱图，并运用多个卷积神经网络分别提取多组高维时频域谱图和时域距离像的分类特征向量，将提取的多组时频域特征和时域特征结合为一个新的特征向量，并将其传入到稀疏自编码神经网络去除无用特征后输入到分类器中完成步态分类。本发明专利技术通过获取多频率时频域微多普勒谱图和时域距离像，由深度学习网络综合提取多频率、多域的多层次特征进行步态识别，识别精度高，抗噪声性能好，更具有实用性。

【技术实现步骤摘要】
基于多频多域深度学习的雷达步态识别方法
本专利技术涉及一种分类方法，尤其涉及一种基于多频多域深度学习的雷达步态识别方法。
技术介绍
在人体步态识别领域，雷达式的人体步态识别具有全天时、全天候、可远距离探测的优点。目前雷达式人体步态识别方法中，通常是对单频连续波雷达的回波数据进行时频分析，得到人体步态的时频域微多普勒谱图，从谱图中人工提取人体步态参数，用传统机器学习的方法来进行步态分类。上述基于单频率时频域微多普勒谱图的识别方法存在两个主要的不足之处：其一，单频率谱图只能得到某一频率下的人体步态特征，然而人体对不同频率的电磁波有着不同的散射特性，所以单频率的回波数据对步态的反映不够全面。其二，仅从时频域提取特征，忽视了原始人体雷达回波中蕴含的时域深层次信息，无法提高识别的准确率。
技术实现思路
本专利技术的目的就在于提供一种解决上述问题，利用频率步进连续波雷达采集步态信息，将分别得到每类步态的多频率时频域微多普勒谱图和时域距离像，再利用多个卷积神经网络分别提取各自特征结合成新的特征向量训练分类器，从而得到识别精度高，抗噪性能好的雷达步态识别方法。为了实现上述目的，本专利技术采用的技术方案是这样的：一种基于多频多域深度学习的雷达步态识别方法，包括以下步骤：(1)采用频率步进连续波雷达对人体多种不同步态进行n次采样，记录每次采样的步态类别，每次采样得到一个步态样本，所述样本为N×M的矩阵，其中，N为采样周期个数，M为一个采样周期中步进频率的个数，n次采样得到一数据集X,X＝{Xi∈RN×M|i＝1,2,…,n}所述R表示实数，N×M为矩阵维数，Xi为X中第i个样本；(2)将每个Xi的每一列的数据进行平均对消运动滤波，得到矩阵Pi，则数据集X中所有样本进行平均对消运动滤波后构成数据集PP＝{Pi∈RN×M|i＝1,2,…,n}；(3)将每个Pi的每一列数据进行短时傅里叶变换，得到M个频率的时频域谱图则数据集P中所有样本的时频域谱图集合为其中表示第i个样本的第j个频率的时频域谱图；(4)用均值哈希算法计算得到G1中M个频率时频域谱图的哈希值Hj(j＝1,2,…,M)，并分别计算H1与Hj(j＝2,3,…,M)之间的汉明距离，将汉明距离值小于5的时频域谱图分为同一组，一共得到q组时频域谱图，并记录同一组内的频率下标，将G2,G3，…，Gn中的时频域谱图按此频率下标分组，分组完成后，将同一组内的多张时频域谱图组合成一张多通道的高维时频域谱图，得到则G中所有样本的高维时频域谱图为(5)将步骤(1)中每个Xi的每一行的数据进行IFFT变换，形成快慢时间数据平面,记为Qi，Qi∈RN×M；(6)对Qi沿慢时间进行双脉冲运动滤波，运动滤波后的矩阵即为时域距离像Ri，则X中n个样本的时域距离像数据集合为R，R＝{Ri|i＝1,2,…,n}；(7)建立一用于提取步骤(4)F中高维时频域谱图特征的第一卷积神经网络和一用于提取步骤(6)R中时域距离像的第二卷积神经网络；对F中每张高维时频域谱图按步态类别标记，送入第一卷积神经网络训练得到第一训练模型，再将Fi中q张高维时频域谱图输入第一训练模型中，获取全连接层输出的用于分类的的特征向量Ui，Ui的大小为200×q；则F中输出的所有特征向量U,U＝{Ui|i＝1,2,…,n}；将R中每张时域距离像的步态类别进行标记，并将其以F中Fi的样本顺序送入卷积神经网络训练得到第二训练模型，再次将Ri输入第二训练模型中，获取全连接层输出的用于分类的特征向量Vi,Vi的大小为100×1；则R中所有的时域距离像的特征输出为V，V＝{Vi|i＝1,2,…,n}；(8)将Ui每行依次连接得到(200×q)×1的一维向量，并将其与Vi进行连接得到一(200×q+100)×1的一维向量Ci,则Ui和Vi拼接得到所有特征向量C,C＝{Ci∈R(200×q+100)×1|i＝1,2,…,n}(9)建立一个稀疏自编码器网络，并在其后连接一个Softmax分类器，将C输入稀疏自编码器网络和Softmax分类器中训练，得到能识别步态类别类模型。作为优选：所述步骤(2)中，采用下式进行平均对消运动滤波，作为优选：所述步骤(6)中，采用下式进行双脉冲运动滤波，Qi(x,y)＝Ri(x+1,y)-Ri(x,y)x＝1,2,...,N-1,y＝1,2,...,M。与现有技术相比，本专利技术的优点在于：本专利技术中，通过频率步进连续波雷达采集步态样本，得到数据集X，再利用步骤(2)(3)(4)对数据集X进行处理，得到所有样本的高维时频域谱图F，利用步骤(5)(6)对数据集X进行处理，得到所有样本的时域距离像数据集合R；构建一提取F中高维时频域谱图特征的第一卷积神经网络和提取R中时域距离像特征的第二卷积神经网络；第一、第二卷积神经网络均为CNN，包括卷积层、池化层、全连接层，和Softmax分类器；其中Softmax分类器的作用是接收全连接层的数据，提取特征向量，并根据特征向量输出分类结果；所以步骤(7)中，不仅要利用F和R对第一、第二卷积神经网络进行训练，训练完成后，再次输入F和R，得到对应的特征向量U和特征向量V；利用步骤(8)将特征向量U和特征向量V融合得到新的特征向量C,此时得到的新的特征向量C,能更完整的获得时频域谱图和时域距离像的特征信息，同时也避免了复杂的图像处理和特征提取过程，并将其传入到稀疏自编码神经网络去除无用的特征，把处理好的特征向量输入到分类器中完成分类。本专利技术的好处是分别用卷积神经网络来提取多频率时频域微多普勒谱图和时域距离像的信息，然后综合用于步态的识别，具有识别精度高，抗噪性能好等优势，因此具有更高的实用性。经过本方法构建了一种基于频率步进连续波雷达的步态识别模型，并通过该模型输出高精度的步态类别。附图说明图1为本专利技术中频率步进连续波雷采集的步态样本矩阵；图2为数据集X的矩阵分布示意图；图3为本专利技术第一卷积神经网络的一种结构图；图4为本专利技术第二卷积神经网络的一种结构图；图5为本专利技术中稀疏自编码网络的一种结构图；图6为实施例2中采集到正常行走的步态经步骤(3)处理后的时频域谱图；图7为实施例2中采集到弓腰行走的步态经步骤(3)处理后的时频域谱图；图8为实施例2中采集到匍匐前进的步态经步骤(3)处理后的时频域谱图；图9为实施例2中正常行走的步态经步骤(6)处理后的时域距离像；图10为实施例2中弓腰行走的步态经步骤(6)处理后的时域距离像；图11为实施例2中匍匐前进的步态经步骤(6)处理后的时域距离像。图12为第一卷积神经网络训练结果；图13为第二卷积神经网络训练结果；图14为稀疏自编码及其。连接的Softmax分类器训练结果。具体实施方式下面将结合附图对本专利技术作进一步说明。实施例1：参见图1到图5，一种基于多频多域深度学习的雷达步态识别方法，包括以下步骤：(1)采用频率步进连续波雷达对人体多种不同步态进行n次采样，记录每次采样的步态类别，每次采样得到一个步态样本，所述样本为N×M的矩阵，其中，N为采样周期个数，M为一个采样周期中步进频率的个数，n次采样得到一数据集X,X＝{Xi∈RN×M|i＝1,2,…,n}所述R表示实数，N×M为矩阵维数，Xi为X中第i个样本；假设频率步进连续波雷达的频率为f1，步进为df，一本文档来自技高网...

