一种基于深度相机监督的毫米波雷达姿态识别方法技术

本发明专利技术公开了一种基于深度相机监督的毫米波雷达姿态识别方法，其采用深度相机和已训练好的第一深度学习模型识别的结果作为毫米波雷达数据的标签，而后利用生成的带标签的数据集对第二深度学习模型进行训练，训练结束后也能够从毫米波雷达实时获取测试集对第二深度学习模型效果进行测试，当准确率达到设定阈值时即认为第二深度学习模型训练完成。深度相机获取的数据无需存储，且全程无人工参与，不存在可视场景，第二深度学习模型训练完成后即可撤出深度相机，能有效解决用户隐私问题。此外，本方法还能够根据特定对象特定需求在特定环境中灵活调整第二深度学习模型，解决了模型应用单一的问题。应用单一的问题。应用单一的问题。

A method of millimeter wave radar attitude recognition based on depth camera supervision

【技术实现步骤摘要】
一种基于深度相机监督的毫米波雷达姿态识别方法


[0001]本专利技术涉及人体姿态识别领域，具体涉及一种基于深度相机监督的毫米波雷达姿态识别方法。

技术介绍

[0002]随着社会的发展，人们对身体状态的关注点越来越高，尤其是对老年人的身体健康关注点越来越高。老年人突发疾病或意外时无法得到及时的干预处置，极易导致严重的后果。虽然通过先进的可穿戴设备或视频监控设备可以关注到老人的实时状态，但也面临难以克服的问题，包括接触式设备昂贵，佩戴不方便，老人容易抵触；以及视频监控设备产生的隐私问题，导致此类方案难以落地实施。另外，不同老人面临的健康问题也不同，不同健康状态的判断对探测信息的处理也有所不同，基于单一模型进行分类判断也导致传统非接触类探测方案的应用场景单一。
[0003]深度相机在姿态识别领域应用广泛，具有良好的识别效果，但其仍面临着隐私不受保护的问题，无法直接使用于日常老年的看护中。
[0004]毫米波雷达全天候、非接触、不成像的特点正好适用于老年人日常看护。但毫米波雷达受使用环境改变的影响较大，且其不成像的特点使得在姿态识别学习本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度相机监督的毫米波雷达姿态识别方法，其特征在于，包括以下步骤：S1、分别构建第一深度学习模型和第二深度学习模型；通过深度相机与毫米波雷达同时对采集对象进行数据采集；对于第一组采集对象，将深度相机采集的数据作为第一数据集，将毫米波雷达采集的数据作为第二数据集；对于第二组采集对象，将深度相机采集的数据作为第三数据集，将毫米波雷达采集的数据作为第四数据集；S2、将第一数据集中每一时刻的数据通过第一深度学习模型进行姿态识别，得到第一目标姿态集；提取第二数据集中每一时刻的特征参数，得到第一特征参数集；S3、对于同一时刻的数据，采用第一目标姿态集对第二特征参数集进行姿态标记，得到带标签数据；S4、将带标签数据作为训练集对第二深度学习模型进行训练，得到预训练后的第二深度学习模型；S5、将第三数据集中每一时刻的数据通过第一深度学习模型进行姿态识别，得到第二目标姿态集；提取第四数据集中每一时刻的特征参数，得到第二特征参数集；S6、将第二特征参数集作为预训练后的第二深度学习模型的训练集，将预训练后的第二深度学习模型的输出与第二目标姿态集进行比较，得到预训练后的第二深度学习模型的姿态识别准确率；S7、判断预训练后的第二深度学习模型的姿态识别准确率是否达到阈值，若是则将当前预训练后的第二深度学习模型作为最终姿态识别模型，进入步骤S8；否则修改预训练后的第二深度学习模型参数，返回步骤S3；S8、采用毫米波雷达作为待识别对象的数据获取器，采用最终姿态识别模型对毫米波雷达获取的数据进行姿态识别，输出识别结果。2.根据权利要求1所述的基于深度相机监督的毫米波雷达姿态识别方法，其特征在于，步骤S2中将第一数据集中每一时刻的数据进行姿态识别的具体方法包括以下子步骤：S2
‑
1、对于第一数据集中每一时刻的数据，获取人体特征关键点位置信息；S2
‑
2、根据人体特征关键点位置信息计算人体姿态特征参数；S2
‑
3、将提取出的人体姿态特征参数作为第一深度学习模型的输入，获取第一深度学习模型输出的姿态标签，得到第一目标姿态集。3.根据权利要求2所述的基于深度相机监督的毫米波雷达姿态识别方法，其特征在于，步骤S2
‑
1中人体特征关键点包括脖子、右肩、右肘、右腕、左肩、左肘、左腕、右臀、右膝、右脚踝、左臀、左膝和左脚踝。4.根据权利要求3所述的基于深度相机监督的毫米波雷达姿态识别方法，其特征在于，步骤S2
‑
2的具体方法为：根据公式：
获取人体身高H；其中H
top
为颈部到左、右臀连线中心点的距离；H
bottom
为左、右腿长度的均值；H
L
为左腿长度；H
R
为右腿长度；x
neck
、y
neck
和z
neck
分别为脖子在三维坐标系中的x轴坐标值、y轴坐标值和z轴坐标值；x
l
‑
hip
、y
l
‑
hip
和z
l
‑
hip
分别为左臀在三维坐标系中的x轴坐标值、y轴坐标值和z轴坐标值；x
r
‑
hip
、y
r
‑
hip
和z
r
‑
hip
分别为右臀在三维坐标系中的x轴坐标值、y轴坐标值和z轴坐标值；x
l
‑
knee
、y
l
‑
knee
和z
l
‑
knee
分别为左膝在三维坐标系中的x轴坐标值、y轴坐标值和z轴坐标值；x
r
‑
knee
、y
r
‑
knee
和z
r
‑
knee
分别为右膝在三维坐标系中的x轴坐标值、y轴坐标值和z轴坐标值；x
l
‑
ank
、y
l
‑
ank
和z
l
‑
ank
分别为左脚踝在三维坐标系中的x轴坐标值、y轴坐标值和z轴坐标值；x
r
‑
ank
、y
r
‑
ank
和z
r
‑
ank
分别为右脚踝在三维坐标系中的x轴坐标值、y轴坐标值和z轴坐标值；x
l
‑
knee
、y
l
‑
knee
和z
l
‑
knee
分别为左膝在三维坐标系中的x轴坐标值、y轴坐标值和z轴坐标值；x
r
‑
knee
、y
r
‑
knee
和z
r
‑
knee
分别为右膝在三维坐标系中的x轴坐标值、y轴坐标值和z轴坐标值；根据公式：H
p
＝max[(z
neck
‑
z
l
‑
ank
),(z
neck
‑
z
r
‑
ank
)]获取颈部到左脚踝高度差与颈部到右脚踝高度差的最大值H
p
，并将其作为当前高度；其中max[
·

【专利技术属性】
技术研发人员：苟先太，周晨晨，魏亚林，黄毅凯，苟瀚文，姚一可，
申请(专利权)人：四川八维九章科技有限公司，
类型：发明
国别省市：