基于微波雷达的动作识别装置、方法及系统制造方法及图纸

本发明专利技术实施例提供一种基于微波雷达的动作识别装置、方法及系统，通过使用分类结果包含摔倒、疑似摔倒和正常动作的三分类识别模型且根据该三分类识别模型的连续输出结果进一步判定检测对象的动作，能够提高识别精度，降低误识别率，另外，该三分类识别模型由于区分了摔倒和疑似摔倒的分类，易于完成训练且训练得到的模型稳定性较高。

【技术实现步骤摘要】
基于微波雷达的动作识别装置、方法及系统
本专利技术涉及信息
，尤其涉及一种基于微波雷达的动作识别装置、方法及系统。
技术介绍
近年来，动作识别在各个领域应用广泛。例如，人体动作识别在医疗健康、智能看护、动作捕捉等领域具有广泛的应用。当前社会老龄化趋势加剧，独居老人数量急剧增加，为老人提供危险动作识别服务能够在危险发生时及时告警并提供救助，因此具有重要的意义。人体动作识别可基于视频影像或基于集成了惯性传感单元(IMU，Inertialmeasurementunit)的可穿戴设备收集的信息来进行，但是，基于视频影像的人体动作识别容易侵犯检测对象的家居隐私，而基于可穿戴设备的人体动作识别需要检测对象一直穿戴该设备，使用不便且识别精度不高。为了解决上述问题，出现了基于微波雷达的人体动作识别方法，该方法通过微波雷达收集检测对象反射的微波信号进行动作的识别。应该注意，上面对技术背景的介绍只是为了方便对本专利技术的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本专利技术的
技术介绍
部分进行了阐述而认为上述技术方案为本领域技术人员所公知。
技术实现思路
专利技术人发现，现有的基于微波雷达的动作识别方法存在以下的问题：首先，利用微波雷达进行动作识别，受限于天线阵列、信号处理能力等问题，对人体反射信号进行动作描述不如视觉方式那么清晰直观，各动作之间的信号特征容易混淆，导致误识别率较高；另外，不同类型的动作在利用微波雷达信号特征进行描述时，某些类的动作产生的信号特征非常相似，因此，进行监督学习训练模型时，损失值变化不稳定且模型训练不稳定，导致训练困难且训练出的模型识别精度较低。本专利技术实施例提供一种基于微波雷达的动作识别装置及方法、电子设备，通过使用分类结果包含摔倒、疑似摔倒和正常动作的三分类识别模型且根据该三分类识别模型的连续输出结果进一步判定检测对象的动作，能够提高识别精度，降低误识别率，另外，该三分类识别模型由于区分了摔倒和疑似摔倒的分类，易于完成训练且训练得到的模型稳定性较高。根据本专利技术实施例的第一方面，提供一种基于微波雷达的动作识别装置，所述装置包括：特征提取单元，其用于对预设时间内的微波雷达的所有反射点的信息进行处理，获得属于检测对象的反射点的特征；分类单元，其用于将所述特征输入到基于深度学习的三分类识别模型中，输出所述三分类的分类结果，所述三分类的分类结果包括正常动作、摔倒或疑似摔倒；以及确定单元，其用于根据所述三分类识别模型在时间上连续输出的分类结果，确定所述检测对象是否发生了摔倒。根据本专利技术实施例的第二方面，提供一种动作识别系统，包括：微波雷达，其具有信号发射部和信号接收部，所述信号发射部向检测对象所在的空间发射微波信号，所述信号接收部接收由包含所述检测对象的物体反射的反射信号，得到反射点的信息；以及根据本专利技术实施例的第一方面所述的装置，其根据所述反射点的信息进行所述检测对象的动作识别。根据本专利技术实施例的第三方面，提供一种基于微波雷达的动作识别方法，所述方法包括：对预设时间内的微波雷达的所有反射点的信息进行处理，获得属于检测对象的反射点的特征；将所述特征输入到基于深度学习的三分类识别模型中，输出所述三分类的分类结果，所述三分类的分类结果包括正常动作、摔倒或疑似摔倒；以及根据所述三分类识别模型在时间上连续输出的分类结果，确定所述检测对象是否发生了摔倒。本专利技术的有益效果在于：通过使用分类结果包含摔倒、疑似摔倒和正常动作的三分类识别模型且根据该三分类识别模型的连续输出结果进一步判定检测对象的动作，能够提高识别精度，降低误识别率，另外，该三分类识别模型由于区分了摔倒和疑似摔倒的分类，易于完成训练且训练得到的模型稳定性较高。参照后文的说明和附图，详细公开了本专利技术的特定实施方式，指明了本专利技术的原理可以被采用的方式。应该理解，本专利技术的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内，本专利技术的实施方式包括许多改变、修改和等同。针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中的特征。应该强调，术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在，但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。附图说明所包括的附图用来提供对本专利技术实施例的进一步的理解，其构成了说明书的一部分，用于例示本专利技术的实施方式，并与文字描述一起来阐释本专利技术的原理。显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：图1是本专利技术实施例1的基于微波雷达的动作识别装置的一示意图；图2是本专利技术实施例1的确定单元103的一示意图；图3是本专利技术实施例1的第一确定单元201的一示意图；图4是本专利技术实施例1的第二确定单元202的一示意图；图5是本专利技术实施例2的电子设备的一示意图；图6是本专利技术实施例2的电子设备的系统构成的一示意框图；图7是本专利技术实施例3的动作识别系统的一示意图；图8是本专利技术实施例4的基于微波雷达的动作识别方法的一示意图。具体实施方式参照附图，通过下面的说明书，本专利技术的前述以及其它特征将变得明显。在说明书和附图中，具体公开了本专利技术的特定实施方式，其表明了其中可以采用本专利技术的原则的部分实施方式，应了解的是，本专利技术不限于所描述的实施方式，相反，本专利技术包括落入所附权利要求的范围内的全部修改、变型以及等同物。实施例1本实施例提供一种基于微波雷达的动作识别装置，图1是本专利技术实施例1的基于微波雷达的动作识别装置的一示意图。如图1所示，基于微波雷达的动作识别装置100包括：特征提取单元101，其用于对预设时间内的微波雷达的所有反射点的信息进行处理，获得属于检测对象的反射点的特征；分类单元102，其用于将该特征输入到基于深度学习的三分类识别模型1021中，输出三分类的分类结果，该三分类的分类结果包括正常动作、摔倒或疑似摔倒；以及确定单元103，其用于根据该三分类识别模型1021在时间上连续输出的分类结果，确定该检测对象是否发生了摔倒。由上述实施例可知，通过使用分类结果包含摔倒、疑似摔倒和正常动作的三分类识别模型且根据该三分类识别模型的连续输出结果进一步判定检测对象的动作，能够提高识别精度，降低误识别率，另外，该三分类识别模型由于区分了摔倒和疑似摔倒的分类，易于完成训练且训练得到的模型稳定性较高。在本实施例中，该基于微波雷达的动作识别装置可以用于各种检测对象的动作识别。在本实例中，以人体作为检测对象为例进行示例性的说明。在本实施例中，该微波雷达能够获得检测对象的高度信息，例如，该微波雷达是具有三维天线阵列的微波雷达。微波雷达在对检测对象进行检测时，其向检测对象所本文档来自技高网...

