[发明专利]基于超宽带穿墙雷达与CNN的检测墙后人体动作的方法

说明书

本发明公开了基于超宽带穿墙雷达与CNN的检测墙后人体动作的方法，包括以下步骤：建立与初始化神经网络，采集训练数据并训练与优化神经网络，部署神经网络，使用训练好的神经网络预测待测数据，本发明结合了穿墙雷达与卷积神经网络对墙后人体动作进行检测，相较于其他常用识别方式具有识别准确性高，检测速度快，稳定性高，训练规模上限大等诸多优点，且在保证识别率的情况下，大幅简化了预处理的过程，开拓了新的处理穿墙雷达数据的方式，使得穿墙雷达检测墙后人体动作的能力大大提升。

技术领域

本发明涉及雷达探测技术领域与人工智能领域，尤其是涉及基于超宽带穿墙雷达与CNN的检测墙后人体动作的方法。

背景技术

基于穿墙雷达能够穿过墙面检测到墙后目标以及运动情况的特点，它在与墙后检测有关的领域有着诸多应用，如心跳呼吸检测，人体位置检测。在硬件层面，雷达的发射带宽范围已经非常广泛，包括可以穿墙的超宽带雷达，而且接收的数据也具有非常高的分辨率，损失也可以做到非常小。目前，对超宽带雷达的应用优化主要集中在软件层面。卷积神经网络已经有了广泛的应用以及成熟的处理方式，但大多数应用于摄像头收集的可见光，即处理人眼可直接看到的画面。

目前处理穿墙雷达数据的反射波的方法多种多样，但大多人工算法存在穿墙雷达反射波的预处理过程复杂，识别准确率低，训练数据增加后无法提升准确率等问题，在实际应用中具有一定的局限性。

发明内容

为解决现有技术的不足，在训练数据很大的情况下，增加训练数据仍然可以提升准确率，简化了雷达数据在检测前要进行的预处理，拥有更高的检测准确率，本发明采用如下的技术方案：

基于超宽带穿墙雷达与CNN的检测墙后人体动作的方法，包括如下步骤：

S1，构建神经网络模型，神经网络模型包括卷积层和池化层的多重组合层，以及其后续依次连接的平摊层与全连接层；

所述平摊层，将二维图片展开为一维数据，便于后续全连接层进行处理；

所述全连接层，包括一层及以上的隐含层与一层输出层；

S2，采集墙后人体的动作图像作为训练数据，并训练与优化神经网络模型，采集的训练数据，其采集环境应与待检测数据的采集环境相同或相似，调整超参数的大小与神经网络的结构，调整的神经网络的结构包括隐含层的层数、神经元数量、卷积层和池化层的多重组合层的层数；

S3，部署神经网络模型，将神经网络部署在计算机和/或移动端的软件，和/或使用数字电路部署在硬件端；

S4，使用训练好的神经网络模型预测待测的墙后人体的动作图像，选择置信度最高的动作，即输出神经元中数据最大的神经元对应的动作，作为最终检测结果。

进一步地，S1中对神经网络进行初始化，包括设置无法由训练获得的超参数的数值，设置神经元排列组成的层对应的的激活函数，设置指导神经网络学习方法的优化器，设置用于评估训练模型准确性的损失函数，设置回调函数。

进一步地，激活函数，包括卷积层与全连接层中的神经元输出数值时使用的激活函数。

进一步地，激活函数，为非线形激活函数，以提升神经网络处理非线形数据的能力。

进一步地，回调函数，用于神经网络在训练过程中，及时停止过拟合的发生，防止训练出的神经网络仅适用于训练数据而不具有泛用性。

进一步地，回调函数，在训练过程中，通过测试不同超参数的训练结果，自动设置最优超参数。

进一步地，S2中采集训练数据划分为训练集，验证集与测试集，并标注标签，其中训练集的数量应占所有采集数据的3/5，验证集与测试集的数量应分别占所有采集数据的1/5，通过训练集训练神经网络，并调整超参数的大小与神经网络的结构，通过验证集验证训练效果，选择效果最好一组所使用的超参数与神经网络结构，通过测试集进行准确性测试，保存表现良好的神经网络结构与超参数的值。