【技术实现步骤摘要】
本专利技术涉及人体运动微多普勒图像，特别是指一种面向人体运动微多普勒图像的注意力特征提取方法。
技术介绍
1、随着社会的发展，我国已经进入深度老龄化社会，养老问题逐渐成为一个重要的社会问题。面对这一问题，构建智能养老服务体系显得尤为重要。在智能养老服务体系中，老年人的行为监测为老年人的正常生活提供了安全保障。在目前常用的人体目标探测手段上，雷达探测与其他类型传感器探测方式相比，可以不用接触人体、不受光线温度等因素影响、具有一定穿透能力和探测距离远等优势，更适用于老年人的运动监测。
2、利用雷达进行人体运动探测时，其获取的回波数据中不仅蕴含了从目标反射回来的回波强度即振幅信息，还有目标和雷达之间的距离信息即相位信息。该相位信息是雷达传感器特有的、其他光学传感器不能提取到的信息，并且与人体运动相关，不同的运动姿态会产生不同的相位信息。相位信息体现在图像中的特征是微多普勒频率特征。在利用雷达数据生成的人体运动微多普勒图像进行人体运动分析时，为了加强对图像中的微多普勒频率特征的提取，需要对该特征进行特别关注。在现有特征注意方面，注意力机制模块由于其即插即用的优势被广泛应用。目前现存的注意力机制模块都是针对光学图像设计的，从原理角度看均未能有效提取微多普勒频率特征。具体来说，微多普勒频率特征从特征图角度看是特征图的每一行数据，现有注意力未对该特征进行特别的学习。例如，senet仅学习了图像的通道信息，cbam学习到了通道和空间信息，而ca虽然分别考虑到了特征图的宽高信息并分别提取成一维向量同时处理，但实质上这两部分信息构成了图
技术实现思路
1、针对现有注意力在人体运动微多普勒图像上特征提取能力差的问题，本专利技术提出了一种面向人体运动微多普勒图像的注意力特征提取方法，围绕雷达探测特性和微多普勒图像生成特性，结合人体不同的运动特性，可以有效地对人体运动过程中产生的微多普勒特征进行注意学习，增强了现有深度学习网络对人体运动微多普勒特征的提取性能。
2、本专利技术的技术方案是这样实现的：
3、一种面向人体运动微多普勒图像的注意力特征提取方法，其步骤如下：
4、步骤一：构建通道特征注意力模块、频率特征注意力模块、能量特征注意力模块和循环特征注意力模块；通道特征注意力模块可以学习到人体运动微多普勒图像可视化生成过程中所存在的不同通道特性；频率特征注意力模块可以学习到由于人体运动过程中不同身体部位运动速度不同所引起的不同多普勒频率特征；能量特征注意力模块可以学习到由于不同身体部位的雷达截面积不同所引起的不同能量特征；循环特征注意力模块可以学习到由于人体运动的节律性所引起的循环特征。
5、步骤二：将含有人体运动微多普勒特征的特征图f输入到所述通道特征注意力模块，提取通道特征的注意力权重wch；
6、优选地，所述提取通道特征的注意力权重wch的方法为：首先，在h和w方向上进行平均池化操作提取特征图f的各通道全局信息i，将各通道全局信息i依次通过第一全连接层、relu6激活函数、第二全连接层得到通道特征i；其次，在h和w方向上进行最大池化操作提取特征图f的各通道全局信息ii，将各通道全局信息ii依次通过第三全连接层、relu6激活函数、第四全连接层得到通道特征ii；然后，将通道特征i和通道特征ii融合，得到融合通道特征；最后，利用sigmoid激活函数将融合通道特征转化为所述注意力权重wch。
