穿墙雷达人体行为识别方法研究
发布时间:2020-09-29 21:22
穿墙雷达利用低频电磁波对非金属障碍物的电磁穿透能力,实时获取隐蔽人体目标行为回波,通过提取不同行为的特征,分析特征之间差异,实现行为类型的实时判别,对城市巷战、反恐维稳、以及执法抓捕等具有重要的应用价值。由于穿墙电磁环境的复杂性以及穿墙雷达系统工作的低频性,隐蔽人体目标行为特征无法进行高精细度提取。加之人体行为发生的时变性和空间角度多样性等因素,造成隐蔽人体目标行为识别的准确性、实时性及稳健性等性能严重下降,致使隐蔽人体时变行为稳健实时识别成为具有挑战性的难题。本文围绕上述难题,开展了穿墙隐蔽人体目标行为描述及特征表征、非等时长穿墙隐蔽人体行为实时识别方法等研究工作,并对多视角穿墙人体行为稳健识别问题进行了探究,主要创新点如下:1、提出基于短时特征状态转移的穿墙雷达隐蔽人体行为描述方法,通过短时人体姿态时间片序列的行为分解,提取姿态特征,关联时间片上下文信息,克服了全局行为描述非实时固定时间尺度的缺陷。2、提出基于距离像嵌入的穿墙雷达人体行为特征表征方法,通过对一维距离像行为数据的降维和特征聚类,有效实现了隐蔽人体行为短时共性特征提取以及特征的时序性关联。3、提出基于循环神经网络的穿墙雷达人体行为快速识别方法,通过构建GRU循环神经网络的行为识别方法,利用网络对时序性行为信息的动态记忆性及遗忘性,可实现穿墙隐蔽人体行为无冗余计算的单帧实时识别。4、提出基于归一化调和加权交并比(NHW-IOU)的穿墙雷达人体行为识别模型评价方法,有效评判了模型识别的可靠性和实时性。5、提出基于Bagging和Stacking集成学习的多视角穿墙雷达人体行为稳健识别方法,有效融合了隐蔽人体行为的多视角特征,解决了由单视角行为探测视角局限性引起的模型识别不稳定性问题,提升了穿墙雷达人体行为的准确可靠识别。以上数据处理和行为识别方法均通过实测数据进行了验证。
【学位单位】:电子科技大学
【学位级别】:博士
【学位年份】:2019
【中图分类】:TN95;TP183
【部分图文】:
图 2-1 基于微多普勒的人体行为全局描述示例图 2-1 展示了文献[21]对雷达人体行为的一种微多普勒全局描述方法。从图出,通过分析 3 秒时间窗内的雷达人体行为对应的时变多普勒及微多普勒频率计得到诸如偏置、带宽、无微多普勒带宽、躯干多普勒频率、周期等 5 种行为,实现行为的全局特征描述。然而,全局行为描述不适用于穿墙雷达人体行为识别任务,其缺陷有三:1、非实时性全局行为描述只有接收完毕固定长度时间窗Th 内发生的完整行为数据ThE能计算相应的行为特征 ThF E,从而通过分析特征数据获得行为的具体类型此全局行为描述需要等待行为发生完毕才能给出最终识别结果,如图 2-2 所而,根据穿墙雷达的实际应用需求,要求隐蔽人体目标行为发生过程中依然能出稳健准确的行为识别结果,所以全局行为描述存在非实时缺陷。某
循环神经网络环神经网络(Recurrent Neural Network, RNN)是机器学习中深度神组成部分。与其他诸如多层感知机和深度卷积神经网络等深度学习,循环神经网络的层级之间存在反馈链路,使得当前时刻的输出不再输入单独决定,而是由与当前输出存在关联的所有层级的输出或者共同决定,因此,循环神经网络是一种存在记忆的网络,它可以通过息来对当前时刻信息做出预测或者估计。所以,循环神经网络不仅在具备空间深度,而且还在时间方向上具备时间深度[119]。 RNN简单的典型 RNN 是由三层感知机导出的,其结构包含输入层、隐藏个层级,并且在隐藏层加入了时间状态反馈环路,如图 3-9 所示。在N 输入 t x 时,隐藏层的输出 t s 可表示为 t t t 1ts s f Ux Ws b
图 3-17 所提 NHW-IOU 准则的示例说明示意图1IOU,model112741c gc gA AA A (3-33) 211 2142 3, 1 1 =141/c gc gc gc gs sH s ss ss s (3-34)所以模型 1 的 NHW-IOU 得分为 NHW-IOU,model1 IOU,model13 27, 0.49394 41c g H s s (3-35)同理根据行为识别结果 2 和行为识别结果 3 可得21cs ,236cA ,IOU,model23241 , 2, 1c gH s s 以 及31cs ,336cA ,IOU,model33538 , 3, 1c gH s s ,因此模型 2 和模型 3 的 NHW-IOU 得分分别为 NHW-IOU,model2 2 IOU,model232, 1 0.780541c g H s s (3-36)
