[发明专利]一种基于PC-IRNN的行人步态分类方法

权利要求书

1.一种基于PC-IRNN的行人步态分类方法，其特征在于，包括以下步骤：

步骤1，构建行人步态模型，获取行人步态雷达回波；对行人步态雷达回波进行短时傅里叶变换，得到行人步态时频谱图；

步骤2，对行人步态时频谱图进行预处理，得到预处理后的行人步态时频谱图，将预处理后的行人步态时频谱图划分为训练样本和测试样本；

其中，每个样本对应一幅预处理后的行人步态时频谱图；所述训练样本中包含所有类别的预处理后的行人步态时频谱图；

步骤3，搭建PC-IRNN分类器，并对PC-IRNN分类器进行初始化；

步骤3中，所述搭建PC-IRNN分类器，并对PC-IRNN分类器进行初始化，其具体为：

首先，将RNN的隐藏层激活函数tanh修改为mod函数，得到新的RNN；

其中，mod函数为取绝对值操作；

其次，采用两个相互独立的新的RNN并行搭建PC-IRNN；

最后，将每个RNN的隐藏层间的权重分别初始化为单位阵，每个RNN的输入层与隐藏层间的权重以及隐藏层与输出层间的权重服从N(0，1)的随机初始化，每个RNN的隐藏层偏置以及输出层偏置分别初始化为0；

步骤4，采用训练样本对初始化后的PC-IRNN分类器进行训练，得到训练后的PC-IRNN分类器，采用训练后的PC-IRNN分类器对测试样本进行分类，得到对应的分类输出；

步骤4中，所述采用训练样本对初始化后的PC-IRNN分类器进行训练，其具体步骤为：

子步骤4a，从每个训练样本中提取对应的像素点序列，将该像素点序列作为初始化后的PC-IRNN的输入，一个时刻输入一个像素点序列，则M′个时刻后即完成一张时频谱图的输入；

子步骤4b，计算每一时刻PC-IRNN的隐藏层输出；并将每个训练样本的最后一个时刻的输出作为该训练样本的预测输出；

子步骤4c，采用交叉熵损失函数计算对应的训练损失，并通过反向传播算法和梯度裁剪，优化PC-IRNN网络参数；

子步骤4d，重复子步骤4a-4c，完成所有训练样本的训练和网络参数的优化，得到训练后的PC-IRNN分类器；

其中，所述网络参数为两个新的RNN的所有权重和偏置。

2.根据权利要求1所述的基于PC-IRNN的行人步态分类方法，其特征在于，步骤1中，所述构建行人步态模型具体为：

首先，构建Boulic行人模型，并设置行人步态参数；

其中，所述行人步态参数包括行人初始空间位置、行走方向、行人身高和步态周期数；

然后，对行人步态进行分类，得到慢速行走、正常行走和快速行走三种行人步态，作为行人步态模型；

其中，所述慢速行走为0＜V_R≤0.5；所述正常行走为0.5＜V_R≤1.3；所述快速行走为1.3＜V_R≤3.0；V_R为行人的相对行走速度，单位为H_t/s，H_t为行人的大腿高度，s为秒。

3.根据权利要求1所述的基于PC-IRNN的行人步态分类方法，其特征在于，步骤1中，所述获取行人步态雷达回波为：首先，设置雷达参数：发射信号类型、发射信号频率、发射信号带宽、一个行走周期的发射脉冲数和雷达空间位置；然后，通过仿真得到各种行人步态的雷达回波。

4.根据权利要求1所述的基于PC-IRNN的行人步态分类方法，其特征在于，步骤2中，所述预处理为：对行人步态时频谱图依次进行灰度化和归一化处理；其中，所述归一化处理为：将灰度化后的时频谱图的每一个像素点除以255。

5.根据权利要求1所述的基于PC-IRNN的行人步态分类方法，其特征在于，所述从每个训练样本中提取对应的像素点序列，其具体为：首先，将预处理后的行人步态时频谱图中的每幅时频谱图向右旋转90°，再将其大小缩小为M′×N′，得到待提取时频谱图；

然后，将待提取时频谱图逐行转换为像素点序列，其中，待提取时频谱图的每行对应一个像素点序列。