[发明专利]一种毫米波雷达与深度学习结合的姿态监测方法

权利要求书

1.一种毫米波雷达与深度学习结合的姿态监测方法，其特征在于，包括以下步骤：

步骤1：采集训练与测试样本数据；

步骤2：深度学习模型建立、训练及测试；

所述采集训练与测试样本数据；包括：

步骤1.1：基于毫米波雷达，采用BPM模式向所测空间中发射线性调频连续波，通过具有固定天线间距的雷达接收机接收所测空间反射的回波信号，并在采集数据过程中录制视频；

步骤1.2：对回波信号进行解码，获得N组多帧的雷达立方体数据；

步骤1.3：对获得的每一帧的雷达立方体数据的快时间维度作快速傅里叶变换；以此区分位于不同距离范围的目标；

步骤1.4：对步骤1.3处理好的每一帧数据沿着慢时间维度作短时傅里叶变换，以此获得目标的速度信息；

步骤1.5：将步骤1.4中获得的每一帧雷达立方体数据作非相干处理，再对距离单元作积累，最终按时间顺序将每一帧雷达立方体数据进行排列从而获得时间-多普勒热度图；

步骤1.1中，所述BPM模式为两根发射天线同时发射电磁波；所述所测空间为长、宽、高为4x4x2.7m大小的立体空间；

步骤1.2中，对回波信号进行解码，获得N组多帧的雷达立方体数据包括：

对回波信号进行解码，获得每一对发射-接收回波信号数据，并按照采样点数-chirp数-天线数-帧数的格式进行排列得到多帧的雷达立方体数据，该格式的数据表示为一组采集数据，共有N组采集数据；

对回波信号进行解码，具体为：

第一根发射天线TX1的相位编码为[1,1]，发射的信号为，第二根发射天线TX2的香味编码为[1,-1]，发射的信号为，对于接收天线，在第一个chirp周期内接收到的信号，在第二个chirp周期内接收到的信号，进而可解得，；

每组采集数据中包括多种人体姿态，所述人体姿态包括走、跌倒、蹲下、弯腰、坐五种动作，选择不同的人进行多次采集，共获得N组采集数据；所述N组采集数据包括x组chirp数为48和y组chirp数为256的采样数据，即N = x + y；

步骤1.3中，所述快时间维度作快速傅里叶变换具体为：对96个采样点进行多项式内插至128点再作快速傅里叶变换；

步骤1.5中，所述非相干处理方法具体为：

将雷达立方体数据中天线维数据的功率值进行叠加；

所述深度学习模型建立、训练及测试，具体步骤如下：

步骤2.1：对步骤1.5中的时间-多普勒热度图进行滑窗和选择处理以获得每一组采集数据所包含的不同姿态的时间-多普勒热度图，并将所述不同姿态的时间-多普勒热度图打上不同姿态所对应的标签；

步骤2.2：构建姿态检测深度学习模型，利用N组采集数据的不同姿态的时间-多普勒热度图进行所述深度学习模型的训练，得到训练完毕的深度学习模型以此达到对不同姿态进行检测的目的；

步骤2.3：将训练完毕并测试好的深度学习模型加载到服务器上，利用服务器对待检测的图片流进行姿态检测；

步骤2.4：当所述服务器判断输入的图片流中连续几帧的图片输出某一姿态的概率均大于所设定的阈值时，由屏幕显示该姿态并进行语音提醒；

步骤2.1中，对时间-多普勒热度图进行滑窗和选择处理并打上相应标签具体操作为：

通过确定合适的滑动窗口大小与滑动时间大小在每组时间-多普勒热度图中进行滑动截取从而形成同样形状大小但数据不同的图片，并结合所录制的视频为所述图片打上不同姿态对应的标签，所述标签为A,B,C,D,E五类；

步骤2.2中，所述姿态检测深度学习模型的构建具体为：

生成对抗网络；

卷积神经网络；

所述生成对抗网络包括生成模型和判别模型，其中，

生成模型的作用是捕捉样本数据的分布、将原输入信息的分布情况经过极大似然函数估计中参数的转化来将训练偏向转换为指定分布的样本，所述似然函数为:

；

其中：m为从数据集中随机取出的样本数，为初始给定的一组参数值，高斯混合模型中为均值和方差，为根据数据集定义的概率分布，为能使概率乘积最大化的参数值；

所述判别模型为二分类，会对生成模型生成的图像数据进行判断，判断其是否是真实的训练数据中的数据，若输入为真样本，输出就接近1，输入为假样本，输出就接近0；

生成对抗网络具体为：

在x组chirp数为48采样数据中截取获得若干张15x48的时间-多普勒热度图中进行随机采样m个样本数据，输入到生成模型中得到一组15x256的数据，记作，且输入和输出数据标签一致；

在y组chirp数为256采样数据中截取获得若干张15x256的时间-多普勒热度图中进行随机采样m个样本数据，得到一组数据，记作；

将上两步中产生的、数据，即、、...、，作为判别网络模型的输入，输出m张15x256的图片并输出每张图片分类的准确度，根据生成器G，判别器D的目标函数并结合随机梯度下降算法不断更新优化模型参数，使得模型准确度达到90%以上，则为训练完毕并保存模型；目标函数中G(z)为生成器，D(x)为判别器，表示从真数据集 中随机取出m个样本求出概率取对数后求和，其作用为使真实数据放入到判别模型D(x)输出的计算值和目标函数值尽可能大；表示从假数据集 中随机取出m个样本求出概率取对数后求和。