[发明专利]基于多频融合深度学习的雷达步态识别方法

说明书

本发明公开了一种基于多频融合深度学习的雷达步态识别方法，采用多频谱图融合的思想将多个频点的时频图信息融合到一张时频图中，其主要原理是运用引导滤波器将所有时频图分解为不含噪声的基础层以及包含大量噪声和细节等高频信息的细节层，然后对获得的细节层和基础层分别处理后再重组以获取时频图融合图像。此后运用卷积神经网络来提取该图像中的特征并用稀疏自编码器选择用于分类的最佳特征组合，再将其送入到分类器中即可完成分类。本发明的优势在于采用多频谱图融合的思想广泛减少神经网络的构建复杂度，同时提升模型的准确率，具有识别精度高，运行速度快，抗噪性能好等优势，因此能广泛的运用于实际中步态实时检测。

技术领域

本发明涉及一种雷达步态的分类方法，尤其涉及一种基于多频融合深度学习的雷达步态识别方法。

背景技术

在人体步态识别领域，为了实现人体步态的分类，其主要实现方式有两种，基于机器学习和基于深度学习的方式。基于机器学习的方式主要是通过对雷达的回波数据分析获得人体的微多普勒谱图，再从获得的微多普勒谱图中人工提取特征，然后将该特征用于步态分类。但是由于人的主观性和受到专业知识领域的局限，导致所提取的特征不能完美的表达图像中所蕴含的信息，最终往往导致分类效果差或模型的鲁棒性差，不具有实用性。

近年来，深度学习的兴起完美的解决了机器学习中的特征提取问题。它能根据分类任务自动提取图像中与分类有关的所有特征组合。从而极大程度的提升了步态识别准确性，但是随着研究的深入，渐渐发现单个频点的时频图所蕴含的信息往往有限，它限制了准确率的进一步提高。为了解决这个问题，学术界提出了结合多域的方法，这让准确率有了进一步的提升。但是目前却几乎不采用多频的方法。其原因主要有以下两点：(1)相邻频点时频图相似度极高，只有边缘存在微小的变化，无法以有效方式提取这些微小细节中蕴含的信息。(2)采用并行输入的深度学习的方式来提取这些特征，往往由于输入的时频图数量庞大致使网络复杂度极高，从而导致网络难以训练，或无法训练。

发明内容

本发明的目的就在于提供一种解决上述问题，能运用图像融合算法将获得的多个频点的时频图信息融合到一张时频图中，广泛减少神经网络的构建的复杂度的同时提升模型的准确率，从而极大程度的减小对硬件资源的需求同时做到实时检测的效果的基于多频融合深度学习的雷达步态识别方法。

为了实现上述目的，本发明采用的技术方案是这样的：一种基于多频融合深度学习的雷达步态识别方法，包括以下步骤：

(1)采用频率步进连续波雷达对人体多种不同步态进行n次采样，记录每次采样的步态类别，每次采样得到一个步态样本，所述样本为N×M的矩阵，其中，N为采样周期个数，M为一个采样周期中步进频率的个数，n次采样得到一数据集X,

X＝{X_i∈R^N×M|i＝1,2,…,n}

所述R表示复数，N×M为矩阵维数，X_i为X中第i个样本；

(2)将每个X_i的每一列的数据进行平均对消运动滤波，得到矩阵P_i，则数据集X中所有样本进行平均对消运动滤波后构成数据集P

P＝{P_i∈R^N×M|i＝1,2,…,n}；

(3)将每个P_i中的每一列数据进行短时傅里叶变换，得到M个频率的时频图集合则数据集P中所有样本的时频图集合构成数据集其中表示第i个样本的第j个频率点的时频图；

(4)采用引导滤波器对Aⁱ中的所有时频图进行滤波，得到该样本所有时频图的基础层集合其中表示第i个样本的第j个频点的时频图基础层，则数据集A中所有样本滤波后的基础层集合构成数据集