[发明专利]基于复值卷积神经网络的墙后人体行为识别方法

说明书

本发明公开了一种基于复值卷积神经网络的墙后人体行为识别方法，通过预处理收集的雷达原始距离像得到用作训练集和测试集的距离像，构建复值卷积神经网络，利用训练集训练网络，将测试集输入训练好的复值卷积神经网络，得到墙后人体行为的识别结果，实现墙后人体行为识别。该方法可充分学习不同行为间距离像数据的差异，能够有效识别墙后的人体行为。相比于其它墙后人体行为识别方法，本发明构建的复值卷积神经网络可联合利用雷达数据的幅度信息和相位信息，高效提取距离像数据中人体行为的多元运动特征，从而提升墙后人体行为的识别性能，在墙后人体行为识别领域具有重要的价值。

技术领域

本发明属于雷达自动目标识别技术领域，具体涉及墙后人体行为识别方法。

背景技术

墙后人体行为识别技术主要是利用穿墙雷达发射电磁波穿透墙体等遮蔽障碍物，对墙后的人体目标实施的行为进行识别，在室内监控、灾难救援等领域有着广泛的应用前景，近年来，国内外许多机构利用穿墙雷达开展了墙后人体行为识别的研究。

文献：Yang X,Chen P,Wang M,et al.Human Motion SerializationRecognition With Through-the-Wall Radar[J].IEEE Access,2020，从处理距离像序列的角度，探讨了超宽带穿墙雷达的人体运动识别问题，具体采用三层密集的自编码网络(AEN)对每个距离像进行降维和特征提取，然后采用双隐层的门控回归单元(GRU)网络处理每个时间段片的特征，并输出每个时间段片的人体行为识别结果。

文献：Kl A,Babaolu S,Babalk A,et al.Through-Wall Radar Classificationof Human Posture Using Convolutional Neural Networks[J].International Journalof Antennas and Propagation,2019，提出了一种基于卷积神经网络(CNN)的墙后人体姿势分类方法，具体使用超宽带步进频连续波雷达收集从墙后的人体目标反射的雷达信号。这些信号通过CNN对人的存在和人的姿势进行分类。

上述方法仅利用雷达数据的幅度信息来识别人体运动，而相位信息包含了丰富的运动特征(如：时序特征和速度特征)，这些方法没有考虑雷达数据中的相位信息，限制了识别的性能。

发明内容

针对现有技术存在的上述问题，本发明提出一种基于复值神经网络的墙后人体行为识别方法。

本发明的具体技术方案为：一种基于复值卷积神经网络的墙后人体行为识别方法，包括以下步骤：

步骤1：雷达原始距离像预处理

考虑一个穿墙雷达发射K个脉冲探测一个墙后人体行为，则这K个脉冲的回波构成的雷达原始距离像为：

其中，r_k(m)是第k个脉冲的回波信号，k＝0,1,…,K，M是回波信号长度，在雷达快时间维度(按行)进行快速傅里叶逆变换(IFFT)，并将快速傅里叶逆变换后的距离像通过动目标指示(MTI)滤波器，得到背景杂波被抑制的距离像P”(m)，P”(m)的维度大小为K×M；

步骤2：训练集和测试集构造

利用收集到的所有距离像P”(m)样本按构造第一训练集和第二测试集。

步骤3：构造复值卷积神经网络

复值卷积层、复值批归一化层、复值池化层、复值全连接层、softmax输出层、和复值线性整流函数等模块使得构建的复值卷积神经网络可同时利用距离像的幅度和相位信息进行多元运动特征提取，实现墙后人体行为识别。

复值卷积层具体计算公式为：

W*H＝(A*X-B*Y)+i(A*Y+B*X)