本文编号:2830276
【学位单位】:电子科技大学
【学位级别】:博士
【学位年份】:2019
【中图分类】:TN95;TP183
【部分图文】:
图 2-1 基于微多普勒的人体行为全局描述示例图 2-1 展示了文献[21]对雷达人体行为的一种微多普勒全局描述方法。从图出,通过分析 3 秒时间窗内的雷达人体行为对应的时变多普勒及微多普勒频率计得到诸如偏置、带宽、无微多普勒带宽、躯干多普勒频率、周期等 5 种行为,实现行为的全局特征描述。然而,全局行为描述不适用于穿墙雷达人体行为识别任务,其缺陷有三:1、非实时性全局行为描述只有接收完毕固定长度时间窗Th 内发生的完整行为数据ThE能计算相应的行为特征 ThF E,从而通过分析特征数据获得行为的具体类型此全局行为描述需要等待行为发生完毕才能给出最终识别结果,如图 2-2 所而,根据穿墙雷达的实际应用需求,要求隐蔽人体目标行为发生过程中依然能出稳健准确的行为识别结果,所以全局行为描述存在非实时缺陷。某
循环神经网络环神经网络(Recurrent Neural Network, RNN)是机器学习中深度神组成部分。与其他诸如多层感知机和深度卷积神经网络等深度学习,循环神经网络的层级之间存在反馈链路,使得当前时刻的输出不再输入单独决定,而是由与当前输出存在关联的所有层级的输出或者共同决定,因此,循环神经网络是一种存在记忆的网络,它可以通过息来对当前时刻信息做出预测或者估计。所以,循环神经网络不仅在具备空间深度,而且还在时间方向上具备时间深度[119]。 RNN简单的典型 RNN 是由三层感知机导出的,其结构包含输入层、隐藏个层级,并且在隐藏层加入了时间状态反馈环路,如图 3-9 所示。在N 输入 t x 时,隐藏层的输出 t s 可表示为 t t t 1ts s f Ux Ws b
图 3-17 所提 NHW-IOU 准则的示例说明示意图1IOU,model112741c gc gA AA A (3-33) 211 2142 3, 1 1 =141/c gc gc gc gs sH s ss ss s (3-34)所以模型 1 的 NHW-IOU 得分为 NHW-IOU,model1 IOU,model13 27, 0.49394 41c g H s s (3-35)同理根据行为识别结果 2 和行为识别结果 3 可得21cs ,236cA ,IOU,model23241 , 2, 1c gH s s 以 及31cs ,336cA ,IOU,model33538 , 3, 1c gH s s ,因此模型 2 和模型 3 的 NHW-IOU 得分分别为 NHW-IOU,model2 2 IOU,model232, 1 0.780541c g H s s (3-36)
【参考文献】
相关期刊论文 前4条
1 孙忠胜;王俊;毕严先;袁常顺;张耀天;;基于广义S变换的多人微多普勒特征分析[J];系统工程与电子技术;2014年07期
2 王宏;周正欧;李廷军;孔令讲;;基于EEMD穿墙雷达人的运动模式识别[J];电子科技大学学报;2011年03期
3 张翼;朱玉鹏;刘峥;黎湘;;基于微多普勒特征的人体运动辨识[J];西南大学学报(自然科学版);2010年03期
4 王兆其;虚拟人合成研究综述[J];中国科学院研究生院学报;2000年02期
相关博士学位论文 前1条
1 张翼;人体微动雷达特征研究[D];国防科学技术大学;2009年
相关硕士学位论文 前2条
1 陈硕;太赫兹雷达人体微动特征研究[D];国防科学技术大学;2015年
2 周永舜;基于微多普勒的人体探测和特征提取算法研究[D];电子科技大学;2010年
本文编号:2830276
本文链接:https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2830276.html