[发明专利]基于FMCW雷达信号的人体姿势识别方法

权利要求书

1.一种基于FMCW雷达信号的人体姿势识别方法，其特征在于，包括以下步骤：

步骤S1：利用FMCW雷达采集原始人体姿态数据，进行数据分析得到目标距离、目标速度以及目标角度；

步骤S2：通过坐标法计算目标位置，然后采用范围限制、DBSCAN聚类算法和Hampel滤波算法去除范围内动态或静态目标的噪声干扰及多余的异常值，并构造距离-时间图DTM和速度-时间图VTM；

步骤S3：对距离-时间图DTM和速度-时间图VTM分别采用卷积神经网络进行特征提取，然后用低秩多模态融合网络对特征进行融合；

步骤S4：使用域鉴别器对融合后的特征进行处理，进一步获取与环境无关的特征并通过活动识别器获得分类结果。

2.根据权利要求1所述的基于FMCW雷达信号的人体姿势识别方法，其特征在于：

在步骤S1中，目标距离、目标速度以及目标角度通过以下具体步骤获得：

步骤S11：在FMCW雷达采集的原始人体姿态数据上进行3维快速傅里叶变换，然后通过峰值搜索检测出峰值位置(x,y,z)，并得到差拍频率f_e，多普勒频率f_d，空间频率f_k：

其中，f_s是采样频率，N_dFFT、N_vFFT和N_GFFT分别是距离、速度和角度维度的FFT点数；

步骤S12：考虑人体目标的运动所产生的多普勒频移，为了得到真正的中频信号频率f_IF,需要通过差拍频率f_e减去多普勒频率f_d得到；最终根据频率与实际距离、速度及角度的物理关系，通过以下公式计算得到目标的距离、速度及角度信息：

其中，c为光速，k是调频连续波信号随时间的变化率，λ是调频连续波信号初始频率的波长，L是接收天线的距离。

3.根据权利要求1所述的基于FMCW雷达信号的人体姿势识别方法，其特征在于：步骤S2具体包括以下步骤：

步骤S21：FMCW雷达通过接收天线接收到信号并进行测量距离、测量速度、测量角度后，并通过坐标法计算目标位置(X,Y)：

其中，D是雷达与目标的距离，α是目标相对于雷达的方位角；

步骤S22：在得到目标的位置信息后，使用DBSCAN算法将有效目标信息和周围环境噪声区分开；

步骤S23：使用Hampel滤波将信号中特定的信号点滤除，从而抑制干扰；

步骤S24：采用数据重构的方式进行线性插值，即用前一未丢失时刻的值代替丢失时刻的值；在插值处理后，构造出距离-时间图DTM和速度-时间图VTM作为数据集。

4.根据权利要求1所述的基于FMCW雷达信号的人体姿势识别方法，其特征在于，步骤S3具体包括以下步骤：

步骤S31：在距离-时间图DTM和速度-时间图VTM上两个分支分别使用卷积神经网络进行特征的提取，然后使用批处理范数层对每一层数据的均值和方差进行归一化；最后，添加了一个激活函数和一个最大池化层以减小参数的大小：

Z_DTM＝CNN(X_DTM；λ_DTM)

Z_VTM＝CNN(X_VTM；λ_VTM)；

其中，Z_DTM和Z_VTM为所提取的特征，X_DTM和X_VTM输入数据集，λ_DTM和λ_VTM为卷积神经网络的参数；

步骤S32：使用低秩多模态融合网络LMF对提取的特征进行融合，将单模态表示的Z_DTM、Z_VTM通过对模态特定因子进行低秩多模态融合产生多模态输出表示：

其中，z_m为输入的单模态特征向量，M为单模态特征的总个数，为第m个模态对应的低秩因子，r为秩的大小,F_ADD为融合后的多模态特征表示向量。

5.根据权利要求1所述的基于FMCW雷达信号的人体姿势识别方法，其特征在于：步骤S4利用活动识别器获得分类结果以及使用域鉴别器来生成与环境无关的特征，具体包括以下步骤：

步骤S41：所述活动识别器由两个完全连接的层组成，使用softmax层获取特征提取器的概率：

H_i＝softplus(F_ADDN+β)；

其中，H_i是表示使用完全连接的层和激活函数softplus来学习F_ADD，N和β是要学习的参数，F_ADD为融合后的多模态特征表示向量，softplus函数是引入非线性的激活函数；为了预测人类活动的标签，采用映射特征H_i表示到一个新潜在空间K_i∈R^u，其中u是人类活动的数量；此外，softmax层用于获得活动的概率向量；

Y_i＝soft max(H_i)；

其中，Y_i表示标记数据的预测概率；

对于已标记的数据，使用交叉熵函数L_Y计算预测结果与真实值之间的损失：

其中，|x|为已标记数据的数量，B代表类别数量，Y_ib为预测概率；

步骤S42：将特征提取与特征融合网络的输出F_ADD与预测结果Y进行拼接：

将F_ADD和Y串联为域鉴别器的输入，通过具有相应激活函数的全连通层M投影到域分布S中，得到定义域分布和真实域标签之间损耗函数L_d；

P_i＝softplus(W_qM_i+c_q)

S_i＝soft max(W_mP_i+c_m)

其中，|D|为域的数量，W_m、W_q、c_q和c_m是参数，d_ij是真域标签的单位向量，P_i表示潜在空间；

最大化目标函数域鉴别器损耗L_d；

L＝L_Y-γL_d；

其中，γ为加权参数；特征提取器通过最大化L_d来最大程度地欺骗域鉴别器，同时通过最小化损失函数L_Y来增强活动识别器的性能；通过最大最小化的方法学习所有活动的公共环境的无关特征，并最终获得未标记数据的预测标签。