[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

说明书

本发明公开了一种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，采用步进频率连续波雷达收集人体当前的姿态数据，使用三种时频分析方法对数据进行处理得到相应的时频谱图，然后进行神经网络的训练，保持第一级网络训练完成后的模型参数，以及结合第二级网络的权重，形成改良的级联神经网络训练模型，使识别的结果达到最优。该方法使多类谱图相融合，通过两级训练将多类谱图融合起来，有效地将三种时频分析方法结合起来，充分利用了三种时频分析方法的各自优点，整个网络结构清晰简洁，提高了人体运动姿态识别的正确率；另一方面在网络构建后无须进行人工提取特征值，只需获得时频谱图则可完成训练和识别过程，操作简单易行。

技术领域

本发明涉及雷达图像目标检测技术领域，特别是一种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。

背景技术

目前，人体运动经生物雷达检测后，除成像雷达探测通过人体成像和轨迹跟踪进行运动状态识别外，主要通过对雷达回波信号进行时域分解或时频分析，从而提取雷达信号时域特征或时频特征进行运动状态识别。

其中，常用的运动信号时频分析处理方法主要包括短时傅里叶变换(short-timeFourier transform，STFT)、小波变换(wavelet transform，WT)、希尔伯特-黄变换(Hilbert-Huang transform，HHT)、SPWVD(平滑伪Wigner-Ville分布)、RIDH(降低交叉项的分布(汉宁窗))等。由于不同的时频分析方法有各自的优缺点，造成了在利用这些时频分析方法产生的谱图进行人体运动识别时准确率无法达到最优。

人体运动生物雷达信号经过时域分解或者时频分析后，能够较好进行姿态识别的方法有三大类。第1类主要以人体运动信号雷达回波自身特性或者统计特征量作为特征值，如利用频率上下包络的距离来判断人体行走是否摆臂，将人体运动雷达回波的标准化能量、方差、偏度和峰度作为特征值判断，以及通过对雷达回波进行主成分分析。第2类特征值主要通过人体运动雷达回波信号经过时频分析处理后，从时频谱中提取特征值。第3类主要依靠深度神经网络的方法，将时频谱图或者雷达回波数据送入网络中，可以自动学习并进行分类，无须人工进行特征提取，从而进行运动状态识别和分类。

综上所述，近年来随着机器学习和深度学习技术的不断发展，越来越多的深度学习技术开始应用到各个领域；但是，现有的雷达人体运动姿态识别存在以下问题：(1)基于特征提取的方法需要人工提取特征值，工作量较大，比较复杂；(2)时频分析方法多种多样，性能各异，难以找到合适的时频分析方法，造成识别正确率较低。

发明内容

有鉴于此，本发明的目的在于提供一种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，该方法适用于雷达人体姿态检测。

为达到上述目的，本发明提供如下技术方案：

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。

进一步，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；