7、步骤三：将通道特征的注意力权重wch赋给特征图f，得到含通道注意力的特征图fch；
8、优选地，所述将通道特征的注意力权重wch赋给特征图f的方法为：首先，将注意力权重wch进行维度扩增，扩增后维度大小与所述特征图f一致；然后，将扩增维度后的权重与所述特征图f进行逐元素相乘。
9、步骤四：将特征图fch分别输入到所述频率特征注意力模块、所述能量特征注意力模块和所述循环特征注意力模块中，分别提取对应的频率特征注意力权重wf、能量特征注意力权重wp和循环特征注意力权重wclc；
10、优选地，所述频率特征注意力权重wf的获得方法为：首先，在w和c方向上进行平均池化提取特征图fch的多普勒频率特征i，在w和c方向上进行最大池化提取特征图fch的多普勒频率特征ii；其次，将多普勒频率特征i和多普勒频率特征ii叠加，得到聚合多普勒频率特征；然后，将聚合多普勒频率特征依次通过第五全连接层、relu6激活函数、第六全连接层得到聚合多普勒频率特征在不同多普勒频率上的分布特征；最后，通过sigmoid函数将所述聚合多普勒频率特征在不同多普勒频率上的分布特征转换为不同多普勒频率上的权重信息，即得到所述频率特征注意力权重wf。
11、优选地，所述能量特征注意力权重wp的获得方法为：首先，通过在c方向上的平均池化操作将所述特征图fch的通道维度压缩成一维，得到二维空间特征；其次，利用两个不同大小的卷积核分别对所述二维空间特征进行处理，得到能量分布特征i和能量分布特征ii；然后，将能量分布特征i和能量分布特征ii进行融合；最后，利用sigmoid函数将所述融合的能量分布特征转换为不同空间位置上的权重信息，即得到所述能量特征注意力权重wp。
12、优选地，所述循环特征注意力权重wclc的获得方法为：首先，通过在h和c方向上的平均池化对所述特征图fch的维度进行压缩，提取时间维度信息i，通过在h和c方向上的最大池化对所述特征图fch的维度进行压缩，提取时间维度信息ii；其次，将时间维度信息i和时间维度信息ii进行叠加，得到叠加特征；然后，将叠加特征依次通过第七全连接层、relu6激活函数、第八全连接层得到叠加特征在不同时间维度上由人体运动引起的不同循环特征；最后，通过sigmoid函数将所述不同循环特征转换成不同时间维度上的权重信息，即得到所述循环特征注意力权重wclc。
13、步骤五：将得到的频率特征注意力权重wf、能量特征注意力权重wp和循环特征注意力权重wclc均赋给所述含通道注意力的特征图fch，得到优化后的特征图fw。
14、优选地，所述将得到的频率特征注意力权重wf、能量特征注意力权重wp和循环特征注意力权重wclc均赋给所述含通道注意力的特征图fch的方法为：首先，将注意力权重wf、wp、wclc的特征维度扩增到与所述特征图fch相同的维度大小；然后，将维度扩增后的注意力权重wf、wp、wclc与所述特征图fch进行逐元素相乘得到最终优化后的特征图fw。
15、与现有技术相比，本专利技术产生的有益效果为：
16、1)本专利技术的通道特征注意力模块可以学习到人体运动微多普勒图像可视化生成过程中所存在的不同通道特性；频率特征注意力模块可以学习到由于人体运动过程中不同身体部位运动速度不同所引起的不同多普勒频率特征；能量特征注意力模块可以学习到由于不同身体部位的雷达截面积不同所引起的不同能量特征；循环特征注意力模块可以学习到由于人本文档来自技高网...
