穿墙雷达人体图像序列的姿态实时识别方法及计算机设备技术

本发明专利技术适用于穿墙雷达领域，提供了一种穿墙雷达人体图像序列的姿态实时识别方法及计算机设备。方法包括：根据目标的雷达回波信号通过人体图像生成算法构建隐藏人体目标运动时的人体图像序列；将隐藏人体目标运动时的人体图像序列按照预设的比例划分为训练集样本和测试集样本，并在对应时刻标注相应动作标签；通过3D卷积层和3D卷积门控循环单元相结合的方式构建人体姿态实时识别网络，并通过训练集样本对人体姿态实时识别网络进行训练；将测试集样本输入到训练后的人体姿态实时识别网络中，得到每个时刻的姿态类别。本发明专利技术具备了人体行为类型短时判决的能力，有效地解决了固定时间内动作不完整或存在两种动作时就很难区分出来等问题。

【技术实现步骤摘要】
穿墙雷达人体图像序列的姿态实时识别方法及计算机设备
本专利技术属于穿墙雷达领域，尤其涉及一种穿墙雷达人体图像序列的姿态实时识别方法及计算机设备。
技术介绍
近年来，人类姿态的非接触式穿墙探测与分类技术在公共安全与防护、反恐作战、灾害救援等诸多领域的实际应用中具有重要的应用价值，因此受到了广泛的研究关注。通过对人体姿态的穿墙检测和识别，将有助于决策和制定救援策略，极大地提高救援效率和作战效能。与超声波、光学、红外线等传感器相比，基于雷达的特征提取与识别技术因其全天候的适应性和夜间的可用性而受到众多研究者的关注。现有的基于雷达的特征识别方法多采用固定时间窗，要求人体在固定时间内完成一个动作后才能生成相应的二维时间距离像和谱图再进行识别，然而在实际探测过程中，人体的运动时间是未知的，行为发生和结束的时间点并不能预测出，如果截取等长的时间段进行识别，在这个时间段内动作不完整或存在两种动作时就很难区分出来。
技术实现思路
本专利技术的目的在于提供一种穿墙雷达人体图像序列的姿态实时识别方法、计算机可读存储介质及计算机设备，旨在解决现有的要求人体在固定时间内完成一个动作后才能生成相应的谱图再进行识别，如果在固定时间内动作不完整或存在两种动作时就很难区分出来的问题。第一方面，本专利技术提供了一种穿墙雷达人体图像序列的姿态实时识别方法，所述方法包括：S101、获取目标的雷达回波信号；S102、根据目标的雷达回波信号通过人体图像生成算法构建隐藏人体目标运动时的人体图像序列；S103、将隐藏人体目标运动时的人体图像序列按照预设的比例划分为训练集样本和测试集样本，并在对应时刻标注相应动作标签；S104、通过3D卷积层和3D卷积门控循环单元相结合的方式构建人体姿态实时识别网络，并通过所述训练集样本对所述人体姿态实时识别网络进行训练；S105、将测试集样本输入到训练后的人体姿态实时识别网络中，得到每个时刻的姿态类别。第二方面，本专利技术提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如所述的穿墙雷达人体图像序列的姿态实时识别方法的步骤。第三方面，本专利技术提供了一种计算机设备，包括：一个或多个处理器；存储器；以及一个或多个计算机程序，所述处理器和所述存储器通过总线连接，其中所述一个或多个计算机程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述处理器执行所述计算机程序时实现如所述的穿墙雷达人体图像序列的姿态实时识别方法的步骤。在本专利技术中，由于根据目标的雷达回波信号通过人体图像生成算法构建隐藏人体目标运动时的人体图像序列；将隐藏人体目标运动时的人体图像序列按照预设的比例划分为训练集样本和测试集样本，通过3D卷积层和3D卷积门控循环单元相结合的方式构建人体姿态实时识别网络，并通过所述训练集样本对所述人体姿态实时识别网络进行训练。因此具备了人体行为类型短时判决的能力，有效地解决了固定时间内动作不完整或存在两种动作时就很难区分出来等问题。附图说明图1是本专利技术实施例一提供的穿墙雷达人体图像序列的姿态实时识别方法的流程图。图2是本专利技术实施例一提供的穿墙雷达人体图像序列的姿态实时识别方法中，生成的人体图像序列示意图。