[发明专利]基于多类谱图和复合卷积神经网络的人体行为识别方法

权利要求书

1.一种基于多类谱图和复合卷积神经网络的人体行为识别方法，其特征在于：包括以下步骤；

(1)通过步进频率连续波雷达对不同的人体行为进行n次采样，记录每次采样的人体行为类别，每次采样得到一人体行为样本，所述样本为N×M的矩阵，其中N为脉冲周期的个数，M为一个脉冲周期中步进频率的个数，n次采样得到一数据集X，

X＝{X_i∈R^N×M|i＝1,2,…,n}

所述R为复数，N×M为矩阵维数，X_i为X中第i个样本；

(2)每个X_i中选取S个列向量，得到n×S个列向量；

(3)构建谱图样本数据集，包括步骤(31)-(34)；

(31)从n×S个列向量中选取1个列向量，分别用短时傅里叶变换、汉宁核减少交叉项干扰分布、和平滑伪威格纳分布进行时频分析，得到三张时频谱图；

(32)将三张时频谱图分别调整至相同大小并归一化处理，得到与短时傅里叶变换、汉宁核减少交叉项干扰分布、和平滑伪威格纳分布对应的第一谱图样本、第二谱图样本和第三谱图样本，再将三张谱图堆叠成复合谱图样本，则1个列向量对应四份谱图样本；

(33)依次得到n×S个列向量对应的四份谱图样本，且n×S个列向量中第j个列向量对应的四份谱图样本记为P_j＝{P_j1，P_j2，P_j3，P_j4}，其中，P_j1、P_j2、P_j3、P_j4分别表示第j个列向量对应的第一谱图样本、第二谱图样本、第三谱图样本、复合谱图样本，且j＝1,2，…，n×S；

(34)构建样本数据集P＝{P_j|j＝1,2，…，n×S}；

(4)构建一复合卷积神经网络，将样本数据集中的P_j作为输入，以第j个列向量对应的人体行为类别为输出，训练复合卷积神经网络，得到分类模型。

2.根据权利要求1所述的基于多类谱图和复合卷积神经网络的人体行为识别方法，其特征在于：所述步骤(2)中，每个X_i中选取P个列向量，具体为，将X_i中的M个列向量按频率分为P段，每段中选取1个列向量。

3.根据权利要求1所述的基于多类谱图和复合卷积神经网络的人体行为识别方法，其特征在于：步骤(31)中；

所述短时傅里叶变换，采用汉宁窗作为窗函数，窗口大小设置长度为17个，重叠点数为16；

所述汉宁核减少交叉项干扰分布，采用长度为21的汉宁窗作为时域窗和频域窗；

所述平滑伪威格纳分布分别采用长度为21的汉宁窗和高斯窗作为时间窗和频率窗。

4.根据权利要求1所述的基于多类谱图和复合卷积神经网络的人体行为识别方法，其特征在于：所述步骤(32)中；

每张时频谱图调整至相同大小并归一化处理的方法为：先将时频谱图的大小处理成224×224×3的数据张量；再对数据张量除以225进行归一化处理；

将三张谱图堆叠成复合谱图样本的大小为224×224×3×3的数据张量。

5.根据权利要求1所述的基于多类谱图和复合卷积神经网络的人体行为识别方法，其特征在于：所述步骤(5)中复合卷积神经网络由第一二维卷积神经网络、第二二维卷积神经网络、第三二维卷积神经网络、三维卷积神经网络和分类器组成，第一、第二、第三二维卷积神经网络的输入分别为第一、第二、第三谱图样本，三维卷积神经网络的输入为复合谱图样本。

6.根据权利要求5所述的基于多类谱图和复合卷积神经网络的人体行为识别方法，其特征在于：第一、第二、第三二维卷积神经网络参数设置相同，且卷积核数量随着层数的增加而增长，三维卷积神经网络前4层采用每两个级联的方式，卷积核数量随着层数的增加而增长，且卷积核大小为1×1×3。