[发明专利]一种基于SIMO多普勒雷达的弱约束步态轨迹处理方法

说明书

本发明公开了一种基于SIMO多普勒雷达的弱约束步态轨迹处理方法，首先使用单发双收多普勒雷达采集受试者的步态数据，然后对数据进行预处理消除高频噪声对步态数据的影响；接下来里采用相关系数法计算接收到的两路信号的相位差，并计算受试者与雷达法线构成的夹角，即偏转角；接着根据多普勒效应计算受试目标朝向雷达设备的移动速度，并据此计算受试者在雷达设备法线方向上的移动距离；最后计算受试者在不同时间帧的运动方向，并将步态轨迹进行分割，得到多段运动方向与雷达设备法线方向解耦的直线步态轨迹。本发明在实现了对弱约束步态轨迹处理的同时，也为基于单发多收多普勒雷达在弱约束步态轨迹场景下的步态识别问题提供了思路。

技术领域

本发明属于步态识别技术领域，具体涉及一种弱约束步态轨迹处理方法。

背景技术

步态识别是目前模式识别领域研究的热点。文献“Li Y,Peng Z,Pal R,etal.Potential active shooter detection based on radar micro-Doppler and range-Doppler analysis using artificial neural network[J].IEEE Sensors Journal,2018,19(3):1052-1063.”提出了一种基于FMCW雷达的步态识别方法，该方法通过计算步态的距离多普勒域及微多普勒域的时频域变化提取与步态数据相关的特征信息，文献“SunZ,Wang J,Sun J,et al.Parameter estimation method of walking human based onradar micro-Doppler[C]//2017IEEE Radar Conference(RadarConf).IEEE,2017:0567-0570.”提出了一种基于多普勒雷达的步态特征参数估计方法，通过不同人群的步态特征参数来区别不同的目标人群，文献“Xu W,Yu Z W,Wang Z,et al.Acousticid:gait-basedhuman identification using acoustic signal[J].Proceedings of the ACM onInteractive,Mobile,Wearable and Ubiquitous Technologies,2019,3(3):1-25.”利用麦克风设备采集数据并构建步态时序数据的高维时频域特征，通过机器学习方法提取高维时频域数据的特征从而达到步态识别的目的。虽然上述三个文献均实现了基于无线射频设备的步态识别任务，但是在具体实验过程中对受试者的步态轨迹都有一个共性的限制条件：受试者需要朝向无线射频设备做直线行走，且要与无线射频设备的法线方向一致，另外受试者在行走过程中其移动方向不能发生改变。基于此，文献“Zhang L,Wang C,Ma M,etal.WiDIGR:Direction-Independent Gait Recognition System Using Commercial Wi-Fi Devices[J].IEEE Internet of Things Journal,2019,7(2):1178-1191.”提出了一种基于Wifi设备的步态识别方法，该方法利用多维度频谱交叉融合的方法实现了受试者运动方向与无线射频设备法线方向的解耦，但是受试者在行走过程中其移动方向依然不能发生改变，文献“Zhao P,Lu C X,Wang J,et al.mid:Tracking and identifying people withmillimeter wave radar[C]//201915th International Conference on DistributedComputing in Sensor Systems(DCOSS).IEEE,2019:33-40.”提出一种基于FMCW雷达的室内定位追踪方法，通过构建人体三维谱图的点云数据模型，结合深度神经网络完成对室内目标的定位追踪任务。然而，相关技术中并没有形成基于单发多收多普勒雷达在这样的一个弱约束步态轨迹场景下的解决方案。

发明内容