[发明专利]一种基于包络密度特征的人体动作识别方法

说明书

本发明提供了一种基于包络密度特征的人体动作识别方法,包括：雷达回波信号采集：使用雷达进行多个人体动作探测，接收到回波信号；时频处理：对接收到的回波信号进行时频处理得到回波信号的时频谱图；包络密度特征提取：将所有包络密度特征向量串联起来形成长特征向量；人体动作识别：使用时频谱图以及对应得到的长特征向量作为分类器模型或神经网络模型的输入，对人体动作的雷达回波信号时频谱图进行识别。本发明一种基于包络密度特征的人体动作识别方法,基于包络密度特征对雷达回波信号时频谱图进行特征提取，进一步训练分类器模型或神经网络模型，能够有效提高分类准确度，最终提高对人体动作的识别质量与效率。

技术领域

本发明属于人工智能机器学习领域，尤其是涉及一种基于包络密度特征的人体动作识别方法。

背景技术

随着人类生产生活需求的日益丰富以及科学技术水平的不断提高，人们对智慧生活的诸多美好愿望开始逐步实现。国务院于2017年颁布了《新一代人工智能发展规划》，将“建设安全便捷的智能社会”作为重点任务之一，并指出在未来的人工智能发展过程中要“围绕教育、医疗、养老等迫切民生需求，加快人工智能创新应用，为公众提供个性化、多元化、高品质服务”，其中养老问题随着我国老年人口的比例不断增加逐渐成为重要的社会问题。为积极应对人口老龄化，基于人工智能技术的养老产品开发是构建智能养老体系的关键一环。其中，人体行为智能探测技术能有效的识别人体运动姿态、老年人跌倒、聋哑人手势等人体行为，有效的感知老人、病患的手势动作。特别是在当前全球抗疫、医疗资源和医务人员极度紧缺的情况下，能为老年人独立生活监测提供新方案，为弱势群体，例如老人、病患、聋哑人等提供方便快捷的服务，为解决老龄化及医疗资源紧缺问题提供新途径，并能为我国即将构建的大健康与智慧医疗体系提供良好的技术支撑。

目前常用的人体目标探测手段分为接触式和非接触式，前者是通过接触到人体的温度、声波、压力等传感探测器进行人体特征探测，后者是利用可见光或红外视觉传感器、雷达等开展人体行为及其特征探测。在人体动作行为探测中，作为非接触式传感器，雷达利用探测目标与雷达相对运动时产生的多普勒频移和人体躯干与四肢旋转、振动等微弱动作带来的微多普勒效应探测人体动作运动信息，与其他类型的传感器相比，雷达探测具有一些明显的优势，与接触式探测相比，雷达传感器不需要触碰人体，探测距离远，与非接触式的光学传感器相比，雷达探测不受外界环境、光线、温度等因素的影响，具有一定的遮挡穿透能力，且对目标的微小运动非常敏感，已经成为解决人体姿态和手势动作识别的有力工具。

在现有技术条件下，应用雷达对人体动作进行识别时，一般采用对雷达回波时频谱图提取包络线作为区分不同人体动作的特征，普遍存在着分类准确度低的问题，影响对人体动作进行识别的准确性。

发明内容

有鉴于此，本发明旨在提出一种基于包络密度特征的人体动作识别方法，基于包络密度特征对雷达回波信号时频谱图进行特征提取，进一步训练分类器模型或神经网络模型，能够有效提高分类准确度，最终提高对人体动作的识别质量与效率。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于包络密度特征的人体动作识别方法，包括：

步骤1：雷达回波信号采集：使用雷达进行多个人体动作探测，接收到回波信号；

步骤2：时频处理：对接收到的回波信号进行时频处理得到回波信号的时频谱图；

步骤3：包络密度特征提取：在所得到的时频谱图中，把包络线附近给定的能量强度范围定义为这条包络线的包络带，在时间或频率不变的情况下，能量值对应落入包络带的信号点数则是包络密度特征向量，将所有包络密度特征向量串联起来形成长特征向量；

步骤4：人体动作识别：使用时频谱图以及对应得到的长特征向量作为分类器模型或神经网络模型的输入，使用训练后的分类器模型或神经网络模型，对人体动作的雷达回波信号时频谱图进行识别。