[发明专利]基于多基地雷达微多普勒和卷积神经网络的人体识别方法

说明书

本发明涉及一种基于多基地雷达微多普勒和卷积神经网络的人体识别方法，属于雷达目标识别技术领域。本方法中使用多基地雷，缓解了视角变化带来的回波信号差异，增强了识别鲁棒性，提高了识别准确率。采用卷积神经网络进行数据处理，无需手工设计特征，具有一定通用性且识别正确率性能优异。本方法采用迁移学习技术，在卷积神经网络中利用了RGB光学图像预训练权重，并利用具有类似RGB光学图像的三通道多分辨率时频图作为卷积神经网络的输入，在匹配了预训练权重维度的同时，相比单分辨率时频图提供了更多的信息，本方法能够在多种人体识别任务中取得良好的识别准确率。

技术领域

本发明涉及一种基于多基地雷达微多普勒和卷积神经网络的人体识别方法，属于雷达目标识别技术领域。

背景技术

使用雷达观测目标，具有长距离、全天时全天候的优势。雷达微多普勒效应是指在目标质心运动导致的多普勒效应的基础上，由目标相对质心的震动、转动等引起的附加多普勒效应.目标的微多普勒频移随时间的变化规律，即微多普勒时频图，能够反映目标的运动姿态与结构信息，从而作为目标识别的特征，用于飞行器识别、人体姿态识别、手势识别等应用场景.基于微多普勒特征的经典目标识别算法一般分为特征提取和分类两个步骤。在特征提取步骤中，算法从多普勒时频图中提取若干经验特征(如带宽、质心、周期等)，或利用主成分分析、奇异值分解等不具有数据特异性的数学变换提取代表性信息作为特征.在分类步骤中，上述特征被输入某种经典的分类器(如支持向量机、朴素贝叶斯分类器、近邻分类器等)并输出识别结果。

卷积神经网络是一种近年来兴起的模式识别算法.它在图像、声音、自然语言处理等领域的检测、识别、分割等多种任务中较经典模式识别算法表现出显著的准确率优势，且无需人工选择经验特征、普适性好。

文献J.Park,R.J.Javier,T.Moon and Y.Kim,“Micro-Doppler basedclassification of human aquatic activities via transfer learning ofconvolutional neural networks,”Sensors,vol.16,no.12,p.1990,Nov.2016.公开了利用卷积神经网络进行基于雷达微多普勒特征的目标识别，设计实验区分了人体在水中的不同运动状态，并利用迁移学习技术进一步提升了算法的性能。该文献采用了单基地雷达对目标进行观测。

然而，单基地雷达的明显缺点是仅能获取距离向的多普勒信息，而对方位向的多普勒分量不具有感知能力。在视角剧烈变化(例如分别为0度和90)时，同一目标的微多普勒特征可能表现出巨大的差异，从而降低了目标检测的鲁棒性.而多基地雷达具有多条收发路径，能够从不同角度同时观测目标，能够有效缓和上述问题。其中，一个关键问题是如何融合来自不同节点或收发路径的数据。

文献F.Fioranelli,M.Ritchie and H.Griffiths,“Performance analysis ofcentroid and SVD features for personnel recognition using multistatic micro-Doppler,”IEEE Geoscience Remote Sensing Letter,vol.13,no.5,pp.725-729,May.2016.公开了将排列于一条直线的三个节点构成一发三收的多基地雷达，以区分人体是否持有武器。该文献利用经典目标识别方法处理各节点的数据，并简单地通过多数投票确定最终分类结果。然而经典目标识别方法的具有前文所述的诸多缺点，难以满足复杂和多样的目标识别任务；简单的多数投票融合难以充分利用各节点数据之间的相关性，融合效果仍有提升空间。

发明内容

本发明的目的是克服现有技术的上述缺点和不足，提出一种基于多基地雷达微多普勒和卷积神经网络的人体识别方法，为多基地雷达提供了更多观察视角，提升系统鲁棒性；利用卷积神经网络对目标的微多普勒时频图进行分类，实现了高性能的目标识别。