[发明专利]基于轻量级网络的特征融合人体跌倒检测方法

权利要求书

1.一种基于轻量级网络的特征融合人体跌倒检测方法，其特征在于，所述方法包括：

利用FMCW雷达采集人体动作回波信号；

对所述人体动作回波信号进行预处理，分别得到时间-距离多普勒图和微多普勒图；

利用第一轻量级网络对所述时间-距离多普勒图进行特征提取，提取出第一多普勒特征；

利用第二轻量级网络对所述微多普勒图进行特征提取，提取出第二多普勒特征；

利用拼接模块对所述第一多普勒特征和所述第二多普勒特征进行特征拼接，生成拼接特征；

利用自注意力模块对所述拼接特征按照通道进行特征融合，生成融合特征；

利用基于GRU的时序特征网络对所述融合特征进行特征提取，提取出时空特征；

利用分类器对所述时空特征进行预测处理，得到人体跌倒检测结果。

2.根据权利要求1所述的一种基于轻量级网络的特征融合人体跌倒检测方法，其特征在于，得到时间-距离多普勒图的过程包括对人体动作回波信号采用快时间维进行二维快速傅里叶变换，忽略多普勒频率带来的影响，通过每一帧人体动作回波数据提取频谱峰值对应的横坐标频率，得到人体目标的距离信息；对人体动作回波信号采用慢时间维进行二维快速傅里叶变换，考虑目标运动速度带来的影响，计算得到多普勒频率，并计算得到人体目标的速度信息；将所述人体目标的距离信息和所述人体目标的速度信息进行组合，得到距离多普勒图；将单个人体动作对应的多帧距离多普勒图按照时间顺序组成时间-距离多普勒图。

3.根据权利要求1所述的一种基于轻量级网络的特征融合人体跌倒检测方法，其特征在于，得到微多普勒图的过程包括对人体动作回波信号采用STFT变换，STFT在处理人体动作回波信号过程中，先对信号加窗并将窗内的一段信号近似为平稳的信号，再对窗内信号进行FFT变化得到该段内信号的频率分布，窗口沿信号的慢时间维度移动并与之前窗内的信号重叠一定的比例，得到目标回波信号随时间变化的频率分布情况，从而通过时频变换得到目标信号的微多普勒图。

4.根据权利要求1所述的一种基于轻量级网络的特征融合人体跌倒检测方法，其特征在于，所述第一轻量级网络和所述第二轻量级网络为相同类型的轻量级网络，包括MobilenetV3网络、Shufflenet网络或者SqueezeNet网络。

5.根据权利要求1所述的一种基于轻量级网络的特征融合人体跌倒检测方法，其特征在于，所述利用拼接模块对所述第一多普勒特征和所述第二多普勒特征进行特征拼接包括按照相同通道，对所述第一多普勒特征和所述第二多普勒特征进行对应拼接。

6.根据权利要求1所述的一种基于轻量级网络的特征融合人体跌倒检测方法，其特征在于，所述利用自注意力模块对所述拼接特征按照通道进行特征融合包括将各通道的拼接特征串联，重塑得到通道特征图；将所述通道特征图与其转置特征图相乘，得到通道间相关矩阵；对所述通道间相关矩阵进行处理，得到像素间相关矩阵；将所述像素间相关矩阵的转置矩阵作用于通道特征图，重塑得到注意力特征图；对所述拼接特征和所述注意力特征图进行加权求和，生成融合特征。

7.根据权利要求1所述的一种基于轻量级网络的特征融合人体跌倒检测方法，其特征在于，所述利用基于GRU的时序特征网络对所述融合特征进行特征提取包括构建出门控循环单元网络，输入当前时刻融合特征以及上一时刻融合特征传递出的隐状态，输出当前时刻的时空特征以及隐状态；所述门控循环单元网络根据下一时刻融合特征传递出的隐状态和当前时刻输入的融合特征获取门控状态；通过前向传播的方式更新所述门控状态，并确定需要训练的权值参数，通过后向传播算法求得损失函数对各权值参数的偏导，并更新所述权值参数，直至训练完成。