一种基于雷达多维特征融合的人体姿态识别方法技术

本发明专利技术公开了一种基于雷达多维特征融合的人体姿态识别方法，属于雷达信号处理领域。本发明专利技术首先将回波信号与发射信号混频，经过低通滤波器后得到回波信号与发射信号的差频信号S

【技术实现步骤摘要】
一种基于雷达多维特征融合的人体姿态识别方法


[0001]本专利技术涉及一种基于雷达多维特征融合的人体姿态识别方法，属于雷达信号处理领域。

技术介绍

[0002]随着目标检测技术的发展，在边境安防、日常监控、医疗救援、人机交互、自动驾驶等领域，人体姿态识别得到广泛应用。与仅仅探测目标是否存在相比，姿态识别对探测设备、处理算法以及测试环境都有了更高的要求。目前常使用的姿态识别传感器可以分为接触式和非接触式两种。其中，接触式传感器包括智能手环、手势识别手套等，需要贴身携带，被测目标固定，功能单一，易损坏，普适性较差。非接触式传感器包括超声波、摄像头、红外、雷达等，超声波传播速度慢，距离短且精度低；而摄像头、红外等基于光学系统的传感器，作用距离同样有限，对外界光照、天气等环境因素敏感，在黑暗、强光、浓烟、大雾等多种情况下都无法正常工作。
[0003]雷达具有更好的环境普适性，覆盖范围广，且分辨率高，穿透性强，可以实现全天时、全天候工作，非常适用于目标探测和人体姿态识别。但是，现有基于雷达的人体姿态识别方法一般仅适用于理想环境(空旷室内、微波暗室等)中的较短距离(1
‑
10m)，且保持在同一个距离门内，非行进目标，但是识别准确度依然受杂波和噪声影响较大，没有充分利用探测到的目标位置、速度、航向、回波能量、微多普勒信息、分布熵等多维航迹特征。因此需要提出一种可以充分利用多维特征信息，适用于外界较复杂环境下的人体姿态识别方法。

