一种人体运动微多普勒信号识别的方法技术

本发明专利技术公开了一种人体运动微多普勒信号识别的方法，包括获取人体的多普勒雷达的回波信号时频分布数据；构建人体运动网络模型；构建人体运动网络模型的损失函数；采用人体的多普勒雷达的回波信号时频分布数据和人体运动网络模型的损失函数进行训练；获取训练好的人体运动信号识别模型，对当前的人体数据进行标注。本发明专利技术利用对生成对抗网络的博弈原理，通过两个神经网络之间的博弈逐步提高网络模型的性能；生成对抗网络结构中的判别器兼具二分类和多分类的功能，从而减少网络总体的规模；本发明专利技术能够有效挖掘有限标注的人体运动微多普勒信号和大量无标注的人体运动微多普勒信号中的特征，在标注样本有限的情况下能够精确分类不同的人体运动。分类不同的人体运动。分类不同的人体运动。

A method of micro Doppler signal recognition of human motion

【技术实现步骤摘要】
一种人体运动微多普勒信号识别的方法


[0001]本专利技术属于人体运动雷达识别领域，具体涉及一种人体运动微多普勒信号识别的方法。

技术介绍

[0002]随着生活需求的日益丰富以及科学技术水平的不断提升，人体运动识别应用受到了越来越多的关注，在灾难营救、安保系统、执法活动、医疗监控、人机交互等众多军事、民用领域中都有广泛的应用前景。人体目标的探测主要依赖于光学传感器、声学传感器和雷达。相比于其他传感器，雷达通过发射电磁波来探测目标，探测距离较远，不仅不受光照、天气等外界环境影响，且具备穿透墙壁等障碍物的能力，因此在实际应用中相比于其他传感器具有很大的优势。多普勒雷达是一种利用多普勒效应来探测的雷达，微多普勒特征中蕴含目标的距离、速度以及其他信息，通过挖掘其中的信息可以达到目标运动识别的目的。
[0003]传统的基于微多普勒雷达的人体运动识别中，主要采用了人工提取识别特征的方式，这种手动提取特征的方法依赖先验知识，并且难以充分考虑微多普勒特征在高维空间的映射关系，对不同的数据所采用的特征也不尽相同，在其他研究问题上的可扩展性较差。深度学习技本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人体运动微多普勒信号识别的方法，其特征在于包括如下步骤：S1.获取人体的多普勒雷达的回波信号时频分布数据；S2.构建人体运动网络模型；S3.构建人体运动网络模型的损失函数；S4.采用人体的多普勒雷达的回波信号时频分布数据和人体运动网络模型的损失函数进行训练；S5.获取训练好的人体运动信号识别模型，对当前的人体数据进行标注。2.根据权利要求1所述的人体运动微多普勒信号识别的方法，其特征在于所述的步骤S1，包括如下步骤：A1.采用多普勒雷达设备，对不同人的不同动作进行采集，获取一维时域雷达数据；A2.对采集得到的一维时域雷达数据利用短时傅里叶变换进行时频转换，将一维时域雷达数据转换为二维时频谱图；A3.将二维时频谱图缩放为设定像素值，并对二维时频谱图中的数据进行取模，获取数据集；A4.将数据集中的数据按照设定比例划分为训练集、测试集和验证集；A5.将训练集中的每个类别分别选取若干个数据作为有限标注数据使用，同时在未被选择为标注数据的剩余数据中选取若干个数据临时去掉标注作为无标注数据使用。3.根据权利要求2所述的人体运动微多普勒信号识别的方法，其特征在于所述的步骤S2，构建人体运动网络模型包括建立生成器和建立分类器。4.根据权利要求3所述的人体运动微多普勒信号识别的方法，其特征在于所述的生成器包括若干个转置卷积层，每一转置卷积层可对输入数据进行上采样，将符合高斯分布的长度为预设长度的噪声输入到全连接层中进行维度变换，从长度为预设长度的一维向量转变为4
×4×
128的三维数据；将维度扩展后的数据输入到卷积核大小为4
×
4，卷积核移动步长为2的转置卷积层，得到与人体微多普勒数据具有相同尺寸的特征数据。5.根据权利要求4所述的人体运动微多普勒信号识别的方法，其特征在于所述的分类器包括若干个卷积层，将特征数据输入到卷积核大小为3
×
3的卷积层，并采用LeakReLU激活函数进行非线性运算；将经过多层卷积运算之后的特征数据，经过全连接层和Softmax激活函数，将特征数据转换为概率向量。6.根据权利要求5所述的人体运动微多普勒信号识别的方法，其特征在于所述的步骤S3，包括构建生成器损失函数和构建分类器损失函数。7.根据权利要求6所述的人体运动微多普勒信号识别的方法，其特征在于所述的构建生成器损失函数包括如下步骤：B1.在高斯分布中随机采样生成随机向量z，生成器接收随机噪声，生成假的数据样本G(z)；B2.计算生成器的特征匹配损失L
fm
，生成器的特征匹配损失L
fm
用于表示生成假的数据样本和真实数据通过分类器时产生的特征差异，其中，f(
·
)表示分类器每层输出的特征值；G(z)表示假的数据样本；x表示不带有标注
的真实数据；z表示在高斯分布中随机采样生成的随机向量；表示取自真实数据分布的未带标注的真实数据x～P
data
的期望；x～P
data
表示取自真实数据分布的未带标注的真实数据；P
data
表示真实数据的分布；表示取自噪声分布的噪声z～P
z
(z)的期望；z～P
z
(z)表示取自噪声分布的噪声；P
z
(z)表示噪声的分布；表示二范数的平方；B3.计算生成器中生成假的数据样本在分类器中判定为假的损失L
G
：其中，G(z)表示假的数据样本；z表示在高斯分布中随机采样生成的随机向量；log(
·
)表示取对数，用于简便运算；D(
·
)表示分类器的输出；表示取自噪声分布的噪声z～P
z
(z)的期望；z～P
z
(z)表示取自噪声分布的噪声；P
z
(z)表示噪声的分布；B4.获得生成器总损失函数：L1＝α*L
fm
+L
G
其中，L1表示生成器总损失；α表示生成器权重系数，在本实施例中取0.1；L
fm
表示生成器的特征匹配损失；L
G
表示生成器中生成假的数据样本在分类器中判定为假的损失。8.根据权利要求7所述的人体运动微多普勒信号识别的方法，其特征在于所述的构建分类器损失函数包括如下步骤：C1.分类器的输入数据X包括标注数据x
l
、未标注数据x
u
和生成器的假的数据样本G(z)；标注数据x
l
取自真实数据分布，x
l
～P

【专利技术属性】
技术研发人员：丁一鹏，金波，张嘉炜，柳润金，
申请(专利权)人：中南大学，
类型：发明
国别省市：