[发明专利]基于轻量级网络的特征融合人体跌倒检测方法

说明书

本发明属于雷达信号处理领域，具体涉及一种基于轻量级网络的特征融合人体跌倒检测方法；所述方法包括利用FMCW雷达采集人体动作回波信号；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时间‑距离多普勒图提取出第一多普勒特征；利用第二轻量级网络对微多普勒图提取出第二多普勒特征；利用拼接模块对第一多普勒特征和第二多普勒特征生成拼接特征；利用自注意力模块对拼接特征按照通道生成融合特征；利用基于GRU的时序特征网络对融合特征提取出时空特征；利用分类器对时空特征进行预测处理，得到人体跌倒检测结果。本发明能够充分提取出人体跌倒相关的融合特征，从而提高人体跌倒检测的准确性。

技术领域

本发明属于雷达信号处理领域，具体涉及一种基于轻量级网络的特征融合人体跌倒检测方法。

背景技术

利用调频连续波雷达进行跌倒检测主要包括雷达回波信号采集及预处理、特征提取和分类三部分，其中跌倒检测的关键在于从雷达采样数据中处理得到人体动作对应的微多普勒特征。为了实现更高的跌倒检测准确率，跌倒检测网络大多是参数量和计算量较大的深度卷积神经网络，不便搭载在硬件上。在一些实时性要求高的场景下不适用。

现有的跌倒检测方法主要是采用CNN以及一些CNN的变形等一些参数量大的网络模型进行跌倒检测，这种网络模型虽然在检测精度上达到了很好的效果，但是受限于网络模型大，在一些实时性要求较高的雷达跌倒检测场景不适用。

发明内容

针对上述存在的问题，提出一种基于轻量级网络的特征融合跌倒检测方法，采用轻量化的网络模型结合特征融合模块来实现对人体跌倒动作的特征提取。本专利的研究工作致力于解决FMCW雷达人体跌倒检测中网络模型参数大、复杂度高的问题，以期在保证跌倒检测准确率的前提下，轻量化跌倒检测网络模型。

一种基于轻量级网络的特征融合人体跌倒检测方法，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。

本发明的有益效果：

1.本发明采用双分支特征提取网络结构，保证充分提取人体的运动特征的空间信息；

2.本发明采用轻量化网络模型MobilenetV3对距离-时间图和微多普勒图进行特征提取，然后采用自注意力机制对提取后的特征进行进一步特征融合，然后再采用GRU网络进一步提取时序信息，在保证人体跌倒检测准确率的前提下，轻量化网络模型。

3.本发明采用自适应变异因子和自适应交叉因子对传统差分进化算法进行改进，能够在前期寻找到使得全局最优的个体，在后期寻找到使得各局部最优的个体，在这些改进下能够提升基于GRU的时序特征网络中权值参数的准确性，从而提高人体跌倒检测的准确性。

附图说明

图1是本发明实施例的一种基于轻量级网络的特征融合人体跌倒检测方法流程图；

图2是本发明实施例的一种轻量级网络结构示意图；

图3是本发明实施例的一种自注意力模块结构示意图；