图3是本专利技术实施例三提供的计算机设备的具体结构框图。具体实施方式为了使本专利技术的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。为了说明本专利技术所述的技术方案，下面通过具体实施例来进行说明。实施例一：请参阅图1，本专利技术实施例一提供的穿墙雷达人体图像序列的姿态实时识别方法包括以下步骤：S101、获取目标的雷达回波信号，所述目标的雷达回波信号是采用二维天线阵列和SFCW(SteppedFrequencyContinuousWave，步进频率连续波)探地雷达的组合来扫描墙后的三维空间获得的。本专利技术实施例一中，S101具体可以为：通过以下公式获得目标在多个扫频周期内的多帧雷达回波信号q表示第q个扫频周期，共有Q个扫频周期；则单个扫频周期内，单帧雷达回波信号Smn,k为：其中，i表示第i个目标，共有I个目标，σi表示第i个目标的散射系数，j是虚数单位，f0是步进频信号的初始频率，k表示第k个子脉冲，共有K-1个子脉冲，△f是频率步进间隔，τmn,i表示二维天线阵列中的第m行第n列天线到第i个目标的时延，i、I、k、K、m和n都是正整数。S102、根据目标的多帧雷达回波信号通过人体图像生成算法(3D-CF算法)构建隐藏人体目标运动时的人体图像序列，如图2所示。在本专利技术实施例一中，S102具体可以包括以下步骤：S1021、取单帧雷达回波信号，对目标成像区域利用GPU加速延时求和波束形成方法成像，生成图像H，具体实现步骤为：延时求和波束形成方法成像是将目标成像区域划分网格点，将目标成像区域划分为a×b×c块网格点，a、b和c是正整数，对任一网格点，记为D(xd,yd,zd)，通过计算目标成像区域内各网格点到接收天线和发射天线之间的时延得到对应的积累轨迹，再将所有积累轨迹在回波域内进行相干累加，得到该网格点在图像中对应的像素值。本专利技术实施例一中，通过为每个网格点分配一个独立工作的线程，每个线程都单独执行计算网格点到接收天线和发射天线之间的时延得到对应的积累轨迹，将所有积累轨迹在回波域内进行相干累加，最终完成对每个网格点的像素值计算。S1022、采用3D-CF算法消除目标的雷达回波信号的旁瓣，得到隐藏人体目标一帧运动时的人体图像H3D-CF，具体实现步骤为：CF3D＝CFx·CFy·CFzH3D-CF＝H·CF3D其中表示为表示二维天线阵列中的第m行第n列天线到网格点(xd,yd,zd)的时延。S1023：重复执行步骤S1021和S1022则可获得多帧人体图像构成的人体图像序列。S103、将隐藏人体目标运动时的人体图像序列按照预设的比例划分为训练集样本和测试集样本，并在对应时刻标注相应动作标签。预设的比例可以为训练集样本和测试集样本的比例为7：3，当然也可以是其他比例。S104、通过3D卷积层和3D卷积门控循环单元(3D-ConvGRU)相结合的方式构建人体姿态实时识别网络，并通过所述训练集样本对所述人体姿态实时识别网络进行训练。人体姿态实时识别网络分别通过多个3D卷积层和3D-ConvGRU相串联的方式实现深度特征的提取，最后分别接全连接层、Softmax层和分类层；将训练集样本输入到人体姿态实时识别网络中得到预测的姿态类别，再利用预测的姿态类别概率值和真实样本标签的交叉损失熵构建优化目标函数，接着通过误差反向传播更新人体姿态实时识别网络中的权值和偏本文档来自技高网...

【技术保护点】
1.一种穿墙雷达人体图像序列的姿态实时识别方法，其特征在于，所述方法包括：/nS101、获取目标的雷达回波信号；/nS102、根据目标的雷达回波信号通过人体图像生成算法构建隐藏人体目标运动时的人体图像序列；/nS103、将隐藏人体目标运动时的人体图像序列按照预设的比例划分为训练集样本和测试集样本，并在对应时刻标注相应动作标签；/nS104、通过3D卷积层和3D卷积门控循环单元相结合的方式构建人体姿态实时识别网络，并通过所述训练集样本对所述人体姿态实时识别网络进行训练；/nS105、将测试集样本输入到训练后的人体姿态实时识别网络中，得到每个时刻的姿态类别。/n

