雷达人体动作识别方法、装置、电子设备和存储介质制造方法及图纸

本发明专利技术实施例公开了一种雷达人体动作识别方法、装置、电子设备和存储介质。该雷达人体动作识别方法包括：对获取的人体骨架数据进行模拟，得到模拟雷达回波数据；基于神经网络模型对所述模拟雷达回波数据进行预训练，得到预训练模型参数；基于所述预训练模型参数和所述神经网络模型，对人体动作的真实雷达回波数据进行优化训练，得到目标识别模型；其中，所述目标识别模型用于对待识别的雷达回波数据进行识别，得到人体动作识别结果。减少了目标识别模型所需雷达回波数据的样本量，一定程度上缓解雷达回波数据量不足的问题，并且提高了基于雷达数据对人体动作进行识别的准确度和适用性。性。性。

【技术实现步骤摘要】
雷达人体动作识别方法、装置、电子设备和存储介质


[0001]本专利技术实施例涉及人体动作识别
，尤其涉及一种雷达人体动作识别方法、装置、电子设备和存储介质。

技术介绍

[0002]近年来，随着信息技术的飞速发展，各类基于人体特征的智能识别在展开研究中。人体的姿态动作也是人体特征重要的一部分，能够在一定场景之下直观有效地传递人们想要表达的信息。人体动作种类丰富，具有特定意义，将在行为异常检测、体感游戏交互、特殊人员监护等应用中发挥巨大的作用。目前，常用的人体动作识别技术包括基于可穿戴设备的识别技术、基于视觉传感器的识别技术以及基于雷达传感器的识别技术。但是基于可穿戴设备的识别技术需要人员佩戴多个传感器，容易引起用户不适感，体验感不佳，并且可穿戴设备只能识别特定人员的动作，无法应用至公共场合的安防监测等。基于视觉传感器的识别技术极易受到光线影响，在恶劣天气或者衣物遮挡环境下，识别效果大打折扣；另一方面由于人员暴露在摄像头下，容易泄露隐私。而基于雷达传感器的识别技术，由于雷达具有隐私保护性、全天候工作、不受衣物遮挡等优势，在未来有着广阔的应用。然而现阶段由于雷达技术受到缺乏大数据样本和标注困难的问题，并未得到广泛应用。

