基于深度学习方法的人体微动特征识别

摘要

人体特征识别在安防监控、自动驾驶、远程健康监护等领域近年来受到广泛关注，其中利用雷达传感器可对人在运动过程中产生的微动特征进行有效探测。人体微动特征指的是身体及组成部分产生的平动及转动等微小运动信息，通过对这些微动特征的提取及分类可达到对运动姿态识别的目的。本文运用雷达电磁波探测获取人在运动过程中的两类微动特征，结合深度学习方法对得到的特征进行提取并分类识别。分别研究了单视角条件下不同动作、不同人体步态以及多视角观测下不同动作的识别问题。具体展开研究工作如下:
　　1.采用高分辨距离变化信息的微动特征表示方法对人体不同动作进行分类识别。利用雷达探测人在运动过程中身体躯干及肢体的相对距离变化信息得到两维时间-距离像作为不同动作的微动特征表示。设计实验对两类人体动作进行信息采集并构建数据集，利用卷积神经网络对其进行特征提取并分类识别。实验结果表明所提特征表示及识别方法对两类共15种动作的平均识别准确率达到90％以上。
　　2.采用步态微多普勒信息的微动特征表示方法对不同人进行分类识别。雷达可探测人在走路过程中身体各部分的速度变化情况，从而得到对应的微多普勒特征。由于人体对日常行为具有记忆性，步态微动特征可作为不同人的身份标签。设计实验采集不同人的步态信息，将卷积神经网络结构进行调整，然后对数据集进行训练和测试。实验结果表明所提方法对8个人的步态特征识别率为96.9％，验证了步态微多普勒特征用于不同行人识别的可行性。
　　3.利用多雷达传感器在多视角观测条件下对较大活动范围内的走路和模型持枪行走两种动作进行识别。单视角条件下雷达仅能探测到径向散射信息，当运动路线偏离雷达径向时，由于信息的缺失会造成识别结果的误判。设计实验利用宽波束天线及多点接收形式在较大的测试区域内对两种动作进行数据采集，提出一种结合卷积神经网络和传统分类判决的特征融合方法对多点接收得到的微多普勒特征进行分类识别。实验结果表明所提融合方法在多视角观测场景下对动作识别稳定性有所提升，识别率为97.91％。

目录

声明

摘要

第1章 绪论

1．1 研究背景及意义

1．2 研究历史及现状

1．2．1 人体微动特征提取的发展与研究现状

1．2．2 微动特征识别方法的研究现状

1．3 本文的主要内容及章节安排

1．3．1 论文的主要研究内容

1．3．2 论文的内容架构及章节安排

第2章 基于高分辨距离变化信息的人体动作识别

2．1 引言

2．2 人体运动高分辨距离变化信息特征采集

2．2．1 实验设计及场景布局

2．2．2 数据采集及高分辨距离变化特征获取

2．3 人体运动高分辨距离变化信息的特征识别

2．3．1 卷积神经网络的基本概念及结构

2．3．2 利用深度学习方法的人体动作微动特征识别

2．3．3 人体动作识别结果及分析

2．4 本章小结

第3章 基于步态微多普勒特征的人员识别

3．1 引言

3．2 人体步态微多普勒特征分析与采集

3．2．1 实验设计及场景布局

3．2．2 数据采集及微多普勒特征表示

3．3 人体步态微多普勒特征识别

3．3．1 步态微多普勒特征数据集构建

3．3．2 利用深度学习方法的人体步态微动特征识别

3．3．3 人体步态识别结果及分析

3．4 本章小结

第4章 基于多雷达传感器微多普勒信息的特征融合

4．1 引言

4．2 多雷达传感器下实验设计及特征采集

4．2．1 实验设计及场景布局

4．2．2 多雷达传感器下的实验数据采集及特征表示

4．3 多雷达传感器的特征提取与分类识别

4．3．1 非融合方式下的分类识别

4．3．2 融合方式下的分类识别

4．3．3 识别结果及分析

4．4 本章小结

第5章 结束语

5．1 本文工作总结

5．2 后续工作展望

参考文献

致谢

在读期间发表的学术论文与取得的其他研究成果