基于加权组稀疏贝叶斯学习的人体活动分类方法技术

本发明专利技术涉及基于加权组稀疏贝叶斯学习的人体活动分类方法，属于雷达及模式识别技术领域。所述方法对接收的人体活动雷达回波信号，采用短时傅里叶变换进行预处理；通过主成分分析法进行特征提取；利用加权组稀疏贝叶斯学习算法对人体活动测试样本进行稀疏编码，再基于残差最小准则对人体活动进行分类识别。所述方法考虑了训练样本的标签信息，使得稀疏表示系数具有组结构特点，从而提升分类的准确性；且所采用的贝叶斯模型考虑了噪声的影响，对实际环境具有较好的适应性，能稳健地实现人体活动分类；与传统方法相比，在有噪情况下具有更好的分类性能。的分类性能。的分类性能。

【技术实现步骤摘要】
基于加权组稀疏贝叶斯学习的人体活动分类方法


[0001]本专利技术涉及基于加权组稀疏贝叶斯学习的人体活动分类方法，属于雷达及模式识别


技术介绍

[0002]随着人体活动的识别和分类在安防监控和远程健康监护等诸多领域的研究应用，基于雷达的人体活动分类具有不侵犯人体隐私、可有效克服音频、视频、红外等生命探测存在的一些固有技术缺陷且成本低、易部署的优势，成为国内外研究发展的热点。
[0003]人类活动可看作是复杂的目标，因为各种各样的活动会产生复杂的肢体运动，身体各部位的时变轨迹将反映在雷达回波中。通过对接收到的雷达回波信号进行时频变换得到人体运动的雷达微多普勒特征，实际上是在给定的观测时间内多个人体部位运动回波叠加的多普勒时频谱。由于雷达多普勒历程数据仅携带径向速度信息，虽然从微多普勒特征不能重构出人体运动模型，但因为人体在运动的时候，身体各个部位的运动方式具有差异性，人体各个部位的运动所产生的多普勒频率也将不一样，因此不同的人体活动可以生成不同的丰富而独特的微多普勒特征，即雷达微多普勒特征携带人体运动的特征信息，利用微多普勒特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于加权组稀疏贝叶斯学习的人体活动分类方法，其特征在于：包括以下步骤：步骤1：通过雷达天线采集人体活动的雷达回波信号；步骤2：对雷达回波信号进行杂波抑制以及短时傅立叶变换，得到雷达回波信号的时频图；步骤3：对时频图进行压缩并转换为灰度图像，读取灰度图像的数据并按列拉长成一维向量，利用主成分分析法进行特征提取，得到所有人体活动的特征数据；将所有人体活动的特征数据按比例分成两组，一组作为训练数据和验证数据，另一组作为测试数据即测试样本；在第一组中随机抽取部分数据样本作为训练样本，同一类的训练样本按列放置构成子字典，所有子字典构成字典A；步骤4：对人体活动测试样本在字典A下进行稀疏编码，得到稀疏表示系数，具体采用加权组稀疏贝叶斯学习算法计算稀疏表示系数；步骤4、包括以下子步骤：步骤4.1：建立有噪声的稀疏表示模型y＝Ax+w；其中，x为待求的人体活动测试样本y的稀疏表示系数，A为字典A，w是均值为0、方差为β
‑1服从高斯分布的白噪声，其中，m是测试样本y的维度；x服从高斯先验分布其中，x＝(x1，x2，...，x
n
)
T
，α
i
‑1为元素x
i
的方差，α＝{α
i
}为方差倒数，是控制稀疏表示系数x稀疏性的非负超参数；x
i
及α＝{α
i
}下标i的取值范围为1到n，n为字典A的列数；步骤4.2：给定α和β的初值，初始化迭代次数iter＝1，设定最大迭代次数Max_iter，初始化μ0＝A
H
y；其中，μ0为稀疏表示系数x后验均值的初始值，上标H表示矩阵的共轭转置操作；步骤4.3：计算稀疏表示系数x的后验概率分布的协方差∑、均值μ：∑＝(βA
H
A+D)
‑1，μ＝β∑A
H
y其中，在人体活动测试样本y给定时稀疏表示系数x的后验概率分布服从高斯分布，D＝diag(α1，α2，...，α
n
)；步骤4.4：假定同类样本对应的稀疏系数方差相同，对同类样本的后验信息进行加权平均，估计元素x
i
的方差倒数，然后再对所得的同类样本的方差倒数估计进行加权平均，更新元素x
i
的方差倒数；步骤4.5：令μ
iter
＝μ且iter＝...

【专利技术属性】
技术研发人员：赵娟，范莹霞，白霞，张冉，乔幸帅，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：