[发明专利]基于多类谱图融合与分级学习的雷达人体姿态识别方法及系统

权利要求书

1.基于多类谱图融合与分级学习的雷达人体姿态识别方法，其特征在于：包括以下步骤：

步骤1：获取步进频率连续波雷达收集到的人体姿态运动数据；

步骤2：采用短时傅里叶变换、平滑伪Wigner-Ville分布、降低交叉项分布三种时频分析方法对人体姿态运动数据进行处理得到时频谱图；

步骤3：将时频谱图预处理后送入第一级神经网络的VGG16网络模型中进行训练；

步骤4：将第一级神经网络训练得到的识别结果输入到第二级神经网络，并保持第一级神经网络训练完成后的模型参数不变，通过反向传播算法迭代递归得到第二级神经网络的权重；

步骤5：完成第二级神经网络训练并得到改良的级联神经网络训练模型；

步骤6：使用改良的级联神经网络模型对时频谱图测试集进行识别测试。

2.根据权利要求1所述的方法，其特征在于：所述步骤1的步进频率连续波雷达收集的人体姿态数据按照以下方式进行预处理：

步骤11：验证人体姿态数据周期的完整性；

步骤12：对验证后的人体姿态数据进行IQ路合成；

步骤13：对人体姿态数据进行加窗处理。

3.根据权利要求1所述的方法，其特征在于：所述步骤2中的时频分析方法按照以下方式设置参数：

步骤21：所述短时傅里叶变换的窗函数的采用汉宁窗；

步骤22：所述平滑伪Wigner-Ville分布为二次型的时频分析方法，采用汉宁窗和高斯窗作为时域平滑窗和频率平滑窗；

步骤23：所述降低交叉项的分布采用汉宁窗作为时域和频域的平滑窗。

4.根据权利要求1所述的方法，其特征在于：所述步骤3中时频谱图预处理按照以下方式进行：

将单通道的时频谱图转换成三通道的RGB图像，并使得RGB图像数据适于第一级神经网络的VGG16网络模型输入要求。

5.根据权利要求1所述的方法，其特征在于：所述步骤3中的第一级神经网络包括三个VGG16网络模型，所述VGG16网络模型训练参数为学习率Lr＝0.01，批尺寸为32，迭代Epoch为5000。

6.根据权利要求1所述的方法，其特征在于：所述步骤4的第二级神经网络为三层神经网络模型，具体包括

输入层，所述输入层用于接收第一级神经网络的三个VGG16网络模型的识别结果；

中间层，所述中间层与输入层的连接为全连接结构，采用softmax作为激活函数；

输出层，所述输出层用于输出最终的识别结果。

7.根据权利要求1所述的方法，其特征在于：所述步骤4的第二级神经网络的三层神经网络模型权重更新迭代按照以下方式进行：

步骤41：采用平方误差函数计算损失函数；

步骤42：通过损失函数得到判定结果的误差，按照以下公式更新权重：

其中，W_MN′为第M个输入层对第N个输出的权重更新值；

W_MN为第M个输入层对第N个输出的权重的初始值；

为权重的变化值；的目的在于让损失函数减少到最低。

8.基于多类谱图融合与分级学习的雷达人体姿态识别系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于：所述处理器执行所述程序时实现以下步骤：

获取步进频率连续波雷达收集到的人体姿态运动数据；

采用短时傅里叶变换、平滑伪Wigner-Ville分布、降低交叉项分布三种时频分析方法对人体运动姿态数据进行处理得到相应的时频谱图；

将时频谱图转换成三通道的RGB图像后分别送入第一级神经网络的三个VGG16网络模型中进行训练；

将第一级神经网络训练得到的识别结果分别输入到第二级神经网络，并保持第一级神经网络训练完成后的模型参数不变，通过反向传播算法迭代递归得到第二级神经网络的权重；

完成第二级神经网络训练并得到改良的级联神经网络训练模型；

使用改良的级联神经网络模型对时频谱图测试集进行识别测试。

9.根据权利要求8所述的系统，其特征在于：所述第二级神经网络为三层神经网络模型，具体包括

输入层，所述输入层用于接收第一级神经网络的三个VGG16网络模型的识别结果；

中间层，所述中间层与输入层的连接为全连接结构，采用softmax作为激活函数；

输出层，所述输出层用于输出最终的识别结果；

所述第二级神经网络的三层神经网络模型权重更新迭代按照以下方式进行：

采用平方误差函数计算损失函数；

通过损失函数得到判定结果的误差，按照以下公式更新权重：

其中，W_MN′为第M个输入层对第N个输出的权重更新值；

W_MN为第M个输入层对第N个输出的权重的初始值；

为权重的变化值；的目的在于让损失函数减少到最低。