[发明专利]一种基于数据增强的小样本雷达图像人体动作分类方法

说明书

本发明涉及一种基于数据增强的小样本雷达图像人体动作分类方法，包括：使用仿真雷达图像作为训练数据的来源，采用光学式运动捕捉器采集的人体行为数据，通过建立人体椭球运动模型来计算得到雷达回波，在通过短时傅里叶变换得到雷达谱图，生成数据集；采用多种数据增强方法对数据集里的雷达图像实现数据增强；建立卷积神经网络模型，并使用CAFFE进行深度学习的训练。

技术领域

本发明属于雷达目标分类、数据增强与深度学习领域，涉及对雷达图像的数据增强并进 行人体动作分类的问题。

背景技术

行为识别[1]分析的相关研究可以追溯到1975年Johansson[2]的一个实验，作者提出了 12点人体模型,这种描述行为的点模型方法对后来基于人体结构的行为描述算法起到了重要 的指导作用。在智能视频监控，病人监护系统，人机交互，虚拟现实，智能家居，智能安防， 运动员辅助训练以及军事领域都有着广泛的应用。人体行为识别目前处在动作识别阶段，而 动作识别可以看成是特征提取和分类器设计相结合的过程。特征提取过程受到遮挡，动态背 景，移动摄像头，视角和光照变化等因素的影响而具有很大的挑战性。目前人体行为识别主 要的研究难点包括动作类内类变化大，空间复杂性，时间差异性[3]等等。对于大多数的动 作，即使是同一动作都有不同的表现形式。空间复杂性指的是不同光照、视角和背景等条件 下会呈现不同的动作场景，而在不同的动作场景中相同的人体行为在姿态和特性上会产生差 异，即使在恒定的动作场景中，人体动作也会有较大的自由度，而且每种相同的动作在方向、 角度、形状和尺寸方面有很大的差异性。此外，人体自遮挡、部分遮挡、人体个体差异、多 人物识别对象等问题都是动作识别复杂性在空间上的体现。时间差异性是指人体动作发生的 时间点不可预测，而且动作的持续间隔也不尽相同。此外，动作在作用时间内也可能存在动 作空白间隙。时间差异性要求识别过程中能够辨别动作的起止时间，同时有效判断动作作用 的有效时间和间隔，对动作在时域和时序范围内进行更加细致的分析，导致动作在不同速率、 顺序和组合情况下都会存在差异。

多普勒雷达识别系统可以有效避免天气、光照、遮挡等各类影响因素。多普勒雷达是一 种主动雷达，根据多普勒原理，对运动目标发射电磁波并通过其回波信号判别目标的运动状 态。雷达探测在许多领域都有着重要应用，例如无人驾驶，灾后搜救等诸多方面。基于多普 勒雷达的人体行为识别技术是近年以来发展起来的新技术，经过调制后雷达图像包含了人体 各部分微动调制产生的多普勒频率，进而可以对人体运动进行分辨，这使得基于多普勒雷达 的人体动作识别成为可能。

基于多普勒雷达的人体行为识别的数据增强技术具有较高的研究价值，数据增强方法在 图像识别领域应用广泛，相对技术较为成熟，然而对于雷达图像却还未见深入的应用和研究。

发明内容

本发明的目的是提供一种小样本雷达图像人体动作分类方法。本发明在雷达数据量不足 的前提下，参照自然图像的数据增强方式对小样本雷达数据实现数据增强，再利用深度学习 中的卷积神经网络实现对数据增强后的雷达图像中人体动作分类，分类结果好于增强前的数 据集。技术方案如下：

一种基于数据增强的小样本雷达图像人体动作分类方法，包括下列步骤：

1)构建数据集：使用仿真雷达图像作为训练数据的来源，采用光学式运动捕捉器采集 的人体行为数据，选取7类动作，分别是跑、跳、走、爬、站、拳击和匍匐，通过建立人体椭球运动模型来计算得到雷达回波，在通过短时傅里叶变换得到雷达谱图，生成数据集；

2)采用多种数据增强方法对数据集里的雷达图像实现数据增强：实现数据增强的方法 包括图像压缩增强方式中的双三次变换、双线性变换、分块法、近似点处理方法；滤波增强 方式中的均值滤波法、双边模糊特效滤波法、高斯模糊滤波法和中值滤波法四种方法；添加 噪声增强方式中的高斯噪声、与图像灰度有关的均值为零的高斯白噪声、胡椒噪声、盐噪声、 泊松噪声、s&p噪声、斑点噪声方法；曝光增强方式中改变像素值gamma的方法；