[发明专利]无载波超宽带雷达人体动作识别方法

说明书

本发明公开一种无载波超宽带雷达人体动作识别方法，先利用样本数据构建支持向量机模型，后利用构建好的支持向量机模型实现人体动作识别。在训练和识别的过程中，采用了基于PCA和DCT相结合的特征提取方法，提取人体动作回波信号中的有效特征，从而能够有效提高人体动作的识别率；此外，在训练支持向量机模型的过程中，结合利用了改进后的网格搜索算法优化SVM模型参数，从而避免了传统网格搜索算法优化SVM模型参数容易陷入局部最优的情况。

技术领域

本发明涉及人体动作识别技术领域，具体涉及一种无载波超宽带雷达人体动作识别方法。

背景技术

近年来，针对人体动作识别开展了许多研究，是当前研究的热点。由于超宽带(UWB)雷达具有超高的距离分辨率以及穿透力，可以用于检测人体动作的微小变化，从而提高人体动作的识别率，因此基于超宽带雷达的人体动作识别具有重大的意义。Bryan等人提出应用超宽带雷达来识别人体动作，通过采集八种典型人体动作下的超宽带接受信号，然后应用主成分分析法得到信号的主要分量作为特征，结合支持向量机进行训练分类，最后能达到85％的准确率。Kim等人同样应用超宽带雷达进行采集数据，不过是根据人体运动时产生的多普勒特征，提出用微多普勒特征来训练模型，最终对七中常见动作的分类达到了90％正确率，但这种方法的缺陷是不能对静止的动作进行分类。然而，这些研究主要集中在连续波雷达和有载波的超宽带雷达，目前只能够用来识别一些简单的基本的人体动作，但对于室内复杂环境下、未训练的动作以及多人交互的动作等还不能进行准确识别。

发明内容

本发明针对现有基于超宽带雷达的人体动作识别对于室内复杂环境下、未训练的动作以及多人交互的动作等还不能进行准确识别的问题，提供一种无载波超宽带雷达人体动作识别方法。

为解决上述问题，本发明是通过以下技术方案实现的：

一种无载波超宽带雷达人体动作识别方法，包括步骤如下：

步骤1.无载波超宽带雷达采集已知人体动作的回波信号，并利用这些已知人体动作的回波信号来构建训练集，对训练集中已知人体动作的回波信号进行预处理后得到训练样本数据；

步骤2.将训练样本数据进行PCA降维，根据关键特征选取相应的特征向量，构建训练主元子空间；

步骤3.将训练主元子空间进行DCT变换，提取训练主元子空间中的低频信号，得到训练特征数据；

步骤4.利用改进的网格搜索算法优化对支持向量机模型的参数进行优化，并将训练特征数据采用k-折交叉验证训练的方式输入到参数优化后的支持向量机模型中进行训练，得到训练好的支持向量机模型；

步骤5.无载波超宽带雷达采集未知人体动作的回波信号，并对未知人体动作的回波信号进行预处理后得到测试数据；

步骤6.将测试数据进行PCA降维，根据关键特征选取相应的特征向量，构建测试主元子空间；

步骤7.将测试主元子空间进行DCT变换，提取测试主元子空间中的低频信号，得到测试特征数据；

步骤8.将测试特征数据输入到步骤4所训练好的支持向量机模型，从而完成人体动作的识别。

上述步骤1和5中，对回波信号进行的预处理为归一化预处理。

上述步骤2和6的具体子步骤如下：

步骤1).利用预处理后的数据构建样本矩阵，并求解样本矩阵的协方差矩阵；

步骤2).利用奇异值分解定理求解协方差矩阵的特征值和相对应的特征向量；

步骤3).根据特征值所占比例贡献度即关键特征从步骤2)所得到的所有特征向量中选取特征向量，利用选取的特征向量来构建主元子空间。

上述步骤4的具体子步骤如下：