【技术特征摘要】
1.一种穿墙雷达人体图像序列的姿态实时识别方法，其特征在于，所述方法包括：
S101、获取目标的雷达回波信号；
S102、根据目标的雷达回波信号通过人体图像生成算法构建隐藏人体目标运动时的人体图像序列；
S103、将隐藏人体目标运动时的人体图像序列按照预设的比例划分为训练集样本和测试集样本，并在对应时刻标注相应动作标签；
S104、通过3D卷积层和3D卷积门控循环单元相结合的方式构建人体姿态实时识别网络，并通过所述训练集样本对所述人体姿态实时识别网络进行训练；
S105、将测试集样本输入到训练后的人体姿态实时识别网络中，得到每个时刻的姿态类别。


2.如权利要求1所述的方法，其特征在于，所述S102具体包括：
S1021、取单帧雷达回波信号，对目标成像区域利用GPU加速延时求和波束形成方法成像，生成图像H；
S1022、采用3D-CF算法消除目标的雷达回波信号的旁瓣，得到隐藏人体目标一帧运动时的人体图像H3D-CF；
S1023、重复执行步骤S1021和S1022则可获得多帧人体图像构成的人体图像序列。


3.如权利要求2所述的方法，其特征在于，所述目标的雷达回波信号通过以下方式获得：
通过以下公式获得目标在多个扫频周期内的多帧雷达回波信号

q表示第q个扫频周期，共有Q个扫频周期；则单个扫频周期内，单帧雷达回波信号Smn,k为：



其中，i表示第i个目标，共有I个目标，σi表示第i个目标的散射系数，j是虚数单位，f0是步进频信号的初始频率，k表示第k个子脉冲，共有K-1个子脉冲，△f是频率步进间隔，τmn,i表示二维天线阵列中的第m行第n列天线到第i个目标的时延，i、I、k、K、m和n都是正整数；
S1021具体实现步骤为：
延时求和波束形成方法成像是将目标成像区域划分网格点，将目标成像区域划分为a×b×c块网格点，a、b和c是正整数，对任一网格点，记为D(xd,yd,zd)，通过计算目标成像区域内各网格点到接收天线和发射天线之间的时延得到对应的积累轨迹，再将所有积累轨迹在回波域内进行相干累加，得到该网格点在图像中对应的像素值；
S1022具体实现步骤为：






CF3D＝CFx·CFy·CFz
H3D-CF＝H·CF3D
其中表示为表示二维天线阵列中的第m行第n列天线到网格点(xd,yd,zd)的时延。


4.如权利要求1所述的方法，其特征在于，所述S104具体包括：
S1041：构建人体姿态实时识别网络，并采用正态分布初始化人体姿态实时识别网络中的权值和偏置；
S1042：将训练集样本输入人体姿态实时识别网络中，每个样本的输入数据尺寸为64×64×64，真实样本标签为姿态类别所对应的数字；
S1043：通过人体姿态实时识别网络得到预测的姿态类别，再利用姿态类别概率值和真实样本标签的交叉损失熵构建优化目标函数，接着对目标函数中的参数进行求导得到各网络层的误差传播梯度，根据梯度和学习率更新人体姿态实时识别网络中的权值和偏置；
S1044：重复S1042至S1043过程直到最大迭代次数完成，得到训练后的人体姿态实时识别网络。


5.如权利要求4所述的方法，其特征在于，所述S1042具体包括：
S10421：输入64×64×64尺寸的训练集样本到输入层，分别接第一3D卷积层和3D-ConvGRU，3D卷积层起到降维作用，卷积核大小为3×3，步长为2×2，3D-ConvGRU进行特征提取，提取方法是由两个门通道构成，分别为重置门Rt和更新门Zt：
Rt＝σ[Xt*Wxr+Ht-1*Whr+br]
Zt＝σ[Xt*Wxz+Ht-1*Whz+bz]
其中，σ为Sigmoid函数，Xt为t时刻的3D-ConvGRU中的输入数据，Ht-1为t-1时刻的输出，Wxr,Whr,Wxz,Whz分别为3×3的卷积核，步...

【专利技术属性】
技术研发人员：晋良念，毛强，卞粱，谢辉玉，刘庆华，蒋俊正，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西;45