[发明专利]基于双通道卷积神经网络的人体身份识别方法

说明书

基于双通道卷积神经网络的人体身份识别方法，属于目标识别领域，为了解决传统基于整体或局部微多普勒特征的人体身份识别算法识别准确率较低的问题，首先，基于Boulic模型构建符合实际场景的人体体态及姿态模型；其次，基于所构建体态及姿态模型估计人体各部位空间位置；而后，基于雷达方程构造人体运动雷达回波模型以获取人体运动微多普勒信息；再次，将微多普勒图变换为梅尔倒谱图以增强全局微多普勒特征，基于分量分离方法去除躯干强反射以增强局部肢体微多普勒特征；最后将增强全局及局部特征经DC‑CNN深度融合以实现有效人体身份识别，实验结果表明，与现有主流识别方法相比，所提方法可有效提升人体身份识别准确率。

技术领域

本发明属于目标识别领域，更进一步涉及一种基于人体运动微多普勒特征的人体身份识别的方法。针对传统基于整体或局部微多普勒特征的人体身份识别算法识别准确率较低的问题，本文提出基于双通道卷积神经网络(Double-Channel Convolutional NeuralNetwork,DC-CNN)的人体身份识别算法。首先，基于Boulic模型构建符合实际场景的人体体态及姿态模型；其次，基于所构建体态及姿态模型估计人体各部位空间位置；而后，基于雷达方程构造人体运动雷达回波模型以获取人体运动微多普勒信息；再次，将微多普勒图变换为梅尔倒谱图以增强全局微多普勒特征，基于分量分离方法去除躯干强反射以增强局部肢体微多普勒特征；最后将增强全局及局部特征经DC-CNN深度融合以实现有效人体身份识别。实验结果表明，与现有主流识别方法相比，所提方法可有效提升人体身份识别准确率。

背景技术

随着社会对公共安全的日益重视，身份识别在诸如防恐反恐、区域监控、健康医疗等应用中的地位愈发重要。相较于传统光电传感器，雷达具有非接触、不侵犯隐私及可穿透非透明物体等优点，由此，基于雷达的人体身份识别获得了学术界和工业界越来越多的关注。

非刚体目标运动时，躯干随之移动，且躯干附属部件需额外做摇摆运动，此运动将于躯干雷达回波中附加频率调制，从而在回波信号主频附近产生额外频率分量，此即为微多普勒效应。微多普勒特征可表征运动目标附属部件与主体之间在形状、结构和速度等方面的差异，从而可据此实现目标分类及识别，比如：基于微多普勒特征，AleksandarAngelov等人对人、自行车、汽车和动物进行分类，而Fugui Qi等人则利用此特征识别不同人体动作。然而，有别于不同动作类别及目标间明显的微多普勒特征差异，完成相同动作的不同人体所产生的微多普勒差异并不显著，因此，如何基于微多普勒数据提取高可分特征以有效识别人体身份仍面临巨大挑战。针对此问题，Fei Luo等人基于诸如躯干/身体径向速度、总多普勒偏置、多普勒总带宽、总能量、周期等手动提取多普勒相关特征识别人体身份和动作类别。然而，由于所提取特征数目较多，且某些特征存在较大个体差异，因而此方法计算复杂度较高且泛化能力较弱。近年来，以卷积神经网络(Convolutional NeuralNetwork,CNN)为代表的深度学习模型以其高可分特征提取、强泛化能力、高鲁棒性以及权值共享所带来的较低计算复杂度等优势，在图像处理、机器视觉、语音识别、动作识别等领域取得了相较于传统手动特征提取方法压倒性的效果。基于此，相关研究人员将深度学习模型引入人体身份识别领域以改善其识别能力。其中，Yang Yang等人提出一种基于微多普勒特征的深度身份识别方法，其将人体微多普勒图输入CNN以抽取深度特征进而基于特定分类器实现非接触、远程以及无光照条件下身份识别，然而，此方法数据来源单一，需要采集巨量数据并加大训练次数以提升识别精度。针对此问题，Qingchao Chen等人基于多个雷达获取多角度微多普勒特征以分辨武装和非武装人员，此方法需要多神经网络提取对应角度特征进而导致网络结构复杂。此外，Mehmet Saygin等人利用深度卷积自编码器(Deep Convolutional Auto-Encoder,DCAE)区分人体动作，由实验结果可知，爬行和匍匐两种高相似度动作识别混淆度20.4％，其源于躯干反射强度强于肢体，因而较难获取强躯干反射场景下相似动作中肢体相关精细特征。基于此，Xingshuai Qiao等人利用微多普勒信号分离算法分辨肢体摆动所得微多普勒信息及躯干移动所产生多普勒频移，从而凸显相同运动不同个体所得肢体微多普勒信号差异，然而其忽略了躯干肢体连接部位的微动特征，从而导致识别精度较为有限。由上述可知，现有文献通常基于整体或局部肢体微多普勒信号提取可分特征，忽视了全局及局部肢体的特征融合，从而使得所提取特征可分性有限进而导致识别精度较低。