[发明专利]基于复值卷积神经网络的墙后人体行为识别方法

权利要求书

1.一种基于复值卷积神经网络的墙后人体行为识别方法，包括以下步骤：

步骤1：雷达原始距离像预处理

考虑一个穿墙雷达发射K个脉冲探测一个墙后人体行为，则这K个脉冲的回波构成的雷达原始距离像为：

其中，r_k(m)是第k个脉冲的回波信号，k＝0,1,…,K，M是回波信号长度，在雷达快时间维度进行快速傅里叶逆变换，并将快速傅里叶逆变换后的距离像通过动目标指示滤波器，得到背景杂波被抑制的距离像P”(m)，P”(m)的维度大小为K×M；

步骤2：训练集和测试集构造

利用收集到的所有距离像P”(m)样本按构造第一训练集和第二测试集；

步骤3：构造复值卷积神经网络

构造由1个输入层，5个复值卷积层，5个复值批归一化层，3个复值最大池化层，3个复值全连接层和1个softmax输出层组成的复值卷积神经网络，网络的激活函数选择复值线性整流函数且复值卷积层联合利用距离像的幅值和相位信息提取墙后人体行为的多元特征，softmax输出层用来得到样本的识别结果；每层的具体参数如下：

第1层为输入层，其大小等于输入距离像大小，即227×227×1；

第2层为第一个复值卷积层，卷积核大小为11×11×1，卷积核个数为96，步长为4，卷积运算的输入特征图填充为0，卷积输出特征图通道数为96；

第3层是第一个复值最大池化层，池化核大小为3×3×96，池化步长为2；

第4层为第二个复值卷积层，卷积核大小为5×5×96，卷积核个数为256，步长为1，卷积运算的输入特征图填充为2，卷积输出特征图通道数为256；

第5层是第二个复值最大池化层，池化核大小为3×3×256，池化步长为2；

第6层为第三个复值卷积层，卷积核大小为3×3×256，卷积核个数为384，步长为1，卷积运算的输入特征图填充为1，卷积输出特征图通道数为384；

第7层为第四个复值卷积层，卷积核大小为3×3×384，卷积核个数为384，步长为1，卷积运算的输入特征图填充为1，卷积输出特征图通道数为384；

第8层为第五个复值卷积层，卷积核大小为3×3×384，卷积核个数为256，步长为1，卷积运算的输入特征图填充为1，卷积输出特征图通道数为256；

第9层是第三个复值最大池化层，池化核大小为3×3×256，池化步长为2；

第10层、第11层和第12层为复值全连接层，其节点数个数依次为4096,256和11，其中11是要识别行为总类别数，11种行为分别为：拳击、跌倒、喝水、抬腿、踢腿、捡拾、跑步、坐下、站起、走路、挥手；

第13层是softmax输出层，其节点为11；

复值批归一化层在每一个复值卷积层后应用，其通道数与其前面紧接的卷积层输出特征图通道数保持一致；

激活函数应用于每一个复值批归一化层和第10层、第11层全连接层后；

复值卷积层具体计算公式为：

W*H＝(A*X-B*Y)+i(A*Y+B*X)

其中，W＝Α+iB是复值卷积核，A是实部卷积核，B是虚部卷积核，H＝X+iY是复值特征图，X是实部特征图，Y是虚部特征图；

复值批归一化层具体计算公式为：

其中，x是复值向量，γ和β分别是可学习的尺度参数和平移参数，E(·)是均值运算，V是x的协方差矩阵，具体计算公式为：

其中，和分别是x的实部和虚部，Cov(·,·)是协方差运算；

复值最大池化层ComxP具体计算公式为：

ComxP(H)＝MaxP(X)+iMaxP(Y)

其中，MaxP是最大池化运算，激活函数的具体计算公式为：

其中，ReLU是线性整流函数；

复值全连接层具体计算公式为：

L·s＝(C·e-D·f)+i(C·f+D·e)

其中，L＝C+iD为复值全连接层权重，C是实部全连接层权重，D是虚部全连接层权重，s＝e+if是复值向量；

步骤4：训练复值卷积神经网络

利用带行为类别标签的第一训练集对复值卷积神经网络进行E轮有监督训练，直到模型收敛，得到训练好的复值卷积神经网络模型；

步骤5：利用训练好的网络对测试样本进行识别

将第二测试集输入训练好的复值卷积神经网络模型，对第二测试集中每个样本距离像的行为进行识别，得到墙后人体行为识别结果。

2.根据权利要求1所述的一种基于复值卷积神经网络的墙后人体行为识别方法，其特征在于，步骤4所述的E≥1000。