【技术实现步骤摘要】
一种融合惯导和毫米波雷达的行人步态测量与识别方法
[0001]本专利技术提供了一种同时测量手机惯导和毫米波雷达的行人步态数据,并通过数据融合和强化学习对步态进行识别和分类的系统及方法。
技术介绍
[0002]行人步态识别技术是一种基于人体行走特征的生物识别技术,具有广泛的应用前景。传统的步态识别方法通常仅依赖于单一的传感器或数据源,存在准确率不高和鲁棒性差的问题。手机惯导技术可通过测量用户的加速度和角速度等参数获取步态特征,但受限于手机的位置和姿态,存在累积误差和可靠性问题。毫米波雷达技术能够实时获取行人的身体运动特征,但其单独应用存在成本高和设备复杂的问题。因此,结合手机惯导和毫米波雷达技术,并利用数据融合和强化学习算法,能够充分利用它们各自的优势,提高步态识别的准确率和鲁棒性。
技术实现思路
[0003]本专利技术提供了一种移动设备上的行人步态数据测量与识别系统,旨在通过结合手机惯导和毫米波雷达数据,实现对行人步态的准确测量和识别。该系统利用移动设备上的传感器数据和深度学习技术,为行人识别、人体动作分析和健康监测等领域提供有效的解决方案。
[0004]为实现上述目的,本专利技术采用如下技术方案:
[0005]一种融合惯导和毫米波雷达的行人步态测量与识别方法,包括如下步骤:
[0006]使用移动设备上的毫米波雷达获取行人的微小运动特征数据;使用移动设备上的惯导传感器获取惯导数据;
[0007]分别对微小运动特征、惯导数据进行特征提取,然后进行特征融合,构建融合特征数据 ...
【技术保护点】
【技术特征摘要】
1.一种融合惯导和毫米波雷达的行人步态测量与识别方法,其特征在于,包括如下步骤:使用移动设备上的毫米波雷达获取行人的微小运动特征数据;使用移动设备上的惯导传感器获取惯导数据;分别对微小运动特征、惯导数据进行特征提取,然后进行特征融合,构建步态数据集,其中特征标签为运动姿态;利用步态数据集训练深度学习模型;将新采集的微小运动特征数据、惯导数据输入训练好的深度学习模型中,得到对应的运动姿态。2.根据权利要求1所述的一种融合惯导和毫米波雷达的行人步态测量与识别方法,其特征在于,根据微小运动特征数据构建横坐标为时间,纵坐标为速度的微多普勒图像,将微多普勒图像利用杂波对消器来抑制固定杂波,对消静止目标和低速目标,从而提取运动目标信号;对运动目标信号进行特征提取。3.根据权利要求1所述的一种融合惯导和毫米波雷达的行人步态测量与识别方法,其特征在于,根据加速度数据、角速度数据构建横坐标为时间,纵坐标为加速度的加速度曲线图像;将加速度曲线图像X、Y、Z三个方向的数据进行融合,生成单组数据;对由单组数据构成的数据集进行特征提取。4.根据权利要求3所述的一种融合惯导和毫米波雷达的行人步态测量与识别方法,其特征在于,所述惯导传感器包括加速度传感器和角速度传感器;对加速度以及角速度的X、Y、Z三个方向的分量进行加权求和,从而得出单组数据,具体公式为:W=(w1*AccX+w2*AccY+w3*AccZ)/(w1+w2+w3)+(w4*GyroX+w5*GyroY+w6*GyroZ)/(w4+w5+w6)其中,AccX,AccY,AccZ是加速度传感器在X、Y、Z三个方向上的分量数据;GyroX,GyroY,GyroZ是角速度传感器在X、Y、Z三个方向上的分量数据;w1,w2,w3,w4,w5,w6是相应分量的权重,用于调整每个分量对最终结果的贡献度;(w1*AccX+w2*AccY+w3*AccZ)/(w1+w2+w3)是加速度分量的加权平均值;通过将每个分量与相应权重相乘,然后将结果相加并除以权重的总和,得到加速度的加权平均值;(w4*GyroX+w5*GyroY+w6*GyroZ)/(w4+w5+w6)是角速度分量的加权平均值,通过将每个分量与相应权重相乘,然后将结果相加并除以权重的总和,得到角速度的加权平均值。5.根据权利要求3所述的一种融合惯导和毫米波雷达的行人步态测量与识别方法,其特征在于,对微小运动特征数据特征、惯导数据特征进行融合的步骤包括:1)建立状态方程和观测方程;状态方程如下:x
k
...
【专利技术属性】
技术研发人员:何家庆,施佳佳,朱翊晗,花冰,施佺,储柳,许致火,张永伟,郁正宇,
申请(专利权)人:南通大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。