[发明专利]基于FMCW雷达信号的人体姿势识别方法

说明书

本发明提出一种基于FMCW雷达信号的人体姿势识别方法，其首先将FMCW雷达采集到的数据进行离散傅里叶变换（FFT），获得目标距离、目标速度以及目标角度。其次，采用DBSCAN聚类算法以及Hampel滤波法，解决了范围内动态或静态目标的噪声干扰的同时去除多余的异常值，提高人体姿势的精度，从而构造了距离‑时间图(DTM)和速度‑时间图(VTM)。最后，搭建了一种基于不同融合方式的多维参数深度学习网络框架。该网络框架利用卷积神经网络对DTM、VTM数据集进行特征提取，利用低秩多模态融合（LMF）网络进行不同数据集的特征融合，采用域鉴别器获得与环境无关的特征并使用活动识别器获得姿势识别结果。该方法可以有效去除FMCW人体姿势识别的背景噪声干扰，具有对环境不敏感的优势。

技术领域

本发明属于无线感知技术领域，尤其涉及一种基于FMCW雷达信号的人体姿势识别方法。

背景技术

近年来，依托于人们生活的环境趋向于室内化，人们对于室内的智能家居、智能办公、智能娱乐等需求也是日益增加，这让人体姿势识别技术具有应用前景，已经有多种人体姿势识别技术被应用到不同场景。

目前，国内外在人体姿势识别的研究上在视觉、可穿戴传感器、可见光、声波、WiFi等方面都有着巨大发展。但是，现有的姿势识别的方法存在一定的局限性。基于视觉、可穿戴带传感器、可见光的人体姿势识别方法易被障碍物所遮挡且易受温度、光照的影响；基于声波、WiFi的人体姿势识别方法虽然不会受光照的影响，但是功耗高且容易受外部环境的干扰。

由于FMCW雷达具有发射功率低，接收灵敏度高、不存在盲区、杰出的距离分辨率、不受光照影响的优点，FMCW雷达信号在无线感知领域中越来越备受关注。但现有的基于FMCW雷达信号的人体姿势识别并没有充分考虑到环境的变化，以至于系统的泛用性不强。因此，实现对环境要求低，能够进行跨域识别的人体姿势识别系统的研究是有必要的。

发明内容

有鉴于此，为了弥补现有技术的空白和不足，本发明的目的在于提供一种基于FMCW雷达信号的人体姿势识别方法，该方法通过对FMCW雷达原始信号的有效分析和处理，并利用低秩多模态融合网络和域适应对抗网络充分融合利用多个特征之间的相互作用关系，并生成与环境无关的特征，有效去除FMCW人体姿势识别的背景噪声干扰，实现对环境要求低并且精度高的人体姿势识别系统。

其首先将FMCW雷达采集到的数据进行离散傅里叶变换(FFT)，获得目标距离、目标速度以及目标角度。其次，采用DBSCAN聚类算法以及Hampel滤波法，解决了范围内动态或静态目标的噪声干扰的同时去除多余的异常值，提高人体姿势的精度，从而构造了距离-时间图(DTM)和速度-时间图(VTM)。最后，搭建了一种基于不同融合方式的多维参数深度学习网络框架。该网络框架利用卷积神经网络对DTM、VTM数据集进行特征提取，利用低秩多模态融合(LMF)网络进行不同数据集的特征融合，采用域鉴别器获得与环境无关的特征并使用活动识别器获得姿势识别结果。该方法可以有效去除FMCW人体姿势识别的背景噪声干扰，具有对环境不敏感的优势。

本发明具体采用以下技术方案：

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(调频连续波)雷达采集原始人体姿态(模数转换器(ADC))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，以提高人体姿势的精度，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，以充分利用特征之间的相互作用关系；