【技术保护点】
1.一种基于多频多域深度学习的雷达步态识别方法，其特征在于：包括以下步骤：(1)采用频率步进连续波雷达对人体多种不同步态进行n次采样，记录每次采样的步态类别，每次采样得到一个步态样本，所述样本为N×M的矩阵，其中，N为采样周期个数，M为一个采样周期中步进频率的个数，n次采样得到一数据集X,X＝{Xi∈RN×M|i＝1,2,…,n}所述R表示实数，N×M为矩阵维数，Xi为X中第i个样本；(2)将每个Xi的每一列的数据进行平均对消运动滤波，得到矩阵Pi，则数据集X中所有样本进行平均对消运动滤波后构成数据集PP＝{Pi∈RN×M|i＝1,2,…,n}；(3)将每个Pi的每一列数据进行短时傅里叶变换，得到M个频率的时频域谱图

【技术特征摘要】
1.一种基于多频多域深度学习的雷达步态识别方法，其特征在于：包括以下步骤：(1)采用频率步进连续波雷达对人体多种不同步态进行n次采样，记录每次采样的步态类别，每次采样得到一个步态样本，所述样本为N×M的矩阵，其中，N为采样周期个数，M为一个采样周期中步进频率的个数，n次采样得到一数据集X,X＝{Xi∈RN×M|i＝1,2,…,n}所述R表示实数，N×M为矩阵维数，Xi为X中第i个样本；(2)将每个Xi的每一列的数据进行平均对消运动滤波，得到矩阵Pi，则数据集X中所有样本进行平均对消运动滤波后构成数据集PP＝{Pi∈RN×M|i＝1,2,…,n}；(3)将每个Pi的每一列数据进行短时傅里叶变换，得到M个频率的时频域谱图则数据集P中所有样本的时频域谱图集合为其中表示第i个样本的第j个频率的时频域谱图；(4)用均值哈希算法计算得到G1中M个频率时频域谱图的哈希值Hj(j＝1,2,…,M)，并分别计算H1与Hj(j＝2,3,…,M)之间的汉明距离，将汉明距离值小于5的时频域谱图分为同一组，一共得到q组时频域谱图，并记录同一组内的频率下标，将G2,G3，…，Gn中的时频域谱图按此频率下标分组，分组完成后，将同一组内的多张时频域谱图组合成一张多通道的高维时频域谱图，得到则G中所有样本的高维时频域谱图为(5)将步骤(1)中每个Xi的每一行的数据进行IFFT变换，形成快慢时间数据平面,记为Qi，Qi∈RN×M；(6)对Qi沿慢时间进行双脉冲运动滤波，运动滤波后的矩阵即为时域距离像Ri，则X中n个样本的时域距离像数据集合为R，R＝{Ri|i＝1,2,…,n}；(7)建...

【专利技术属性】
技术研发人员：贾勇，王刚，宋瑞源，晏超，李权，钟晓玲，郭勇，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：四川,51