[发明专利]一种基于多观测变量HMM模型的人体动作分类识别方法

说明书

本发明属于人体动作分类识别技术领域，具体是涉及一种基于多观测变量HMM模型的人体动作分类识别方法。本发明的方法首先从人体雷达回波数据的微多普勒图中提取人体微多普勒信号的上、下包络和人体躯干的多普勒频率变化序列，作为HMM模型的三个观测变量，通过矢量量化，离散化观测变量的状态量。利用HMM模型的隐状态呈现出人体微多普勒信号上下包络和躯干频率变化的内在关系，并通过模型隐状态变量的马尔可夫性来表征运动人体状态变化的随机性，从而改善后续人体动作的分类性能，实验结果验证了该方法的有效性。

技术领域

本发明属于人体动作分类识别技术领域，具体是涉及一种基于多观测变量HMM模型的人体动作分类识别方法。

背景技术

随着人们对人身安全保护的逐步重视，非接触人体运动状态识别技术逐渐成为研究热点。该技术旨在非接触、非侵犯、较远距离地对人体动作进行检测、识别分类，对安全防护中异常行为人员的识别、独居老人的活动监控、医院病人身体状态监护等方面具有重要意义。

目前，在雷达探测识别人体动作方面，除成像雷达探测通过人体成像和轨迹跟踪进行运动状态识别外，主要通过对雷达回波信号进行时域分解或时频分析，从而提取雷达信号时域特征或时域特征进行运动状态识别。

基于时频分析的人体动作探测技术已经得到了长足的发展，在探测技术、特征识别和算法分类等方面都有较多有意义的理论和技术成果。Youngwook Kim和Hao Ling利用了人体微多普勒谱图提取其微多普勒带宽、四肢运动周期和躯干平均多普勒等统计特征实现人体动作分类。这种类型的分类方法都是基于微多普勒信号的统计特征，并没有考虑人体运动过程中的状态变化，对于随机不稳定的人体动作分类效果不好。Victor C·Chen提出了一种基于人体微多普勒图像包络变化马尔可夫性的动作分类方法。该方法虽然利用了人体动作的状态变化，但是由于人体微多普勒信号的包络是由人体各运动部件的随机组合，其状态变化本不具有马尔可夫性，所以其分类性能也并不理想。

发明内容

针对上述问题，本发明提出一种基于构建的多观测变量隐马尔可夫模型(HMM)进行人体动作分类识别的方法。该方法首先从人体动作的微多普勒图中提取人体微多普勒信号的上、下包络和人体躯干的多普勒频率变化序列，通过量化，降低观测变量的状态量，简化模型，减少后续的HMM模型的训练时间。并将量化后的变化序列数据作为HMM的三个观测状态序列，训练观测变量的HMM模型，最后实现人体动作的分类。由于该HMM模型隐状态变量的马尔可夫性能够充分描述运动人体身体状况变化的随机性，从而改善后续人体动作的分类性能。

本发明的技术方案为：

一种基于多观测变量HMM模型的人体动作分类识别方法，包括以下步骤：

S1、将人体微多普勒信号的上包络频率、下包络频率和躯干多普勒频率作为隐马尔可夫模型的三个观测变量，所以首先要提取模型的观测状态序列。

获取观测序列，分别为人体微多普勒信号的上包络频率、下包络频率和躯干多普勒频率，对于运动状态中的人体微动信号会因为不同的身体部位由于不同的微动特征而形成不同的回波效应。通过包络提取的方式获取身体微多普勒信号上下包络的频率变化情况。由于在微多普勒谱图中，人体微多普勒信号的幅值大于零，所以上包络频率和下包络频率的变化序列通过如下公式提取：

其中F_H为上包络的频率变化序列，F_L为下包络的频率变化序列，Sp(f,t)为微多普勒谱图，f为微多普勒频率，t为时间，[-f_m,f_m]为谱图多普勒频率的范围，T为总时长(序列总长度)；