[发明专利]用于无人值守传感器系统的人员目标识别方法

说明书

一种用于无人值守传感器系统的人员目标识别方法，其步骤包括：步骤S1：数据预处理；将无人值守地面传感器设备获取的原始数据转换成两种形式的数据：时间序列数据和功率谱密度频谱数据；步骤S2：循环神经网络训练；将步骤S1得到的两类数据分别作为训练样本，分别输入到两个不同的循环神经网络中训练；步骤S3：并联循环神经网络识别信号；将步骤S2得到的训练生成的两个模型并联，一个模型判断有无人走路，一个模型判断有无人跑步，两个模型的结果作或运算，最后判断是否有人。本发明具有原理简单、可以实时对人员进行检测、并能够显著提高识别准确率等优点。

技术领域

本发明主要涉及到适应于人员目标的模式识别领域，特指一种用于无人值守传感器系统的人员目标识别方法。

背景技术

传统的无人值守传感器系统中人员目标识别方法包括：过零分析和小波变换等方法，这些方法在处理单一场景有规律走路或跑步时还行，但实际上走路和跑步可能并存，每个人走跑的步频也是不同的，这时传统方法往往会出现漏检情况。

近些年来随着深度学习方法的蓬勃发展，如循环神经网络尤为擅长处理序列数据。因此，亟需一种高识别准确率的基于循环神经网络在无人值守传感器系统中的人员目标识别方法。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种原理简单、可以实时对人员进行检测、并能够显著提高识别准确率的用于无人值守传感器系统的人员目标识别方法。

为解决上述技术问题，本发明采用以下技术方案：

一种用于无人值守传感器系统的人员目标识别方法，其步骤包括：

步骤S1：数据预处理；将无人值守地面传感器设备获取的原始数据转换成两种形式的数据：时间序列数据和功率谱密度频谱数据；

步骤S2：循环神经网络训练；将步骤S1得到的两类数据分别作为训练样本，分别输入到两个不同的循环神经网络中训练；

步骤S3：并联循环神经网络识别信号；将步骤S2得到的训练生成的两个模型并联，一个模型判断有无人走路，一个模型判断有无人跑步，两个模型的结果作或运算，最后判断是否有人。

作为本发明的进一步改进：在步骤S1中，对原始信号进行低频段带通滤波，频段在18-26Hz；对信号再进行峰值区域提取，即提取以地震信号峰值为中心，时间长度为500ms的时间序列；最后对信号作归一化处理，范围在0至1000，得到输入到一个循环神经网络的时间序列数据。

作为本发明的进一步改进：在步骤S1中，对原始数据使用Welch方法得到功率谱密度估计数据，得到输入到另一个循环神经网络的功率谱密度频谱数据。

作为本发明的进一步改进：所述原始数据只含静置信号和有人跑步信号。

作为本发明的进一步改进：将时间序列数据作为一个循环神经网络的训练样本；对训练样本贴标签，标签0是静置信号，标签1是有人跑步信号；循环神经网络训练迭代次数根据测试集准确率和损失函数值是否收敛来定。

作为本发明的进一步改进：将功率谱密度频谱数据作为另一个循环神经网络的训练样本；对训练样本贴标签，标签0是静置信号，标签1是有人走路信号；循环神经网络训练迭代次数根据测试集准确率和损失函数值是否收敛来定。

作为本发明的进一步改进：在步骤S3中将两个循环神经网络训练模型并联，其中一个循环神经网络模型输入功率谱密度频谱数据，用来判断是否有人走路；另一个循环神经网络模型输入时间序列数据，用来判断是否有人跑步。

作为本发明的进一步改进：两个循环神经网络的输出都是0-1值，对两个网络输出结果作或运算也是得到0-1值，其中0代表无人，1代表有人。