一种基于室内毫米波雷达的人体姿态识别方法及系统技术方案

本发明专利技术提供了一种基于室内毫米波雷达的人体姿态识别方法及系统，该方法通过获取由调频连续波毫米波雷达设备采集的人体姿态样本数据；将人体姿态样本数据进行预处理，得到多普勒特征图谱构成的第一目标数据集，并进行混合数据增强处理，得到第二目标数据集；构建小样本迁移学习识别网络模型，并将第二目标数据集的数据输入模型中进行训练，得到目标模型；实时获取人体动作数据，输入目标模型中，输出姿态识别结果，具体的，由于对样本数据依次进行预处理和混合数据增强处理，得到扩充的毫米波雷达数据集，同时，为了降低深度学习网络的数据需求，及处理多普勒特征图谱的性能损失，提出了上述模型，以降低过拟合风险

【技术实现步骤摘要】
一种基于室内毫米波雷达的人体姿态识别方法及系统


[0001]本专利技术属于电子信息
，具体涉及一种基于室内毫米波雷达的人体姿态识别方法及系统
。

技术介绍

[0002]物联网和无线通信
、
感知
、
探测等技术的普及和应用，极大地加快了科学技术和社会的发展进程，特别是大量的人类生产生活陆续由室外转向室内，由此引起了人们对安全可控的室内环境的重视
。
同时，智能控制
、
大数据及人工智能技术的兴起为室内环境智能化管理提供了契机
。
智能管理服务不仅可以让人们获得更安全
、
更可靠的生活环境，而且能够提高人们生活和社会生产效率
。
在此背景下，人体姿态感知识别技术对于安全监控
、
人机交互与用户体验
、
虚拟现实与增强现实
、
教育与医疗领域等具有十分重要的意义
。
[0003]对此，学术界和工业界围绕人体姿态感知识别技术需求相继提出多种不同的实施方案，包括基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于室内毫米波雷达的人体姿态识别方法，其特征在于，应用于具备多发多收天线的调频连续波毫米波雷达设备中，所述方法包括：获取由调频连续波毫米波雷达设备采集的人体姿态样本数据，其中，所述人体姿态样本数据为分别对静态目标和运动目标发射并接收的回波信号；将所述人体姿态样本数据进行预处理，得到多普勒特征图谱，并根据多普勒特征图谱，生成由多普勒特征图谱构成的第一目标数据集；将所述第一目标数据集进行混合数据增强处理，得到第二目标数据集；构建小样本迁移学习识别网络模型，并将所述第二目标数据集的数据输入小样本迁移学习识别网络模型中进行训练，得到目标模型，其中，所述小样本迁移学习识别网络模型包括目标提取层和与所述目标提取层连接的目标识别层，其中，所述目标提取层为
50
层深度的残差神经网络卷积层，所述目标识别层包括依次连接的全局平均池化层
、
第一随机失活层
、
第一全连接层
、
批标准化层
、
第二随机失活层
、
第二全连接层及
Softmax
，所述第一随机失活层超参数设置为
0.5
，所述第二随机失活层超参数设置为
0.6
，所述第二全连接层为采用
Dense
函数创建的一个具有
M
个神经元的全连接层，以适应所述第二目标数据集的
M
个类别，所述第二全连接层包含
12
个输出神经元，再经
Softmax
进行识别判决，进而得到毫米波人体姿态识别结果；实时获取由调频连续波毫米波雷达设备采集的人体动作数据，输入所述目标模型中，输出姿态识别结果
。2.
根据权利要求1所述的基于室内毫米波雷达的人体姿态识别方法，其特征在于，所述获取由调频连续波毫米波雷达设备采集的人体姿态样本数据，其中，所述人体姿态样本数据为分别对静态目标和运动目标发射并接收的回波信号的步骤中，根据对回波信号的提取，得到静态目标相对于调频连续波毫米波雷达设备的第一距离
、
运动目标相对于调频连续波毫米波雷达设备的第二距离以及运动目标相对于调频连续波毫米波雷达设备的运动速度，其中，所述第一距离的表达式为：；
R
s
表示为所述第一距离，
c
表示为空气中的光速，
T
表示为调频连续波毫米波雷达发射信号的信号调制周期，
B
表示为调频连续波毫米波雷达发射信号的有效带宽，
f
b
表示为调频连续波毫米波雷达发射信号与接收到的雷达回波信号间频率的差值；所述第二距离的表达式为：；
R
d
表示为所述第二距离，
f
bdown
表示为调频连续波毫米波雷达发射信号与接收到的雷达回波信号在下降沿间的差值，
f
bup
表示为调频连续波毫米波雷达发射信号与接收到的雷达回波信号在上升沿间的差值；所述运动速度的表达式为：
；
v
表示为所述运动速度，
f0表示为调频连续波毫米波雷达的中心频率，
f
D
表示为多普勒频移
。3.
根据权利要求2所述的基于室内毫米波雷达的人体姿态识别方法，其特征在于，所述将所述人体姿态样本数据进行预处理，得到多普勒特征图谱的...

【专利技术属性】
技术研发人员：刘晓东，魏佳妤，蔡琦，王玉皞，王正海，孙艳，
申请(专利权)人：南昌大学，
类型：发明
国别省市：