技术实现思路

[0003]本专利技术实施例提供一种雷达人体动作识别方法、装置、电子设备和存储介质，以提高基于雷达数据对人体动作进行识别的准确度和适用性。
[0004]第一方面，本专利技术实施例提供了一种雷达人体动作识别方法，包括：
[0005]对获取的人体骨架数据进行模拟，得到模拟雷达回波数据；
[0006]基于神经网络模型对所述模拟雷达回波数据进行预训练，得到预训练模型参数；
[0007]基于所述预训练模型参数和所述神经网络模型，对人体动作的真实雷达回波数据进行优化训练，得到目标识别模型；其中，所述目标识别模型用于对待识别的雷达回波数据进行识别，得到人体动作识别结果。
[0008]第二方面，本专利技术实施例还提供了一种雷达人体动作识别装置，包括：
[0009]模拟雷达数据确定模块，用于对获取的人体骨架数据进行模拟，得到模拟雷达回波数据；
[0010]预训练模块，用于基于神经网络模型对所述模拟雷达回波数据进行预训练，得到预训练模型参数；
[0011]优化训练模块，用于基于所述预训练模型参数和所述神经网络模型，对人体动作的真实雷达回波数据进行优化训练，得到目标识别模型；其中，所述目标识别模型用于对待识别的雷达回波数据进行识别，得到人体动作识别结果。
[0012]第三方面，本专利技术实施例还提供了一种电子设备，包括：
[0013]一个或多个处理器；
[0014]存储装置，用于存储一个或多个程序，
[0015]当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本专利技术任一实施例所述的雷达人体动作识别方法。
[0016]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本专利技术任一实施例所述的雷达人体动作识别方法。
[0017]本专利技术实施例基于对人体骨架数据进行模拟，得到模拟雷达回波数据，并将模拟雷达回波数据作为神经网络的迁移知识进行预训练，最后通过真实雷达回波数据对神经网络进行优化训练，以得到目标识别模型，实现对人体动作的识别。由于人体骨架数据的易获取性，实现在一定程度上缓解了雷达回波数据量不足的问题，提高了基于雷达数据对人体动作进行识别的准确度和适用性。
附图说明
[0018]图1是本专利技术实施例一中的雷达人体动作识别方法的流程图；
[0019]图2是本专利技术实施例二中的雷达人体动作识别方法的流程图；
[0020]图3是双分支DenseNet神经网络的结构示意图；
[0021]图4是DenseBlock层和传输层的具体结构示意图；
[0022]图5是人体动作的数据采集实验场景图；
[0023]图6是未做迁移学习的迭代训练次数与测试准确率的折线图；
[0024]图7是未做迁移学习的迭代训练次数与网络损失值的折线图；
[0025]图8是进行迁移学习的迭代训练次数与测试准确率的折线图；
[0026]图9是进行迁移学习的迭代训练次数与网络损失值的折线图；
[0027]图10是本专利技术实施例三中的雷达人体动作识别装置的结构示意图；
[0028]图11是本专利技术实施例四中的电子设备的结构示意图。
具体实施方式
[0029]下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。
[0030]实施例一
[0031]图1是本专利技术实施例一中的雷达人体动作识别方法的流程图，本实施例可适用于基于雷达回波数据对人体动作进行识别的情况。该方法可以由雷达人体动作识别装置来执行，该装置可以采用软件和/或硬件的方式实现，并可配置在电子设备中，例如电子设备可以是后台服务器等具有通信和计算能力的设备。如图1所示，该方法具体包括：
[0032]步骤101、对获取的人体骨架数据进行模拟，得到模拟雷达回波数据。
[0033]其中，人体骨架数据包括人体各部位关键点在人体执行各动作时的三维坐标信息。示例性的，人体各部位关键点包含17个点：头部、中肩、左肩、右肩、左肘、右肘、左手、右手、中臀、左臀、右臀、左膝、右膝、左踝、右踝、左脚、右脚。
[0034]在一个可行的实施例中，人体骨架数据包括人体至少两个部位关键点的三维坐标信息随时间变化的数据。示例性的，人体骨架数据本质上是一组随时间不断变化的坐标信
息，该信息是三维空间信息。例如人体骨架数据中包括人体坐下时各部位关键点随着坐下动作的进行而变化的坐标数据。
[0035]示例性的，人体骨架数据可以通过网络数据库或者Kinect传感器进行获取。对于网络数据库，属于开源数据库，测试人员佩戴大量传感器执行各动作时对人体各部位关键点的坐标信息进行采集，因此从网络数据库中获取到的人体骨架数据能够较为真实地反应人的活动状态。而对于带有一个摄像头和一个深度传感器的Kinect传感器，可以实现对人体执行不同动作时的各部位关键点坐标信息的测量。
[0036]但是，由于Kinect传感器获取人体骨架信息时，会有较大的抖动和起伏。因此需要对Kinect传感器获取到的人体骨架数据进行抖动消除。具体的，人体骨架数据反映的是人体各部位关键点的三维坐标信息，由于三维空间的坐标是相互正交的，因此可以分别在每一维度下做滤波，达到减缓抖动和起伏的干扰，让骨架数据更接近人的真实运动状态。本专利技术实施例中通过利用时域的高斯平滑滤波器，对Kinect传感器获取的原始骨架信息进行滤波，进而得到较为平整的人体骨架数据。时域的高斯平滑滤波器可以表示为如下公式：
[0037][0038]其本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种雷达人体动作识别方法，其特征在于，包括：对获取的人体骨架数据进行模拟，得到模拟雷达回波数据；基于神经网络模型对所述模拟雷达回波数据进行预训练，得到预训练模型参数；基于所述预训练模型参数和所述神经网络模型，对人体动作的真实雷达回波数据进行优化训练，得到目标识别模型；其中，所述目标识别模型用于对待识别的雷达回波数据进行识别，得到人体动作识别结果。2.根据权利要求1所述的方法，其特征在于，所述人体骨架数据包括人体至少两个部位关键点的三维坐标信息随时间变化的数据。3.根据权利要求1所述的方法，其特征在于，在所述对获取的人体骨架数据进行模拟，得到模拟雷达回波数据之前，还包括：对所述人体骨架数据进行扩充，得到扩充后的大样本人体骨架数据。4.根据权利要求3所述的方法，其特征在于，采用如下至少一种扩充方式对所述人体骨架数据进行扩充：修改所述人体骨架数据中的人体骨骼高度信息，修改所述人体骨架数据中的人体运动速度信息以及修改对人体骨架数据进行拟合后的参数。5.根据权利要求4所述的方法，其特征在于，采用所述修改对人体骨架数据进行拟合后的参数的扩充方式，对所述人体骨架数据进行扩充，包括：对所述人体骨架数据进行周期延拓；对进行周期延拓后的人体骨架数据进行拟合，得到拟合参数；对拟合参数进行修改，得到修改后的人体骨架数据；采用拟合优化算法对所述修改后的人体骨架数据进行优化，将优化后的人体骨架数据作为对人体骨架数据进行扩充的结果。6.根据权利要求1所述的方法，其特征在于，所述对获取的人体骨架数据进行模拟，得到模拟雷达回波数据，包括：对所...

【专利技术属性】
技术研发人员：阳召成，赖佳磊，
申请(专利权)人：深圳大学，
类型：发明
国别省市：