【技术保护点】
1.一种面向人体运动微多普勒图像的注意力特征提取方法，其特征在于，其步骤如下：
2.根据权利要求1所述的面向人体运动微多普勒图像的注意力特征提取方法，其特征在于，所述提取通道特征的注意力权重Wch的方法为：首先，在H和W方向上进行平均池化操作提取特征图F的各通道全局信息I，将各通道全局信息I依次通过第一全连接层、ReLU6激活函数、第二全连接层得到通道特征I；其次，在H和W方向上进行最大池化操作提取特征图F的各通道全局信息II，将各通道全局信息II依次通过第三全连接层、ReLU6激活函数、第四全连接层得到通道特征II；然后，将通道特征I和通道特征II融合，得到融合通道特征；最后，利用Sigmoid激活函数将融合通道特征转化为所述注意力权重Wch。
3.根据权利要求1所述的面向人体运动微多普勒图像的注意力特征提取方法，其特征在于，所述将通道特征的注意力权重Wch赋给特征图F的方法为：首先，将注意力权重Wch进行维度扩增，扩增后维度大小与所述特征图F一致；然后，将扩增维度后的权重与所述特征图F进行逐元素相乘。
4.根据权利要求1所述的面向人体运动微
5.根据权利要求1所述的面向人体运动微多普勒图像的注意力特征提取方法，其特征在于，所述能量特征注意力权重Wp的获得方法为：首先，通过在C方向上的平均池化操作将所述特征图Fch的通道维度压缩成一维，得到二维空间特征；其次，利用两个不同大小的卷积核分别对所述二维空间特征进行处理，得到能量分布特征I和能量分布特征II；然后，将能量分布特征I和能量分布特征II进行融合；最后，利用Sigmoid函数将所述融合的能量分布特征转换为不同空间位置上的权重信息，即得到所述能量特征注意力权重Wp。
6.根据权利要求1所述的面向人体运动微多普勒图像的注意力特征提取方法，其特征在于，所述循环特征注意力权重Wclc的获得方法为：首先，通过在H和C方向上的平均池化对所述特征图Fch的维度进行压缩，提取时间维度信息I，通过在H和C方向上的最大池化对所述特征图Fch的维度进行压缩，提取时间维度信息II；其次，将时间维度信息I和时间维度信息II进行叠加，得到叠加特征；然后，将叠加特征依次通过第七全连接层、ReLU6激活函数、第八全连接层得到叠加特征在不同时间维度上由人体运动引起的不同循环特征；最后，通过Sigmoid函数将所述不同循环特征转换成不同时间维度上的权重信息，即得到所述循环特征注意力权重Wclc。
7.根据权利要求1所述的面向人体运动微多普勒图像的注意力特征提取方法，其特征在于，所述将得到的频率特征注意力权重Wf、能量特征注意力权重Wp和循环特征注意力权重Wclc均赋给所述含通道注意力的特征图Fch的方法为：首先，将注意力权重Wf、Wp、Wclc的特征维度扩增到与所述特征图Fch相同的维度大小；然后，将维度扩增后的注意力权重Wf、Wp、Wclc与所述特征图Fch进行逐元素相乘得到最终优化后的特征图Fw。
...【技术特征摘要】
1.一种面向人体运动微多普勒图像的注意力特征提取方法，其特征在于，其步骤如下：
2.根据权利要求1所述的面向人体运动微多普勒图像的注意力特征提取方法，其特征在于，所述提取通道特征的注意力权重wch的方法为：首先，在h和w方向上进行平均池化操作提取特征图f的各通道全局信息i，将各通道全局信息i依次通过第一全连接层、relu6激活函数、第二全连接层得到通道特征i；其次，在h和w方向上进行最大池化操作提取特征图f的各通道全局信息ii，将各通道全局信息ii依次通过第三全连接层、relu6激活函数、第四全连接层得到通道特征ii；然后，将通道特征i和通道特征ii融合，得到融合通道特征；最后，利用sigmoid激活函数将融合通道特征转化为所述注意力权重wch。
3.根据权利要求1所述的面向人体运动微多普勒图像的注意力特征提取方法，其特征在于，所述将通道特征的注意力权重wch赋给特征图f的方法为：首先，将注意力权重wch进行维度扩增，扩增后维度大小与所述特征图f一致；然后，将扩增维度后的权重与所述特征图f进行逐元素相乘。
4.根据权利要求1所述的面向人体运动微多普勒图像的注意力特征提取方法，其特征在于，所述频率特征注意力权重wf的获得方法为：首先，在w和c方向上进行平均池化提取特征图fch的多普勒频率特征i，在w和c方向上进行最大池化提取特征图fch的多普勒频率特征ii；其次，将多普勒频率特征i和多普勒频率特征ii叠加，得到聚合多普勒频率特征；然后，将聚合多普勒频率特征依次通过第五全连接层、relu6激活函数、第六全连接层得到聚合多普勒频率特征在不同多普勒频率上的分布特征；最后，通过sigmoid函数将所述聚合多普勒频率特征在不同多普勒频率上的分布特征转换为不同多普勒频率上的权重信息，即得到所述频率特征注意力...
【专利技术属性】
技术研发人员：宋晓炜，杨蕾，范存辉，蔡文静，李梦龙，陈曦，
申请(专利权)人：中原工学院，
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。