【技术保护点】
1.一种基于微波雷达的动作识别装置，所述装置包括：/n特征提取单元，其用于对预设时间内的微波雷达的所有反射点的信息进行处理，获得属于检测对象的反射点的特征；/n分类单元，其用于将所述特征输入到基于深度学习的三分类识别模型中，输出三分类的分类结果，所述三分类的分类结果包括正常动作、摔倒或疑似摔倒；以及/n确定单元，其用于根据所述三分类识别模型在时间上连续输出的分类结果，确定所述检测对象是否发生了摔倒。/n

【技术特征摘要】
1.一种基于微波雷达的动作识别装置，所述装置包括：
特征提取单元，其用于对预设时间内的微波雷达的所有反射点的信息进行处理，获得属于检测对象的反射点的特征；
分类单元，其用于将所述特征输入到基于深度学习的三分类识别模型中，输出三分类的分类结果，所述三分类的分类结果包括正常动作、摔倒或疑似摔倒；以及
确定单元，其用于根据所述三分类识别模型在时间上连续输出的分类结果，确定所述检测对象是否发生了摔倒。


2.根据权利要求1所述的装置，其中，所述装置还包括：
归一化单元，其用于对获得的所述特征进行归一化处理；以及
激活单元，其用于对归一化处理后的特征使用激活函数进行高维特征抽象处理，
并且，所述分类单元将经过高维特征抽象处理后的特征输入到所述三分类识别模型中。


3.根据权利要求1所述的装置，其中，
所述三分类识别模型具有递归神经网络。


4.根据权利要求3所述的装置，其中，
所述递归神经网络包括至少两个长短期记忆层。


5.根据权利要求1所述的装置，其中，所述确定单元包括：
第一确定单元，其根据所述三分类识别模型在时间上连续输出的分类结果计算累积危险系数，并基于所述累积危险系数进行所述检测对象是否发生了摔倒的判定；或者
第二确定单元，其将所述三分类识别模型在时间上连续输出的分类结果输入到神经网络中进行所述检测对象是否发生了摔倒的判定。


6.根据权利要求5所述的装置，其中，所述第一确定单元包括：
计算单元，其根据前一个累积危险系数计算当前的累积...

【专利技术属性】
技术研发人员：丁根明，田军，李红春，
申请(专利权)人：富士通株式会社，
类型：发明
国别省市：日本;JP