[发明专利]面向雷达信号热图的人体目标检测方法

说明书

面向雷达信号热图的人体目标检测方法，该方法基于残差网络ResNet，并采用雷达信号热图作为网络输入。与视频图像相比，热图可从水平、垂直双向视角展示目标信息，并有效去除了冗余背景，更加直观。为简化训练过程，该方法对热图输入进行了预处理，在整合网络输入参数、重组热图图像数据的同时，也有助于提升训练效率、减少训练时间。在训练模型中，该方法提取残差网络输出的特征，并依靠网络末端的特征矩阵重构操作，对水平、垂直热图特征进行融合，以进一步提高特征提取效果。

技术领域

本发明属于目标图像识别领域，具体涉及一种面向雷达信号热图的人体目标检测方法。

背景技术

雷达信号热图，即通过雷达等射频收发装置获取的射频热图，由于其距离分辨率高，获取难度低，因此被多种检测系统采用，并广泛用于军事、交通、地质工程等领域。从雷达信号热图中提取和识别各类目标，特别是人体目标，也就成为各种检测系统的基本需求和重要任务之一。

人体目标检测一直是计算机视觉领域的研究热点。在早期研究中，目标检测方法通常需要提取图像特征，使用DPM(Deformable Parts Model)模型，用滑动窗口的方式来预测具有较高分数的目标框 (Bounding Box)。这种方式十分耗时，而且精度不高。之后研究人员将深度学习引入目标检测领域，大幅提升了目标检测的性能。这类方法可分为两类。一类是将物体识别和物体定位分为两个步骤分别完成，即Two-stage，如R-CNN、Fast R-CNN、FasterR-CNN等，其识别错误率较低，但速度较慢，因而对于实时检测场景不太适合。另一类是One-stage，它舍弃了区域提议方法(RegionProposal)，转而直接生成目标坐标值和分类概率，典型方法包括Yolo、SSD、YoloV2等。其识别速度有所提升，然而在多尺度预测和基础分类网络等方面仍然有一定缺陷，在复杂检测场景下的整体准确率也不够理想。上述这些研究主要面向传统的视频检测，还不能直接应用于雷达信号热图中的人体目标检测。近年来，以麻省理工学院(Massachusetts Institute of Technology，MIT)为代表的高校对此领域进行了积极的探索。2017 年，Adib等研发了一款基于射频信号的RF-Capture系统，其可以透过墙壁捕获墙后人体目标。2018年，Zhao等以RF-Capture为基础，开发出一款利用WiFi无线信号进行人体目标检测、关键点定位工作的 RF-Pose系统。这些开创性研究，对雷达信号热图中的人体目标检测进行了很好的尝试，但也存在不少局限，如RF-Capture仅限于单人执行单一的动作(即朝设备走去)，RF-Pose也只能适用于少数人群的场景。总体来看，这类方法在复杂的环境还无法获得较高的准确率。

发明内容

针对上述问题，本发明提出了一种面向雷达信号热图的人体目标检测方法，同时使用了水平、垂直热图输入，并引入残差网络ResNet (ResidualNetwork)以提升识别性能。该方法基于残差网络ResNet，并采用雷达信号热图作为网络输入。与视频图像相比，热图可从水平、垂直双向视角展示目标信息，并有效去除了冗余背景，更加直观。为简化训练过程，该方法对热图输入进行了预处理，在整合网络输入参数、重组热图图像数据的同时，也有助于提升训练效率、减少训练时间。在训练模型中，该方法提取残差网络输出的特征，并依靠网络末端的特征矩阵重构操作，对水平、垂直热图特征进行融合，以进一步提高特征提取效果。

面向雷达信号热图的人体目标检测方法，包括如下步骤：