[发明专利]基于时变距离多普勒特征的FMCW雷达人体跌倒检测方法

说明书

本发明属于雷达信号领域，具体涉及一种基于时变距离多普勒特征的FMCW雷达人体跌倒检测方法；所述方法包括利用FMCW雷达采集人体动作回波信号；对人体动作回波信号通过二维快速傅里叶变换，得到距离多普勒图；将单个人体动作对应的多帧距离多普勒图按照时间顺序组成时变距离多普勒图；对时变距离多普勒图使用分层处理进行特征优化，得到人体动作特征块；将人体动作特征块输入到训练后的三维卷积神经网络中，沿着时间、距离和多普勒频率三个维度滑动提取人体动作时空特征，检测得到人体跌倒结果。本发明采用了时变距离多普勒特征，优化了提取出的人体动作特征块；提高了FMCW雷达人体跌倒检测的准确率。

技术领域

本发明属于雷达信号领域，具体涉及一种基于时变距离多普勒特征的FMCW雷达人体跌倒检测方法。

背景技术

利用调频连续波雷达进行跌倒检测主要包括雷达回波信号采集及预处理、特征提取和分类三部分，其中跌倒检测的关键在于从雷达采样数据中处理得到人体动作对应的微多普勒特征。目前，主要采用传统机器学习和深度学习两种方式进行雷达跌倒检测。

机器学习法主要利用统计理论从雷达回波信号中提取浅层特征，再根据提取的特征信息选择分类器进行分类，常用支持向量机(Support Vector Machine,SVM)作为分类器。传统的特征提取方法需大量手动调参，系统模型存在可扩展性差等问题。深度学习的兴起使其在雷达人体跌倒检测领域引起了广泛的关注，深度学习用卷积神经网络(Convolutional Neural Network，CNN)对信号提取深层次的特征。深度学习Kim等人首次将人体动作雷达回波信号生成的原始微多普勒频谱图直接输入CNN中进行跌倒检测，但该方法在对微多普勒图提取特征时，存在时频窗口的大小难掌控和无法灵活变动的问题，较大的窗口会导致时间分辨率低，较小的窗口会导致频率分辨率低。Shrestha A利用双向长短时记忆网络(Bidirectional Long Short Term Memory，Bi-LSTM)学习连续动作的时间序列信息来进行跌倒检测，但该方法的检测准确率只有91％，还有待提高。Maitre等人采用1D CNN与长短时记忆网络(Long Short Term Memory，LSTM)的融合网络学习跌倒动作的时序信号特征并分类，该方法中时序信号包含的特征信息比较单一，存在特征提取不充分等问题。

发明内容

基于现有技术存在的问题，本专利的研究工作致力于解决FMCW雷达人体跌倒检测中忽略距离、多普勒和时间之间的关联信息导致特征提取不充分的问题，以期充分提取人体动作中的微多普勒信息，提高跌倒检测准确率。

本发明提出的一种基于时变距离多普勒特征的FMCW雷达人体跌倒检测方法，所述方法包括：

利用FMCW雷达采集人体动作回波信号；

对所述人体动作回波信号通过二维快速傅里叶变换，得到距离多普勒图；

将单个人体动作对应的多帧距离多普勒图按照时间顺序组成时变距离多普勒图；

对所述时变距离多普勒图使用分层处理进行特征优化，得到人体动作特征块；

将所述人体动作特征块输入到训练后的三维卷积神经网络中，沿着时间、距离和多普勒频率三个维度滑动提取人体动作时空特征，检测得到人体跌倒结果。

将所述人体动作时空特征输入到分类器中，检测得到人体跌倒结果。

本发明的有益效果：

1、本发明采用了时变距离多普勒特征，充分的显示了人体动作距离、多普勒和时间之间的变化关系；

2、本发明采用了分层处理对时变距离多普勒图进行处理，能够对时变距离多普勒特征进行特征增强，进一步优化时变距离多普勒特征。

3、本发明采用3D CNN对时变距离多普勒特征进行特征提取，提取的特征更加充分，提高了FMCW雷达人体跌倒检测的准确率。