基于毫米波雷达与动态采样神经网络的人体步态识别方法技术

本发明专利技术公开了一种基于毫米波雷达与动态采样神经网络的人体步态识别方法。该方法使用毫米波雷达得到人体行走的雷达点云数据，通过对相邻的点云数据帧做差分处理得到点云动态信息；将原始点云数据与处理得到的点流数据通过点云特征提取网络得到点云与点流的特征序列；通过动态帧采样模块采样得到包含丰富的步态信息的点云与点流特征子序列；通过时序特征聚合模块将点云与点流特征子序列进行特征融合，最后通过平均池化层与多层感知机，输出最终的人体步态识别结果。本发明专利技术设计了一种新颖的雷达点云动态信息描述方法，并且提出了一种新颖高效的动态点云帧采样方法，能够在对识别性能影响不大的前提下，显著地减小计算量。显著地减小计算量。显著地减小计算量。

【技术实现步骤摘要】
基于毫米波雷达与动态采样神经网络的人体步态识别方法


[0001]本专利技术涉及人体步态识别
，尤其涉及一种基于毫米波雷达与动态采样神经网络的人体步态识别方法，结合毫米波雷达与动态采样神经网络，实现对人体步态的高效识别。

技术介绍

[0002]随着家居智能化程度逐渐提高，关于人体步态识别成为智能化家居管理中非常重要的部分。人体步态识别技术可以对人体身份进行实时识别，可以实现家居功能的个性化定制，提高智能化家居的使用体验。同时可以识别行人是否为家庭成员，提高居家生活的安全性。
[0003]现有的人体步态识别方法大多是基于摄像头传感器或者可穿戴传感器，然而基于摄像头的人体步态识别会存在隐私泄露的风险，基于可穿戴传感器的人体步态识别要求行人需穿戴对应的传感器，限制了使用场景，降低了使用体验。现有的基于毫米波雷达传感器的行人步态识别多数基于原始回波信号，但是会存在计算量过大的问题。现有的基于雷达点云的行人步态识别仅使用原始的雷达点云数据，识别性能存在瓶颈，且依然存在计算量过大的问题，限制了其适用范围。
专利技术内容
[000本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于毫米波雷达与动态采样神经网络的人体步态识别方法，其特征在于，包括以下步骤：步骤1：通过毫米波雷达采集得到室内人体行走状态的雷达点云信息，并通过点云聚类算法与帧间目标关联算法，滤除背景雷达点，得到行人目标的雷达点云数据；步骤2：将连续多帧雷达点云序列作为一个样本，对相邻的点云数据帧做差分处理，得到点云的动态信息，定义为点流序列；步骤3：将所述点云序列与点流序列分别输入点云特征提取主干网络，得到点云特征序列和点流特征序列；步骤4：通过动态帧采样模块，在点云特征序列与点流特征序列中采样得到信息丰富的点云与点流特征子序列；步骤5：通过时序特征聚合模块，将信息丰富的点云与点流特征子序列进行特征融合，并通过平均池化层与多层感知机，输出最终的人体步态识别结果。2.根据权利要求1所述的一种基于毫米波雷达与动态采样神经网络的人体步态识别方法，其特征在于，所述步骤1具体包括：毫米波雷达发射并接收人体的电磁波反射信号，通过二维傅里叶变换与CFAR算法，得到人体目标的毫米波雷达点云信息，将连续T帧雷达点云序列定义为A＝{P0,P1,
…
,P
T
‑1}，其中第i帧点云包含N个点，每个点包含四维特征：其中代表点的三维空间坐标，代表该点相对于雷达的多普勒速度信息；使用点云聚类算法与帧间目标关联算法，对行人目标的雷达点云进行聚类与跟踪，滤除背景噪声点。3.根据权利要求2所述的一种基于毫米波雷达与动态采样神经网络的人体步态识别方法，其特征在于，所述步骤2具体包括：对相邻的两帧雷达点云P
i
和P
i+1
，为了得到两帧点云之间的相对变化信息，对帧P
i
中的点在下一帧点云P
i+1
中找到与该点相对空间位置最近的点并将该两点的多普勒速度相减，即可得到对应的点流向量其中对点云帧P
i
中的每一个点都进行以上操作，即可得到点流帧4.根据权利要求3所述的一种基于毫米波雷达与动态采样神经网络的人体步态识别方法，其特征在于，所述步骤3中，对输入的每帧点云数据与点流数据，均通过经典的点云特征提取网络进行特征向量的提取；对于点云P
i
与点流F
i
，分别得到对应的多维特征向量与与随后得到点云特征序列和点流特征序列5.根据权利要求4所述的一种基于毫米波雷达与动态采样神经网络的人体步态识别方法，其特征在于，所述动态帧采样模块能够动态地将信息量低的点云与点流帧滤除，保留信息丰富的点云帧与点流帧；
对于点云帧P
i
，首先使用多层感知机对其特征进行投影，得到维度为1

【专利技术属性】
技术研发人员：黄岩岩，王勇，史治国，卓成，
申请(专利权)人：浙江大学，
类型：发明
国别省市：