[发明专利]一种基于k最近邻及微多普勒特征的人体动作识别方法

说明书

本发明涉及一种基于k最近邻及微多普勒特征的人体动作识别方法，包括下列步骤：1)构建雷达时频图像数据库；2)微多普勒特征提取：a)躯干的多普勒频率；b)总多普勒信号带宽；c)总多普勒偏移量；d)躯干多普勒信号带宽；e)肢体运动周期。3)利用雷达时频图像进行人体动作识别。

技术领域

本发明属于雷达技术和模式识别领域，涉及一种基于KNN及微多普勒特征的人体动作识别方法。

背景技术

利用雷达进行基于微多普勒特征的人体动作识别是近年发展起来的较新的研究领域，在军事、安全系统和反恐、灾难营救、医疗监控、体感游戏等许多领域有着广泛的应用前景和重要研究意义。

人体动作是人的最外在的动态表现，包含了强大的信息，通过对动作的识别可以有效地认识人体的动态过程，了解人体传达的信息，甚至能够据此辨析人体动作的行为意向。人体动作识别涉及机器视觉、人工智能、模式识别、机器学习、数据挖掘和认知心理学等诸多学科领域。传统的人体动作探测使用接触式传感器和视频监视器等，不仅需要分析对象配合实验，且对实验场景的视角、位置、对象、光照条件等都有一定的限制，具有很多缺陷。

雷达具有许多其他传感器所不具备的优势。它不受天气和光线等条件的限制，传播距离较远，具有非接触特性，且有强大的穿透能力，能够在人体目标距离较远且被障碍物遮挡条件下对其进行全天候、全天时的探测。多普勒雷达可有效抑制背景中的静止杂波，非常适合检测运动，且随着硬件技术的不断提高，其分辨率得到大幅提升，使得人体目标微多普勒特征的获取成为可能。

人体目标不仅存在整体的运动，也往往存在人体各部分的加速、振动、旋转等微运动，这类非刚体运动产生的微多普勒信息包含了有价值的人体动作信息。在探测过程中，雷达向人体目标发射微波束，收到原的回波信号被人体运动调制，包含了人体各部位动作产生的多普勒频率。通过信号处理和时频变换，可由雷达采样信号得到雷达时频图像。由于人的运动机制比较复杂，微多普勒图像中包含了人体各个部分运动的时频分布曲线，从而分析人体运动学特征和人体各部分之间的配合情况，对图像的微多普勒特征进行提取。K最近邻(k-Nearest Neighbor，KNN)分类算法是一种较成熟的机器学习算法，可用于非线性分类，无需参数估计，易于实现，准确率高，在信息检索、机器翻译、自动文摘、邮件分类、商务营销等方面都有着广泛的应用。可利用基于KNN方法及微多普勒特征可以对实测人体目标的动作类型进行有效识别。

[1]张翼,朱玉鹏,程永强,黎湘.基于微多普勒特征的人体目标雷达回波信号分析[J].信号处理,2009,25(10):1616-1623.

[2]Chen V C,Miceli W J,Tahmoush D.Radar micro-Doppler signatures:processing and applications[M]. The Institution of Engineering andTechnology,2014.

[3]Fairchild D P,Narayanan R M.Classification of human motions usingempirical mode decomposition of human micro-Doppler signatures[J].IET Radar,Sonar&Navigation,2014,8(5):425-434.

发明内容

本发明提出一种适应性广，识别效果好的人体动作识别方法。本发明构建包含多类人体动作的雷达时频图像数据库，分别对不同动作的仿真和实测时频图像进行微多普勒特征提取，利用带有动作标签的仿真图像应用KNN算法生成模型，最终实现对实测情况下的人体动作分类。此发明适用于各种光线、天气等条件，技术方案如下：

一种基于k最近邻及微多普勒特征的人体动作识别方法，包括下列步骤：