[发明专利]低复杂度下日常活动分类方法、装置、设备及存储介质

说明书

本发明实施例公开了一种低复杂度下日常活动分类方法、装置、设备及存储介质，该方法包括：获取室内活动的雷达时距图；对所述雷达时距图进行目标检测和特征提取以获取运动目标；通过训练好的神经网络对所述运行目标进行分类获取所述运动目标的运动状态。本发明实施例提供的一种低复杂度下日常活动分类方法通过使用目标检测、特征提取、轻量级神经网络的办法实现了人体活动识别，解决了现有技术中对于人体活动识别消耗计算资源过大和不具备实时性的问题，实现了在日常活动检测中低复杂度、计算需求小的效果。

技术领域

本发明实施例涉及目标检测技术，尤其涉及一种低复杂度下日常活动分类方法、装置、设备及存储介质。

背景技术

近年来，随着智能物联网应用的飞速发展，各类基于人体体征的研究成为一大热点。在日常生活中，人体的各种体征，如人脸信息、虹膜信息、语音信息、手势信息、动作信息等，都蕴含大量信息，可应用于识别、定位、交互等。其中，动作信息是本发明研究的重点。人体的日常动作能够在特定场合直观地传递丰富信息，在安防监控、医疗监护、人机交互等领域中扮演者重要的角色。

在各类传感器中，雷达传感器以其特有的优势得到了广泛的应用。对比其他传感器，雷达传感器有着保护隐私、全天候工作、不受光线和水雾影响等优点。因此，越来越多的研究者采用雷达对人体进行探测识别。雷达传感器的工作原理是雷达主动发射电磁波，研究者通过分析雷达回波进行识别人体目标。

随着深度学习的发展，各类基于深度学习方法的识别技术也不断涌现，对于雷达传感器而言亦是如此。在样本充足和计算资源丰富的情况下，基于深度学习的方法确实在一定程度上得到了较高的人体活动识别精度。然而，在智能物联网应用中，这种需要消耗较大的计算资源的方法，并不一定能够保证实时性的计算结果。一种解决方法是将数据传输至云端进行算法计算，但是云端计算在传输和延时方面是比不上边缘计算的。因此，提供一种低复杂度、计算需求小的活动分类方法，在一定程度上能够完成物联网终端边缘计算的目标。

发明内容

本发明提供一种低复杂度下日常活动分类方法，以实现在日常活动检测中低复杂度、计算需求小的效果。

第一方面，本发明实施例提供了一种低复杂度下日常活动分类方法，包括：

获取室内活动的雷达时距图；

对所述雷达时距图进行目标检测和特征提取以获取运动目标；

通过训练好的神经网络对所述运行目标进行分类获取所述运动目标的运动状态。

可选的，所述对所述雷达时距图进行目标检测和特征提取以获取运动目标包括：

通过检测器对所述雷达时距图进行目标检测以消除杂波和多径信息；

对所述雷达时距图提取微多普勒特征以获取运动目标。

可选的，所述通过检测器对所述雷达时距图进行目标检测以消除杂波和多径信息包括：

对所述雷达时距图的每一帧多个距离单元的幅度进行排序，求二阶导后获取拐点并将所述拐点对应的幅度提取出来；

根据所述幅度以滑窗的形式统计所述幅度的概率分布，为高斯分布；

对所述雷达时距图的每一帧多个距离单元进行判断是否符合条件，若符合条件则为有效距离单元点以消除误差。

可选的，所述条件包括：

log₁₀(x(n，k))-μ＞Th*σ²

其中，x(n，k)为雷达时距图，n为帧序列，k为距离单元序列，Th为预先设定门限值，μ为统计的高斯分布的均值，σ²为统计的方差。

可选的，所述对所述雷达时距图提取微多普勒特征以获取运动目标包括：