[发明专利]一种基于PC-IRNN的行人步态分类方法

说明书

本发明公开了一种基于PC‑IRNN的行人步态分类方法，该方法通过构建PC‑IRNN和梯度裁剪解决了传统RNN由于长时依赖容易出现的梯度消失和梯度爆炸现象、IRNN利用ReLU激活函数导致输入信息损失的问题，以及LSTM由于网络结构复杂从而计算成本过高的缺点。另外，本发明是RNN的一种，它可以直接从样本的输入序列间的固有相关性中自动提取与分类相关的特征，从而省去了DCNN中预定义不同大小的卷积核来提取特征的步骤，实现网络计算成本的减少和行人步态分类准确率的提高。

技术领域

本发明属于雷达目标识别领域，尤其涉及一种基于PC-IRNN的行人步态分类方法。可用于分类行人行走模型的步态。

背景技术

行人的运动包含了许多常见微运动的形式，是多种微动的组合，并且具有多种姿态，因此，根据行人的微动特性对行人步态进行分类与识别一直是研究的热点。微多普勒技术可基于雷达远程观测，不受天气、光线等因素的影响，特别是在沙尘或大雾天气依旧能良好工作，并且能够提取出极具区分度的微多普勒特征，因此雷达微多普勒特征在行人步态分类与识别中的应用也越来越广泛。目前，深度学习是分类行人步态的常用方法，它不需要经典机器学习算法中复杂的特征提取与选择，是一种端到端的学习，可以直接从输入数据中联合学习特征和分类边界，同时也可捕获在经典机器学习算法中被忽略的特征。因此，基于雷达微多普勒特征分类行人步态的深度学习算法成为当前研究的重点。

谷歌的Le Q V等人在文献“A simple way to initialize recurrent networksof rectified linear units”(Computer Science，2015年4月)提出了利用单位阵初始化隐藏层权重且隐藏层激活函数为线性修正单元(ReLU)的循环神经网络(RNN)，称为单位初始化循环神经网络(IRNN)。该方法对标准RNN的修改有效解决了RNN在长期依赖下的梯度消失和梯度爆炸现象，网络结构简单，计算成本较低，并且在手写体识别中的分类准确率高于长短时记忆(LSTM)分类器。但是该方法的不足是，IRNN隐藏层所用的ReLU激活函数会将隐藏层的负输入置零，导致负输入的信息丢失并且对应的梯度无法反向传播，从而阻碍了网络的高效训练。

美国约翰霍普金斯大学的Craley J等人在文献“Action recognition usingmicro-Doppler signatures and a recurrent neural network”(IEEE InformationSciencesSystems，2017年3月)提出了基于LSTM的JHUMMA(Johns Hopkins MultiModelsAction)步态分类方法，其中涉及21种行人活动。该方法是RNN的一种变体，其中标准RNN的隐藏节点被细胞(LSTM Cell)所替代。LSTM Cell由遗忘门、输入门、内部态和输出门四部分组成，它可以去除或者增加细胞状态中的信息并且通过内部更新来更改自己的状态，从而有效解决了RNN在长期依赖下的梯度消失和梯度爆炸问题。该方法基于微多普勒时频谱图的步态分类准确率达到了98.19％，而基于微多普勒时频谱图和RGBD数据共同训练的隐马尔科夫分类器的准确率仅为93.63％。但是该方法的不足是，LSTM的网络结构复杂且变量过多，导致网络计算成本高，运行时间长。

美国加州大学的Kim Y等人在文献“Human Detection and ActivityClassification Based on Micro-Doppler Signatures Using Deep ConvolutionalNeural Networks”(IEEE Geoscience and Remote Sensing Letters，第13期，2015年1月)提出了基于深层卷积网络(DCNN)的行人步态分类方法，其中涉及7种行人活动。该方法是图像分类领域最成功的算法之一，利用预定义大小的卷积核从输入数据中联合学习特征和分类边界，避免了类似支持向量机(SVM)中复杂的手工的特征提取工程。该方法基于微多普勒时频谱图的步态分类准确率为90.9％，与支持向量机分类器所得到的准确率非常相似。但是该方法的不足是用于提取特征的卷积核大小需要预定义，从而增加了调参的工作量。