CN113850204B 一种基于深度学习和超宽带雷达的人体动作识别方法 （太原理工大学）

号一种基于深度学习和超宽带雷达的人体动基于深度学习和超宽带雷达的人体动作识别方征；对人体动作信息数据集的数据依次进行距离-多普勒成像、自适应阈值检测和多目标分割签标记；将三维特征数据集分为训练集和测试2S3、将步骤S2获得的三维特征数据集分为训练集进行距离-多普勒成像操作，使用基于Keystone变换的距离偏移补偿方法消除多普勒最后通过DBSCAN聚类算法把将多人目标的点2.根据权利要求1所述的一种基于深度学习和超宽带雷达的人体动作识别方法，其特采用公开的运动数据集建立运动中的人体模型，在仿真模型中设将人体模拟运动数据的采集与超宽带雷达采集的人体动作信息数据共同作为人体动3.根据权利要求1所述的一种基于深度学习和超宽带雷达的人体动作识别方法，其特4.根据权利要求1所述的一种基于深度学习和超宽带雷达的人体动作识别方法，其特5.根据权利要求1所述的一种基于深度学习和超宽带雷达的人体动作识别方法，其特使用滑动的2DCFAR窗口在整个图像中逐像素扫描，提取图像中的有效目标；所述2D然后将待测单元与参考单元的能量比与设定阈值进行对比，判断待测单元是否为目36.根据权利要求1所述的一种基于深度学习和超宽带雷达的人体动作识别方法，其特从目标点集中任意选取一个数据对象点，选择合适的邻域半径和密7.根据权利要求1所述的一种基于深度学习和超宽带雷达的人体动作识别方法，其特8.根据权利要求1所述的一种基于深度学习和超宽带雷达的人体动作识别方法，其特9.根据权利要求1所述的一种基于深度学习和超宽带雷达的人体动作识别方法，其特图进行log_softmax处理，把结果中与实际标签对应的值去掉负号后求和取平均值得到损4场景进行检测时会出现时频图混叠的现象，较难在多人场景下准确识别每个目标的动作，5[0009]S3、将步骤S2获得的三维特征数据集分为训练集数据和测试集数据，搭建[0014]将人体模拟运动数据的采集与超宽带雷达采集的人体动作信息数据共同作为人[0018]进行距离-多普勒成像操作，使用基于Keystone变换的距离偏移补偿方法消除多[0021]所述的一种基于深度学习和超宽带雷达的人体动作识别方法，在距离-多普勒成后通过时间缩放对耦合项进行补偿以消除快频/慢时间域内的迁移效应；最后利用Sinc插2DCFAR窗口分为覆盖目标特征的内部待测单元、覆盖目标像素周围背景区域的外部参考6[0029]所述PointNet网络模型使用最大似然损失函数NLLLoss作为损失函数，对分类分数图进行log_softmax处理，把结果中与实际标签对应的值去掉负号后求和取平均值得到[0032]2、本发明结合深度学习算法中的点云分割网络对连续的人体动作进行动作分割[0033]图1为本发明提供的基于深度学习和超宽带雷达的人体动作识别方法的流程示意[0034]图2为本发明实施例采用的PointNet网络实现动作分割和分类识别的网络结构小样本数据集下识别率不高等问题和多目标场景下动作特征不易分割等问题本发明实[0041]将人体模拟运动数据的采集与超宽带雷达采集的人体动作信息数据共同作为人7[0043]使用已公开的运动数据集MOCAP建立运动中的人体模型，在仿真软件中设置与8[0060]在这个过程中会产生距离偏移，利用对每个频率重新调整时间轴来[0062]由于Keystone变换之后，每个子带中的时间尺度变得不同，利用Sinc插值对像中人体各部分的动作信息。提取目标信息时使用滑动的2DCFAR窗口在整个图像中逐像到的目标数据按时间帧排列得到连续时间的三维动作特征，然后进行下采样减少数据量，[0070]将待测单元与参考单元的能量比与设定阈值进行对比，判断待测单元是否为目9[0073]给提取到的目标点按照对应时间所发生的具体动作标记对应的数字标签，慢跑、[0077]S3、将步骤S2获得的三维特征数据集分为训练集数据和测试集数据，搭建局部特征，并添加正则项得到点云的局部特征通过添加正则项以减少点[0081]迭代过程中使用采用最大似然损失函数NLLLoss计算损失值，对分类分数图进行[0083]选择Adam优化器优化网络模型性能。Adam结合了Adagrad善于处理稀疏梯度和