技术实现思路

[0004]为了解决在多变外界环境中，如何通过雷达充分利用目标的多维特征信息，本专利技术提出了一种基于雷达多维特征融合的人体姿态识别方法，实现对远距离复杂环境下全天时、全天候、高准确性的人体目标姿态识别问题。
[0005]本专利技术为解决其技术问题采用如下技术方案：
[0006]一种基于雷达多维特征融合的人体姿态识别方法，包括如下步骤：
[0007]步骤1、使用雷达进行数据测量，将回波信号与发射信号混频，经过低通滤波器后得到回波信号与发射信号的差频信号S
b
，在其距离向快时间维做傅里叶变换实现去调频处理，经过频率与距离的换算得到方位向慢时间维每个脉冲重复周期T
r
上包含杂波的目标距离信息，完成位于不同距离单元的人体目标和杂波分离；
[0008]步骤2、对步骤1中得到的包含杂波的目标距离信息，通过多延时对消器实现动目标显示,多延时对消器的频率响应为：
[0009][0010]其中，T
r
为脉冲重复周期，N
c
为延时对消器阶数；多延时对消器在抑制零频除杂波信号的同时减少了单延时对消器对整数倍脉冲重复频率nf
r
,n＝1,2,3...处目标信号的衰减，得到滤除静态杂波后的信号；
[0011]步骤3、对步骤2中的滤除静态杂波后的信号，通过恒虚警检测计算出的门限值提取出各时刻目标所在区域，将其他所有区域置零；
[0012]步骤4、对步骤3中已部分置零的距离
‑
时间数据，使用数字图像处理中的形态学降噪算法，先腐蚀再膨胀，删除小面积孤岛对象，进一步去除小面积孤立杂点，只保留人体回波区域，记为S
τ
，对S
τ
分别进行步骤5
‑
7操作；
[0013]步骤5、对步骤4中得到的S
τ
，在距离向快时间使用短时傅里叶变换，提取其微多普勒特征；对含有手臂、腿部摆动包络的微多普勒时频图，首先进行坐标转换，将大致呈正弦分布的包络转换至水平方向，再提取出上下包络的边缘散点，进行函数拟合或傅里叶变换，即提取出躯干主回波信号两旁由于手臂、腿部摆动产生的周期曲线，求得人体目标在各帧内的步频特征ε1＝[f
1 f2ꢀ…ꢀ
f
K
],K为总帧数；
[0014]步骤6、对步骤4中得到的S
τ
，使用信息论中分布熵H的概念，定义为：
[0015][0016]其中，M为每帧内的脉冲数，N为距离向采样点个数，E(m,n)为第m个脉冲第n个采样点的能量，分布熵越大，表示目标散射点回波能量在空间中分布越分散，反之则越集中；计算目标散射点回波在空间中的分布集中情况，求得人体目标在各帧内的分布熵特征ε2＝[H
1 H2ꢀ…ꢀ
H
K
],K为总帧数；
[0017]步骤7、对步骤4中得到的S
τ
，按照多帧数据的统计平均特性：
[0018][0019]其中，N
b
为多帧数据二值化后目标所占总点数，K为总帧数，取各帧中能量从高到低排前Q个数作为有效特征点；计算第k帧能量从高到低排名前Q个点各自对应权值：
[0020][0021]其中，E
k,i
为第k帧前Q个数中第i个点的能量，σ
k,i
为计算出的该点对应权重，其中i＝1,2,
…
Q，k＝1,2,
…
,K；将这前Q个点的能量、所在距离门、所在时间加权叠加：
[0022][0023]r
k,i
和t
k,i
为第k帧前Q个数中第i个点的所在的距离和时间，求得人体目标在第k帧加权后的能量E
k
、距离r
k
和时间t
k
，获取目标的加权能量幅值特征ε3＝[E
1 E2ꢀ…ꢀ
E
K
],K为总帧数；并用加权后的距离r
k
和时间t
k
等效表示该帧内的所有散射点所在的距离和时间信息；
[0024]步骤8、将步骤5
‑
7中还获得平均速度、航向、中心矩、方差、峰值幅度、信噪比特征，记为ε4,ε5…
ε
L
，L为选取的特征总数；
[0025]步骤9、将步骤5
‑
8中得到的各帧步频微动特征ε1、分布熵特征ε2、加权能量幅值特征ε3联合，得到K帧的多维特征ε
A
＝[ε
1 ε2ꢀ…ꢀ
ε
L
]T
；使用主成分分析法对各特征进行分析处理，去除冗余项实现降维至L
J
，且L
J
≤L，并计算出各特征的贡献率ω
j
,j＝1,2,
…
L
J
，将此贡献率作为权重对归一化后的特征线性加权，得到各帧的融合特征ε
k
，与距离r
k
和时间t
k
一起，作为姿态识别分类的依据；
[0026]步骤10、对步骤8中得到的时间
‑
距离
‑
融合特征数据，采用总测量时间内通过同一距离区间所留下融合特征数据作为判断依据，使用支持向量机或机器学习的方法完成融合特征数据的分类，实现姿态识别。
[0027]步骤1所述雷达配置本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于雷达多维特征融合的人体姿态识别方法，其特征在于，包括如下步骤：步骤1、使用雷达进行数据测量，将回波信号与发射信号混频，经过低通滤波器后得到回波信号与发射信号的差频信号S
b
，在其距离向快时间维做傅里叶变换实现去调频处理，经过频率与距离的换算得到方位向慢时间维每个脉冲重复周期T
r
上包含杂波的目标距离信息，完成位于不同距离单元的人体目标和杂波分离；步骤2、对步骤1中得到的包含杂波的目标距离信息，通过多延时对消器实现动目标显示,多延时对消器的频率响应为：其中，T
r
为脉冲重复周期，N
c
为延时对消器阶数；多延时对消器在抑制零频除杂波信号的同时减少了单延时对消器对整数倍脉冲重复频率nf
r
,n＝1,2,3...处目标信号的衰减，得到滤除静态杂波后的信号；步骤3、对步骤2中的滤除静态杂波后的信号，通过恒虚警检测计算出的门限值提取出各时刻目标所在区域，将其他所有区域置零；步骤4、对步骤3中已部分置零的距离
‑
时间数据，使用数字图像处理中的形态学降噪算法，先腐蚀再膨胀，删除小面积孤岛对象，进一步去除小面积孤立杂点，只保留人体回波区域，记为S
τ
，对S
τ
分别进行步骤5
‑
7操作；步骤5、对步骤4中得到的S
τ
，在距离向快时间使用短时傅里叶变换，提取其微多普勒特征；对含有手臂、腿部摆动包络的微多普勒时频图，首先进行坐标转换，将大致呈正弦分布的包络转换至水平方向，再提取出上下包络的边缘散点，进行函数拟合或傅里叶变换，即提取出躯干主回波信号两旁由于手臂、腿部摆动产生的周期曲线，求得人体目标在各帧内的步频特征ε1＝[f
1 f2ꢀ…ꢀ
f
K
],K为总帧数；步骤6、对步骤4中得到的S
τ
，使用信息论中分布熵H的概念，定义为：其中，M为每帧内的脉冲数，N为距离向采样点个数，E(m,n)为第m个脉冲第n个采样点的能量，分布熵越大，表示目标散射点回波能量在空间中分布越分散，反之则越集中；计算目标散射点回波在空间中的分布集中情况，求得人体目标在各帧内的分布熵特征ε2＝[H
1 H2ꢀ…ꢀ
H
K
],K为总帧数；步骤7、对步骤4中得到的S
τ
，按照多帧数据的统计平均特性：其中，N
b
为多帧数据二值化后目标所占总点数，K为总帧数，取各帧中能量从高到低排前Q个数作为...

【专利技术属性】
技术研发人员：姚翼荣，刘文波，张弓，胡文，赵月，熊清，董浩，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：